NEW AGE

Metodologi
Penelitian
Metode dan Teknik
(EDISI REVISI KEDUA)

C.R. Kothari

~ NEW AGE INTERNATIONAL PUBLISHER

Metodologi
Penelitian
Metode & Teknik

C.R. Kothari
Former Principal, College of Commerce
University of Rajasthan, Jaipur (India)

i
Copyright © 2004, 1990, 1985, New Age International (P) Ltd.,
Publishers Published by New Age International (P) Ltd., Publishers

All rights reserved.

No part of this ebook may be reproduced in any form, by photostat,
microfilm, xerography, or any other means, or incorporated into any
information retrieval system, electronic or mechanical, without the
written permission of the publisher.
All inquiries should be emailed to rights@newagepublishers.com

ISBN (13) : 978-81-224-2488-1

PUBLISHING FOR ONE WORLD

NEW AGE INTERNATIONAL (P) LIMITED, PUBLISHERS
4835/24, Ansari Road, Daryaganj, New Delhi – 110002
Visit us at www.newagepublishers.com

ii
 Diterjemahkan Oleh :

Mahasiswa Kelas PTB B 2019

Mata Kuliah Metodologi Penelitian
Kelas B 2021 :
Ainun Fadilah (5191111002)
Nela Sahfitri (5191111010)
Nizar Fitra Azhari (5191111014)
Eka Wulan Dhary (5192111004)
Nisa Iralla (5192411002)
Rido S.B. Sitanggang (5192411006)
Venie Yusmi Nattasya (5193111002)
Elsa Widesni Boangmanalu (5193111004)
Muhammad Akbar (5193111006)
Krisya Herfina Simanjuntak (5193111008)
Monica Anastasia Sinaga (5193111010)
Lidia Febryanti Br sinurat (5193111012)
Sri Handayani Saragih (5193111016)
Salwan Aziz Aceh (5193111018)
Luhut Gunawan Manik (5193111026)

Editor :
Rayhan Akbar Wiguna (5193111020)
Priscilla Tobing (5192411004)

Tugas Terjemahan Buku ini Merupakan Tugas Pengganti Critical Book Review (CBR) Mata
Kuliah Metodologi Penelitian Kelas B 2021 Yang Diampu oleh Bapak Dr. Zulkifli Matondang,
M.Si. dan Bapak Dr. Nathanael Sitanggang, S.T., M.Pd.

iii
 Kata Pengantar Edisi Kedua

Saya merasa terdorong oleh tanggapan luas dari para guru dan siswa terhadap edisi pertama.
Saya mempersembahkan edisi kedua ini, yang telah direvisi dan diperbesar secara
menyeluruh, kepada para pembaca saya dengan segala kerendahan hati. Semua upaya yang
mungkin telah dilakukan untuk lebih meningkatkan kegunaan buku ini. Umpan balik yang
diterima dari berbagai sumber telah dimasukkan.
Dalam edisi ini bab baru tentang "Komputer: Perannya dalam Penelitian" telah
ditambahkan mengingat fakta bahwa komputer elektronik sekarang, untuk mahasiswa
ekonomi, manajemen dan ilmu sosial lainnya, merupakan bagian tak terpisahkan dari
peralatan penelitian.
Sorotan lain dari edisi revisi ini adalah (i) isi mata pelajaran telah dikembangkan,
disempurnakan dan direstrukturisasi di beberapa poin, (ii) beberapa masalah baru juga
ditambahkan di akhir berbagai bab untuk kepentingan siswa, dan (iii) setiap halaman buku
telah dibaca dengan sangat teliti sehingga dapat meningkatkan kualitasnya.
Saya berterima kasih kepada semua pihak yang telah membantu saya secara langsung
dan/atau tidak langsung dalam penyusunan edisi revisi ini. Saya sangat percaya bahwa selalu
ada ruang untuk perbaikan dan oleh karena itu saya akan menantikan saran yang diterima,
(yang akan sangat dihargai) untuk lebih memperkaya kualitas teks.
C.R. Kothari
Jaipur
Mei 1990

iv
 Kata Pengantar Edisi Pertama

Tak jarang akhir-akhir ini orang membicarakan penelitian, baik di lembaga akademis maupun
di luar. Beberapa studi penelitian dilakukan dan dicapai dari tahun ke tahun. Tetapi dalam
kebanyakan kasus, sangat sedikit perhatian yang diberikan pada dimensi penting yang
berkaitan dengan penelitian, yaitu metodologi penelitian. Hasilnya adalah banyak penelitian,
khususnya dalam ilmu-ilmu sosial, mengandung kata-kata yang berputar-putar dan terlalu
banyak kutipan. Jadi banyak penelitian cenderung sia-sia. Dapat dicatat, dalam konteks
perencanaan dan pengembangan, bahwa pentingnya penelitian terletak pada kualitasnya dan
bukan pada kuantitasnya. Oleh karena itu, kebutuhan bagi mereka yang berkepentingan
dengan penelitian untuk memberikan perhatian dalam merancang dan mengikuti metodologi
yang tepat untuk meningkatkan kualitas penelitian. Metodologinya mungkin berbeda dari
masalah ke masalah, namun pendekatan dasar terhadap penelitian tetap sama.
Mengingat semua ini, buku ini telah ditulis dengan dua tujuan yang jelas, yaitu, (i)
untuk memungkinkan para peneliti, terlepas dari disiplin ilmu mereka, dalam
mengembangkan metodologi yang paling tepat untuk studi penelitian mereka; dan (ii)
membuat mereka terbiasa dengan seni menggunakan metode dan teknik penelitian yang
berbeda. Diharapkan upaya sederhana yang dilakukan dalam bentuk buku ini akan membantu
dalam pencapaian studi eksplorasi dan penelitian yang berorientasi pada hasil.
Mengenai organisasi, buku ini terdiri dari empat belas bab, disusun secara runtut. Bab
Satu adalah pendahuluan, menyajikan gambaran metodologi penelitian. Bab Dua
menjelaskan teknik mendefinisikan masalah penelitian. Bab Tiga membahas berbagai desain
penelitian, menyoroti karakteristik utamanya. Bab Empat menyajikan rincian beberapa desain
sampling. Teknik pengukuran dan penskalaan yang berbeda, bersama dengan penskalaan
multidimensi, telah dijelaskan secara gamblang dalam Bab Lima. Bab Enam menyajikan studi
komparatif tentang berbagai metode pengumpulan data. Ini juga menyediakan dalam
lampirannya pedoman untuk wawancara yang berhasil serta untuk menyusun
kuesioner/jadwal. Bab Tujuh membahas pemrosesan dan analisis data. Dasar-dasar
pengambilan sampel, bersama dengan teori estimasi, merupakan pokok bahasan Bab
Delapan. Bab Sembilan telah secara eksklusif dikhususkan untuk beberapa uji parametrik
hipotesis, diikuti oleh Bab Sepuluh tentang uji Chi-kuadrat. Dalam Bab Sebelas fitur penting
dari teknik ANOVA dan ANOCOVA telah dijelaskan dan diilustrasikan. Tes non-parametrik
penting, yang umumnya digunakan oleh para peneliti telah dijelaskan dan diilustrasikan
dalam Bab Dua Belas. Dalam Bab Tiga Belas, upaya telah dilakukan untuk menyajikan aspek
konseptual dan keadaan di mana: berbagai teknik multivariat dapat digunakan dalam studi
penelitian, khususnya dalam ilmu perilaku dan sosial. Analisis faktor telah dibahas secara
relatif lebih rinci. Bab Empat Belas telah dikhususkan untuk tugas interpretasi dan seni
Buku ini terutama ditujukan sebagai buku teks untuk lulusan dan M.Phil. mahasiswa
Metodologi Penelitian di semua disiplin ilmu di berbagai universitas. Buku ini diharapkan
dapat memberikan pedoman bagi semua orang yang tertarik dengan studi penelitian sejenis
v
atau lainnya. Buku ini, pada kenyataannya, merupakan hasil dari pengalaman saya mengajar
subjek untuk M.Phil. mahasiswa beberapa tahun terakhir.
Saya sangat berhutang budi kepada mahasiswa dan rekan-rekan terpelajar saya di Departemen
untuk memberikan stimulus yang diperlukan untuk menulis buku ini. Saya berterima kasih
kepada semua orang yang tulisan dan karyanya telah membantu saya dalam penyusunan buku
menulis laporan penelitian.
Buku ini terutama ditujukan sebagai buku teks untuk lulusan dan M.Phil. mahasiswa
Metodologi Penelitian di semua disiplin ilmu di berbagai universitas. Buku ini diharapkan
dapat memberikan pedoman bagi semua orang yang tertarik dengan studi penelitian sejenis
atau lainnya. Buku ini, pada kenyataannya, merupakan hasil dari pengalaman saya mengajar
subjek untuk M.Phil. mahasiswa beberapa tahun terakhir.
Saya sangat berhutang budi kepada mahasiswa dan rekan-rekan terpelajar saya di
Departemen untuk memberikan stimulus yang diperlukan untuk menulis buku ini. Saya
berterima kasih kepada semua orang yang tulisan dan karyanya telah membantu saya dalam
penyusunan buku ini. Saya juga berterima kasih kepada pengulas naskah buku ini yang telah
memberikan saran-saran yang sangat berharga dan dengan demikian telah berkontribusi
dalam meningkatkan standar buku ini. Saya mengucapkan terima kasih yang sebesar-
besarnya atas bantuan yang diberikan oleh University Grants Commission dalam bentuk
hibah 'on account' dalam penyusunan naskah buku ini.
Saya akan merasa sangat dihargai jika buku ini terbukti membantu dalam
pengembangan studi penelitian yang asli. Saya mengharapkan saran dari semua pembaca,
khususnya dari para peneliti dan akademisi yang berpengalaman untuk lebih
menyempurnakan isi pokok bahasan serta penyajian buku ini.

C.R. Kothari

vi
 Daftar Isi
Kata Pengantar Edisi Kedua ......................................................................................................... iv
Kata Pengantar Edisi Pertama ....................................................................................................... v
Daftar Isi...................................................................................................................................... vii
1. Metodologi Penelitian : Sebuah Pengantar ........................................................................... 1
MAKNA PENELITIAN ............................................................................................... 1
TUJUAN PENELITIAN ............................................................................................... 1
MOTIVASI DALAM PENELITIAN ........................................................................... 2
JENIS-JENIS PENELITIAN ........................................................................................ 2
PENDEKATAN PENELITIAN ................................................................................... 4
SIGNIFIKASI PENELITIAN ....................................................................................... 5
METODE PENELITIAN DAN ILMIAH .................................................................... 8
PENTINGNYA MENGETAHUI BAGAIMANA RISET DILAKUKAN .................. 9
PROSES PENELITIAN ............................................................................................. 10
KRITERIA PENELITIAN YANG BAIK .................................................................. 19
MASALAH YANG DIHADAPI PENELITIAN DI INDIA ...................................... 20
2. Mendefinisikan Masalah Penelitian .................................................................................... 23
APA MASALAH PENELITIAN?.............................................................................. 23
MEMILIH MASALAH .............................................................................................. 24
KEBUTUHAN MENDEFINISIKAN MASALAH.................................................... 25
TEKNIK YANG TERLIBAT DALAM MASALAH MENDIFINISIKAN MASALAH
.................................................................................................................................... 25
SEBUAH ILUSTRASI ............................................................................................... 27
KESIMPULAN ........................................................................................................... 28
3. Desain Penelitian ................................................................................................................... 30
MAKNA DESAIN PENELITIAN ............................................................................. 30
KEBUTUHAN DESAIN PENELITIAN .................................................................... 31
FITUR DESAIN YANG BAIK .................................................................................. 31
KONSEP PENTING TERKAIT DESAIN PENELITIAN ......................................... 32
DESAIN PENELITIAN BERBEDA .......................................................................... 34
PRINSIP DASAR DESAIN EKSPERIMENTAL ..................................................... 38
DESAIN EKSPERIMENTAL PENTING .................................................................. 39
Lampiran ..................................................................................................................... 50

vii
 Mengembangkan Rencana Penelitian ......................................................................... 50
4. Desain Pengambilan Sampel ................................................................................................ 52
SENSUS DAN SAMPEL SURVEI ............................................................................ 52
IMPLIKASI DARI SAMPEL DESAIN ..................................................................... 52
KARAKTERISTIK DESAIN SAMPEL YANG BAIK ............................................. 54
BERBEDA JENIS DESAIN SAMPEL ...................................................................... 55
BAGAIMANA CARA MEMILIH SAMPEL RANDOM? ........................................ 57
SAMPEL RANDOM DARI ALAM SEMESTA YANG TAK TERBATAS ............ 58
DESAIN SAMPLING RANDOM KOMPLEKS ....................................................... 58
KESIMPULAN ........................................................................................................... 64
5. Pengukuran dan Penskalaan Teknik................................................................................... 67
PENGUKURAN DALAM PENELITIAN ................................................................. 67
SKALA PENGUKURAN........................................................................................... 68
SUMBER KESALAHAN DALAM PENGUKURAN .............................................. 70
TES PENGUKURAN SUARA PENGUKURAN ...................................................... 71
TEKNIK PENGEMBANGAN ALAT UKUR ........................................................... 73
TEKNIK PENSKALAAN PENTING ........................................................................ 76
TEKNIK KONSTRUKSI SKALA ............................................................................. 80
6. Metode Pengumpulan Data .................................................................................................. 92
PENGUMPULAN DATA UTAMA .......................................................................... 92
PENGUMPULAN DATA MELALUI KUESIONER ............................................... 98
PENGUMPULAN DATA MELALUI JADWAL .................................................... 102
PERBEDAAN ANTARA KUESIONER DAN JADWAL ...................................... 102
BEBERAPA METODE PENGUMPULAN DATA LAINNYA ............................. 103
PENGUMPULAN DATA SEKUNDER .................................................................. 109
PEMILIHAN METODE YANG TEPAT UNTUK PENGUMPULAN DATA ...... 110
METODE STUDI KASUS ....................................................................................... 111
KESIMPULAN ......................................................................................................... 114
Lampiran (i) Pedoman Untuk Membangun Kuesioner/Jadwal ................................ 116
Lampiran (ii) Pedoman untuk Sukses ....................................................................... 117
Lampiran (iii) Perbedaan antara Survei dan Eksperimen ......................................... 118
7. Pengolahan dan Analisis Data............................................................................................ 119
OPERASI PENGOLAHAN ..................................................................................... 119
BEBERAPA MASALAH DALAM PROSES ......................................................... 124

viii
 ELEMEN/JENIS ANALISIS ................................................................................... 125
STATISTIK DALAM PENELITIAN ...................................................................... 126
UKURAN TENDENSI TENGAH ........................................................................... 127
UKURAN DISPERSI ............................................................................................... 128
UKURAN ASIMETRI (SKEWNESS) ..................................................................... 129
UKURAN HUBUNGAN ......................................................................................... 131
ANALISIS REGRESI SEDERHANA ..................................................................... 132
KORELASI DAN REGRESI GANDA .................................................................... 133
KORELASI PARSIAL ............................................................................................. 133
ASOSIASI DALAM KASUS ATRIBUT ................................................................ 134
TINDAKAN LAINNYA .......................................................................................... 134
8. Dasar-Dasar Pengambilan Sampel .................................................................................... 139
KEBUTUHAN SAMPLING .................................................................................... 139
BEBERAPA DEFINISI DASAR ............................................................................. 139
DISTRIBUSI SAMPLING PENTING ..................................................................... 142
TEOREMA BATAS TENGAH ................................................................................ 144
TEORI SAMPLING ................................................................................................. 144
SANDLER'S A-TES ................................................................................................. 149
KONSEP KESALAHAN STANDAR...................................................................... 150
PERKIRAAN ............................................................................................................ 154
ESTIMASI ARTI POPULASI (µ) ............................................................................ 154
ESTIMASI PROPORSI PENDUDUK ..................................................................... 158
UKURAN SAMPEL DAN PENENTUANNYA ..................................................... 159
PENENTUAN UKURAN SAMPEL MELALUI PENDEKATAN BERDASARKAN
PRECISION RATE DAN CONFIDENCE LEVEL ......................................................... 160
PENENTUAN UKURAN SAMPEL MELALUI PENDEKATAN BERDASARKAN
STATISTIK BAYESIAN ......................................................................................... 163
9. Pengujian Hipotesis-I .......................................................................................................... 166
APA ITU HIPOTESIS? ............................................................................................ 166
KONSEP DASAR TENTANG PENGUJIAN HIPOTESIS .................................... 167
TATA CARA PENGUJIAN HIPOTESIS ................................................................ 172
DIAGRAM ALIRAN UNTUK PENGUJIAN HIPOTESIS .................................... 173
MENGUKUR KEKUATAN UJI HIPOTESIS ........................................................ 175
UJI HIPOTESIS ........................................................................................................ 177

ix
 UJI PARAMETRIK PENTING ................................................................................ 178
UJI HIPOTESIS SARANA ...................................................................................... 179
UJI HIPOTESIS PERBEDAAN ANTARA SARANA............................................ 188
UJI HIPOTESIS UNTUK PEMBANDINGAN DUA SAMPEL TERKAIT ........... 194
UJI HIPOTESIS PROPORSI.................................................................................... 198
UJI HIPOTESIS PERBEDAAN ANTARA PROPORSI ......................................... 200
PENGUJIAN HIPOTESIS UNTUK MEMBANDINGKAN VARIANS DENGAN
BEBERAPA VARIANS POPULASI YANG DIHIPOTESIS ................................. 204
PENGUJIAN KESETARAAN VARIANSI DUA POPULASI NORMAL ............. 204
PENGUJIAN HIPOTESIS KOEFISIEN KORELASI ............................................. 206
KETERBATASAN UJI HIPOTESIS ....................................................................... 207
10. Uji Chi-Square ................................................................................................................... 212
CHI-SQUARE SEBAGAI UJI UNTUK MEMBANDINGKAN VARIANSI ......... 212
CHI-SQUARE SEBAGAI UJI NON-PARAMETRIK ............................................ 215
2
SYARAT UNTUK APLIKASI X TES ................................................................. 217
LANGKAH-LANGKAH TERLIBAT DALAM MENERAPKAN TES CHI-SQUARE
.................................................................................................................................. 217
FORMULA ALTERNATIF ..................................................................................... 227
KOREKSI YATES ................................................................................................... 228
KONVERSI CHI-SQUARE MENJADI KOEFISIEN PHI ( ) ............................... 231
KONVERSI CHI-SQUARE MENJADI KOEFISIEN KONTINGENSI (C ) .......... 233
2
KARAKTERISTIK PENTING X TES................................................................... 233
2
PERHATIAN DALAM MENGGUNAKAN X TES ............................................. 233
11. Analisis Varian dan Co-Varian ........................................................................................ 239
ANALISIS VARIANSI (ANOVA) .......................................................................... 239
APA ITU ANOVA? .................................................................................................. 239
PRINSIP DASAR ANOVA...................................................................................... 240
TEKNIK ANOVA .................................................................................................... 240
MENYIAPKAN ANALISIS TABEL VARIANSI .................................................. 242
METODE JALAN PINTAS UNTUK ANOVA SATU ARAH ............................... 242
METODE KODE ...................................................................................................... 243
ANOVA DUA ARAH .............................................................................................. 245
ANOVA DALAM DESAIN KOTAK LATIN ......................................................... 252

x
 ANALISIS CO-VARIANS (ANOCOVA) ............................................................... 257
MENGAPA ANOCOVA? ........................................................................................ 257
TEKNIK ANOCOVA ............................................................................................... 257
ASUMSI DALAM ANOCOVA ............................................................................... 257
12. Pengujian Hipotesis-II ...................................................................................................... 265
TES NONPARAMETRIK PENTING ATAU BEBAS DISTRIBUSI..................... 265
HUBUNGAN ANTARA SPEARMANS’S DAN KENDALL’S ............................ 289
KARAKTERISTIK TES BEBAS DISTRIBUSI ATAU NON-PARAMETRIK .... 290
KESIMPULAN ......................................................................................................... 290
13. Teknik Analisis Multivariat ............................................................................................. 294
PERTUMBUHAN TEKNIK MULTIVARIAT ....................................................... 294
KARAKTERISTIK DAN APLIKASI...................................................................... 294
KLASIFIKASI TEKNIK MULTIVARIAT ............................................................. 296
VARIABEL DALAM ANALISIS MULTIVARIAT ............................................... 297
TEKNIK MULTIVARIAT PENTING ..................................................................... 298
METODE PENTING ANALISIS FAKTOR ........................................................... 302
ROTASI DALAM ANALISIS FAKTOR ................................................................ 317
ANALISIS FAKTOR R-TYPE DAN Q-TYPE ....................................................... 317
ANALISIS JALUR ................................................................................................... 320
KESIMPULAN ......................................................................................................... 321
LAMPIRAN .............................................................................................................. 322
14. Interpretasi dan Penulisan Laporan ............................................................................... 324
MAKNA INTERPRETASI ...................................................................................... 324
MENGAPA INTERPRETASI? ................................................................................ 324
TEKNIK INTERPRETASI....................................................................................... 325
PERHATIAN DALAM INTERPRETASI ............................................................... 325
SIGNIFIKANSI PENULISAN LAPORAN ............................................................. 326
LANGKAH-LANGKAH BERBEDA PENULISAN LAPORAN ........................... 326
TATA LETAK LAPORAN PENELITIAN ............................................................. 328
JENIS LAPORAN .................................................................................................... 330
PRESENTASI LISAN .............................................................................................. 332
MEKANISME MENULIS LAPORAN PENELITIAN ........................................... 333
PERHATIAN UNTUK MENULIS LAPORAN PENELITIAN .............................. 338
KESIMPULAN ......................................................................................................... 339

xi
15. Komputer : Perannya dalam Penelitian.......................................................................... 341
PENGANTAR .......................................................................................................... 341
KOMPUTER DAN TEKNOLOGI KOMPUTER .................................................... 341
SISTEM KOMPUTER ............................................................................................. 342
KARAKTERISTIK PENTING ................................................................................ 344
SISTEM ANGKA BINER ........................................................................................ 345
APLIKASI KOMPUTER ......................................................................................... 350
KOMPUTER DAN PENELITI ................................................................................ 351
Lampiran ................................................................................................................... 355
(Tabel Statistik Terpilih) ........................................................................................... 355
Referensi Terpilih dan Rekomendasi Bacaan....................................................................... 368

xii
 1. Metodologi Penelitian : Sebuah
Pengantar
MAKNA PENELITIAN
Penelitian dalam bahasa umum mengacu pada pencarian pengetahuan. Sekali juga dapat
mendefinisikan penelitian sebagai pencarian ilmiah dan sistematis untuk informasi terkait pada
topik tertentu. Bahkan, penelitian adalah sebuahseni penyelidikan ilmiah. Kamus Bahasa Inggris
Lancar Pembelajar Tingkat Lanjut menetapkan: arti penelitian sebagai “penyelidikan atau
penyelidikan yang cermat khususnya melalui pencarian fakta-fakta baru dalam cabang ilmu
apapun.” Redman dan Mory mendefinisikan penelitian sebagai "upaya sistematis untuk
mendapatkan" pengetahuan baru." Beberapa orang menganggap penelitian sebagai sebuah
gerakan, sebuah gerakan dari yang diketahui ke yang tidak diketahui. Ini sebenarnya adalah
perjalanan penemuan. Kita semua memiliki naluri vital keingintahuan karena, ketika yang tidak
diketahui menghadapkan kita, kita bertanya-tanya dan rasa ingin tahu kita membuat kita
menyelidiki dan mencapai pemahaman penuh dan lebih lengkap dari yang tidak diketahui. Rasa
ingin tahu ini adalah ibu dari semua pengetahuan dan metode, yang digunakan manusia untuk
memperoleh pengetahuan tentang apa pun yang tidak diketahui, dapat menjadi disebut sebagai
penelitian.
Penelitian adalah kegiatan akademis dan dengan demikian istilah tersebut harus digunakan
dalam pengertian teknis. Menurut Clifford Woody penelitian terdiri dari mendefinisikan dan
mendefinisikan kembali masalah, merumuskan, hipotesis atau solusi yang disarankan;
mengumpulkan, mengatur dan mengevaluasi data; melakukan pemotongan dan mencapai
kesimpulan; dan akhirnya dengan hati-hati menguji kesimpulan untuk menentukan apakah
mereka cocok dengan merumuskan hipotesis. D. Slesinger dan M. Stephenson dalam
Encyclopaedia of Social Sciences mendefinisikan penelitian sebagai "manipulasi hal, konsep atau
simbol untuk tujuan generalisasi ke" memperluas, mengoreksi atau memverifikasi pengetahuan,
apakah pengetahuan itu membantu dalam konstruksi teori atau dalam praktik seni.” Penelitian,
dengan demikian, merupakan kontribusi asli untuk persediaan pengetahuan yang ada membuat
kemajuannya. Ini adalah mengejar kebenaran dengan bantuan studi, pengamatan, perbandingan
dan percobaan. Singkatnya, pencarian pengetahuan melalui metode yang objektif dan sistematis
menemukan solusi untuk suatu masalah adalah penelitian. Pendekatan sistematis mengenai
generalisasi dan perumusan teori juga penelitian. Dengan demikian istilah 'penelitian' mengacu
pada metode sistematis terdiri dari mengungkapkan masalah, merumuskan hipotesis,
mengumpulkan fakta atau data, menganalisis, fakta dan mencapai kesimpulan tertentu baik
berupa solusi terhadap yang bersangkutan masalah atau dalam generalisasi tertentu untuk
beberapa rumusan teoretis.

TUJUAN PENELITIAN
Tujuan penelitian adalah untuk menemukan jawaban atas pertanyaan melalui penerapan ilmiah
Prosedur. Tujuan utama penelitian adalah untuk menemukan kebenaran yang tersembunyi dan
yang belum terungkap ditemukan sebelumnya. Meskipun setiap studi penelitian memiliki tujuan
spesifiknya sendiri, kita mungkin memikirkan tujuan penelitian sebagai jatuh ke dalam sejumlah
pengelompokan luas berikut:
1. Untuk mendapatkan keakraban dengan suatu fenomena atau untuk mencapai wawasan
baru ke dalamnya (studi dengan ini objek dalam pandangan disebut sebagai studi
penelitian eksplorasi atau formulatif );

1
 2. Untuk menggambarkan secara akurat karakteristik individu, situasi atau kelompok
tertentu (studi dengan objek dalam pandangan ini dikenal sebagai studi
penelitian deskriptif );
3. Untuk menentukan frekuensi terjadinya sesuatu atau dikaitkan dengan sesuatu yang lain
(studi dengan objek ini dalam pandangan dikenal sebagai penelitian diagnostik). studi);
4. Untuk menguji hipotesis hubungan kausal antara variabel (studi semacam itu dikenal
sebagai studi penelitian pengujian hipotesis ).

MOTIVASI DALAM PENELITIAN

Apa yang membuat orang melakukan penelitian? Ini adalah pertanyaan yang sangat penting.
Kemungkinan motif untuk melakukan penelitian mungkin salah satu atau lebih dari berikut ini:
1. Berkeinginan untuk mendapatkan gelar penelitian beserta manfaat konsekuennya;
2. Keinginan untuk menghadapi tantangan dalam memecahkan masalah yang belum
terpecahkan, yaitu kepedulian terhadap praktis masalah memulai penelitian;
3. Keinginan untuk mendapatkan kesenangan intelektual dalam melakukan beberapa
pekerjaan kreatif;
4. Keinginan untuk melayani masyarakat;
5. Keinginan untuk mendapatkan kehormatan.
Namun, ini bukan daftar lengkap faktor yang memotivasi orang untuk melakukan studi
penelitian. Banyak lagi faktor seperti arahan pemerintah, kondisi pekerjaan, rasa ingin tahu
tentang yang baru hal-hal, keinginan untuk memahami hubungan sebab akibat, pemikiran dan
kebangkitan sosial, dan sejenisnya mungkin sebagai memotivasi dengan baik (atau terkadang
memaksa) orang untuk melakukan operasi penelitian.

JENIS-JENIS PENELITIAN
Jenis-jenis penelitian dasar adalah sebagai berikut:
i. Deskriptif vs. Analitik: Penelitian deskriptif mencakup survei dan pertanyaan pencarian
fakta dari berbagai jenis. Tujuan utama penelitian deskriptif adalah mendeskripsikan
keadaan urusan seperti yang ada saat ini. Dalam ilmu sosial dan penelitian bisnis kita
cukup sering menggunakan istilah penelitian ex post facto untuk studi penelitian
deskriptif. Karakteristik utama dari metode ini adalah peneliti tidak memiliki kendali atas
variabel; dia hanya bisa melaporkan apa yang telah terjadi atau apa yang sedang
terjadi. Sebagian besar proyek penelitian ex post facto digunakan untuk studi deskriptif
di mana peneliti berusaha untuk mengukur item seperti, misalnya, frekuensi belanja,
preferensi orang, atau data serupa. Studi ex post facto juga termasuk upaya peneliti untuk
menemukan penyebab bahkan ketika mereka tidak dapat mengendalikannya
variabel. Metode penelitian yang digunakan dalam penelitian deskriptif adalah metode
survei semua jenis, termasuk metode komparatif dan korelasional. Dalam penelitian
analitik , pada Di sisi lain, peneliti harus menggunakan fakta atau informasi yang sudah
tersedia, dan menganalisisnya ini untuk membuat evaluasi kritis dari materi.
ii. Terapan vs. Fundamental: Penelitian dapat berupa penelitian terapan (atau tindakan) atau
fundamental (untuk dasar atau murni) penelitian. Penelitian terapan bertujuan untuk
menemukan solusi untuk sebuah masalah segera menghadapi masyarakat atau organisasi

2
 industri / bisnis, sedangkan mendasar penelitian terutama berkaitan dengan generalisasi
dan dengan perumusan teori. "Mengumpulkan pengetahuan demi pengetahuan disebut
penelitian 'murni' atau 'dasar'." Penelitian mengenai beberapa fenomena alam atau yang
berkaitan dengan matematika murni adalah contoh dari penelitian mendasar. Demikian
pula studi penelitian, mengenai perilaku manusia yang dilakukan dengan maksud untuk
membuat generalisasi tentang perilaku manusia, juga merupakan contoh dari penelitian
fundamental, tetapi penelitian yang ditujukan pada kesimpulan tertentu (katakanlah,
solusi) menghadapi masalah sosial atau bisnis yang konkret adalah contoh penelitian
terapan. Riset untuk mengidentifikasi tren sosial, ekonomi atau politik yang dapat
mempengaruhi lembaga tertentu atau penelitian salinan (penelitian untuk mengetahui
apakah komunikasi tertentu akan dibaca dan dipahami) atau riset pemasaran atau riset
evaluasi adalah contoh riset terapan. Dengan demikian, Tujuan utama dari penelitian
terapan adalah untuk menemukan solusi untuk beberapa masalah praktis yang mendesak,
sedangkan penelitian dasar diarahkan untuk menemukan informasi yang memiliki dasar
yang luas aplikasi dan dengan demikian, menambah tubuh terorganisir yang sudah ada
dari pengetahuan ilmiah.
iii. Kuantitatif vs Kualitatif: Penelitian kuantitatif didasarkan pada pengukuran kuantitas atau
jumlah. Ini berlaku untuk fenomena yang dapat dinyatakan dalam kuantitas. Penelitian
kualitatif, di sisi lain, berkaitan dengan fenomena kualitatif, yaitu, fenomena yang
berkaitan dengan atau melibatkan kualitas atau jenis. Misalnya, ketika kita tertarik pada
menyelidiki alasan perilaku manusia (yaitu, mengapa orang berpikir atau melakukan hal-
hal tertentu), kita cukup sering berbicara tentang 'Penelitian Motivasi', jenis penelitian
kualitatif yang penting. Jenis penelitian ini bertujuan untuk menemukan motif dan
keinginan yang mendasari, menggunakan secara mendalam wawancara untuk tujuan
tersebut. Teknik lain dari penelitian tersebut adalah tes asosiasi kata, tes penyelesaian
kalimat, tes penyelesaian cerita dan teknik proyektif serupa lainnya. Penelitian sikap atau
opini yaitu, penelitian yang dirancang untuk mengetahui bagaimana perasaan orang atau
apa mereka berpikir tentang subjek atau lembaga tertentu juga merupakan penelitian
kualitatif. Kualitatif penelitian sangat penting dalam ilmu perilaku di mana tujuannya
adalah untuk menemukan motif yang mendasari perilaku manusia. Melalui penelitian
tersebut kita dapat menganalisis berbagai faktor yang memotivasi orang untuk
berperilaku dengan cara tertentu atau yang membuat orang suka atau tidak menyukai hal
tertentu. Namun, dapat dinyatakan bahwa untuk menerapkan penelitian kualitatif dalam
praktik adalah pekerjaan yang relatif sulit dan oleh karena itu, saat melakukan penelitian
semacam itu, seseorang harus mencari bimbingan dari psikolog eksperimental.
iv. Konseptual vs. Empiris: Penelitian konseptual adalah yang terkait dengan beberapa ide
abstrak atau teori. Hal ini umumnya digunakan oleh para filsuf dan pemikir untuk
mengembangkan konsep-konsep baru atau untuk menafsirkan kembali yang sudah
ada. Di sisi lain, penelitian empiris bergantung pada pengalaman atau observasi saja,
seringkali tanpa memperhatikan sistem dan teori. Ini adalah penelitian berbasis data,
datang dengan kesimpulan yang mampu diverifikasi oleh pengamatan atau percobaan.
Kita juga bisa menyebutnya sebagai jenis penelitian eksperimental. Dalam penelitian
seperti itu perlu untuk mendapatkan fakta secara langsung, pada sumbernya, dan secara
aktif melakukan hal-hal tertentu untuk merangsang produksi informasi yang
diinginkan. Dalam penelitian seperti itu, peneliti harus pertama-tama berikan hipotesis
kerja atau tebakan tentang kemungkinan hasil. Dia kemudian bekerja untuk mendapatkan
fakta (data) yang cukup untuk membuktikan atau menyangkal hipotesisnya. Dia
kemudian mengatur desain eksperimental yang menurutnya akan memanipulasi orang
atau bahan yang bersangkutan sehingga menghasilkan informasi yang
diinginkan. Penelitian semacam itu dengan demikian dicirikan oleh kontrol eksperimen
atas variabel yang diteliti dan manipulasi yang disengaja dari salah satunya untuk

3
 mempelajari efeknya. Penelitian empiris tepat ketika bukti dicari bahwa variabel tertentu
mempengaruhi variabel lain dalam beberapa cara. Bukti dikumpulkan melalui
eksperimen atau studi empiris saat ini dianggap sebagai dukungan paling kuat yang
mungkin untuk a hipotesis yang diberikan.
v. Beberapa Jenis Penelitian Lain: Semua jenis penelitian lainnya adalah variasi dari satu
atau lebih dari pendekatan yang disebutkan di atas, baik berdasarkan tujuan penelitian,
atau waktu diperlukan untuk menyelesaikan penelitian, pada lingkungan di mana
penelitian dilakukan, atau pada dasar dari beberapa faktor serupa lainnya. Dari sudut
pandang waktu, kita bisa memikirkan penelitian baik sebagai penelitian satu kali atau
penelitian longitudinal . Dalam kasus sebelumnya, penelitiannya adalah terbatas pada
satu periode waktu, sedangkan dalam kasus terakhir penelitian dilakukan lebih dari
beberapa periode waktu. Penelitian dapat berupa penelitian pengaturan lapangan atau
penelitian laboratorium atau penelitian simulasi, tergantung pada lingkungan di mana
itu akan dilakukan. Penelitian juga dapat dipahami sebagai penelitian klinis atau
diagnostik. Penelitian semacam itu mengikuti metode studi kasus atau pendekatan
mendalam untuk mencapai hubungan kausal dasar. Seperti studi biasanya masuk jauh ke
dalam penyebab hal atau peristiwa yang menarik minat kita, menggunakan sangat kecil
sampel dan perangkat pengumpulan data menyelidik yang sangat dalam. Penelitian
mungkin bersifat eksploratif atau mungkin diformalkan. Tujuan dari penelitian
eksplorasi adalah untuk mengembangkan hipotesis daripada pengujian mereka,
sedangkan studi penelitian formal adalah mereka dengan struktur substansial dan dengan
hipotesis tertentu yang akan diuji. Penelitian sejarah adalah bahwa yang memanfaatkan
sumber-sumber sejarah seperti dokumen, peninggalan, dll. untuk mempelajari peristiwa
atau gagasan tentang masa lalu, termasuk filosofi orang dan kelompok pada titik waktu
yang jauh. Riset juga dapat diklasifikasikan sebagai berorientasi pada
kesimpulan dan berorientasi pada keputusan. Saat melakukan kesimpulan- berorientasi
penelitian, seorang peneliti bebas untuk mengambil masalah, mendesain ulang
penyelidikan saat ia hasil dan siap untuk mengkonseptualisasikan seperti yang dia
inginkan. Penelitian berorientasi keputusan adalah selalu untuk kebutuhan pengambil
keputusan dan peneliti dalam hal ini tidak bebas untuk memulai penelitian menurut
kecenderungannya sendiri. Riset operasi adalah contohnya penelitian berorientasi
keputusan karena merupakan metode ilmiah untuk menyediakan departemen eksekutif
dengan dasar kuantitatif untuk keputusan mengenai operasi di bawah kendali mereka.

PENDEKATAN PENELITIAN
Uraian jenis-jenis penelitian di atas menjelaskan fakta bahwa ada dua dasar: pendekatan
penelitian, yaitu pendekatan kuantitatif dan pendekatan kualitatif . Sediakala melibatkan
generasi data dalam bentuk kuantitatif yang dapat dikenakan kuantitatif yang ketat analisis secara
formal dan kaku. Pendekatan ini dapat diklasifikasikan lebih lanjut menjadi inferensial ,
pendekatan eksperimental dan simulasi untuk penelitian. Tujuan pendekatan inferensial untuk
penelitian adalah untuk membentuk basis data untuk menyimpulkan karakteristik atau hubungan
populasi. Ini biasanya berarti penelitian survei di mana sampel populasi dipelajari (dipertanyakan
atau diamati) untuk menentukan karakteristiknya, dan kemudian disimpulkan bahwa populasi
memiliki karakteristik yang sama. Pendekatan eksperimental dicirikan oleh kontrol yang jauh
lebih besar atas lingkungan penelitian dan dalam hal ini beberapa variabel dimanipulasi untuk
mengamati pengaruhnya terhadap variabel lain. Simulasi Pendekatan ini melibatkan konstruksi
lingkungan buatan di mana informasi yang relevan dan data dapat dihasilkan. Ini memungkinkan
pengamatan perilaku dinamis suatu sistem (atau subsistem) di bawah kondisi terkendali. Istilah
'simulasi' dalam konteks bisnis dan sosial aplikasi sains mengacu pada "operasi model numerik
yang mewakili struktur a proses dinamis. Mengingat nilai kondisi awal, parameter dan variabel

4
eksogen, a simulasi dijalankan untuk mewakili perilaku proses dari waktu ke waktu.” Pendekatan
simulasi juga bisa berguna dalam membangun model untuk memahami kondisi masa depan.
Pendekatan kualitatif untuk penelitian berkaitan dengan penilaian subjektif dari sikap,
pendapat dan perilaku. Penelitian dalam situasi seperti itu merupakan fungsi dari wawasan dan
kesan peneliti. Pendekatan penelitian semacam itu menghasilkan hasil baik dalam bentuk non
kuantitatif atau dalam bentuk yang tidak mengalami analisis kuantitatif yang ketat. Secara umum,
teknik wawancara kelompok terarah, teknik proyektif dan wawancara mendalam
digunakan. Semua ini dijelaskan panjang lebar dalam bab yang mengikuti.

SIGNIFIKASI PENELITIAN
“Semua kemajuan lahir dari penyelidikan. Keraguan seringkali lebih baik daripada terlalu percaya
diri, karena itu mengarah pada penyelidikan, dan penyelidikan mengarah pada penemuan ”adalah
Hudson Maxim yang terkenal dalam konteks di mana pentingnya penelitian dapat dipahami
dengan baik. Peningkatan jumlah penelitian memungkinkan kemajuan. Penelitian menanamkan
pemikiran ilmiah dan induktif dan mempromosikan pengembangan kebiasaan berpikir logis dan
organisasi .
Peran penelitian dalam beberapa bidang ekonomi terapan, baik yang berkaitan dengan
bisnis maupun ekonomi secara keseluruhan, telah sangat meningkat di zaman modern . Semakin
kompleks sifat bisnis dan pemerintah telah memusatkan perhatian pada penggunaan penelitian
dalam memecahkan masalah operasional masalah. Penelitian, sebagai bantuan untuk kebijakan
ekonomi, telah menjadi semakin penting, baik bagi pemerintah dan bisnis.
Penelitian memberikan dasar bagi hampir semua kebijakan pemerintah dalam sistem
ekonomi kita . Misalnya, anggaran pemerintah sebagian bertumpu pada analisis kebutuhan dan
keinginan rakyat dan pada ketersediaan pendapatan untuk memenuhi kebutuhan tersebut. Biaya
kebutuhan harus disamakan dengan kemungkinan pendapatan dan ini adalah bidang di mana
penelitian paling dibutuhkan. Melalui penelitian kita bisa menyusun kebijakan alternatif dan juga
dapat memeriksa konsekuensi dari masing-masing alternatif tersebut. Pengambilan keputusan
mungkin bukan bagian dari penelitian, tetapi penelitian tentu saja memfasilitasi pengambilan
keputusan pembuat kebijakan. Pemerintah juga harus menyusun program untuk menangani
semua aspek negara keberadaannya dan sebagian besar akan terkait langsung atau tidak langsung
dengan kondisi ekonomi. Nasib penggarap, masalah usaha dan industri besar dan kecil, kondisi
kerja, serikat pekerja kegiatan, masalah distribusi, bahkan ukuran dan sifat layanan pertahanan
adalah masalah membutuhkan penelitian. Dengan demikian, penelitian dianggap perlu berkaitan
dengan alokasi dana negara sumber daya. Bidang lain dalam pemerintahan, di mana penelitian
diperlukan, adalah mengumpulkan informasi tentang struktur ekonomi dan sosial
bangsa. Informasi tersebut menunjukkan apa yang terjadi di ekonomi dan perubahan apa yang
terjadi. Mengumpulkan informasi statistik seperti itu sama sekali tidak berarti tugas rutin, tetapi
melibatkan berbagai masalah penelitian. Hari ini hampir semua pemerintah mempertahankan staf
besar teknisi penelitian atau ahli untuk melakukan pekerjaan ini. Jadi, dalam konteks
pemerintahan, penelitian sebagai alat untuk kebijakan ekonomi memiliki tiga fase operasi yang
berbeda, yaitu, (i) penyelidikan struktur ekonomi melalui kompilasi fakta yang berkelanjutan; (ii)
diagnosis peristiwa yang sedang berlangsung tempat dan analisis kekuatan yang
mendasarinya; dan (iii) prognosis, yaitu prediksi perkembangan masa depan.
Penelitian memiliki arti khusus dalam memecahkan berbagai masalah operasional dan
perencanaan dari bisnis dan industri . Riset operasi dan riset pasar, bersama dengan riset
motivasi, dianggap penting dan hasilnya membantu, dalam lebih dari satu cara, dalam mengambil
keputusan bisnis. Riset pasar adalah penyelidikan struktur dan pengembangan pasar untuk tujuan:
merumuskan kebijakan yang efisien untuk pembelian, produksi dan penjualan. Riset operasi
mengacu pada penerapan teknik matematis, logis dan analitis untuk solusi masalah bisnis
minimalisasi biaya atau maksimalisasi keuntungan atau yang bisa disebut sebagai masalah
optimasi. Motivasi penelitian untuk menentukan mengapa orang berperilaku seperti yang mereka

5
lakukan terutama berkaitan dengan karakteristik pasar. Dengan kata lain, berkaitan dengan
penentuan motivasi yang mendasari konsumen (pasar) perilaku. Semua ini sangat membantu
orang-orang dalam bisnis dan industri yang bertanggung jawab untuk mengambil keputusan
bisnis. Penelitian yang berkaitan dengan permintaan dan faktor pasar memiliki kegunaan yang
besar dalam bisnis. Mengingat pengetahuan tentang permintaan masa depan, umumnya tidak sulit
bagi perusahaan, atau industri untuk menyesuaikan jadwal pasokannya dalam batas kapasitas
yang diproyeksikan. Analisis pasar telah menjadi alat integral dari kebijakan bisnis hari
ini. Penganggaran bisnis, yang pada akhirnya menghasilkan proyeksi laba rugi, terutama
didasarkan pada perkiraan penjualan yang pada gilirannya tergantung pada
penelitian bisnis. Setelah peramalan penjualan selesai, program produksi dan investasi yang
efisien dapat diatur sekitar yang dikelompokkan rencana pembelian dan pembiayaan. Penelitian,
dengan demikian, menggantikan keputusan bisnis intuitif dengan keputusan yang lebih logis dan
ilmiah.
Penelitian sama pentingnya bagi ilmuwan sosial dalam mempelajari hubungan sosial dan
dalam mencari jawaban atas berbagai masalah sosial . Ini memberikan kepuasan intelektual
mengetahui beberapa hal hanya untuk kepentingan pengetahuan dan juga memiliki kegunaan
praktis untuk diketahui oleh ilmuwan sosial demi bisa melakukan sesuatu yang lebih baik atau
dengan cara yang lebih efisien. Riset di bidang sosial sains berkaitan dengan pengetahuan untuk
kepentingannya sendiri dan dengan pengetahuan untuk apa yang dapat dilakukannya
berkontribusi pada masalah praktis. “Penekanan ganda ini mungkin sangat tepat dalam kasus ini
dari ilmu sosial. Di satu sisi, tanggung jawabnya sebagai ilmu adalah mengembangkan prinsip-
prinsip yang memungkinkan pemahaman dan prediksi seluruh rentang interaksi manusia. Pada
di sisi lain, karena orientasi sosialnya, semakin dicari untuk bimbingan praktis dalam
memecahkan masalah langsung dari hubungan manusia.”
Selain apa yang telah dikemukakan di atas, makna penelitian juga dapat dipahami dengan
memperhatikan poin-poin berikut:
a) Bagi para siswa yang akan menulis gelar master atau Ph.D. tesis, penelitian dapat
berarti karirisme atau cara untuk mencapai posisi tinggi dalam struktur sosial;
b) Bagi para profesional dalam metodologi penelitian, penelitian dapat berarti sumber
penghidupan;
c) Bagi para filosof dan pemikir, penelitian dapat berarti jalan keluar bagi ide-ide dan
wawasan-wawasan baru;
d) Bagi pria dan wanita sastra, penelitian dapat berarti pengembangan gaya dan kreativitas
baru kerja;
e) Bagi para analis dan intelektual, penelitian dapat berarti generalisasi dari teori-teori
baru.

Dengan demikian, penelitian adalah sumber pengetahuan demi pengetahuan dan sumber
penting memberikan pedoman untuk memecahkan masalah bisnis, pemerintahan dan sosial yang
berbeda. Ini adalah semacam pelatihan formal yang memungkinkan seseorang untuk memahami
perkembangan baru di bidangnya dengan cara yang lebih baik.

METODE PENELITIAN VERSUS METODOLOGI

Tampaknya tepat pada saat ini untuk menjelaskan perbedaan antara metode penelitian dan
penelitian metodologi. Metode penelitian dapat dipahami sebagai semua metode/teknik yang
digunakan untuk pelaksanaan penelitian. Metode atau teknik penelitian*, dengan demikian,
mengacu pada metode peneliti
*Terkadang, perbedaan juga dibuat antara teknik penelitian dan metode penelitian. Teknik penelitian
mengacu pada perilaku dan instrumen yang kita gunakan dalam melakukan operasi penelitian seperti
melakukan observasi, merekam data, teknik pengolahan data dan sejenisnya. Metode penelitian mengacu
pada perilaku dan instrumen yang digunakan dalam memilih dan membangun teknik penelitian. Misalnya,

6
perbedaan antara metode dan teknik pengumpulan data dapat lebih baik dipahami dari perincian yang
diberikan dalam bagan berikut—

Jenis Metode Teknik

1. Pustaka i. Analisis Catatan Riset Merekam catatan, Analisis konten,Mendengarkan
Sejarah dan menganalisis Pita dan Film.
ii. Analisis Dokumen Kompilasi dan manipulasi statistik, referensi dan
abstrak panduan, analisis isi.
2. Lapangan i. Observasi langsung Skala perilaku observasional, penggunaan kartu
Riset non-peserta skor, dll.
ii. Observasi partisipan Perekaman interaksi, kemungkinan penggunaan
tape recorder, grafik foto teknik.
iii. Observasi missal Merekam perilaku massa, wawancara
menggunakan pengamat independen di tempat
umum.
iv. Kuesioner surat Identifikasi latar belakang sosial dan ekonomi
responden.
v. Opini Penggunaan skala sikap, teknik proyektif,
penggunaan skala sosiometri.
vi. Wawancara pribadi Menggunakan jadwal terperinci dengan pertanyaan
terbuka dan tertutup.
vii. Wawancara terfokus Pewawancara memusatkan perhatian pada
pengalaman yang diberikan dan efeknya.
viii. Wawancara Kelompok kecil responden diwawancarai secara
kelompok bersamaan.
ix. Survei telepon Digunakan sebagai teknik survei untuk informasi
dan untuk membedakan pendapat; juga dapat
digunakan sebagai tindak lanjut dari kuesioner.
x. Studi kasus dan Pengumpulan data cross sectional untuk analisis
riwayat hidup intensif, longitudinal
pengumpulan data karakter intensif.
3. Penelitian Studi kelompok kecil Penggunaan alat perekam audio-visual,
laboratori tentang perilaku acak, penggunaan pengamat, dll.
um permainan dan
analisis peran
Dari apa yang telah dikemukakan di atas, kita dapat mengatakan bahwa metode lebih umum. Ini
adalah metode yang menghasilkan teknik.Namun, dalam praktiknya, kedua istilah tersebut dianggap dapat
dipertukarkan dan ketika kita berbicara tentang metode penelitian yang kita lakukan, dengan implikasinya,
sertakan teknik penelitian dalam kompas mereka.

digunakan dalam melakukan operasi penelitian. Dengan kata lain, semua metode yang digunakan
oleh peneliti selama mempelajari masalah penelitiannya disebut sebagai metode penelitian.
Karena objek penelitian, khususnya penelitian terapan, sampai pada solusi untuk suatu masalah
tertentu masalah, data yang tersedia dan aspek masalah yang tidak diketahui harus terkait satu
sama lain untuk membuat solusi menjadi mungkin. Menjaga ini dalam pandangan, metode
penelitian dapat dimasukkan ke dalam tiga kelompok berikut:
1. Dalam kelompok pertama kami memasukkan metode-metode yang berkaitan dengan
pengumpulan data. Metode-metode ini akan digunakan di mana data yang sudah tersedia
tidak cukup untuk sampai pada solusi yang dibutuhkan;
2. Kelompok kedua terdiri dari teknik-teknik statistik yang digunakan untuk membangun
hubungan antara data dan yang tidak diketahui;
3. Kelompok ketiga terdiri dari metode-metode yang digunakan untuk mengevaluasi
keakuratan hasil yang diperoleh.

7
Metode penelitian yang termasuk dalam dua kelompok terakhir yang disebutkan di atas umumnya
diambil sebagai alat analisis penelitian.
Metodologi penelitian adalah cara untuk memecahkan masalah penelitian secara sistematis.
Itu mungkin dipahami sebagai ilmu yang mempelajari bagaimana penelitian dilakukan secara
ilmiah. Di dalamnya kita mempelajari berbagai langkah-langkah yang umumnya ditempuh oleh
seorang peneliti dalam mempelajari masalah penelitiannya beserta logikanya dibelakang mereka.
Peneliti perlu mengetahui tidak hanya metode/teknik penelitian tetapi juga metodologinya.
Peneliti tidak hanya perlu mengetahui bagaimana mengembangkan indeks atau tes tertentu, cara
menghitung mean, modus, median atau simpangan baku atau chi-kuadrat, cara menerapkan teknik
penelitian tertentu, tetapi mereka juga perlu mengetahui metode atau teknik mana yang relevan
dan mana yang tidak, dan apa maksud dan indikasinya dan mengapa. Peneliti juga perlu
memahami asumsi yang mendasari berbagai teknik dan mereka perlu mengetahui kriteria dimana
mereka dapat memutuskan bahwa teknik dan prosedur tertentu akan dapat diterapkan pada
masalah tertentu dan yang lainnya tidak. Semua ini berarti bahwa peneliti perlu merancang
metodologinya untuk masalahnya sebagai sama mungkin berbeda dari masalah ke masalah.
Misalnya, seorang arsitek, yang mendesain sebuah bangunan, harus secara sadar mengevaluasi
dasar keputusannya, yaitu, dia harus mengevaluasi mengapa dan atas dasar apa ia memilih ukuran
tertentu, jumlah dan lokasi pintu, jendela dan ventilasi, menggunakan bahan tertentu dan bukan
yang lain dan sejenisnya. Demikian pula, dalam penelitian ilmuwan harus mengekspos keputusan
penelitian untuk dievaluasi sebelum diimplementasikan. Dia harus menentukan dengan sangat
jelas dan tepatnya keputusan apa yang dia pilih dan mengapa dia memilihnya sehingga keputusan
itu dapat dievaluasi oleh orang lain juga.
Dari apa yang telah dikemukakan di atas, kita dapat mengatakan bahwa metodologi
penelitian memiliki banyak dimensi dan metode penelitian merupakan bagian dari metodologi
penelitian. Lingkup penelitian metodologi lebih luas daripada metode penelitian. Jadi, ketika kita
berbicara tentang metodologi penelitian kami tidak hanya berbicara tentang metode penelitian
tetapi juga mempertimbangkan logika di balik metode yang kami gunakan dalam konteks studi
penelitian kami dan jelaskan mengapa kami menggunakan metode tertentu atau teknik dan
mengapa kita tidak menggunakan orang lain sehingga hasil penelitian mampu menjadi dievaluasi
baik oleh peneliti sendiri atau oleh orang lain. Mengapa penelitian dilakukan,bagaimana masalah
penelitian telah didefinisikan, dengan cara apa dan mengapa hipotesis telah dirumuskan, data apa
yang telah dikumpulkan dan metode apa yang telah diadopsi, mengapa teknik tertentu? analisis
data telah digunakan dan sejumlah pertanyaan serupa lainnya biasanya dijawab ketika kita
berbicara tentang metodologi penelitian tentang masalah penelitian atau studi.

METODE PENELITIAN DAN ILMIAH

Untuk pemahaman yang jelas tentang istilah penelitian, orang harus mengetahui arti metode
ilmiah. Dua istilah, penelitian dan metode ilmiah, terkait erat. Penelitian, seperti yang telah kami
nyatakan, dapat disebut sebagai "penyelidikan ke dalam sifat, alasan, dan konsekuensi dari setiap
serangkaian keadaan tertentu, apakah keadaan ini dikendalikan atau direkam secara
eksperimentalseperti yang terjadi. Selanjutnya, penelitian menyiratkan peneliti tertarik lebih dari
hasil; dia tertarik pada pengulangan hasil dan perluasannya ke yang lebih rumit dan situasi
umum.” Di sisi lain, filosofi umum untuk semua metode penelitian dan teknik, meskipun mereka
dapat sangat bervariasi dari satu ilmu ke ilmu lainnya, biasanya diberikan nama metode ilmiah.
Dalam konteks ini, Karl Pearson menulis, “Metode ilmiah adalah satu dan sama di cabang-cabang
(ilmu) dan metode itu adalah metode dari semua pikiran yang terlatih secara logis … kesatuan
semua ilmu hanya terdiri dari metodenya, bukan materinya; orang yang mengklasifikasikan fakta
apa pun jenis apa pun, yang melihat hubungan timbal balik mereka dan menggambarkan urutan
mereka, menerapkan Ilmiah Metode dan merupakan orang yang berilmu.” Metode ilmiah adalah
pencarian kebenaran yang ditentukan oleh logika pertimbangan. Cita-cita sains adalah untuk

8
mencapai keterkaitan fakta yang sistematis. Metode ilmiah upaya untuk mencapai "ideal ini
dengan eksperimen, pengamatan, argumen logis dari yang diterima postulat dan kombinasi dari
ketiganya dalam proporsi yang berbeda-beda” Dalam metode ilmiah, logika membantu dalam
merumuskan proposisi secara eksplisit dan akurat sehingga kemungkinan alternatifnya menjadi
jelas. Selanjutnya, logika mengembangkan konsekuensi dari alternatif tersebut, dan ketika ini
dibandingkan dengan fenomena yang dapat diamati, menjadi mungkin bagi peneliti atau ilmuwan
untuk menyatakan alternatif mana paling selaras dengan fakta yang diamati. Semua ini dilakukan
melalui eksperimen dan survei penyelidikan yang merupakan bagian integral dari metode ilmiah.
Eksperimen dilakukan untuk menguji hipotesis dan menemukan hubungan baru. Jika ada,
di antara variabel. Tetapi kesimpulan yang ditarik berdasarkan data eksperimen umumnya dikritik
karena asumsi yang salah, eksperimen yang dirancang dengan buruk, eksperimen yang dieksekusi
dengan buruk, atau interpretasi yang salah. Dengan demikian peneliti harus memberikan semua
perhatian yang mungkin saat mengembangkan desain eksperimental dan harus menyatakan hanya
kemungkinan kesimpulan. Tujuan dari penyelidikan survei juga dapat untuk memberikan
informasi yang dikumpulkan secara ilmiah untuk bekerja sebagai dasar bagi para peneliti untuk
kesimpulan mereka.
Metode ilmiah, dengan demikian, didasarkan pada postulat dasar tertentu yang dapat
dinyatakan sebagai berikut:
1. Itu bergantung pada bukti empiris;
2. Menggunakan konsep yang relevan;
3. Hal ini berkomitmen untuk pertimbangan objektif saja;
4. Ini mengandaikan netralitas etis, yaitu, tidak bertujuan apa pun kecuali hanya membuat
pernyataan yang memadai dan benar tentang objek populasi;
5. Ini menghasilkan prediksi probabilistik;
6. Metodologinya diberitahukan kepada semua pihak untuk pemeriksaan kritis yang
digunakan dalam menguji kesimpulan melalui replikasi;
7. Bertujuan untuk merumuskan aksioma-aksioma yang paling umum atau yang dapat
disebut sebagai teori-teori ilmiah.

Jadi, “metode ilmiah mendorong cara prosedur yang ketat dan impersonal yang didikte oleh
tuntutan logika dan prosedur objektif.” Dengan demikian, metode ilmiah menyiratkan tujuan,
metode logis dan sistematis, yaitu metode yang bebas dari bias atau prasangka pribadi, metode
untuk memastikan kualitas yang dapat dibuktikan dari suatu fenomena yang dapat diverifikasi,
suatu metode di mana peneliti dipandu oleh aturan penalaran logis, sebuah metode di mana
penyelidikan berlangsung di cara yang teratur dan metode yang menyiratkan konsistensi internal.

PENTINGNYA MENGETAHUI BAGAIMANA RISET DILAKUKAN

Studi metodologi penelitian memberi siswa pelatihan yang diperlukan dalam mengumpulkan
bahan dan menyusun atau mengindeksnya, partisipasi dalam kerja lapangan bila diperlukan, dan
juga pelatihan dalam teknik pengumpulan data yang sesuai dengan masalah tertentu, dalam
penggunaan statistik. , kuesioner dan eksperimen terkontrol dan dalam merekam bukti,
memilahnya dan menafsirkannya. Padahal, pentingnya mengetahui metodologi penelitian atau
bagaimana penelitian dilakukan berasal dari pertimbangan berikut:

9
 i. Bagi seseorang yang sedang mempersiapkan diri untuk karir melakukan penelitian,
pentingnya mengetahui metodologi penelitian dan teknik penelitian jelas karena hal yang
sama merupakan alat perdagangannya. Pengetahuan tentang metodologi memberikan
pelatihan yang baik khususnya untuk peneliti baru dan memungkinkan dia untuk
melakukan penelitian yang lebih baik. Ini membantunya untuk mengembangkan
pemikiran yang disiplin atau 'pemikiran pikiran' untuk mengamati lapangan secara
objektif. Oleh karena itu, mereka yang bercita-cita untuk karir dalam penelitian harus
mengembangkan keterampilan menggunakan teknik penelitian dan harus benar-benar
memahami logika di baliknya.
ii. Pengetahuan tentang bagaimana melakukan penelitian akan menanamkan kemampuan
untuk mengevaluasi dan menggunakan hasil penelitian dengan keyakinan yang masuk
akal. Dengan kata lain, kita dapat menyatakan bahwa pengetahuan tentang metodologi
penelitian sangat membantu dalam berbagai bidang seperti pemerintahan atau
administrasi bisnis, pengembangan masyarakat dan pekerjaan sosial di mana orang
semakin terpanggil untuk mengevaluasi dan menggunakan hasil penelitian untuk
tindakan.
iii. Ketika seseorang mengetahui bagaimana penelitian dilakukan, maka ia mungkin merasa
puas karena memperoleh alat intelektual baru yang dapat menjadi cara memandang dunia
dan menilai pengalaman sehari-hari. Dengan demikian, memungkinkan penggunaan
untuk membuat keputusan cerdas mengenai masalah yang dihadapi kita dalam kehidupan
praktis pada titik waktu yang berbeda. Dengan demikian, pengetahuan tentang
metodologi penelitian menyediakan alat untuk mengambil hal-hal dalam kehidupan
secara objektif.
iv. Di zaman ilmiah ini, kita semua dalam banyak hal adalah konsumen hasil penelitian dan
kita dapat menggunakannya dengan cerdas asalkan kita dapat menilai kecukupan metode
yang diperolehnya. Pengetahuan tentang metodologi membantu konsumen hasil
penelitian untuk mengevaluasi mereka dan memungkinkan dia untuk mengambil
keputusan yang rasional.

PROSES PENELITIAN
Sebelum memulai rincian metodologi dan teknik penelitian, tampaknya tepat untuk menyajikan
gambaran singkat tentang proses penelitian. Proses penelitian terdiri dari serangkaian tindakan
atau langkah-langkah yang diperlukan untuk melaksanakan penelitian secara efektif dan urutan
langkah-langkah yang diinginkan. Bagan yang ditunjukkan pada Gambar 1.1 dengan baik
menggambarkan proses penelitian.

10
Bagan tersebut menunjukkan bahwa proses penelitian terdiri dari sejumlah kegiatan yang terkait
erat, seperti yang ditunjukkan melalui I sampai VII. Tetapi kegiatan-kegiatan tersebut tumpang
tindih terus menerus daripada mengikuti urutan yang ditentukan secara ketat. Terkadang, langkah
pertama menentukan sifat langkah terakhir yang harus dilakukan. Jika prosedur selanjutnya tidak
diperhitungkan pada tahap awal, kesulitan serius mungkin timbul yang bahkan dapat mencegah
penyelesaian penelitian. Kita harus ingat bahwa berbagai langkah yang terlibat dalam proses
penelitian tidak saling eksklusif; juga tidak terpisah dan berbeda. Mereka tidak selalu mengikuti
satu sama lain dalam urutan tertentu dan peneliti harus terus-menerus mengantisipasi pada setiap
langkah dalam proses penelitian persyaratan langkah-langkah berikutnya. Namun, urutan berikut
mengenai berbagai langkah memberikan pedoman prosedural yang berguna mengenai proses
penelitian: (1) merumuskan masalah penelitian; (2) survei literatur ekstensif; (3) mengembangkan
hipotesis; (4) penyusunan desain penelitian; (5) menentukan desain sampel; (6) pengumpulan
data; (7) pelaksanaan proyek; (8) analisis data; (9) pengujian hipotesis; (10) generalisasi dan
interpretasi, dan (11) penyusunan laporan atau penyajian hasil, yaitu, penulisan formal dari
kesimpulan yang dicapai.
Penjelasan singkat tentang langkah-langkah yang disebutkan di atas akan sangat membantu.

1.Merumuskan masalah penelitian: Ada dua jenis masalah penelitian, yaitu yang berhubungan
dengan keadaan alam dan yang berhubungan dengan hubungan antar variabel. Pada awalnya
peneliti harus memilih masalah yang ingin dia pelajari, yaitu, dia harus memutuskan bidang minat
umum atau aspek dari subjek yang ingin dia selidiki. Awalnya masalah dapat dinyatakan dalam
cara umum yang luas dan kemudian ambiguitas, jika ada, yang berkaitan dengan masalah
diselesaikan. Kemudian, kelayakan solusi tertentu harus dipertimbangkan sebelum rumusan
masalah dapat dibuat. Perumusan topik umum menjadi masalah penelitian khusus, dengan
demikian, merupakan langkah pertama dalam penyelidikan ilmiah. Pada dasarnya ada dua
langkah yang terlibat dalam merumuskan masalah penelitian, yaitu memahami masalah secara
menyeluruh.

Cara terbaik untuk memahami masalah adalah dengan mendiskusikannya dengan rekan
sendiri atau dengan mereka yang memiliki keahlian dalam masalah tersebut. Di lembaga

11
akademis peneliti dapat meminta bantuan dari seorang pemandu yang biasanya adalah orang yang
berpengalaman dan memiliki beberapa masalah penelitian. Seringkali, pemandu mengemukakan
masalah secara umum dan terserah kepada peneliti untuk mempersempitnya dan merumuskan
masalah dalam istilah operasional. Di unit bisnis swasta atau di organisasi pemerintah, masalah
biasanya ditujukan oleh badan administratif yang dengannya peneliti dapat berdiskusi tentang
bagaimana masalah awalnya muncul dan pertimbangan apa yang terlibat dalam solusi yang
mungkin.

Peneliti harus pada saat yang sama memeriksa semua literatur yang tersedia untuk
membiasakan diri dengan masalah yang dipilih. Dia mungkin meninjau dua jenis literatur —
literatur konseptual tentang konsep dan teori, dan literatur empiris yang terdiri dari studi yang
dibuat sebelumnya yang mirip dengan yang diusulkan. Hasil dasar dari tinjauan ini akan menjadi
pengetahuan tentang data dan bahan lain apa yang tersedia untuk tujuan operasional yang akan
memungkinkan peneliti untuk menentukan masalah penelitiannya sendiri dalam konteks yang
bermakna. Setelah ini peneliti menyusun ulang masalah ke dalam istilah analitis atau operasional
yaitu, untuk menempatkan masalah dalam istilah yang spesifik mungkin. Tugas merumuskan,
atau mendefinisikan, masalah penelitian ini adalah langkah yang paling penting dalam
keseluruhan proses penelitian. Masalah yang akan diselidiki harus didefinisikan secara jelas untuk
membantu membedakan data yang relevan dari yang tidak relevan. Namun, perhatian harus
diberikan untuk memverifikasi objektivitas dan validitas fakta latar belakang mengenai masalah
tersebut. Profesor W.A. Neiswanger dengan benar menyatakan bahwa Pernyataan tujuan sangat
penting karena menentukan data yang akan dikumpulkan, karakteristik data yang relevan,
hubungan yang akan dieksplorasi, pilihan teknik yang akan digunakan dalam eksplorasi tersebut
dan bentuk penelitian. laporan akhir. Jika ada istilah terkait tertentu, hal yang sama harus
didefinisikan dengan jelas bersama dengan tugas merumuskan masalah. Kenyataannya, rumusan
masalah sering mengikuti pola berurutan di mana sejumlah rumusan dibuat, setiap rumusan lebih
spesifik daripada rumusan sebelumnya, masing-masing dirumuskan dalam istilah yang lebih
analitis, dan masing-masing lebih realistis dalam hal data dan sumber daya yang tersedia. .
2. Survei literatur ekstensif: Setelah masalah dirumuskan, ringkasan singkat itu harus ditulis. Ini
adalah wajib bagi seorang pekerja penelitian menulis tesis untuk Ph.D. gelar untuk menulis
sinopsis topik dan menyerahkannya kepada Komite yang diperlukan atau Dewan Riset untuk
persetujuan. Pada saat ini peneliti harus melakukan survei literatur ekstensif yang berhubungan
dengan masalah. Untuk tujuan ini, jurnal abstrak dan pengindeksan dan bibliografi yang
diterbitkan atau tidak diterbitkan adalah tempat pertama yang dikunjungi. Jurnal akademik,
prosiding konferensi, laporan pemerintah, buku dll, harus disadap tergantung pada sifat
masalahnya. Dalam proses ini, harus diingat bahwa satu sumber akan mengarah ke yang lain.
Penelitian sebelumnya, jika ada, yang mirip dengan penelitian yang ada harus dipelajari dengan
cermat.
3. Pengembangan hipotesis kerja: Setelah survei literatur yang ekstensif, peneliti harus
menyatakan secara jelas hipotesis kerja atau hipotesis. Hipotesis kerja adalah asumsi tentatif yang
dibuat untuk menarik dan menguji konsekuensi logis atau empirisnya. Dengan demikian cara
hipotesis penelitian dikembangkan sangat penting karena mereka menyediakan titik fokus untuk
penelitian. Mereka juga mempengaruhi cara pengujian harus dilakukan dalam analisis data dan
secara tidak langsung kualitas data yang diperlukan untuk analisis. Dalam kebanyakan jenis
penelitian, pengembangan hipotesis kerja memainkan peran penting. Hipotesis harus sangat
spesifik dan terbatas pada penelitian yang ada karena harus diuji. Peran hipotesis adalah untuk
membimbing peneliti dengan membatasi wilayah penelitian dan untuk menjaga dia di jalur yang
benar. Ini mempertajam pemikirannya dan memusatkan perhatian pada aspek masalah yang lebih
penting. Hal ini juga menunjukkan jenis data yang diperlukan dan jenis metode analisis data yang
akan digunakan.

12
 Bagaimana cara mengembangkan hipotesis kerja? Jawabannya adalah dengan
menggunakan pendekatan berikut:
a. Diskusi dengan rekan sejawat dan pakar tentang masalah, asal muasal, dan tujuan
mencari solusi;
b. Pemeriksaan data dan catatan, jika tersedia, mengenai masalah untuk kemungkinan
kecenderungan, kekhasan dan petunjuk lainnya;
c. Tinjauan studi serupa di bidang tersebut atau studi tentang masalah serupa; dan
d. Penyelidikan pribadi eksplorasi yang melibatkan wawancara lapangan asli dalam skala
terbatas dengan pihak-pihak yang berkepentingan dan individu dengan maksud untuk
mendapatkan wawasan yang lebih besar ke dalam aspek-aspek praktis dari masalah.
Dengan demikian, hipotesis kerja muncul sebagai hasil dari pemikiran a-priori tentang subjek,
pemeriksaan data dan bahan yang tersedia termasuk studi terkait dan nasihat para ahli dan pihak
yang berkepentingan. Hipotesis kerja lebih berguna bila dinyatakan dalam istilah yang tepat dan
jelas. Mungkin juga diingat bahwa kadang-kadang kita mungkin menghadapi masalah di mana
kita tidak perlu bekerja hipotesis, khususnya dalam hal penelitian eksplorasi atau formulasi yang
tidak bertujuan untuk menguji hipotesis. Tetapi sebagai aturan umum, spesifikasi hipotesis kerja
dalam langkah dasar lain dari proses penelitian di sebagian besar masalah penelitian.
4. Mempersiapkan desain penelitian: Masalah penelitian yang telah dirumuskan dalam istilah
yang jelas, peneliti akan diminta untuk menyiapkan desain penelitian, yaitu, ia harus menyatakan
struktur konseptual di mana penelitian akan dilakukan. Penyusunan desain seperti itu
memudahkan penelitian menjadi seefisien mungkin menghasilkan informasi yang maksimal.
Dengan kata lain, fungsi desain penelitian adalah untuk menyediakan koleksi bukti yang relevan
dengan pengeluaran usaha, waktu dan uang yang minimal. Tetapi bagaimana semua ini dapat
dicapai terutama tergantung pada tujuan penelitian. Tujuan penelitian dapat dikelompokkan
menjadi empat kategori, yaitu (i) Eksplorasi, (ii) Deskripsi, (iii) Diagnosis, dan (iv) Eksperimen.
Desain penelitian yang fleksibel yang memberikan kesempatan untuk mempertimbangkan banyak
aspek yang berbeda dari suatu masalah dianggap tepat jika tujuan penelitian adalah eksplorasi.
Tetapi ketika tujuannya adalah deskripsi yang akurat tentang situasi atau hubungan antar variabel,
desain yang sesuai akan menjadi desain yang meminimalkan bias dan memaksimalkan keandalan
data yang dikumpulkan dan dianalisis.
Ada beberapa desain penelitian, seperti pengujian hipotesis eksperimental dan non-
eksperimental. Desain eksperimental dapat berupa desain informal (seperti sebelum dan sesudah
tanpa kontrol, setelah hanya dengan kontrol, sebelum dan sesudah dengan kontrol) atau desain
formal (seperti desain acak lengkap, desain blok acak, desain kotak latin, desain acak sederhana).
dan desain faktorial kompleks), di mana peneliti harus memilih satu untuk proyeknya sendiri.
Persiapan desain penelitian, yang sesuai untuk masalah penelitian tertentu, biasanya
melibatkan pertimbangan berikut:
i. cara memperoleh informasi;
ii. ketersediaan dan keterampilan peneliti dan stafnya (jika ada);
iii. penjelasan tentang cara di mana cara yang dipilih untuk memperoleh informasi akan
diatur dan alasan yang mengarah pada pemilihan;
iv. waktu yang tersedia untuk penelitian; dan
v. faktor biaya yang berkaitan dengan penelitian, yaitu, keuangan yang tersedia untuk tujuan
tersebut.

13
5. Menentukan desain sampel: semua item yang sedang dipertimbangkan dalam bidang
penyelidikan apa pun merupakan 'alam semesta' atau 'populasi'. Sebuah enumerasi lengkap dari
semua item dalam 'populasi' dikenal sebagai penyelidikan sensus. Dapat dianggap bahwa dalam
penyelidikan seperti itu ketika semua item tertutup, tidak ada unsur peluang yang tersisa dan
akurasi tertinggi diperoleh. Tetapi dalam praktiknya ini mungkin tidak benar. Bahkan elemen bias
sekecil apa pun dalam penyelidikan semacam itu akan menjadi semakin besar seiring dengan
bertambahnya jumlah pengamatan. Selain itu, tidak ada cara untuk memeriksa unsur bias atau
luasnya kecuali melalui survei ulang atau penggunaan pemeriksaan sampel. Selain itu, jenis
penyelidikan ini melibatkan banyak waktu, uang, dan energi. Tidak hanya itu, penyelidikan
sensus tidak mungkin dilakukan dalam banyak situasi. Misalnya, tes darah dilakukan hanya
berdasarkan sampel. Oleh karena itu, cukup sering kita hanya memilih beberapa item dari alam
semesta untuk tujuan studi kita. Item-item yang dipilih membentuk apa yang secara teknis disebut
sampel.
Peneliti harus memutuskan cara pemilihan sampel atau yang dikenal dengan desain sampel.
Dengan kata lain, desain sampel adalah rencana pasti yang ditentukan sebelum data apa pun
benar-benar dikumpulkan untuk mendapatkan sampel dari populasi tertentu. Jadi, rencana untuk
memilih 12 dari 200 toko obat kota dengan cara tertentu merupakan desain sampel. Sampel dapat
berupa sampel probabilitas atau sampel non-probabilitas. Dengan sampel probabilitas, setiap
elemen memiliki probabilitas yang diketahui untuk dimasukkan dalam sampel tetapi sampel non-
probabilitas tidak memungkinkan peneliti untuk menentukan probabilitas ini. Sampel probabilitas
adalah yang didasarkan pada simple randomsampling, sampling sistematis, stratified sampling,
cluster/area sampling sedangkan sampel non-probabilitas adalah yang didasarkan pada
convenience sampling, judgement sampling dan teknik sampling kuota. Penyebutan singkat dari
desain sampel penting adalah sebagai berikut:
i. Pengambilan sampel yang disengaja: pengambilan sampel yang disengaja juga dikenal
sebagai purposive atau non-probability contoh. Metode pengambilan sampel ini
melibatkan pemilihan yang disengaja atau disengaja dari unitunit tertentu dari alam
semesta untuk membentuk sampel yang mewakili alam semesta. Ketika elemen populasi
dipilih untuk dimasukkan dalam sampel berdasarkan kemudahan akses, dapat disebut
sampel kenyamanan. Jika seorang peneliti ingin mengamankan data dari, katakanlah,
bensin pembeli, ia dapat memilih sejumlah pompa bensin dan dapat melakukan
wawancara di stasiun-stasiun ini. Ini akan menjadi contoh contoh kenyamanan pembeli
bensin. Pada kali prosedur seperti itu dapat memberikan hasil yang sangat bias terutama
ketika populasi tidak homogen. Di sisi lain, dalam pengambilan sampel penilaian,
penilaian peneliti adalah digunakan untuk memilih item yang dianggapnya mewakili
populasi. Sebagai contoh, sampel penilaian mahasiswa dapat diambil untuk
mengamankan reaksi terhadap metode baru mengajar. Pengambilan sampel penilaian
cukup sering digunakan dalam penelitian kualitatif di mana keinginan terjadi untuk
mengembangkan hipotesis daripada untuk menggeneralisasi ke populasi yang lebih besar.
ii. Contoh acak sederhana: Jenis pengambilan sampelnya juga dikenal sebagai pengambilan
sampel peluang atau pengambilan sampel probabilitas di mana setiap item dalam populasi
memiliki peluang yang sama untuk dimasukkan dalam sampel dan masing-masing
sampel yang mungkin, dalam kasus alam semesta yang terbatas, memiliki probabilitas
yang sama untuk menjadi terpilih. Misalnya, jika kita harus memilih sampel 300 item
dari alam semesta 15.000 item, maka kita dapat memasukkan nama atau nomor semua
15.000 item pada secarik kertas dan melakukan undian. Menggunakan tabel nomor acak
adalah metode lain dari pengambilan sampel acak. Untuk memilih sampel, setiap item
diberi nomor dari 1 hingga 15.000. Kemudian, 300 lima digit angka acak dipilih dari
tabel. Untuk melakukan ini kami memilih beberapa titik awal acak dan kemudian pola
sistematis digunakan dalam melanjutkan melalui tabel. Kita mungkin mulai di baris ke-
4, kolom kedua dan melanjutkan ke bawah kolom ke bagian bawah tabel dan kemudian

14
 pindah ke bagian atas kolom berikutnya ke kanan. Ketika angka melebihi batas angka
dalam bingkai, dalam kasus kami lebih dari 15.000, itu hanya dilewati dan nomor
berikutnya yang dipilih yang termasuk dalam kisaran yang relevan. Karena angka-angka
ditempatkan dalam tabel dengan cara yang benar-benar acak, sampel yang dihasilkan
adalah acak. Prosedur ini memberikan setiap iteman probabilitas yang sama untuk dipilih.
Dalam kasus populasi tak terbatas, pemilihan setiap item dalam sampel acak dikendalikan
oleh probabilitas yang sama dan bahwa pemilihan yang berurutan tidak tergantung satu
sama lain.
iii. Pengambilan sampel sistematis: Di dalam beberapa contoh cara pengambilan sampel
yang paling praktis adalah memilih setiap nama ke-15 dalam daftar, setiap rumah ke-10
di satu sisi jalan dan seterusnya. Pengambilan sampel jenis ini dikenal dengan istilah
sampling sistematik. Unsur keacakan biasanya dimasukkan ke dalam pengambilan
sampel semacam ini dengan menggunakan angka acak untuk mengambil unit yang akan
digunakan untuk memulai. Prosedur ini berguna ketika kerangka sampling tersedia dalam
bentuk daftar. Dalam desain seperti itu, proses pemilihan dimulai dengan memilih
beberapa titik acak dalam daftar dan kemudian setiap nelemen th dipilih sampai nomor
yang diinginkan diamankan.
iv. Pengambilan sampel bertingkat: Jika populasi dari mana sampel akan diambil bukan
merupakan kelompok yang homogen, maka dilakukan teknik stratified sampling
sehingga diperoleh sampel yang representatif. Dalam teknik ini, populasi distratifikasi
menjadi sejumlah subpopulasi atau strata yang tidak tumpang tindih dan item sampel
dipilih dari setiap strata. Jika item yang dipilih dari setiap strata didasarkan pada sampling
acak sederhana seluruh prosedur, stratifikasi pertama dan kemudian pengambilan sampel
acak sederhana, dikenal sebagai pengambilan sampel acak berlapis.
v. Pengambilan sampel kuota: Dalam pengambilan sampel bertingkat, biaya pengambilan
sampel acak dari individu strata seringkali sangat mahal sehingga pewawancara hanya
diberi kuota untuk diisi dari strata yang berbeda, pemilihan item yang sebenarnya untuk
sampel diserahkan kepada pewawancara pertimbangan. Ini disebut sampling kuota.
Ukuran kuota untuk setiap strata umumnya sebanding dengan ukuran strata dalam
populasi. Pengambilan sampel kuota dengan demikian merupakan hal yang penting
bentuk non-probability sampling. Sampel kuota umumnya merupakan sampel penilaian
daripada sampel acak.
vi. Pengambilan sampel cluster dan pengambilan sampel area: Pengambilan sampel cluster
melibatkan pengelompokan populasi dan kemudian memilih kelompok atau klaster
daripada elemen individu untuk dimasukkan dalam contoh. Misalkan beberapa
department store ingin mengambil sampel dari pemegang kartu kreditnya. Dia telah
menerbitkan kartunya kepada 15.000 pelanggan. Ukuran sampel harus dijaga katakanlah
450. Untuk cluster sampling daftar 15.000 pemegang kartu ini dapat dibentuk menjadi
100 kelompok 150 kartu pemegang masing-masing. Tiga cluster kemudian dapat dipilih
untuk sampel secara acak. Contoh ukuran seringkali harus lebih besar dari sampel acak
sederhana untuk memastikan tingkat yang sama akurasi karena merupakan potensi
prosedural pengambilan sampel cluster untuk bias pesanan dan sumber lainnya kesalahan
biasanya ditekankan. Pendekatan pengelompokan dapat, bagaimanapun, membuat
pengambilan sampel prosedur relatif lebih mudah dan meningkatkan efisiensi kerja
lapangan, khususnya dalam kasus dari wawancara pribadi.
Pengambilan sampel area cukup dekat dengan pengambilan sampel klaster dan sering
dibicarakan ketika total wilayah geografis yang menarik kebetulan menjadi besar. Di bawah
pengambilan sampel area, pertama-tama kita bagi total area menjadi sejumlah area yang lebih
kecil yang tidak tumpang tindih, umumnya disebut geografis cluster, maka sejumlah area yang

15
lebih kecil ini dipilih secara acak, dan semua unit di daerah kecil termasuk dalam sampel.
Pengambilan sampel area sangat membantu jika kita tidak melakukannya memiliki daftar
penduduk yang bersangkutan. Itu juga membuat wawancara lapangan lebih efisien karena
pewawancara dapat melakukan banyak wawancara di setiap lokasi.
vii. Pengambilan sampel multi-tahap: Ini adalah pengembangan lebih lanjut dari gagasan
pengambilan sampel klaster. IniTeknik ini dimaksudkan untuk pertanyaan besar yang
meluas ke area geografis yang sangat luas seperti seluruh negara. Di bawah pengambilan
sampel multi-tahap, tahap pertama mungkin untuk memilih primer besar unit sampel
seperti negara bagian, lalu distrik, lalu kota, dan akhirnya keluarga tertentu di dalamnya
kota. Jika teknik pengambilan sampel secara acak diterapkan pada semua tahap, prosedur
pengambilan sampel digambarkan sebagai pengambilan sampel acak multi-tahap.
viii. Pengambilan sampel berurutan: Ini adalah desain sampel yang agak kompleks di mana
ukuran akhir sampel tidak ditetapkan terlebih dahulu tetapi ditentukan menurut keputusan
matematis berdasarkan informasi yang dihasilkan saat survei berlangsung. Desain ini
biasanya diadopsi di bawah rencana pengambilan sampel penerimaan dalam konteks
pengendalian kualitas statistik.
Dalam praktiknya, beberapa metode pengambilan sampel yang dijelaskan di atas dapat
digunakan dengan cara yang sama studi dalam hal ini dapat disebut sampling campuran. Dapat
ditunjukkan di sini bahwa biasanya satu harus menggunakan pengambilan sampel acak sehingga
bias dapat dihilangkan dan kesalahan pengambilan sampel dapat diperkirakan. Tetapi
pengambilan sampel purposive dianggap diinginkan ketika alam semesta kebetulan kecil dan
diketahui karakteristik itu harus dipelajari secara intensif. Juga, ada kondisi di mana desain sampel
selain pengambilan sampel acak dapat dianggap lebih baik karena alasan seperti kenyamanan dan
biaya rendah. Desain sampel yang akan digunakan harus diputuskan oleh peneliti dengan
mempertimbangkan sifat penyelidikan dan faktor terkait lainnya.
6. Mengumpulkan data: Dalam menghadapi masalah kehidupan nyata, sering ditemukan bahwa
data yang ada tidak memadai, dan karenanya, menjadi perlu untuk mengumpulkan data yang
sesuai. Ada beberapa cara untuk mengumpulkan data yang sesuai yang sangat berbeda dalam
konteks biaya uang, waktu dan sumber daya lain yang tersedia bagi peneliti.
Data primer dapat dikumpulkan baik melalui eksperimen atau melalui survei. Jika peneliti
melakukan eksperimen, ia mengamati beberapa pengukuran kuantitatif, atau data, yang
dengannya ia menguji kebenaran yang terkandung dalam hipotesisnya. Tetapi dalam kasus survei,
data dapat dikumpulkan dengan salah satu atau lebih dari cara berikut:
i. Dengan observasi: Metode ini menyiratkan pengumpulan informasi dengan cara
penyidik observasi sendiri, tanpa mewawancarai responden. Informasi yang diperoleh
berkaitan dengan apa yang sedang terjadi dan tidak diperumit oleh perilaku masa lalu
atau masa depan niat atau sikap responden. Metode ini tidak diragukan lagi merupakan
metode yang mahal dan informasi yang diberikan oleh metode ini juga sangat terbatas.
Dengan demikian metode ini tidak cocok dalam pertanyaan di mana sampel besar yang
bersangkutan.
ii. Melalui wawancara pribadi: Penyelidik mengikuti prosedur yang kaku dan mencari
jawaban untuk satu set pertanyaan pra-dikandung melalui wawancara pribadi. Metode
pengumpulan ini data biasanya dilakukan secara terstruktur dimana output tergantung
pada kemampuan pewawancara secara luas.
iii. Melalui wawancara telepon: Metode pengumpulan informasi ini melibatkan
menghubungi responden di telepon itu sendiri. Ini bukan metode yang sangat banyak
digunakan tetapi memainkan peran penting dalam survei industri di daerah maju,
terutama, ketika survei untuk dicapai dalam waktu yang sangat terbatas.

16
 iv. Dengan mengirimkan kuesioner: Peneliti dan responden melakukan kontak satu sama
lain jika metode survei ini diadopsi. Kuesioner dikirimkan ke responden dengan
permintaan untuk kembali setelah menyelesaikan hal yang sama. Ini adalah yang paling
luas metode yang digunakan dalam berbagai survei ekonomi dan bisnis. Sebelum
menerapkan metode ini, biasanya Studi Percontohan untuk menguji kuesioner dilakukan
yang mengungkapkan kelemahan, jika: apapun, dari kuesioner. Kuesioner yang akan
digunakan harus dipersiapkan dengan sangat hati-hati agar mungkin terbukti efektif
dalam mengumpulkan informasi yang relevan.
v. Melalui jadwal: Dengan metode ini pencacah diangkat dan diberikan pelatihan. Mereka
diberikan jadwal yang berisi pertanyaan-pertanyaan yang relevan. Enumerator ini pergi
ke responden dengan jadwal tersebut. Data dikumpulkan dengan mengisi jadwal dengan
pencacah berdasarkan jawaban yang diberikan oleh responden. Banyak tergantung pada
kemampuan enumerator sejauh menyangkut metode ini. Beberapa pemeriksaan lapangan
sesekali di pekerjaan pencacah dapat menjamin kerja yang sungguh-sungguh.
Peneliti harus memilih salah satu dari metode pengumpulan data ini dengan
mempertimbangkan: pertimbangan sifat penyelidikan, tujuan dan ruang lingkup penyelidikan,
sumber keuangan, waktu yang tersedia dan tingkat akurasi yang diinginkan. Meskipun dia harus
memperhatikan semua ini faktor tetapi banyak tergantung pada kemampuan dan pengalaman
peneliti. Dalam konteks ini Dr A.L. Bowley dengan sangat tepat menyatakan bahwa dalam
pengumpulan data statistik, akal sehat adalah syarat utama dan mengalami kepala guru.

7.Eksekusi proyek: Eksekusi proyek adalah langkah yang sangat penting dalam penelitian proses.
Jika pelaksanaan proyek berjalan pada jalur yang benar, data yang akan dikumpulkan adalah
memadai dan dapat diandalkan. Peneliti harus melihat bahwa proyek dijalankan secara sistematis
cara dan dalam waktu. Jika survei akan dilakukan melalui kuesioner terstruktur, data dapat mudah
diproses dengan mesin. Dalam situasi seperti itu, pertanyaan serta kemungkinan jawaban
mungkin dikodekan. Jika data akan dikumpulkan melalui pewawancara, pengaturan harus dibuat
untuk seleksi dan pelatihan pewawancara. Pelatihan dapat diberikan dengan bantuan instruksi
manual yang menjelaskan dengan jelas pekerjaan pewawancara di setiap langkah. Pemeriksaan
lapangan sesekali harus dibuat untuk memastikan bahwa pewawancara melakukan pekerjaan
yang ditugaskan dengan tulus dan efisien. Pengawasan yang cermat harus dilakukan untuk faktor-
faktor yang tidak terduga agar survei tetap terjaga realistis mungkin. Dengan kata lain, ini berarti
bahwa langkah-langkah harus diambil untuk memastikan bahwa survei berada di bawah kendali
statistik sehingga informasi yang dikumpulkan sesuai dengan yang telah ditentukan sebelumnya
standar akurasi. Jika beberapa responden tidak bekerja sama, beberapa metode yang sesuai harus
dirancang untuk mengatasi masalah ini. Salah satu metode untuk menangani masalah non-respons
adalah dengan membuat a daftar non-responden dan ambil sub-sampel kecil dari mereka, dan
kemudian dengan bantuan para ahli upaya yang kuat dapat dilakukan untuk mengamankan
respons.
8.Analisis data: Setelah data terkumpul, peneliti beralih ke tugas menganalisis mereka. Analisis
data memerlukan sejumlah operasi yang terkait erat seperti pembentukan kategori, penerapan
kategori ini ke data mentah melalui pengkodean, tabulasi, dan kemudian menggambar kesimpulan
statistik. Data yang berat harus diringkas menjadi beberapa yang dapat dikelola kelompok dan
tabel untuk analisis lebih lanjut. Dengan demikian, peneliti harus mengklasifikasikan data mentah
menjadi beberapa kategori yang bertujuan dan dapat digunakan. Operasi pengkodean biasanya
dilakukan pada tahap ini dimana kategori data diubah menjadi simbol yang dapat ditabulasi dan
dihitung. Mengedit adalah prosedur yang meningkatkan kualitas data untuk pengkodean. Dengan
pengkodean panggung siap untuk tabulasi. Tabulasi adalah bagian dari prosedur teknis dimana
data yang diklasifikasi diletakkan dalam bentuk tabel. Perangkat mekanis dapat digunakan pada

17
saat ini. Banyak data, khususnya di pertanyaan besar, ditabulasi oleh komputer. Komputer tidak
hanya menghemat waktu tetapi juga memungkinkan untuk mempelajari sejumlah besar variabel
yang mempengaruhi masalah secara bersamaan.
Analisis pekerjaan setelah tabulasi umumnya didasarkan pada perhitungan berbagai
persentase, koefisien, dll., dengan menerapkan berbagai rumus statistik yang terdefinisi dengan
baik. Dalam proses analisis, hubungan atau perbedaan yang mendukung atau bertentangan dengan
hipotesis asli atau baru harus dikenakan untuk menguji signifikansi untuk menentukan dengan
validitas apa data dapat dikatakan untuk menunjukkan kesimpulan apa pun. Misalnya, jika ada
dua sampel upah mingguan, masing-masing sampel diambil dari pabrik di bagian yang berbeda
dari kota yang sama, memberikan dua nilai rata-rata yang berbeda, maka masalah kita mungkin
apakah dua nilai rata-rata berbeda secara signifikan atau perbedaannya hanya masalah peluang.
Melalui Dengan menggunakan uji statistik kita dapat menentukan apakah perbedaan tersebut
nyata atau merupakan hasil dari fluktuasi acak. Jika perbedaannya nyata, kesimpulannya adalah
kedua sampel itu
9.Pengujian hipotesis: Setelah menganalisis data seperti yang dinyatakan di atas, peneliti berada
dalam posisi untuk: menguji hipotesis, jika ada, ia telah merumuskan sebelumnya. Apakah fakta
mendukung hipotesis atau mereka? kebetulan bertentangan? Ini adalah pertanyaan biasa yang
harus dijawab saat menguji hipotesis. Berbagai tes, seperti uji Chi square, uji t, uji F, telah
dikembangkan oleh ahli statistik untuk tujuan. Hipotesis dapat diuji melalui penggunaan satu atau
lebih tes tersebut, tergantung pada: sifat dan objek penyelidikan penelitian. Pengujian hipotesis
akan menghasilkan baik menerima hipotesis atau dalam menolaknya. Jika peneliti tidak memiliki
hipotesis untuk memulai, generalisasi ditetapkan pada dasar data tersebut dapat dinyatakan
sebagai hipotesis yang akan diuji oleh penelitian-penelitian selanjutnya di masa yang akan datang.
10.Generalisasi dan interpretasi: Jika hipotesis diuji dan ditegakkan beberapa kali, itu mungkin
mungkin bagi peneliti untuk sampai pada generalisasi, yaitu, untuk membangun sebuah teori.
Faktanya, nilai sebenarnya dari penelitian terletak pada kemampuannya untuk sampai pada
generalisasi tertentu. Jika peneliti tidak memiliki hipotesis untuk memulai, dia mungkin berusaha
menjelaskan temuannya berdasarkan beberapa teori. Yang diketahui sebagai interpretasi. Proses
interpretasi mungkin cukup sering memicu pertanyaan baru yang gilirannya dapat mengarah pada
penelitian lebih lanjut.
11. Penyusunan laporan atau tesis: Terakhir, peneliti harus menyiapkan laporan tentang apa yang
telah dilakukan olehnya. Penulisan laporan harus dilakukan dengan sangat hati-hati dengan
memperhatikan hal-hal berikut:
1. Tata letak laporan harus sebagai berikut: (i). halaman pendahuluan, (ii). teks utama, dan
(iii). masalah akhir.
Di halaman awal laporan harus mencantumkan judul dan tanggal diikuti dengan
ucapan terima kasih dan kata pengantar. Maka harus ada daftar isi diikuti oleh
daftar tabel dan daftar grafik dan bagan, jika ada, yang diberikan dalam laporan.
Teks utama laporan harus memiliki bagian-bagian berikut:
a. Pendahuluan: Harus berisi pernyataan yang jelas tentang tujuan penelitian dan
penjelasan tentang metodologi yang digunakan dalam menyelesaikan penelitian.
Ruang lingkup penelitian bersama dengan berbagai keterbatasan juga harus
dinyatakan dalam bagian ini.
b. Ringkasan temuan: Setelah pengenalan akan muncul pernyataan temuan dan
rekomendasi dalam bahasa non-teknis. Jika temuannya luas, mereka harus diringkas.

18
 c. Laporan utama: Bagian utama laporan harus disajikan dalam urutan yang logis dan
dipecah menjadi bagian-bagian yang mudah diidentifikasi.
d. Kesimpulan: Menjelang akhir teks utama, peneliti harus kembali meletakkan hasil
penelitiannya secara jelas dan tepat. Sebenarnya, ini adalah kesimpulan akhir.
Di akhir laporan, lampiran harus dicantumkan sehubungan dengan semua data teknis. Bibliografi,
yaitu, daftar buku, jurnal, laporan, dll., yang dikonsultasikan, juga harus diberikan di akhir. Indeks
juga harus diberikan secara khusus dalam laporan penelitian yang dipublikasikan.
2. Laporan harus ditulis dengan gaya yang ringkas dan objektif dalam bahasa yang
sederhana menghindari ungkapan yang tidak jelas seperti 'sepertinya', 'mungkin ada', dan
sejenisnya.
3. Bagan dan ilustrasi dalam laporan utama hanya digunakan jika menyajikan informasi
dengan lebih jelas dan tegas.
4. Perhitungan 'batas keyakinan' harus disebutkan dan berbagai kendala yang dialami dalam
melakukan operasi penelitian juga dapat dinyatakan.

KRITERIA PENELITIAN YANG BAIK

Apa pun jenis penelitian dan studinya, satu hal yang penting adalah semuanya bertemu di landasan
bersama dari metode ilmiah yang digunakan oleh mereka. Seseorang mengharapkan penelitian
ilmiah untuk memenuhi kriteria berikut:
1. Tujuan penelitian harus didefinisikan dengan jelas dan konsep umum digunakan.
2. Prosedur penelitian yang digunakan harus dijelaskan secara cukup rinci untuk
memungkinkan yang lain peneliti untuk mengulangi penelitian untuk kemajuan lebih
lanjut, menjaga kelangsungan apa yang sudah tercapai.
3. Desain prosedural penelitian harus direncanakan dengan hati-hati untuk menghasilkan
hasil yang seobjektif mungkin.
4. Peneliti harus melaporkan dengan jujur, kekurangan dalam desain prosedural dan
memperkirakan efeknya pada temuan.
5. Analisis data harus cukup memadai untuk mengungkapkan signifikansinya dan metode
analisis yang digunakan harus sesuai. Validitas dan reliabilitas data harus diperiksa
dengan cermat.
6. Kesimpulan harus dibatasi pada apa yang dibenarkan oleh data penelitian dan terbatas
pada: yang datanya memberikan dasar yang memadai.
7. Keyakinan yang lebih besar dalam penelitian dijamin jika peneliti berpengalaman,
memiliki pengalaman yang baik reputasi dalam penelitian dan merupakan orang yang
berintegritas.

Dengan kata lain, kita dapat menyatakan kualitas penelitian yang baik12 seperti di bawah ini:

1. Penelitian yang baik adalah yang sistematis: artinya penelitian yang terstruktur dengan
langkah-langkah yang ditentukan untuk diambil dalam urutan tertentu sesuai dengan
seperangkat aturan yang ditetapkan dengan baik. Sistematis karakteristik penelitian tidak

19
 mengesampingkan pemikiran kreatif tetapi tentu saja menolak penggunaan tebakan dan
intuisi dalam sampai pada kesimpulan.
2. Penelitian yang baik itu logis: Ini menyiratkan bahwa penelitian dipandu oleh aturan-
aturan logis penalaran dan proses logis dari induksi dan deduksi memiliki nilai yang besar
dalam membawa penelitian keluar. Induksi adalah proses penalaran dari sebagian ke
keseluruhan sedangkan deduksi adalah proses penalaran dari beberapa premis ke
kesimpulan yang mengikuti dari premis itu. Faktanya, penalaran logis membuat
penelitian lebih bermakna dalam konteks pengambilan keputusan.
3. Penelitian yang baik adalah empiris: Ini menyiratkan bahwa penelitian pada dasarnya
terkait dengan satu atau lebih aspek situasi nyata dan berurusan dengan data konkret yang
memberikan dasar untuk validitas hasil penelitian.
4. Penelitian yang baik dapat direplikasi: Karakteristik ini memungkinkan hasil penelitian
diverifikasi oleh mereplikasi studi dan dengan demikian membangun dasar yang kuat
untuk keputusan.

MASALAH YANG DIHADAPI PENELITIAN DI INDIA

Para peneliti di India, khususnya yang terlibat dalam penelitian empiris, menghadapi beberapa
masalah. Beberapa masalah penting tersebut adalah sebagai berikut:
1. Kurangnya pelatihan ilmiah dalam metodologi penelitian merupakan hambatan besar
bagi para peneliti di negara kita. Ada kekurangan peneliti yang kompeten. Banyak
peneliti mengambil lompatan dalam kegelapan tanpa mengetahui metode penelitian.
Sebagian besar pekerjaan, yang berjalan atas nama penelitian secara metodologis tidak
sehat. Penelitian ke banyak peneliti dan bahkan untuk pemandu mereka, sebagian besar
merupakan pekerjaan menggunting dan menempel tanpa wawasan apa pun tentang bahan
yang dikumpulkan. Konsekuensinya jelas, yaitu hasil penelitian cukup sering dilakukan
tidak mencerminkan realitas atau realitas. Dengan demikian, studi sistematis metodologi
penelitian adalah kebutuhan mendesak. Sebelum melakukan proyek penelitian, peneliti
harus dilengkapi dengan baik dengan semua aspek metodologis. Dengan demikian, upaya
harus dilakukan untuk menyediakan kursus intensif berdurasi pendek untuk memenuhi
persyaratan ini.
2. Tidak ada interaksi yang cukup antara departemen penelitian universitas di satu sisi dan
perusahaan bisnis, departemen pemerintah dan lembaga penelitian di sisi lain samping.
Banyak data primer yang tidak bersifat rahasia tetap tidak tersentuh/tidak diolah oleh
para peneliti karena menginginkan kontak yang tepat. Upaya harus dilakukan untuk
mengembangkan penghubung yang memuaskan di antara semua pihak untuk penelitian
yang lebih baik dan realistis. Ada kebutuhan untuk mengembangkan beberapa
mekanisme universitas — program interaksi industri sehingga agar akademisi bisa
mendapatkan ide dari praktisi tentang apa yang perlu diteliti dan praktisi dapat
menerapkan penelitian yang dilakukan oleh para akademisi.
3. Sebagian besar unit bisnis di negara kita tidak memiliki keyakinan bahwa materi
diberikan oleh mereka kepada peneliti tidak akan disalahgunakan dan karena itu mereka
sering enggan untuk memberikan informasi yang dibutuhkan peneliti. Konsep
kerahasiaan tampaknya sangat sakral bagi organisasi bisnis di negara ini sehingga
terbukti tidak dapat ditembus penghalang bagi peneliti. Dengan demikian, ada kebutuhan
untuk membangkitkan keyakinan bahwa informasi/data yang diperoleh dari suatu unit
usaha tidak akan disalahgunakan.

20
 4. Studi penelitian yang tumpang tindih satu sama lain cukup sering dilakukan karena
kekurangan informasi yang memadai. Ini menghasilkan duplikasi dan menghabiskan
sumber daya. Masalah ini dapat diselesaikan dengan kompilasi dan revisi yang tepat,
secara berkala, dari daftar mata pelajaran di yang mana dan tempat penelitian
berlangsung. Perhatian harus diberikan terhadap identifikasi masalah penelitian dalam
berbagai disiplin ilmu terapan yang perhatian langsung kepada industri.
5. Tidak ada kode etik untuk peneliti dan persaingan antar universitas dan antar departemen
juga cukup umum. Oleh karena itu, ada kebutuhan untuk mengembangkan kode perilaku
bagi peneliti yang, jika ditaati dengan tulus, dapat mengatasi masalah ini.
6. Banyak peneliti di negara kita juga menghadapi kesulitan kesekretariatan yang memadai
dan tepat waktu bantuan, termasuk bantuan komputer. Hal ini menyebabkan penundaan
yang tidak perlu dalam menyelesaikan studi penelitian. Semua upaya yang mungkin
dilakukan ke arah ini agar efisien bantuan kesekretariatan tersedia bagi para peneliti dan
itu juga tepat waktu. Universitas Komisi Hibah harus memainkan peran dinamis dalam
memecahkan kesulitan ini.
7. Manajemen dan fungsi perpustakaan tidak memuaskan di banyak tempat dan sebagian
besar waktu dan tenaga peneliti dihabiskan untuk menelusuri buku, jurnal, laporan, dll.,
daripada menelusuri materi yang relevan dari mereka.
8. Ada juga masalah bahwa banyak perpustakaan kami tidak bisa mendapatkan salinan
lama dan Undang-undang/Aturan baru, laporan dan publikasi pemerintah lainnya tepat
waktu. Masalah ini lebih terasa di perpustakaan yang jauh di tempat-tempat dari Delhi
dan/atau ibu kota negara bagian. Dengan demikian, upaya harus dilakukan untuk
penyediaan semua publikasi pemerintah secara teratur dan cepat untuk mencapai
perpustakaan kami.
9. Juga sulitnya ketersediaan data yang dipublikasikan secara tepat waktu dari berbagai
pemerintah dan lembaga lain melakukan pekerjaan ini di negara kita. Peneliti juga
menghadapi masalah karena fakta bahwa data yang dipublikasikan sangat bervariasi
karena perbedaan cakupan oleh instansi terkait.
10. Kadang-kadang, mungkin terjadi masalah konseptualisasi dan juga masalah berkaitan
dengan proses pengumpulan data dan hal-hal yang terkait.

Pertanyaan
.
1. Jelaskan secara singkat langkah-langkah yang berbeda yang terlibat dalam proses
penelitian
2. Apa yang dimaksud dengan penelitian? Jelaskan maknanya di zaman modern.
3. Bedakan antara Metode Penelitian dan Metodologi Penelitian.
4. Jelaskan berbagai jenis penelitian, dengan jelas menunjukkan perbedaan antara
eksperimen dan survei.
5. Tulis catatan singkat tentang:
1. Desain proyek penelitian;
2. penelitian ex post facto;

21
 3. Motivasi dalam penelitian;
4. Tujuan penelitian;
5. Kriteria penelitian yang baik;
6. Penelitian dan metode ilmiah.
6. “Penelitian empiris di India khususnya menimbulkan banyak masalah bagi para peneliti”.
Nyatakan masalah yang biasanya dihadapi oleh peneliti tersebut. (Raj. Univ. EAFM.,
M.Phil. Ujian., 19)79
7. “Seorang peneliti harus bekerja sebagai hakim dan memperoleh kebenaran dan bukan
sebagai pembela yang hanya ingin membuktikan kasusnya demi penggugatnya.”
Diskusikan pernyataan yang menunjukkan tujuan penelitian.
8. “Manajemen kreatif, baik dalam administrasi publik atau industri swasta, tergantung pada
metode penyelidikan yang menjaga objektivitas, kejelasan, akurasi dan konsistensi”.
Diskusikan pernyataan ini dan periksa pentingnya penelitian”. (Raj. Univ. EAFM.,
M.Phil. Ujian., 19)78
9. “Penelitian sangat berkaitan dengan pencarian fakta, analisis, dan evaluasi yang tepat.”
Apakah Anda setuju dengan pernyataan ini? Berikan alasan yang mendukung jawaban
Anda.
10. Sering dikatakan bahwa tidak ada hubungan yang tepat antara beberapa kegiatan yang
sedang berlangsung di dunia akademis dan di sebagian besar bisnis di negara kita.
Mempertanggungjawabkan keadaan ini dan memberikan saran untuk perbaikan.

22
 2. Mendefinisikan Masalah Penelitian

Dalam proses penelitian, langkah pertama dan terpenting adalah memilih dan
mendefinisikan masalah penelitian dengan tepat.* Seorang peneliti harus menemukan
masalah dan merumuskannya sehingga menjadi rentan terhadap penelitian. Seperti
seorang dokter medis, seorang peneliti harus memeriksa semua gejala (disajikan
kepadanya atau diamati olehnya) mengenai suatu masalah sebelum ia dapat mendiagnosa
dengan benar. Untuk mendefinisikan masalah dengan benar, seorang peneliti harus tahu:
apa masalah itu?

APA MASALAH PENELITIAN?

Masalah penelitian, secara umum, mengacu pada beberapa kesulitan yang dialami peneliti
dalam konteks situasi teoritis atau praktis dan ingin mendapatkan solusi untuk hal yang
sama. Biasanya kita mengatakan bahwa masalah penelitian memang ada jika kondisi
berikut dipenuhi:
i. Harus ada individu (atau kelompok atau organisasi), sebut saja 'I,' kepada siapa
masalah dapat dikaitkan. Individu atau organisasi, tergantung kasusnya, menempati
lingkungan, katakan 'N', yang didefinisikan oleh nilai-nilai variabel yang tidak
terkontrol, 𝑌𝑗

ii. Harus ada setidaknya dua tindakan, katakanlah 𝐶1 dan 𝐶2 , untuk dikejar. Sebuah
kursus tindakan didefinisikan oleh satu atau lebih nilai dari variabel terkontrol.
Misalnya nomor item yang dibeli pada waktu tertentu dikatakan sebagai salah satu
tindakan.
iii. Harus ada setidaknya dua hasil yang mungkin, katakanlah 𝑂1 dan 𝑂2 , tentu saja
tindakan, dari mana yang harus lebih disukai daripada yang lain. Dengan kata lain,
ini berarti harus ada setidaknya satu hasil yang diinginkan peneliti, yaitu tujuan.
iv. Tindakan yang tersedia harus memberikan beberapa peluang untuk mencapai tujuan,
tetapi mereka tidak dapat memberikan kesempatan yang sama, jika tidak, pilihan
tidak akan menjadi masalah. Jadi, jika P (𝑂𝑗 | I, 𝐶𝑗 , N) mewakili probabilitas bahwa
suatu hasil 𝑂𝑗 akan terjadi, jika I memilih 𝐶𝑗 dengan I, maka P (𝑂1 | I, 𝐶1 , N) ≠ P (𝑂2 |
I, 𝐶2 , N) Dengan kata sederhana, kita dapat mengatakan bahwa pilihan harus
memiliki efisiensi yang tidak sama untuk hasil yang diinginkan.

* Kami berbicara tentang masalah penelitian atau hipotesis dalam kasus penelitian penelitian deskriptif atau
pengujian hipotesis. Penyelidikan atau studi penelitian formulatif tidak dimulai dengan masalah atau
hipotesis, masalahnya adalah menemukan masalah atau hipotesis yang akan diuji. Seseorang harus
membuat pernyataan yang jelas untuk efek ini. Aspek ini telah dibahas dalam bab berjudul "Desain
penelitian".

Di atas kondisi tersebut, individu atau organisasi dapat dikatakan memiliki masalah hanya
jika 'saya' tidak tahu tindakan apa yang terbaik, yaitu, 'saya', harus ragu tentang larutan. Dengan
demikian, seorang individu atau sekelompok orang dapat dikatakan memiliki masalah yang dapat
secara teknis digambarkan sebagai masalah penelitian, jika mereka (individu atau kelompok),

23
memiliki satu atau lebih hasil yang diinginkan, dihadapkan dengan dua atau lebih tindakan yang
memiliki beberapa tetapi tidak sama efisiensi untuk tujuan yang diinginkan (s) dan ragu-ragu
tentang tindakan mana yang terbaik.
Dengan demikian, kita dapat menyatakan komponen masalah penelitian seperti di bawah
ini:
i. Pasti ada individu atau kelompok yang mengalami kesulitan atau masalah
ii. Harus ada beberapa tujuan (s) untuk dicapai di. Jika seseorang tidak menginginkan
apa-apa, ia tidak dapat memiliki masalah.
iii. Harus ada cara alternatif (atau tindakan) untuk memperoleh tujuan (s) seseorang
ingin mencapai. Ini berarti bahwa setidaknya harus ada dua cara yang tersedia
untuk peneliti karena jika dia tidak memiliki pilihan cara, dia tidak dapat memiliki
masalah.
iv. Harus ada keraguan di benak seorang peneliti sehubungan dengan pemilihan
alternatif. Ini berarti bahwa penelitian harus menjawab pertanyaan tentang kerabat
efisiensi alternatif yang mungkin.
v. Harus ada beberapa lingkungan (s) yang berkaitan dengan kesulitan.
Dengan demikian, masalah penelitian adalah masalah yang mengharuskan peneliti untuk
menemukan solusi terbaik untuk diberikan masalah, yaitu, untuk mengetahui dengan tindakan
mana tujuan dapat dicapai secara optimal dalam konteks lingkungan tertentu. Ada beberapa faktor
yang dapat menyebabkan masalah rumit. Misalnya, lingkungan dapat berubah yang memengaruhi
efisiensi kursus tindakan atau nilai hasil; jumlah tindakan alternatif mungkin sangat besar; orang
yang tidak terlibat dalam pengambilan keputusan dapat terpengaruh olehnya dan bereaksi positif
terhadapnya atau tidak menguntungkan, dan faktor-faktor lain yang serupa. Semua elemen
tersebut (atau setidaknya yang penting) mungkin dipikirkan dalam konteks masalah penelitian.

MEMILIH MASALAH
Masalah penelitian yang dilakukan untuk penelitian harus dipilih dengan cermat. Tugasnya adalah
tugas yang sulit, meskipun tampaknya tidak demikian. Bantuan dapat diambil dari panduan
penelitian dalam hubungan ini. Namun demikian, setiap peneliti harus mencari sendiri
keselamatannya karena masalah penelitian tidak bisa dipinjam. Masalah harus muncul dari
pikiran peneliti seperti tanaman yang muncul dari benihnya sendiri. Jika mata kita membutuhkan
kacamata, bukan ahli kacamata saja yang menentukan jumlah lensa yang kita butuhkan. Kita
harus melihat diri kita sendiri dan memungkinkan dia untuk meresepkan untuk kita nomor yang
tepat dengan bekerja sama dengannya. Dengan demikian, panduan penelitian paling-paling hanya
dapat membantu seorang peneliti memilih subjek. Namun, poin-poin berikut dapat diamati oleh
seorang peneliti dalam memilih masalah penelitian atau subjek penelitian:
i. Subyek yang berlebihan seharusnya tidak dipilih secara normal, karena akan menjadi
tugas yang sulit untuk memberikan penerangan baru dalam kasus seperti itu.
ii. Subjek kontroversial tidak boleh menjadi pilihan rata-rata peneliti.
iii. Masalah yang terlalu sempit atau terlalu kabur harus dihindari.
iv. Subyek yang dipilih untuk penelitian harus akrab dan layak sehingga bahan penelitian
terkait atau sumber penelitian berada dalam jangkauan seseorang. Itupun cukup sulit
untuk memberikan ide-ide definitif tentang bagaimana seorang peneliti harus
mendapatkan ide untuk penelitiannya. Untuk tujuan ini, seorang peneliti harus
menghubungi seorang ahli atau profesor di Universitas yang sudah terlibat dalam
penelitian. Dia mungkin juga membaca artikel yang diterbitkan dalam literatur terkini
yang tersedia tentang masalah ini dan mungkin berpikir bagaimana teknik dan ide

24
 yang dibahas di dalamnya dapat diterapkan untuk solusi masalah lain. Dia mungkin
mendiskusikan dengan orang lain apa yang dia pikirkan tentang suatu masalah.
Dengan cara ini ia harus melakukan segala upaya yang mungkin dalam memilih suatu
masalah.
v. Pentingnya subjek, kualifikasi dan pelatihan seorang peneliti, biaya yang terlibat,
faktor waktu adalah beberapa kriteria lain yang juga harus dipertimbangkan dalam
memilih masalah. Dengan kata lain, sebelum pemilihan akhir suatu masalah
dilakukan, seorang peneliti harus bertanya pada dirinya sendiri pertanyaan-
pertanyaan berikut:
a. Apakah dia dilengkapi dengan baik dalam hal latar belakang untuk melakukan
penelitian?
b. Apakah studi tersebut sesuai dengan anggaran yang dia mampu?
c. Apakah kerjasama yang diperlukan dapat diperoleh dari mereka yang harus
berpartisipasi dalam penelitian sebagai subjek? Jika jawaban atas semua
pertanyaan ini setuju, seseorang dapat menjadi yakin sejauh menyangkut
kepraktisan penelitian.
vi. Pemilihan masalah harus didahului dengan studi pendahuluan. Ini mungkin tidak
diperlukan ketika masalah membutuhkan pelaksanaan penelitian yang mirip dengan
penelitian yang telah dilakukan. Tetapi ketika bidang inkuiri relatif baru dan tidak
tersedia seperangkat teknik yang berkembang dengan baik, studi kelayakan yang
singkat harus selalu dilakukan.
Jika subjek penelitian dipilih dengan benar dengan memperhatikan poin-poin di atas,
penelitian tidak akan menjadi pekerjaan yang membosankan, melainkan akan menjadi pekerjaan
cinta. Padahal, semangat kerja adalah suatu keharusan. Subjek atau masalah yang dipilih harus
melibatkan peneliti dan harus memiliki tempat teratas dalam pikirannya sehingga ia dapat
melakukan semua rasa sakit yang diperlukan untuk penelitian.

KEBUTUHAN MENDEFINISIKAN MASALAH

Cukup sering kita semua mendengar bahwa masalah yang dinyatakan dengan jelas adalah
masalah yang setengah terpecahkan. Pernyataan ini menandakan perlunya mendefinisikan
masalah penelitian. Masalah yang akan diselidiki harus didefinisikan secara jelas untuk
membantu membedakan data yang relevan dari yang tidak relevan. Definisi yang tepat dari
masalah penelitian akan memungkinkan peneliti untuk berada di jalur sedangkan masalah yang
tidak jelas dapat menciptakan rintangan. Pertanyaan seperti: Data apa yang harus dikumpulkan?
Karakteristik data apa yang relevan dan perlu dipelajari? Hubungan apa yang harus dieksplorasi.
Teknik apa yang akan digunakan untuk tujuan tersebut? dan pertanyaan serupa lainnya muncul di
benak peneliti yang dapat merencanakan strateginya dengan baik dan menemukan jawaban atas
semua pertanyaan tersebut hanya jika masalah penelitian telah didefinisikan dengan baik. Dengan
demikian, mendefinisikan masalah penelitian dengan benar adalah prasyarat untuk setiap studi
dan merupakan langkah yang paling penting. Faktanya, perumusan masalah seringkali lebih
penting daripada masalah itu sendiri larutan. Hanya dengan merinci masalah penelitian dengan
cermat, kita dapat menyusun desain penelitian dan dapat dengan lancar menjalankan semua
langkah konsekuensial yang terlibat saat melakukan penelitian.

TEKNIK YANG TERLIBAT DALAM MASALAH MENDIFINISIKAN MASALAH

Mari kita mulai dengan pertanyaan: Apa maksud seseorang ketika dia ingin mendefinisikan
masalah penelitian? Jawabannya mungkin bahwa seseorang ingin menyatakan masalah bersama
dengan batas-batas yang akan dipelajari. Dengan kata lain, mendefinisikan masalah melibatkan
tugas menetapkan batas-batas di mana seorang peneliti akan mempelajari masalah dengan tujuan
yang telah ditentukan sebelumnya.

25
 Bagaimana mendefinisikan masalah penelitian tidak diragukan lagi merupakan tugas yang
sangat berat. Namun, ini adalah tugas yang harus ditangani dengan cerdas untuk menghindari
kebingungan yang dihadapi dalam operasi penelitian. Pendekatan yang biasa dilakukan adalah
peneliti sendiri yang mengajukan pertanyaan (atau jika ada orang lain yang ingin peneliti
melakukan penelitian, individu, organisasi, atau otoritas yang bersangkutan harus mengajukan
pertanyaan tersebut kepada peneliti) dan menyiapkan teknik dan prosedur untuk menyoroti
pertanyaan yang bersangkutan untuk merumuskan atau mendefinisikan masalah penelitian. Tetapi
pendekatan seperti itu umumnya tidak menghasilkan hasil yang pasti karena pertanyaan yang
diungkapkan dengan cara seperti itu biasanya dalam istilah umum yang luas dan dengan demikian
mungkin tidak dalam bentuk yang cocok untuk pengujian.
Mendefinisikan masalah penelitian dengan benar dan jelas adalah bagian penting dari studi
penelitian dan tidak boleh dilakukan dengan tergesa-gesa. Namun, dalam praktiknya hal ini sering
diabaikan yang menyebabkan banyak masalah di kemudian hari. Oleh karena itu, masalah
penelitian harus didefinisikan secara sistematis, memberikan bobot yang tepat untuk semua poin
yang terkait. Teknik untuk tujuan tersebut melibatkan pelaksanaan langkah-langkah berikut
umumnya satu demi satu: (i) pernyataan masalah secara umum; (ii) memahami sifat masalah;
(iii) mensurvei literatur yang tersedia (iv) mengembangkan ide melalui diskusi; dan (v)
merumuskan kembali masalah penelitian menjadi proposisi kerja.
Penjelasan singkat tentang semua poin ini akan sangat membantu.
i.Pernyataan masalah secara umum: Pertama-tama masalah harus dinyatakan dalam a cara umum
yang luas, dengan tetap memperhatikan beberapa perhatian praktis atau ilmiah atau intelektual
minat. Untuk tujuan ini, peneliti harus membenamkan dirinya secara menyeluruh dalam materi
pelajaran tentang yang dia ingin mengajukan masalah. Dalam hal penelitian sosial, itu dianggap
dianjurkan untuk melakukan beberapa observasi lapangan dan dengan demikian peneliti dapat
melakukan semacam pendahuluan survey atau yang sering disebut dengan pilot survey.
Kemudian peneliti dapat menyatakan sendiri masalahnya atau dia dapat meminta bimbingan dari
pemandu atau ahli subjek dalam menyelesaikan tugas ini. Seringkali, panduan mengemukakan
masalah secara umum, dan kemudian terserah kepada peneliti untuk mempersempitnya dan
mengungkapkan masalah dalam istilah operasional. Jika ada arahan dari organisasi otoritas,
masalah kemudian dapat dinyatakan sesuai. Masalah dinyatakan dalam cara umum yang luas
mungkin mengandung berbagai ambiguitas yang harus diselesaikan dengan pemikiran dingin dan
pemikiran ulang atas masalah. Pada saat yang sama kelayakan solusi tertentu harus
dipertimbangkan dan sama harus tetap diperhatikan saat menyatakan masalah
ii.Memahami sifat masalah: Langkah selanjutnya dalam mendefinisikan masalah adalah untuk
memahami asal dan sifatnya dengan jelas. Cara terbaik untuk memahami masalah adalah dengan
mendiskusikannya dengan mereka yang pertama kali mengangkatnya untuk mengetahui
bagaimana masalah awalnya muncul dan dengan apa tujuan dalam pandangan. Jika peneliti telah
menyatakan masalahnya sendiri, ia harus mempertimbangkan sekali lagi poin-poin yang
mendorongnya untuk membuat pernyataan umum tentang masalah tersebut. Untuk pemahaman
yang lebih baik tentang sifat masalah yang terlibat, dia dapat berdiskusi dengan mereka yang
memiliki pengetahuan yang baik tentang masalah yang bersangkutan atau masalah lain yang
serupa. Peneliti harus juga tetap memperhatikan lingkungan di mana masalah itu akan dipelajari
dan dipahami.
iii.Survei literatur yang tersedia: Semua literatur yang tersedia mengenai masalah yang dihadapi
harus selalu disurvei dan diperiksa sebelum definisi masalah penelitian diberikan. Ini berarti
bahwa peneliti harus fasih dengan teori-teori yang relevan di lapangan, laporan dan catatan seperti
juga semua literatur lain yang relevan. Dia harus mencurahkan waktu yang cukup dalam meninjau
penelitian yang sudah dilakukan pada masalah terkait. Hal ini dilakukan untuk mengetahui data
apa dan lainnya bahan, jika ada, tersedia untuk tujuan operasional. “Mengetahui data apa yang

26
sering tersedia berfungsi untuk mempersempit masalah itu sendiri serta teknik yang mungkin
digunakan.” Ini juga akan membantu peneliti untuk mengetahui apakah ada kesenjangan tertentu
dalam teori, atau apakah teori yang ada berlaku untuk masalah yang diteliti tidak konsisten satu
sama lain, atau apakah temuan dari studi yang berbeda tidak mengikuti pola yang konsisten
dengan harapan teoritis dan sebagainya. Semua ini akan memungkinkan seorang peneliti untuk
mengambil langkah baru di lapangan untuk kemajuan pengetahuan yaitu, dia bisa naik mulai dari
premis yang ada. Studi tentang masalah terkait berguna untuk menunjukkan jenis kesulitan yang
mungkin dihadapi dalam penelitian ini sebagai juga kemungkinan analitis kekurangan. Kadang-
kadang studi semacam itu mungkin juga menyarankan garis pendekatan yang berguna dan bahkan
baru untuk masalah saat ini.
iv.Mengembangkan ide melalui diskusi: Diskusi tentang suatu masalah sering menghasilkan
informasi berguna. Berbagai ide baru dapat dikembangkan melalui latihan semacam itu. Oleh
karena itu, seorang peneliti harus mendiskusikan masalahnya dengan rekan-rekannya dan orang
lain yang memiliki pengalaman yang cukup dalam hal yang sama daerah atau dalam mengerjakan
masalah serupa. Ini cukup sering dikenal sebagai survei pengalaman. Rakyat dengan pengalaman
yang kaya berada dalam posisi untuk mencerahkan peneliti pada aspek yang berbeda dari
usulannya penelitian dan saran serta komentar mereka biasanya sangat berharga bagi peneliti.
Mereka membantunya mengasah fokus perhatiannya pada aspek-aspek tertentu di lapangan.
Diskusi dengan orang seperti itu seharusnya tidak hanya terbatas pada perumusan masalah khusus
yang dihadapi, tetapi juga harus memperhatikan pendekatan umum untuk masalah yang
diberikan, teknik yang mungkin digunakan, solusi yang mungkin, dll. *
Selain apa yang telah disebutkan di atas, hal-hal berikut juga harus diperhatikan saat:
mendefinisikan masalah penelitian:
a. Istilah dan kata atau frasa teknis, dengan arti khusus yang digunakan dalam pernyataan
masalah, harus didefinisikan dengan jelas.
b. Asumsi atau postulat dasar (jika ada) yang berkaitan dengan masalah penelitian harus
dinyatakan dengan jelas.
c. Pernyataan langsung tentang nilai penyelidikan (yaitu, kriteria untuk pemilihan masalah)
harus disediakan.
d. Kesesuaian jangka waktu dan sumber data yang tersedia juga harus diperhatikan oleh
peneliti dalam mendefinisikan masalah.
e. Ruang lingkup penyelidikan atau batas-batas di mana masalah yang akan dipelajari harus
disebutkan secara eksplisit dalam mendefinisikan masalah penelitian.

SEBUAH ILUSTRASI
Teknik mendefinisikan masalah yang diuraikan di atas dapat diilustrasikan untuk pemahaman
yang lebih baik dengan mengambil contoh seperti di bawah ini:

Mari kita anggap bahwa masalah penelitian secara umum adalah sebagai berikut:
“Mengapa produktivitas di Jepang jauh lebih tinggi daripada di India”? Dalam
bentuk ini pertanyaannya memiliki sejumlah ambiguitas seperti: Produktivitas seperti
apa? sedang dirujuk? Dengan industri apa hal yang sama terkait? Dengan jangka waktu
berapa produktivitas sedang dibicarakan? Mengingat semua ambiguitas seperti itu,
pernyataan yang diberikan atau pertanyaannya terlalu umum untuk dapat dianalisis.
Memikirkan kembali dan diskusi tentang masalah dapat mengakibatkan mempersempit
pertanyaan menjadi:

27
 “Faktor-faktor apa yang bertanggung jawab atas produktivitas tenaga kerja yang lebih
tinggi dari industri manufaktur Jepang selama dekade 1971 hingga 1980 dibandingkan
dengan industri manufaktur India?” Versi terakhir dari masalah ini jelas merupakan
perbaikan dari versi sebelumnya karena berbagai ambiguitas telah dihapus sejauh
mungkin. Pemikiran ulang dan penyusunan ulang lebih lanjut dapat menempatkan
masalah pada basis operasional yang lebih baik seperti yang ditunjukkan di bawah ini:
“Sejauh mana produktivitas tenaga kerja pada tahun 1971 hingga 1980 di Jepang
melebihi India dalam hal 15 industri manufaktur terpilih? Faktor apa yang bertanggung
jawab atas perbedaan produktivitas antara kedua negara menurut industri?”
Dengan formulasi semacam ini, berbagai istilah yang terlibat seperti 'produktivitas tenaga kerja',
'produktivitas' diferensial', dll. harus dijelaskan dengan jelas. Peneliti juga harus melihat bahwa
data yang diperlukan tersedia. Dalam hal data untuk satu atau lebih industri yang dipilih tidak
tersedia untuk jangka waktu tertentu, maka industri atau industri tersebut harus digantikan oleh
industri atau industri lain. Kesesuaian periode waktu juga harus diperiksa. Dengan demikian,
semua faktor yang relevan harus dipertimbangkan oleh seorang peneliti sebelum akhirnya
mendefinisikan masalah penelitian.

KESIMPULAN
Kita dapat menyimpulkan dengan mengatakan bahwa tugas mendefinisikan masalah penelitian,
sangat sering, mengikuti pola berurutan — masalah dinyatakan secara umum, ambiguitas
diselesaikan, proses berpikir dan memikirkan kembali menghasilkan perumusan masalah yang
lebih spesifik sehingga bahwa itu mungkin realistis satu dalam hal data dan sumber daya yang
tersedia dan juga bermakna secara analitis. Semua ini menghasilkan masalah penelitian yang
terdefinisi dengan baik yang tidak hanya bermakna dari sudut pandang operasional, tetapi juga
mampu membuka jalan bagi pengembangan hipotesis kerja dan sarana pemecahan masalah itu
sendiri.

Pertanyaan

1. Jelaskan sepenuhnya teknik mendefinisikan masalah penelitian.

2. Apa itu masalah penelitian? Mendefinisikan masalah utama yang harus mendapat
perhatian peneliti dalam merumuskan masalah penelitian. Berikan contoh yang sesuai
untuk menjelaskan poin Anda. (Raj. Uni. EAFM, M.Phil. Ujian1.979)
3. Bagaimana Anda mendefinisikan masalah penelitian? Berikan tiga contoh untuk
mengilustrasikan jawaban Anda. (Raj. Uni. EAFM, M.Phil. Ujian1.978)
4. Apa perlunya mendefinisikan masalah penelitian? Menjelaskan.
5. Tulis catatan singkat tentang:
a. Survei pengalaman;
b. Survei percontohan;
c. Komponen masalah penelitian;
d. Mengulangi masalah penelitian.

28
6. “Tugas mendefinisikan masalah penelitian sering mengikuti pola yang berurutan”.
Menjelaskan.
7. “Mengetahui data apa yang tersedia seringkali berfungsi untuk mempersempit masalah
itu sendiri serta teknik yang mungkin digunakan.” Jelaskan ide yang mendasari
pernyataan ini dalam konteks mendefinisikan masalah penelitian.
8. Tulis catatan komprehensif tentang "Tugas mendefinisikan masalah penelitian".

29
 3. Desain Penelitian
MAKNA DESAIN PENELITIAN

Masalah berat yang mengikuti tugas mendefinisikan masalah penelitian adalah persiapan desain
proyek penelitian, yang dikenal sebagai "desain penelitian". Keputusan tentang apa, di mana,
kapan, berapa banyak, dengan cara apa mengenai penyelidikan atau studi penelitian merupakan
sebuah desain penelitian. “Desain penelitian adalah pengaturan kondisi untuk pengumpulan dan
analisis data dengan cara yang bertujuan untuk menggabungkan relevansi dengan tujuan
penelitian dengan ekonomi dalam prosedur”.
Bahkan, desain penelitian adalah struktur konseptual di mana penelitian dilakukan; itu
membentuk pengumpulan, pengukuran dan analisis data. Dengan demikian desain termasuk garis
besar apa yang akan peneliti lakukan mulai dari menulis hipotesis dan implikasi operasionalnya
hingga analisis akhir data. Lebih eksplisit, keputusan desain terjadi sehubungan dengan:

i. Studi tentang apa?

ii. Mengapa penelitian dilakukan?
iii. Di mana studi akan dilakukan?
iv. Jenis data apa yang dibutuhkan?
v. Di mana data yang dibutuhkan dapat ditemukan?
vi. Periode waktu apa yang akan dicakup dalam penelitian ini?
vii. Apa yang akan menjadi desain sampel?
viii. Teknik pengumpulan data apa yang akan digunakan?
ix. Bagaimana data akan dianalisis?
x. Dalam gaya apa laporan akan disiapkan?

Dengan tetap memperhatikan keputusan desain yang disebutkan di atas, seseorang dapat
membagi keseluruhan desain penelitian menjadi bagian berikut:

a) desain pengambilan sampel yang berhubungan dengan metode pemilihan item yang akan
diamati untuk diberikan studi;
b) desain observasional yang berhubungan dengan kondisi di mana observasi dilakukan harus
dibuat;
c) desain statistik yang berkaitan dengan pertanyaan tentang berapa banyak item yang harus
diamati dan bagaimana informasi dan data yang dikumpulkan akan dianalisis; dan
d) desain operasional yang berhubungan dengan teknik yang prosedurnya ditentukan dalam
pengambilan sampel, desain statistik dan observasional dapat dilakukan.

Dari apa yang telah dikemukakan di atas, kita dapat menyatakan fitur penting dari desain
penelitian sebagai berikut:

i. Ini adalah rencana yang merinci sumber dan jenis informasi yang relevan dengan penelitian
masalah.
ii. Ini adalah strategi yang menentukan pendekatan mana yang akan digunakan untuk
mengumpulkan dan menganalisis data.
iii. Ini juga mencakup anggaran waktu dan biaya karena sebagian besar studi dilakukan di
bawah dua kendala.

Singkatnya, desain penelitian setidaknya harus, mengandung - (a) pernyataan yang jelas
tentang masalah penelitian; (b) prosedur dan teknik yang akan digunakan untuk mengumpulkan

30
informasi; (c) populasi yang akan diteliti; dan (d) metode yang akan digunakan dalam mengolah
dan menganalisis data.

KEBUTUHAN DESAIN PENELITIAN

Desain penelitian diperlukan karena memfasilitasi kelancaran berbagai operasi penelitian,

sehingga membuat penelitian seefisien mungkin menghasilkan informasi maksimal dengan
pengeluaran minimal dari usaha, waktu dan uang. Seperti halnya untuk pembangunan rumah yang
lebih baik, ekonomis dan menarik, kami butuh cetak biru (atau yang biasa disebut peta rumah)
dipikirkan dan disiapkan dengan baik oleh seorang arsitek ahli, sama halnya kita membutuhkan
desain penelitian atau rencana sebelum pengumpulan data dan analisis untuk proyek penelitian
kami. Desain penelitian adalah singkatan dari perencanaan awal dari metode yang akan diadopsi
untuk mengumpulkan data yang relevan dan teknik yang akan digunakan dalam analisis mereka,
dengan tetap melihat tujuan penelitian dan ketersediaan staf, waktu dan uang. Persiapan desain
penelitian harus dilakukan dengan sangat hati-hati karena kesalahan apa pun di dalamnya dapat
mengganggu keseluruhan proyek.
Desain penelitian, pada kenyataannya, memiliki pengaruh besar pada keandalan hasil yang
diperoleh dan dengan demikian merupakan fondasi yang kokoh dari seluruh bangunan penelitian.
Bahkan kebutuhan akan desain penelitian yang dipikirkan dengan matang terkadang tidak
disadari oleh banyak orang. Akibatnya banyak penelitian tidak melaksanakan tujuan yang mereka
lakukan. Bahkan, mereka bahkan mungkin memberikan kesimpulan yang menyesatkan.
Kecerobohan dalam merancang proyek penelitian dapat mengakibatkan pelaksanaan penelitian
yang sia-sia. Oleh karena itu, desain yang efisien dan tepat harus disiapkan sebelumnya memulai
operasi penelitian. Desain membantu peneliti untuk mengatur ide-idenya dalam bentuk dimana
akan mungkin baginya untuk mencari kekurangan dan kelebihannya. Desain seperti itu bahkan
dapat diberikan kepada orang lain atas komentar dan evaluasi kritis dari mereka. Dengan tidak
adanya tindakan seperti itu, akan menjadi sulit bagi kritikus untuk memberikan tinjauan
komprehensif dari studi yang diusulkan.

FITUR DESAIN YANG BAIK

Sebuah desain yang baik sering ditandai dengan kata sifat seperti fleksibel, tepat, efisien,
ekonomis dan seterusnya. Umumnya, desain yang meminimalkan prasangka dan memaksimalkan
keandalan data dikumpulkan dan dianalisis dianggap sebagai desain yang baik. Desain yang
memberikan eksperimen terkecil kesalahan seharusnya menjadi desain terbaik dalam banyak
penyelidikan. Begitu pula dengan desain yang menghasilkan informasi dan memberikan
kesempatan untuk mempertimbangkan banyak aspek yang berbeda dari suatu masalah dianggap
desain yang paling tepat dan efisien sehubungan dengan banyak masalah penelitian. Dengan
demikian, pertanyaan desain yang baik berkaitan dengan maksud atau tujuan dari masalah
penelitian dan juga dengan sifat masalah yang akan dipelajari. Sebuah desain mungkin cukup
cocok dalam satu kasus, tetapi dapat ditemukan ingin dalam satu hal atau yang lain dalam konteks
beberapa masalah penelitian lainnya. Satu desain tunggal tidak dapat melayani tujuan dari semua
jenis masalah penelitian.
Sebuah desain penelitian yang sesuai untuk masalah penelitian tertentu, biasanya
melibatkan pertimbangan dari faktor berikut:

i. sarana untuk memperoleh informasi;

ii. ketersediaan dan keterampilan peneliti dan stafnya, jika ada;
iii. tujuan masalah yang akan diteliti;
iv. sifat masalah yang akan dipelajari; dan

31
 v. ketersediaan waktu dan uang untuk penelitian.

Jika studi penelitian kebetulan bersifat eksploratif atau formulatif, di mana jurusan
penekanannya adalah pada penemuan ide dan wawasan, desain penelitian yang paling tepat harus
fleksibel cukup untuk memungkinkan pertimbangan banyak aspek yang berbeda dari suatu
fenomena. Tapi ketika tujuannya studi adalah deskripsi akurat dari situasi atau hubungan antara
variabel (atau disebut studi deskriptif), akurasi menjadi pertimbangan utama dan desain penelitian
yang dengan meminimalkan dan memaksimalkan keandalan bukti yang dikumpulkan dianggap
sebagai desain yang baik. Studi yang melibatkan pengujian hipotesis hubungan kausal antara
variabel memerlukan desain yang akan memungkinkan kesimpulan tentang kausalitas selain
minimalisasi dan memaksimalkan keandalan. Tetapi dalam praktiknya adalah tugas yang paling
sulit untuk menempatkan studi tertentu dalam kelompok tertentu, untuk penelitian tertentu
mungkin ada di dalamnya elemen dari dua atau lebih fungsi studi yang berbeda. Hanya
berdasarkan fungsi utamanya, sebuah penelitian dapat dikategorikan baik sebagai studi eksplorasi
atau deskriptif atau pengujian hipotesis dan sesuai dengan pilihan penelitian desain dapat dibuat
dalam kasus studi tertentu. Selain itu, ketersediaan waktu, uang, keterampilan staf peneliti dan
sarana untuk memperoleh informasi harus diberikan bobot saat bekerja keluar rincian yang
relevan dari desain penelitian seperti desain eksperimental, desain survei, sampel desain dan
sejenisnya.

KONSEP PENTING TERKAIT DESAIN PENELITIAN

Sebelum menjelaskan desain penelitian yang berbeda, akan tepat untuk menjelaskan berbagai
konsep berkaitan dengan desain sehingga dapat lebih baik dan mudah dipahami.

1. Variabel bebas dan terikat

Sebuah konsep yang dapat mengambil kuantitatif yang berbeda nilai disebut
variabel. Dengan demikian konsep seperti berat badan, tinggi badan, pendapatan adalah contoh
dari variabel. Fenomena kualitatif (atau atribut) juga dikuantifikasi berdasarkan kehadiran atau
tidak adanya atribut yang bersangkutan. Fenomena yang dapat mengambil perbedaan secara
kuantitatif nilai bahkan dalam titik desimal disebut “variabel kontinu”, tetapi tidak semua variabel
kontinu. Jika variabel tersebut hanya dapat dinyatakan dalam nilai integer, maka iu adalah
variabel non-kontinyu atau dalam statistik
bahasa “variabel diskrit”. Umur adalah contoh variabel kontinu, tetapi jumlah anak merupakan
contoh variabel tak kontinu. Jika satu variabel bergantung pada atau merupakan konsekuensi dari
variabel lain, itu disebut sebagai variabel terikat, dan variabel yang bebas ke variabel terikat
disebut sebagai variabel bebas. Misalnya, jika kita mengatakan bahwa tinggi badan tergantung
pada usia, maka tinggi badan adalah variabel terikat dan usia adalah variabel bebas. Selanjutnya,
jika selain menjadi tergantung pada usia, tinggi juga tergantung pada jenis kelamin individu, maka
tinggi badan adalah variabel terikat dan usia dan jenis kelamin adalah variabel bebas.

2. Variabel asing
Variabel bebas yang tidak berhubungan dengan tujuan penelitian, tetapi dapat
mempengaruhi variabel terikat disebut sebagai variabel asing. Misalkan peneliti ingin menguji
hipotesis bahwa ada hubungan antara perolehan anak IPS prestasi dan konsep diri mereka. Dalam
hal ini konsep diri merupakan variabel bebas dan prestasi belajar merupakan variabel
terikat. Kecerdasan juga dapat mempengaruhi studi sosial prestasi, tetapi karena tidak
berhubungan dengan tujuan penelitian yang dilakukan oleh peneliti, maka akan disebut sebagai
variabel asing. Apapun efek yang diperhatikan pada variabel terikat sebagai hasil dari variabel
asing secara teknis digambarkan sebagai “kesalahan eksperimental”. Sebuah studi harus selalu

32
dirancang sedemikian rupa sehingga efek pada variabel terikat dikaitkan sepenuhnya dengan
variabel bebas, dan bukan menghasilkan beberapa variabel asing.

3. Kontrol
Salah satu karakteristik penting dari desain penelitian yang baik adalah meminimalkan
pengaruh atau variabel asing. Istilah teknis “kontrol” digunakan ketika kita merancang penelitian
meminimalkan efek dari variabel asing. Dalam penelitian eksperimental, istilah “kontrol”
digunakan untuk menahan kondisi eksperimental yang keluar jalur dari penelitian kita
.
4. Hubungan yang membingungkan
Ketika variabel terikat tidak bebas dari pengaruh variabel asing, hubungan antara variabel
terikat dan variabel bebas akan dikacaukan oleh variabel asing.

5. Hipotesis penelitian
Ketika sebuah prediksi atau hubungan yang dihipotesiskan harus diuji secara ilmiah oleh
metode, hal itu disebut sebagai hipotesis penelitian. Hipotesis penelitian adalah pernyataan
prediktif yang menghubungkan variabel bebas dengan variabel terikat. Biasanya hipotesis
penelitian harus berisi, setidaknya satu variabel bebas dan satu variabel terikat. Pernyataan
prediktif yang tidak diverifikasi secara objektif atau hubungan yang diasumsikan tetapi tidak
untuk diuji, tidak dapat disebut penelitian.

6. Penelitian pengujian hipotesis eksperimental dan non-eksperimental

Ketika tujuan penelitian adalah untuk menguji hipotesis penelitian, hal itu disebut sebagai
penelitian pengujian hipotesis. Itu bisa dari desain eksperimental atau desain non-
eksperimental. Penelitian dimana variabel bebas dimanipulasi disebut “penelitian pengujian
hipotesis eksperimental” dan penelitian di mana variabel bebas yang tidak dimanipulasi disebut
“penelitian pengujian hipotesis non-eksperimental”. Misalnya, seorang peneliti ingin
mempelajari apakah kecerdasan mempengaruhi kemampuan membaca untuk suatu kelompok
siswa dan untuk tujuan ini peneliti secara acak memilih 50 siswa dan menguji kecerdasan mereka
dan kemampuan membaca dengan menghitung koefisien korelasi antara dua set skor. Ini adalah
sebuah contoh penelitian pengujian hipotesis non eksperimental karena disini variabel bebasnya
yaitu kecerdasan, tidak dapat dimanipulasi. Tapi sekarang anggaplah peneliti kita secara acak
memilih 50 siswa dari sekelompok mahasiswa yang akan mengambil mata kuliah statistika
kemudian membaginya menjadi dua kelompok dengan secara acak menetapkan 25 ke Grup A
(program studi biasa), dan 25 ke Grup B (program studi khusus). Di akhir kursus, ia memberikan
tes kepada setiap kelompok untuk menilai efektivitas program pelatihan pada tingkat kinerja
siswa. Ini adalah contoh dari penelitian pengujian hipotesis eksperimental karena dalam hal ini
variabel bebas, yaitu jenis program pelatihan, dimanipulasi.

7. Eksperimental dan kelompok kontrol

Dalam penelitian pengujian hipotesis eksperimental ketika kelompok terkena kondisi biasa,
itu disebut “kelompok kontrol”, tetapi ketika kelompok terkena beberapa kondisi khusus, itu
disebut “kelompok eksperimen”. Pada ilustrasi di atas, Grup A bisa disebut grup kontrol dan Grup
B bisa disebut grup eksperimen. Jika kedua grup A dan B terkena program studi khusus, maka
kedua kelompok akan disebut “eksperimental”. Dimungkinkan untuk merancang studi yang
hanya mencakup kelompok eksperimen atau studi yang termasuk kelompok eksperimen dan
kontrol.

8. Perlakuan
Kondisi yang berbeda di mana kelompok eksperimen dan kontrol ditempatkan biasanya
disebut sebagai “perlakuan'” Dalam ilustrasi yang diambil di atas, kedua perlakuan itu adalah
program studi dan program studi khusus. Demikian pula, jika kita ingin menentukan melalui

33
percobaan dampak komparatif dari tiga varietas pupuk pada hasil gandum, dalam kasus itu ketiga
jenis pupuk tersebut akan diperlakukan sebagai tiga perlakuan yang berbeda- beda.

9. Eksperimen
Proses pengujian kebenaran hipotesis, yang berkaitan dengan beberapa masalah penelitian,
yang dikenal sebagai eksperimen. Misalnya, kita dapat melakukan eksperimen untuk memeriksa
kegunaan obat tertentu yang baru dikembangkan. Eksperimen dapat terdiri dari dua jenis yaitu,
percobaan mutlak dan percobaan perbandingan. Jika kita ingin menentukan dampak pemupukan
pada hasil panen, ini adalah kasus eksperimen mutlak; tetapi jika kita ingin menentukan dampak
dari satu pupuk dibandingkan dengan dampak dari beberapa pupuk lainnya, percobaan kami
kemudian akan disebut sebagai percobaan perbandingan. Seringkali, kita melakukan eksperimen
komparatif ketika kita berbicara tentang desain percobaan.

10. Unit Percobaan

Plot atau blok yang telah ditentukan sebelumnya, dengan perlakuan yang berbeda, yang
dikenal sebagai unit percobaan. Unit percobaan seperti itu harus dipilih (didefinisikan) dengan
sangat baik dengan hati-hati.

DESAIN PENELITIAN BERBEDA

Desain penelitian yang berbeda dapat dengan mudah dijelaskan jika kita mengkategorikannya
sebagai: (1) penelitian desain dalam hal studi penelitian eksplorasi; (2) desain penelitian dalam
hal deskriptif dan diagnostik studi penelitian, dan (3) desain penelitian dalam hal studi penelitian
pengujian hipotesis.
Kita mengambil setiap kategori secara terpisah, yaitu:

1. Desain penelitian dalam hal studi penelitian eksplorasi

Studi penelitian eksplorasi disebut sebagai studi penelitian formulatif. Tujuan utama dari
studi semacam ini adalah untuk merumuskan masalah penyelidikan yang lebih tepat disebut juga
mengembangkan hipotesis kerja dari operasional sudut pandang. Penekanan utama dalam studi
semacam ini adalah pada penemuan ide dan wawasan. Dengan demikian desain penelitian yang
sesuai untuk studi tersebut harus cukup fleksibel untuk memberikan kesempatan untuk
mempertimbangkan aspek yang berbeda dari masalah yang diteliti. Fleksibilitas bawaan dalam
desain penelitian diperlukan karena masalah penelitian, yang awalnya didefinisikan secara luas,
diubah menjadi satu dengan yang lebih tepat yaitu makna dalam studi eksplorasi, fakta mana yang
mungkin memerlukan perubahan dalam prosedur penelitian untuk mengumpulkan data yang
relevan. Secara umum, tiga metode berikut dalam konteks desain penelitian untuk kajian-kajian
tersebut dibicarakan tentang: (a) survei tentang literatur; (b) survei pengalaman dan
(c) analisis contoh-contoh yang “merangsang wawasan”.
Survei tentang literatur merupakan metode yang paling sederhana dan bermanfaat untuk
merumuskan secara tepat masalah penelitian atau mengembangkan hipotesis. Hipotesis yang
dikemukakan sebelumnya dapat ditinjau dan kegunaannya dievaluasi sebagai dasar untuk
penelitian lebih lanjut. Mungkin juga dipertimbangkan apakah hipotesis yang sudah dinyatakan
menyarankan hipotesis baru. Dengan cara ini peneliti harus meninjau dan membangun di atas
penelitian yang sudah dilakukan oleh orang lain, tetapi dalam kasus di mana hipotesis belum
dirumuskan, tugasnya adalah meninjau bahan yang tersedia untuk hipotesis yang relevan darinya.
Selain itu, survei studi bibliografi, yang sudah dibuat di bidang minat seseorang dapat juga
dibuat oleh peneliti untuk merumuskan masalah secara tepat. Peneliti juga harus berusaha untuk
menerapkan konsep dan teori yang dikembangkan dalam konteks penelitian yang berbeda ke area
di mana dirinya bekerja. Terkadang karya-karya penulis kreatif juga menjadi lahan subur bagi
hipotesis- formulasi dan dengan demikian dapat dilihat oleh peneliti.

34
 Survei pengalaman berarti survei terhadap orang-orang yang telah memiliki pengalaman
praktis dengan masalah yang akan dipelajari. Objek survei semacam itu adalah untuk memperoleh
wawasan tentang hubungan antara variabel dan ide-ide baru yang berkaitan dengan masalah
penelitian. Untuk survei semacam ini, orang-orang yang kompeten dan dapat menyumbangkan
ide-ide baru dapat dipilih dengan cermat sebagai responden untuk memastikan representasi dari
berbagai jenis pengalaman. Responden yang dipilih kemudian dapat diwawancarai oleh peneliti.
Peneliti harus menyiapkan jadwal wawancara untuk pertanyaan sistematis kepada informan.
Tetapi wawancara tersebut harus memastikan fleksibilitas dalam arti bahwa responden harus
diizinkan untuk menaikkan masalah dan pertanyaan yang sebelumnya tidak dipertimbangkan oleh
peneliti. Umumnya pengalaman mengumpulkan wawancara kemungkinan akan lama dan dapat
berlangsung selama beberapa jam. Oleh karena itu, seringkali dianggap perlu untuk mengirimkan
salinan pertanyaan yang akan dibahas kepada responden jauh hari sebelumnya. Hal ini juga akan
memberikan kesempatan kepada responden untuk melakukan beberapa pemikiran lanjutan atas
berbagai masalah yang terlibat sehingga, pada saat wawancara, mereka dapat berkontribusi secara
efektif. Dengan demikian, sebuah survei pengalaman dapat memungkinkan peneliti untuk
mendefinisikan masalah lebih ringkas dan membantu dalam perumusan dari hipotesis
penelitian. Survei ini juga dapat memberikan informasi tentang kemungkinan-kemungkinan
praktis untuk melakukan berbagai jenis penelitian.
Analisis contoh-contoh “menstimulasi wawasan” juga merupakan metode yang bermanfaat
untuk menyarankan hipotesis untuk penelitian. Ini sangat cocok di daerah di mana ada sedikit
pengalaman untuk dijadikan sebagai panduan. Metode ini terdiri dari studi intensif contoh-contoh
tertentu dari fenomena di mana salah satunya adalah tertarik. Untuk tujuan ini, catatan yang ada
dapat diperiksa, wawancara tidak terstruktur mungkin terjadi, atau beberapa pendekatan lain
dapat diadopsi. Sikap peneliti, intensitas penelitian dan kemampuan peneliti untuk menyatukan
informasi yang beragam menjadi satu kesatuan adalah ciri utama yang membuat metode ini
menjadi prosedur yang tepat untuk membangkitkan wawasan.
Sekarang, contoh seperti apa yang harus dipilih dan dipelajari? Tidak ada jawaban yang jelas
untuk itu. Pengalaman menunjukkan bahwa untuk masalah tertentu jenis contoh tertentu lebih
tepat daripada yang lain. Seseorang dapat menyebutkan beberapa contoh kasus 'menstimulasi
wawasan' seperti reaksi dari orang asing, reaksi individu marjinal, studi individu yang berada
dalam transisi dari satu tahap ke tahap lainnya, reaksi individu dari strata sosial yang berbeda dan
sejenisnya. Secara umum, kasus yang memberikan kontras tajam atau memiliki fitur mencolok
dianggap relatif lebih berguna sambil mengadopsi metode perumusan hipotesis ini.
Dengan demikian, dalam suatu eksplorasi studi penelitian formulatif yang semata-mata
mengarah pada wawasan atau hipotesis, metode atau desain penelitian apa pun yang diuraikan di
atas diadopsi, satu-satunya hal yang penting adalah bahwa itu harus tetap fleksibel sehingga
banyak aspek yang berbeda dari suatu masalah dapat dipertimbangkan ketika mereka muncul dan
menjadi perhatian peneliti.

2. Desain penelitian dalam hal studi penelitian deskriptif dan diagnostik

Studi Penelitian deskriptif adalah studi yang berkaitan dengan menggambarkan karakteristik
individu tertentu, atau kelompok, sedangkan studi penelitian diagnostik menentukan frekuensi
terjadinya sesuatu atau hubungannya dengan sesuatu yang lain. Studi tentang variabel- variabel
tertentu yang terkait adalah contoh studi penelitian diagnostik. Berlawanan dengan ini, studi yang
bersangkutan dengan prediksi tertentu, dengan narasi fakta dan karakteristik tentang individu,
kelompok atau situasi adalah semua contoh studi penelitian deskriptif. Sebagian besar penelitian
sosial berada di bawah kategori ini. Dari sudut pandang desain penelitian, baik deskriptif maupun
diagnostik studi berbagi persyaratan umum dan karena itu kita dapat mengelompokkan kedua
jenis studi penelitian ini. Dalam studi deskriptif maupun diagnostik, peneliti harus mampu
mendefinisikan dengan jelas, apa yang ingin dia ukur dan harus menemukan metode yang
memadai untuk mengukurnya bersama dengan definisi yang jelas tentang “populasi” yang ingin
dipelajarinya. Karena tujuannya adalah untuk mendapatkan informasi yang lengkap dan akurat
dalam studi tersebut, prosedur yang akan digunakan harus direncanakan dengan cermat. Desain

35
penelitian harus membuat ketentuan yang cukup untuk perlindungan terhadap prasangka dan
harus memaksimalkan keandalan, dengan memperhatikan selesainya studi penelitian secara
ekonomis. Desain dalam studi semacam itu harus kaku dan tidak fleksibel dan harus memusatkan
perhatian pada hal-hal berikut:

a) Merumuskan tujuan penelitian (tentang apa penelitian itu dan mengapa itu dibuat?)
b) Merancang metode pengumpulan data (teknik pengumpulan data apa yang akan diadopsi?)
c) Memilih sampel (berapa banyak bahan yang dibutuhkan?)
d) Pengumpulan data (di mana data yang diperlukan dapat ditemukan dan dengan jangka
waktu berapa seharusnya data terkait?)
e) Pengolahan dan analisis data.
f) Melaporkan temuan.

Dalam studi deskriptif/diagnostik, langkah pertama adalah menentukan tujuan dengan presisi
yang memadai untuk memastikan bahwa data yang dikumpulkan relevan. Jika ini tidak dilakukan
dengan hati -hati, penelitian ini mungkin tidak memberikan informasi yang diinginkan. Kemudian
muncul pertanyaan untuk memilih metode untuk memperoleh data. Dengan kata lain, teknik
untuk mengumpulkan informasi harus dirancang. Beberapa metode (yaitu, observasi, kuesioner,
wawancara, pemeriksaan catatan, dll.), dengan kelebihan dan keterbatasannya, tersedia untuk
tujuan tersebut dan peneliti dapat menggunakan satu atau lebih metode ini yang telah dibahas
secara rinci dalam bab-bab selanjutnya. Saat merancang prosedur pengumpulan data,
perlindungan yang memadai terhadap prasangka dan tidak dapat diandalkan harus
dipastikan. Metode mana pun yang dipilih, pertanyaan harus diperiksa dengan baik dan dibuat
tidak ambigu; pewawancara harus diinstruksikan untuk tidak mengungkapkan pendapat mereka
sendiri; pengamat harus dilatih sehingga mereka secara seragam merekam item perilaku
tertentu. Itu selalu diinginkan untuk pra-test instrumen pengumpulan data sebelum akhirnya
digunakan untuk tujuan penelitian. Dengan kata lain, kita dapat mengatakan bahwa " instrumen
terstruktur " digunakan dalam studi tersebut.
Dalam sebagian besar studi deskriptif/diagnostik, peneliti mengambil sampel dan mereka
menginginkan untuk membuat pernyataan tentang populasi berdasarkan analisis sampel atau
analisis. Lebih sering daripada tidak, sampel harus dirancang. Desain sampel yang berbeda telah
dibahas secara rinci dalam bab tersendiri dalam buku ini. Di sini kita hanya dapat menyebutkan
bahwa masalah merancang sampel harus ditangani sedemikian rupa sehingga sampel dapat
menghasilkan informasi yang akurat dengan minimum jumlah upaya penelitian. Biasanya satu
atau lebih bentuk sampling probabilitas, atau yang sering digambarkan sebagai sampling acak,
digunakan.
Untuk mendapatkan data yang bebas dari kesalahan yang ditimbulkan oleh mereka yang
bertanggung jawab untuk mengumpulkannya, perlu untuk mengawasi secara ketat staf pekerja
lapangan saat mereka mengumpulkan dan mencatat informasi. Pemeriksaan dapat dilakukan
untuk memastikan bahwa staf pengumpul data melakukan tugas mereka dengan jujur dan tanpa
prasangka. Ketika data yang dikumpulkan, mereka harus diperiksa kelengkapannya, pemahaman,
konsistensi dandapat diandalkan.
Data yang terkumpul harus diolah dan dianalisis. Ini termasuk langkah-langkah seperti
pengkodean jawaban wawancara, pengamatan, dll.; tabulasi data; dan melakukan beberapa
perhitungan statistik. Sedapat mungkin, prosedur pemrosesan dan analisis harus direncanakan
secara rinci sebelum pekerjaan sebenarnya dimulai. Ini akan terbukti ekonomis dalam arti bahwa
peneliti dapat menghindari hal-hal yang tidak perlu seperti menyiapkan meja yang kemudian dia
temukan tidak berguna atau di sisi lain, melakukan kembali beberapa tabel karena dia gagal
memasukkan data yang relevan. Pengkodean harus dilakukan dengan hati-hati untuk menghindari
kesalahan dalam pengkodean dan untuk tujuan ini keandalan pembuat kode perlu
diperiksa. Demikian pula, akurasi tabulasi dapat diperiksa dengan meminta sampel tabel
dilakukan ulang. Dalam hal mekanik tabulasi materi (yaitu, data atau informasi yang
dikumpulkan) harus dimasukkan pada kartu yang sesuai yang biasanya dilakukan dengan

36
membuat lubang yang sesuai dengan kode yang diberikan. Akurasi data harus diperiksa dan
dipastikan.
Akhirnya, perhitungan statistik diperlukan dan dengan demikian rata-rata, persentase dan
berbagai koefisien harus dikerjakan. Probabilitas dan analisis sampling mungkin baik
digunakan. Operasi statistik yang sesuai, bersama dengan penggunaan tes yang tepat dari
signifikansi harus dilakukan untuk menjaga penarikan kesimpulan mengenai penelitian.
Terakhir, muncul pertanyaan tentang pelaporan temuan. Ini adalah tugas mengkomunikasikan
temuannya kepada orang lain dan peneliti harus melakukannya dengan cara yang efisien. Tata
letak laporan perlu direncanakan dengan baik agar segala sesuatu yang berhubungan dengan
penelitian dapat tersaji dengan baik secara sederhana dan gaya yang efektif.
Dengan demikian, desain penelitian dalam hal studi deskriptif/diagnostik adalah desain
komparatif terang pada semua poin yang diriwayatkan di atas dan harus disiapkan dengan
mempertimbangkan tujuan studi dan sumber daya yang tersedia. Namun, itu harus memastikan
minimalisasi prasangka dan maksimalisasi keandalan bukti yang dikumpulkan. Desain tersebut
dapat dengan tepat disebut sebagai desain survei karena memperhitungkan semua langkah yang
terlibat dalam survei mengenai fenomena yang akan dipelajari.

Perbedaan antara desain penelitian sehubungan dengan dua jenis penelitian di atas
dapat dengan mudah diringkas dalam bentuk tabel seperti di bawah ini:

Tabel 3.1
Desain Penelitian Jenis Studi

Eksplorasi Formultif Deskriptif/ Diagnostik

Desain Keseluruhan Desain fleksibel (desain
harus memberikan
kesempatan untuk
mempertimbangkan berbagai
aspek masalah)
i. Desain Pengambilan Desain pengambilan sampel
Sampel non-probabilitas (sampel
purposif atau penilaian)
ii. Desain Statistik Tidak ada desain yang
direncanakan sebelumnya
untuk analisis
iii. Desain Observasi Instrumen tidak terstruktur
untuk pengumpulan data
iv. Desain Operasional Tidak ada keputusan pasti
tentang prosedur operasional
Desain kaku (desain harus
membuat ketentuan yang
cukup untuk perlindungan
terhadap prasangka dan harus
memaksimalkan keandalan
probalitas)
Desain sampling probabilitas
(contoh acak)
Desain pra-rencana untuk
analisis
Terstruktur atau dipikirkan
dengan baik instrumen untuk
pengumpulan data
Keputusan lanjutan tentang
prosedur operasional

3. Desain penelitian dalam hal studi penelitian pengujian hipotesis:

Studi penelitian pengujian hipotesis (umumnya dikenal sebagai studi eksperimental) adalah
studi di mana peneliti menguji hipotesis hubungan kausal antar variabel. Studi semacam itu
membutuhkan prosedur yang tidak hanya akan mengurangi prasangka dan meningkatkan

37
keandalan, tetapi akan memungkinkan penarikan kesimpulan tentang kausalitas. Biasanya
eksperimen memenuhi persyaratan ini. Oleh karena itu, ketika kita berbicara tentang desain
penelitian dalam studi semacam itu, yang sering kita maksudkan adalah desain percobaan.
Nama Profesor RA Fisher dikaitkan dengan desain eksperimental. Awal dari desain seperti
itu dibuat olehnya ketika dia bekerja di Rothamsted Experimental Station (Pusat Penelitian
Pertanian di Inggris). Dengan demikian studi desain eksperimental memiliki asal dalam penelitian
pertanian. Profesor Fisher menemukan bahwa dengan membagi ladang atau petak pertanian ke
dalam blok yang berbeda dan kemudian dengan melakukan eksperimen di masing-masing blok
ini, informasi apa pun yang dikumpulkan dan kesimpulan diambil darinya, ternyata lebih dapat
diandalkan. Fakta ini menginspirasinya untuk mengembangkan desain eksperimen tertentu untuk
menguji hipotesis tentang penyelidikan ilmiah. Saat ini, desain eksperimental digunakan dalam
penelitian yang berkaitan dengan fenomena dari beberapa disiplin ilmu. Sejak desain
eksperimental berasal dari konteks operasi pertanian, kita masih menggunakan, meskipun dalam
arti teknis, beberapa hal pertanian (seperti pengobatan, hasil, plot, blok dll) dalam desain
eksperimental.

PRINSIP DASAR DESAIN EKSPERIMENTAL

Profesor Fisher telah menyebutkan tiga prinsip desain eksperimental:

1) Prinsip Replikasi;
2) Prinsip Pengacakan; dan
3) Prinsip Kontrol Lokal.

Menurut Prinsip Replikasi , percobaan harus diulang lebih dari satu kali. Dengan demikian,
setiap perlakuan diterapkan di banyak unit percobaan, bukan hanya satu. Dengan demikian
akurasi statistik percobaan meningkat. Sebagai contoh, misalkan kita menguji pengaruh dua
varietas beras. Untuk tujuan ini kita dapat membagi ladang menjadi dua bagian dan menanam
satu varietas menjadi satu bagian dan varietas lainnya di bagian lain. Kemudian kita dapat
membandingkan hasil dari dua bagian dan menarik kesimpulan atas dasar itu. Tetapi jika kita
ingin menerapkan prinsip replikasi pada eksperimen ini, maka pertama-tama bagilah ladang
menjadi beberapa bagian, tanam satu varietas di setengah bagian ini dan varietas lainnya di
bagian-bagian yang tersisa. Kemudian kita dapat mengumpulkan data hasil dari dua varietas dan
menarik kesimpulan dengan membandingkan hal yang sama. Hasil yang diperoleh akan lebih
dapat diandalkan dibandingkan dengan kesimpulan yang diambil tanpa menerapkan prinsip
replikasi. Seluruh eksperimen bahkan dapat diulang beberapa kali untuk hasil yang lebih
baik. Replikasi konseptual tidak menimbulkan kesulitan, tapi secara komputasi memang
demikian. Misalnya, jika eksperimen yang memerlukan analisis varians dua arah direplikasi,
maka akan memerlukan analisis varians tiga arah karena replikasi itu sendiri mungkin sumber
variasi dalam data. Namun, harus diingat bahwa replikasi diperkenalkan untuk meningkatkan
ketepatan penelitian, artinya untuk meningkatkan akurasi yang efek utama dan interaksi dapat
diperkirakan.
Prinsip Pengacakan memberikan perlindungan, ketika kita melakukan percobaan, melawan
pengaruh faktor asing dengan pengacakan. Dengan kata lain, prinsip ini menunjukkan bahwa kita
harus merancang atau merencanakan percobaan sedemikian rupa sehingga variasi yang
disebabkan oleh faktor-faktor asing semua dapat digabungkan di bawah judul umum
"kebetulan." Misalnya, jika kita menanam satu varietas padi, katakanlah di bagian pertama dari
bagian ladang dan varietas lainnya ditanam di bagian lainnya, maka itu hanya mungkin bahwa
kesuburan tanah mungkin berbeda di paruh pertama dibandingkan dengan setengah lainnya. Jika
demikian, hasil kita tidak akan realistis. Dalam situasi seperti itu, kita dapat menetapkan varietas
beras untuk ditanam di berbagai bagian lapangan berdasarkan beberapa teknik pengambilan
sampel acak yaitu, kita mungkin menerapkan prinsip pengacakan dan melindungi diri kita dari
pengaruh faktor asing (tanah), perbedaan kesuburan dalam kasus yang diberikan). Dengan

38
demikian, melalui penerapan prinsip pengacakan, kita dapat memiliki perkiraan yang lebih baik
dari kesalahan eksperimental.
Prinsip Kontrol Lokal adalah prinsip penting dari desain eksperimental. Di bawahnya faktor
asing, sumber variabilitas yang diketahui, dibuat bervariasi dengan sengaja seluas rentang
seperlunya dan ini perlu dilakukan sedemikian rupa sehingga variabilitas yang ditimbulkannya
dapat diukur dan karenanya dihilangkan dari kesalahan eksperimental. Ini berarti bahwa kita
harus merencanakan eksperimen sedemikian rupa sehingga kita dapat melakukan analisis varians
dua arah, di mana total variabilitas data dibagi menjadi tiga komponen yang dikaitkan dengan
perlakuan (varietas beras di kasus), faktor asing (kesuburan tanah dalam kasus kita) dan kesalahan
eksperimental. Dengan kata lain, menurut prinsip kontrol lokal, pertama-tama kita membagi
lapangan menjadi beberapa bagian yang homogen, dikenal sebagai blok, dan kemudian setiap
blok tersebut dibagi menjadi bagian-bagian yang sama dengan jumlah perlakuan. Kemudian
perawatan secara acak ditugaskan ke bagian-bagian blok ini. Membagi bidang menjadi beberapa
bagian homogen dikenal sebagai “blocking”. Secara umum, blok adalah level yang kita pegang
dan faktor asing tetap, sehingga kita dapat mengukur kontribusinya terhadap variabilitas total data
dengan berarti analisis varians dua arah. Singkatnya, melalui prinsip kontrol lokal kita bisa
menghilangkan variabilitas karena faktor asing dari kesalahan eksperimental.

DESAIN EKSPERIMENTAL PENTING

Desain eksperimental mengacu pada kerangka atau struktur percobaan dan karena itu ada
beberapa desain eksperimental. Kita dapat mengklasifikasikan desain eksperimental menjadi dua
kategori besar, yaitu desain eksperimental informal dan desain eksperimental formal. Desain
eksperimental informal adalah desain yang biasanya menggunakan bentuk analisis yang kurang
canggih berdasarkan perbedaan besaran, sedangkan desain eksperimental formal menawarkan
kontrol yang relatif lebih banyak dan menggunakan statistik yang tepat untuk prosedur
analisis. Desain eksperimen yang penting adalah sebagai berikut:

a) Desain eksperimental informal:

i. Sebelum dan sesudah desain tanpa kendali.
ii. Setelah hanya dengan desain kontrol.
iii. Sebelum dan sesudah dengan desain kontrol.
b) Desain eksperimental formal:
i. Rancangan Acak Lengkap (Desain CR).
ii. Rancangan Acak Kelompok (Rancangan RB).
iii. Desain bujur sangkar Latin (Desain LS).
iv. Desain faktorial.

Kita dapat membahas secara singkat masing-masing desain eksperimental formal dan
informal yang disebutkan di atas.

1. Sebelum-dan-sesudah tanpa desain kontrol:

Dalam desain seperti itu, satu kelompok atau area uji adalah dipilih dan variabel terikat
diukur sebelum pengenalan pengobatan. Perawatan kemudian diperkenalkan dan variabel terikat
diukur lagi setelah pengobatan telah diperkenalkan. Efek pengobatan akan sama dengan tingkat
fenomena setelah pengobatan dikurangi tingkat fenomena sebelum pengobatan. Desain dapat
direpresentasikan sebagai berikut:

Gambar 3.1

Daerah Tingkat Diperkenalkan Tingkat

Pengujian Fenomena Perlakuan Fenomena
sebelum sesudah
perawatan (X) perawatan (Y)
39

Efek Perlakuan = (Y – X)
 Kesulitan utama dari desain seperti itu adalah bahwa dengan berlalunya waktu, cukup
memungkinkan variasi asing ada dalam efek pengobatannya.

2. Setelah hanya dengan desain kontrol

Dalam desain ini dua kelompok atau area (area uji dan area kontrol) dipilih dan perlakuan
dimasukkan ke dalam area uji saja. Variabel terikatnya diukur di kedua area secara
bersamaan. Dampak perawatan dinilai dengan mengurangi nilai dari variabel terikat di area
kontrol dari nilainya di area uji. Hal ini dapat diperlihatkan pada gambar berikut:

Gambar 3.2

Daerah Diperkenalkan Tingkat Fenomena sesudah

Pengujian : Perawatan perawatan (Y)

Tingkat Fenomena tanpa

perawatan (Z)
Area Kontrol :
Efek Perlakuan = (Y – Z)

Asumsi dasar dalam desain seperti itu adalah bahwa kedua area tersebut identik dalam hal
perilaku terhadap fenomena yang dipertimbangkan. Jika asumsi ini tidak benar, ada kemungkinan
variasi asing masuk ke dalam efek perawatan. Namun, data dapat dikumpulkan sedemikian rupa
desain tanpa pengenalan masalah dengan berlalunya waktu. Dalam hal ini desainnya adalah
unggul sebelum dan sesudah tanpa desain kontrol.

3. Sebelum dan sesudah dengan desain kontrol

Dalam desain ini dipilih dua area dan area variabel terikat diukur di kedua area untuk periode
waktu yang sama sebelum perawatan. Perawatan kemudian dimasukkan ke dalam area pengujian
saja, dan variabel terikat diukur baik untuk periode waktu yang identik setelah pengenalan
perawatan. Efek perawatan ditentukan untuk mengurangkan perubahan variabel terikat di area
kontrol dari perubahan variabel terikat di daerah uji. Desain ini dapat ditunjukkan sebagai berikut:

Gambar 3.3

40
 Periode I Periode II

Daerah Tingkat Diperkenalkan Tingkat

Pengujian: Fenomena Perlakuan Fenomena
sebelum sesudah
perawatan (X) perawatan (Y)

Area Kontrol: Tingkat Tingkat

Fenomena Fenomena
tanpa tanpa
perawatan (A) perawatan (Z)

Efek Perlakuan = (Y – X) - (Z –A)

Desain ini lebih unggul dari dua desain di atas karena alasan sederhana yaitu menghindari
hal-hal dari variasi asing yang dihasilkan baik dari berlalunya waktu dan dari non-perbandingan
pengujian dan kontrol daerah. Tetapi kadang-kadang, karena kurangnya data historis, waktu atau
area kontrol yang sebanding, kita harus memilih untuk memilih salah satu dari dua desain
informal yang disebutkan di atas.

4. Rancangan Acak Lengkap (rancangan CR)

Melibatkan hanya dua prinsip yaitu, prinsip replikasi dan prinsip pengacakan desain
eksperimental. Ini adalah yang paling sederhana mungkin desain dan prosedur analisisnya juga
lebih mudah. Karakteristik penting dari desain adalah bahwa subjek secara acak ditugaskan untuk
perawatan eksperimental (atau sebaliknya). Misalnya, jika kita memiliki 10 subjek dan jika kita
ingin menguji 5 di bawah perlakuan A dan 5 di bawah perlakuan B, proses pengacakan
memberikan setiap kemungkinan kelompok dari 5 mata pelajaran yang dipilih dari satu set 10
kesempatan yang sama dari ditugaskan untuk perlakuan A dan perlakuan B. Analisis varians satu
arah digunakan untuk menganalisis desain seperti itu. Bahkan ulangan yang tidak sama juga dapat
bekerja dalam desain ini. Ini menyediakan jumlah maksimum derajat kebebasan untuk
kesalahan. Desain seperti itu umumnya digunakan ketika daerah percobaan terjadi menjadi
homogen. Secara teknis, ketika semua variasi tidak terkendali, faktor asing termasuk di bawah
judul variasi peluang, kita merujuk pada desain percobaan sebagai desain CR. Kami dapat
menyajikan deskripsi singkat tentang dua bentuk desain seperti yang diberikan pada Gambar 3.4.

i. Rancangan acak sederhana dua kelompok: Dalam rancangan acak sederhana dua
kelompok, pertama dari semua populasi ditentukan dan kemudian dari populasi tersebut
diambil sampel secara acak. Selanjutnya, persyaratan desain ini adalah item, setelah dipilih
secara acak dari populasi, secara acak ditugaskan ke kelompok eksperimen dan kontrol
(Acak seperti itu penugasan item ke dua kelompok secara teknis digambarkan sebagai
prinsip pengacakan). Dengan demikian, desain ini menghasilkan dua kelompok sebagai
perwakilan dari populasi. Dalam bentuk diagram desain ini dapat ditunjukkan dengan cara
ini:

Gambar 3.4: Rancangan percobaan acak sederhana dua kelompok (dalam bentuk diagram)

41
 Secara acak
Populasi Sampel
terpilih

Eksperimental Kontrol
kelompok kelompok
(Perlakuan A) (Perlakuan B)

Variabel bebas

Karena dalam rancangan acak sampel, unsur-unsur yang membentuk sampel adalah diambil
secara acak dari populasi yang sama dan secara acak ditugaskan untuk eksperimen dan kontrol
kelompok, membuat mungkin untuk menarik kesimpulan berdasarkan sampel yang berlaku untuk
populasi. Dua kelompok (kelompok eksperimen dan kontrol) dari desain seperti itu diberikan
perlakuan yang berbeda dari variabel bebas. Desain eksperimen ini cukup umum
dalam studi penelitian tentang ilmu perilaku. Kelebihan dari desain seperti itu adalah sederhana
dan mengacak perbedaan antara item sampel. Tapi batasannya adalah bahwa perbedaan individu
di antara mereka yang melakukan perawatan tidak dihilangkan, yaitu itu tidak mengontrol
variabel asing dan dengan demikian hasil percobaan mungkin tidak menggambarkan gambar yang
benar. Hal ini dapat diilustrasikan dengan mengambil contoh. Misalkan peneliti ingin
membandingkan dua kelompok siswa yang telah dipilih secara acak dan ditugaskan secara
acak. Dua perawatan yang berbeda yaitu, pelatihan biasa dan pelatihan khusus diberikan kepada
kedua kelompok. Peneliti berhipotesis keuntungan yang lebih besar untuk kelompok yang
menerima pelatihan khusus. Untuk menentukan ini, dia menguji setiap kelompok sebelum dan
setelah pelatihan, dan kemudian membandingkan jumlah keuntungan yang diterima kedua
kelompok atau menolak hipotesisnya. Ini adalah ilustrasi dari desain acak dua kelompok, dimana
perbedaan individu di antara siswa diacak. Tapi ini tidak mengontrol efek diferensial dari variabel
independen asing (dalam hal ini, individu perbedaan di antara mereka yang melakukan program
pelatihan).

ii. Rancangan ulangan acak: Keterbatasan rancangan acak dua kelompok biasanya
dihilangkan dalam desain ulangan acak. Dalam ilustrasi yang baru saja dikutip di atas,
perbedaan guru pada variabel terikat diabaikan, yaitu variabel asing yang tidak
dikendalikan. Tetapi dalam desain ulangan acak, efek dari perbedaan tersebut adalah
diminimalkan (atau dikurangi) dengan memberikan sejumlah pengulangan untuk setiap
perlakuan. Setiap pengulangan secara teknis disebut “replikasi”. Desain replikasi acak
memiliki dua tujuan yaitu, menyediakan kontrol untuk efek diferensial dari variabel
independen asing dan mengacak perbedaan individu di antara mereka yang melakukan
perawatan. Secara diagram kita dapat menggambarkan desain ulangan acak sebagai
berikut:

42
 Gambar 3.5: Rancangan ulangan acak (dalam bentuk diagram)

Populasi (Tersedia Populasi (Tersedia untuk

untuk belajar) mengadakan perawatan)

Seleksi acak Seleksi acak

Sampel (Untuk Sampel (Untuk melakukan

dipelajari) perawatan)

Penugasan acak Grup 1 E Penugasan acak

Grup 2 E
Grup 3 E
Grup 4 E
Grup 5 C
Grup 6 C
Grup 7 C E = Kelompok eksperimen
Grup 8 C C = Kelompok kontrol

Perawatan A Perawatan B
Variabel bebas
Atau variabel
kausal

Dari diagram terlihat jelas bahwa ada dua populasi dalam desain ulangan. Sampel diambil
secara acak dari populasi yang tersedia untuk studi dan ditugaskan secara acak untuk empat
kelompok eksperimen dan empat kelompok kontrol. Demikian pula, sampel diambil secara acak
dari populasi yang tersedia untuk melakukan eksperimen (karena delapan kelompok seperti
delapan individu dipilih) dan delapan individu yang dipilih harus ditugaskan secara acak untuk
delapan kelompok. Umumnya, jumlah item yang sama ditempatkan di setiap kelompok sehingga
ukuran kelompok tidak mungkin mempengaruhi hasil belajar. Variabel yang berkaitan dengan
kedua karakteristik populasi diasumsikan terdistribusi secara acak di antara dua kelompok. Jadi,
ini desain replikasi acak, pada kenyataannya merupakan perpanjangan dari dua kelompok desain
acak sederhana.

5. Rancangan acak kelompok : Dalam desain ini, subjek pertama-tama dibagi menjadi
beberapa kelompok, yang dikenal sebagai blok, sehingga di dalam masing-masing kelompok
subjek relatif homogen sehubungan dengan beberapa variabel yang dipilih. Variabel yang
dipilih untuk mengelompokkan subjek adalah varibel yang diyakini terkait dengan ukuran
yang akan diperoleh sehubungan dengan variabel terikat. Jumlah subjek dalam blok yang
diberikan akan sama dengan jumlah perawatan dan satu subjek di setiap blok akan ditugaskan
secara acak untuk setiap perawatan. Secara umum, blok adalah level di mana kita memegang
faktor asing tetap, sehingga kontribusinya dengan total variabilitas data dapat diukur. Fitur
utama dari desain ini adalah dalam hal ini setiap perlakuan muncul dengan jumlah yang sama
di setiap blok. Desain ini dianalisis dengan teknik analisis varians dua arah .
Mari kita ilustrasikan desain ini dengan bantuan sebuah contoh. Misalkan empat bentuk yang
berbeda dari tes standar dalam statistik diberikan kepada masing-masing dari lima siswa (dipilih
satu dari masing-masing lima) dan berikut adalah skor yang mereka peroleh.

43
 Gambar 3.6
IQ Sangat IQ Rendah IQ Rata- IQ Tinggi IQ Sangat
Rendah Rata Tinggi
Murid A Murid B Murid C Murid D Murid E
Formulir 1 82 67 57 71 73
Formulir 2 90 68 54 70 81
Formulir 3 86 73 51 69 84
Formulir 4 93 77 60 65 71

Jika setiap siswa secara terpisah mengacak urutan di mana dia mengambil empat tes (dengan
menggunakan angka acak atau perangkat serupa), kita menyebut desain percobaan ini sebagai
desain rancangan acak kelompok. Tujuan pengacakan ini adalah untuk menangani kemungkinan
faktor asing (misalnya kelelahan) atau mungkin pengalaman yang didapat dari berulang kali
mengikuti tes.

6. Desain bujur sangkar Latin (desain LS) adalah desain eksperimental yang sangat sering
digunakan dalam riset pertanian. Kondisi di mana penyelidikan pertanian dilakukan berbeda
dari mereka dalam studi lain untuk alam yang memainkan peran penting dalam
pertanian. Misalnya, dibuat percobaan melalui pengaruh lima varietas pupuk yang berbeda
terhadap hasil tanaman tertentu, katakanlah gandum, itu harus dinilai. Dalam kasus seperti
itu, kesuburan tanah yang berbeda-beda di blok mana percobaan harus dilakukan harus
dipertimbangkan; jika tidak hasil yang diperoleh mungkin tidak terlalu dapat diandalkan
karena output yang terjadi merupakan efek tidak hanya dari pupuk, tetapi mungkin juga efek
kesuburan tanah. Demikian pula, mungkin ada dampak dari berbagai benih pada hasil. Untuk
mengatasi kesulitan tersebut, desain LS digunakan ketika ada dua besar faktor luar seperti
kesuburan tanah yang bervariasi dan benih yang bervariasi.
Desain bujur sangkar Latin adalah desain di mana setiap pupuk, dalam contoh muncul lima
kali tetapi hanya digunakan sekali di setiap baris dan di setiap kolom desain. Dengan kata lain,
perawatan di LS desain dialokasikan di antara plot sehingga tidak ada perlakuan yang terjadi lebih
dari satu kali dalam satu baris atau salah satu kolom. Dua faktor penghambat dapat
direpresentasikan melalui baris dan kolom (satu melalui baris dan yang lainnya melalui
kolom). Berikut ini adalah bentuk diagram dari desain seperti itu sehubungan dengan, katakanlah,
lima jenis pupuk, yaitu A, B, C, D dan E dan dua faktor penghambat yaitu,
kesuburan tanah yang bervariasi dan benih yang bervariasi:

Gambar 3.7
Tingkat Kesuburan
I II III IV V

X1 A B C D E
Perbedaan X2 B C D E A
Biji
X3 C D E A B

X4 D E A B C

X5 E A B C D

Diagram di atas dengan jelas menunjukkan bahwa dalam desain LS, bidang dibagi menjadi
blok sebanyak ada varietas pupuk dan kemudian setiap blok dibagi lagi menjadi bagian sebanyak

44
yang ada varietas pupuk sedemikian rupa sehingga masing-masing varietas pupuk digunakan di
setiap blok hanya sekali. Analisis desain LS sangat mirip dengan teknik dua arah.
Kelebihan dari desain eksperimental ini adalah memungkinkan perbedaan dalam gradien
kesuburan di lapangan harus dihilangkan dibandingkan dengan efek dari berbagai varietas pupuk
pada hasil panen tanaman. Tetapi desain ini memiliki satu batasan, dan meskipun setiap baris dan
setiap kolom mewakili semua varietas pupuk secara merata, mungkin ada perbedaan yang cukup
besar pada baris dan kolom berarti baik di atas maupun di seberang lapangan. Dengan kata lain,
ini berarti bahwa dalam desain LS kita harus mengasumsikan bahwa tidak ada interaksi antara
perlakuan dan faktor penghambat. Keterbatasan lain dari desain ini adalah membutuhkan jumlah
baris, kolom, dan perlakuan untuk menjadi setara. Ini mengurangi utilitas desain ini. Dalam hal
desain LS (2 × 2), tidak ada derajat kebebasan yang tersedia untuk kesalahan kuadrat rata-rata
dan karenanya desain tidak dapat digunakan. Jika perawatan adalah 10 atau lebih, dari setiap baris
dan setiap kolom akan lebih besar ukurannya sehingga baris dan kolom tidak boleh menjadi
homogen. Hal ini dapat membuat penerapan prinsip kontrol lokal tidak efektif. Karena itu, Desain
LS pesanan (5 × 5) hingga (9 × 9) umumnya digunakan.

7. Desain faktorial: Desain faktorial digunakan dalam eksperimen di mana efeknya lebih
bervariasi dari satu faktor harus ditentukan. Hal ini secara khusus penting dalam beberapa
fenomena ekonomi dan sosial di mana biasanya sejumlah besar faktor mempengaruhi
masalah tertentu. Desain faktorial dapat terdiri dari dua jenis, yaitu:

i. Desain faktorial sederhana: Dalam kasus desain faktorial sederhana, kita

mempertimbangkan efek dari memvariasikan dua faktor pada variabel dependen, tetapi
ketika eksperimen dilakukan dengan lebih banyak dari dua faktor, kita menggunakan
desain faktorial kompleks. Desain faktorial sederhana juga disebut sebagai “desain dua
faktorial”, sedangkan desain faktorial kompleks dikenal sebagai “multi-faktorial”. Desain
faktorial sederhana dapat berupa faktorial sederhana 2 × 2 desain, atau mungkin,
katakanlah, 3 × 4 atau 5 × 3 atau jenis desain faktorial sederhana yang serupa. Kita
mengilustrasikan beberapa desain faktorial sederhana seperti di bawah ini:

Ilustrasi 1: (2 × 2 desain faktorial sederhana).

Sebuah desain faktorial sederhana 2 × 2 secara grafis dapat digambarkan sebagai berikut:
Gambar 3.8

Variabel Eksperimental
Variabel Kontrol

Level 1
Perawatan A Perawatan B

Level 2 Sel 1 Sel 3

Sel 2 Sel 4

Dalam desain ini variabel asing yang akan dikontrol oleh homogenitas disebut kontrol
variabel dan variabel bebas yang dimanipulasi disebut variabel eksperimen. Kemudian ada dua
perlakuan variabel eksperimen dan dua level variabel kontrol. Dengan demikian ada empat sel di
mana sampel dibagi. Masing-masing dari empat kombinasi akan memberikan satu perlakuan atau
kondisi percobaan. Subjek ditugaskan secara acak untuk setiap perawatan dengan cara yang sama
seperti dalam desain kelompok acak. Sarana untuk sel yang berbeda dapat diperoleh bersama
dengan cara untuk baris dan kolom yang berbeda. Rata-rata sel yang berbeda mewakili skor rata-
rata untuk variabel dependen dan rata-rata kolom dalam desain yang diberikan disebut efek utama

45
untuk perawatan tanpa memperhitungkan efek diferensial yang disebabkan oleh tingkat kontrol
variabel. Demikian pula, baris berarti dalam desain tersebut disebut efek utama untuk tingkat
tanpa berkaitan dengan perawatan. Dengan demikian, melalui desain ini kita dapat mempelajari
efek utama dari perawatan serta utama dari level. Kelebihan tambahan dari desain ini adalah
bahwa seseorang dapat memeriksa interaksi antara perawatan dan tingkat, di mana seseorang
dapat mengatakan apakah perawatan dan tingkat independen satu sama lain atau tidak
demikian. Contoh berikut memperjelas interaksi efek antara perawatan dan tingkat. Data yang
diperoleh dalam kasus dua (2 × 2) faktorial sederhana studi mungkin seperti yang diberikan pada
berikut:
Gambar 3.9
Studi Data I
Pelatihan
Percobaan A Percobaan B Barisan
Tingkat I
15.5 23.3 19.4
(rendah)
Kontrol Intilijen Tingkat II
35.8 30.2 33.0
(tinggi)
Kolom 25.6 26.7

Studi Data II
Pelatihan
Percobaan A Percobaan B Barisan
Tingkat I
10.4 20.6 15.5
(rendah)
Kontrol Intilijen Tingkat II
30.6 40.4 35.5
(tinggi)
Kolom 20.5 30.5

46
 Semua angka di atas (data studi I dan data studi II) mewakili cara masing-masing. Secara
grafis, ini dapat direpresentasikan seperti yang ditunjukkan pada grafik berikut:
Gambar 3.10

Grafik yang berkaitan dengan Studi I menunjukkan bahwa ada interaksi antara perlakuan
dan tingkatan yang dengan kata lain berarti perlakuan dan tingkatan tidak saling bebas. Grafik
yang berkaitan dengan Studi II menunjukkan bahwa tidak ada efek interaksi yang berarti bahwa
perlakuan dan level dalam penelitian ini relatif independen satu sama lain. Desain 2 × 2 tidak
perlu dibatasi dengan cara seperti yang dijelaskan di atas yaitu, memiliki satu variabel
eksperimental dan satu variabel kontrol, tetapi mungkin juga dari jenis yang memiliki dua variabel
eksperimental atau dua variabel kontrol. Misalnya, seorang guru perguruan tinggi
membandingkan efek ukuran kelas serta pengenalan teknik instruksi baru pada pembelajaran
metodologi penelitian.
Untuk tujuan ini ia melakukan penelitian dengan menggunakan desain faktorial sederhana 2
× 2. Desainnya dalam grafis bentuk akan menjadi sebagai berikut:
Gambar 3.11

Variabel Eksperimental I
(Ukuran kelas)

Variabel Eksperimental II
(Ukuran kelas)
Kecil Biasa

Baru
Tetapi jika guru menggunakan desainBiasauntuk membandingkan pria dan wanita dan mahasiswa
senior dan junior di perguruan tinggi yang berkaitan dengan pengetahuan metodologi penelitian,
dalam halTeknik
ini kitaInstruksi
akan memiliki desain faktorial sederhana 2 × 2 di mana kedua variabel adalah
variabel kontrol karena tidak ada manipulasi terlibat dalam hal kedua variabel.
Ilustrasi 2: (4 × 3 desain faktorial sederhana).
Desain faktorial sederhana 4 × 3 biasanya akan mencakup empat perlakuan dari variabel
eksperimental dan tiga tingkat variabel kontrol. Secara grafis mungkin mengambil bentuk berikut:
Gambar 3.12
Variabel Eksperimental
Kontrol Perlakuan A Perlakuan B Perlakuan C Perlakuan D
Variabel
Tingkat I Sel 1 Sel 4 Sel 7 Sel 10
Tingkat II Sel 2 Sel 5 Sel 8 Sel 11
Tingkat III Sel 3 Sel 6 Sel 9 Sel 12

47
 Model desain faktorial sederhana ini mencakup empat perlakuan yaitu, A, B, C, dan D dari
variabel eksperimen dan tiga tingkatan yaitu, I, II, dan III dari variabel kontrol dan memiliki 12
perbedaan sel seperti gambar di atas. Ini menunjukkan bahwa desain faktorial sederhana 2 × 2
dapat digeneralisasikan ke sembarang jumlah perlakuan dan tingkatannya. Di dalam desain
seperti itu, sarana untuk kolom memberi peneliti perkiraan efek utama untuk perawatan dan
sarana untuk baris memberikan perkiraan efek utama untuk level. Desain juga memungkinkan
peneliti untuk menentukan interaksi antara perawatan dan tingkat.

ii. Rancangan faktorial kompleks: Eksperimen dengan lebih dari dua faktor sekaligus
melibatkan penggunaan desain faktorial kompleks. Sebuah desain yang menganggap tiga
atau lebih variabel independen secara bersamaan disebut desain faktorial
kompleks. Dalam kasus tiga faktor dengan satu variabel eksperimen memiliki dua
perlakuan dan dua variabel kontrol, masing-masing memiliki dua tingkat, desain yang
digunakan akan disebut desain faktorial kompleks 2 × 2 × 2, yang akan berisi total delapan
sel seperti yang ditunjukkan di bawah ini pada berikut:
Gambar 3.13
Variabel Eksperimen

Perlakuan A Perlakuan B

Kontrol Kontrol Kontrol Kontrol

Variabel 2 Variabel 2 Variabel 2 Variabel 2
Kontrol Tingkat I Tingkat II Tingkat I Tingkat I
Variabel
1 Tingkat 1 Sel 1 Sel 3 Sel 5 Sel 7

Tingkat 2 Sel 2 Sel 4 Sel 6 Sel 8

Berikut ini disajikan presentasi bergambar dari desain yang ditunjukkan di bawah ini.
Gambar 3.14

Sel garis putus-putus dalam diagram sesuai dengan Sel 1 dari desain 2 × 2 × 2 yang
disebutkan di atas dan untuk Perlakuan A, level I variabel kontrol 1, dan level I variabel kontrol
2. Dari desain ini dimungkinkan untuk menentukan efek utama untuk tiga variabel yaitu, satu
eksperimental dan dua variabel kontrol. Peneliti juga dapat menentukan interaksi antara setiap
pasangan yang mungkin variabel (interaksi seperti itu disebut “interaksi Orde Pertama”) dan
interaksi antar variabel diambil dalam kembar tiga (interaksi semacam itu disebut interaksi Orde

48
Kedua). Dalam kasus 2 × 2 × 2 desain, interaksi orde pertama yang diberikan lebih lanjut
dimungkinkan:
• Variabel eksperimen dengan variabel kontrol 1 (atau EV × CV 1);
• Variabel eksperimen dengan variabel kontrol 2 (atau EV × CV 2);
• Variabel kontrol 1 dengan variabel kontrol 2 (atau CV1 × CV2);
Untuk menentukan efek utama untuk variabel eksperimental, peneliti tentu harus bandingkan
rata-rata data gabungan dalam sel 1, 2, 3 dan 4 untuk Perlakuan A dengan rata-rata data gabungan
dalam sel 5, 6, 7 dan 8 untuk Perlakuan B. Dengan cara ini efek utama untuk variabel eksperimen,
independen dari variabel kontrol 1 dan variabel 2, diperoleh. Demikian pula, efek utama untuk
kontrol variabel 1, independen dari variabel eksperimen dan variabel kontrol 2, diperoleh jika kita
membandingkan gabungan rata-rata data di sel 1, 3, 5 dan 7 dengan rata-rata gabungan data di sel
2, 4, 6 dan 8 dari desain faktorial 2 × 2 × 2 kita. Pada baris yang sama, seseorang dapat
menentukan efek utama untuk kontrol variabel 2 independen dari variabel eksperimen dan
variabel kontrol 1, jika rata-rata gabungan data di sel 1, 2, 5 dan 6 dibandingkan dengan rata-rata
gabungan data di sel 3, 4, 7 dan 8. Untuk mendapatkan interaksi orde pertama, katakanlah, untuk
EV × CV1 dalam desain yang disebutkan di atas, peneliti
harus mengabaikan variabel kontrol 2 untuk tujuan itu ia dapat mengembangkan desain 2 × 2 dari
2 × 2 × 2 desain dengan menggabungkan data sel yang relevan dari desain terakhir seperti yang
ditunjukkan pada gambar berikut:
Variabel Eksperimental

Perlakuan A Perlakuan B
Tingkat I Sel 1, 3 Sel 5, 7
Kontrol Variabel 1
Tingkat II Sel 2, 4 Sel 6, 8

Gambar 3.15

Demikian pula, peneliti dapat menentukan interaksi orde pertama lainnya. Analisis yang
pertama interaksi urutan, dengan cara yang dijelaskan di atas, pada dasarnya adalah analisis
faktorial sampel karena hanya dua variabel dipertimbangkan pada satu waktu dan sisanya
diabaikan. Tapi analisis yang kedua interaksi urutan tidak akan mengabaikan salah satu dari tiga
variabel independen dalam kasus 2 × 2 × 2 desain. Analisis tersebut akan disebut sebagai analisis
faktorial kompleks. Namun, mungkin diingat bahwa desain faktorial kompleks tidak perlu desain
tipe 2 × 2 × 2, tetapi dapat digeneralisasi ke sejumlah dan kombinasi eksperimental dan
mengontrol variabel bebas. Tentu saja, semakin besar jumlah variabel independen yang
dimasukkan dalam desain faktorial yang kompleks, semakin tinggi urutan analisis interaksi yang
mungkin. Tapi secara keseluruhan tugas terus menjadi lebih dan lebih rumit dengan
dimasukkannya lebih dan lebih mandiri variabel dalam desain ini.
Desain faktorial digunakan terutama karena dua keuntungan. (i) desain ini memberikan yang
akurasi setara (seperti yang terjadi dalam kasus eksperimen dengan hanya satu faktor) dengan
lebih sedikit tenaga kerja dan karena itu merupakan sumber ekonomi. Dengan menggunakan
desain faktorial, kita dapat menentukan efek utama dari dua (dalam desain faktorial sederhana)
atau lebih (dalam kasus desain faktorial kompleks) faktor (atau variabel) dalam satu percobaan
tunggal. (ii) desain ini mengizinkan berbagai perbandingan kepentingan lainnya. Misalnya,
mereka memberi informasi tentang efek tersebut yang tidak dapat diperoleh dengan
memperlakukan satu faktor tunggal pada suatu waktu.

KESIMPULAN

Ada beberapa desain penelitian dan peneliti harus memutuskan sebelum pengumpulan dan

49
analisis data mengenai desain mana yang terbukti lebih sesuai untuk proyek
penelitiannya. Peneliti harus memberi bobot pada berbagai poin seperti jenis penelitiannya dan
sifatnya, studi tujuannya, daftar sumber daya atau kerangka sampling, standar akurasi yang
diinginkan dan sejenisnya saat mengambil keputusan sehubungan dengan desain untuk proyek
penelitiannya.

Pertanyaan

1. Jelaskanlah arti penting dari sebuah desain penelitian.

2. Jelaskan pengertian berikut dalam konteks Desain Penelitian.
a) Variabel asing;
b) Hubungan yang membingungkan;
c) Hipotesis penelitian;
d) kelompok Eksperimental dan Kontrol;
e) Perlakuan.
3. Jelaskan beberapa desain penelitian penting yang digunakan dalam penelitian pengujian
hipotesis studi eksperimental.
4. “Desain penelitian dalam studi eksplorasi harus fleksibel tetapi dalam studi deskriptif,
harus meminimalkan prasangka dan memaksimalkan keandalan.” Jelaskan maksud
kalimat tersebut.
5. Berikan pemahaman Anda tentang desain penelitian yang baik. Apakah desain penelitian
tunggal cocok untuk semua penelitian studi? Jika tidak, mengapa?
6. Jelaskan dan ilustrasikan desain penelitian berikut ini:
a) Rancangan acak sederhana dua kelompok;
b) Desain bujur sangkar Latin;
c) Rancangan ulangan acak;
d) Desain faktorial sederhana;
e) Desain eksperimental informal.
7. Tulis catatan singkat tentang “Survei Pengalaman” yang menjelaskan sepenuhnya
kegunaannya dalam studi penelitian eksplorasi.
8. Apa itu desain penelitian? Diskusikan dasar stratifikasi yang akan digunakan dalam
pengambilan sampel opini publik pada inflasi.

Lampiran

Mengembangkan Rencana Penelitian

Setelah mengidentifikasi dan mendefinisikan masalah serta menyelesaikan tugas terkait, peneliti
harus menyusun ide-idenya secara berurutan dan menuliskannya dalam bentuk rencana percobaan
atau apa yang bisa digambarkan sebagai “Rencana Penelitian”. Hal ini penting khususnya bagi
peneliti baru karena hal-hal berikut:
a) Membantu peneliti untuk mengatur ide-idenya dalam bentuk yang memungkinkan
peneliti untuk mencari kekurangan dan kekurangan.
b) Memberikan inventaris tentang apa yang harus dilakukan dan bahan apa yang harus
dikumpulkan sebagai langkah awal.

50
 c) Dokumen yang dapat diberikan kepada orang lain untuk dikomentari.
Rencana penelitian harus memuat hal-hal berikut.
1. Tujuan penelitian harus dinyatakan dengan jelas dalam satu atau dua baris yang
menceritakan dengan tepat apa itu yang peneliti harapkan untuk dilakukan.
2. Masalah yang akan diteliti oleh peneliti harus dinyatakan secara eksplisit sehingga dapat
diketahui informasi apa yang akan diperoleh untuk memecahkan masalah.
3. Setiap konsep utama yang ingin diukur peneliti harus didefinisikan secara operasional
istilah dalam konteks proyek penelitian.
4. Rencana tersebut harus memuat metode yang akan digunakan dalam memecahkan
masalah. Deskripsi keseluruhan pendekatan yang akan diadopsi biasanya diberikan dan
asumsi, tentang metode yang akan digunakan disebutkan dengan jelas dalam rencana
penelitian.
5. Rencana tersebut juga harus menyatakan rincian teknik yang akan diadopsi. Misalnya,
jika wawancara metode yang akan digunakan, penjelasan tentang sifat prosedur
wawancara yang dimaksud harus diberikan. Demikian pula, jika tes harus diberikan,
kondisi di mana tes itu harus dilakukan diberikan harus ditentukan bersama dengan sifat
instrumen yang akan digunakan. Jika publik catatan harus dikonsultasikan sebagai
sumber data, fakta harus dicatat dalam rencana penelitian. Prosedur untuk mengukur data
juga harus ditulis secara rinci.
6. Penyebutan yang jelas tentang populasi yang akan diteliti harus dibuat. Jika studi itu
terjadi berdasarkan sampel, rencana penelitian harus menyatakan rencana pengambilan
sampel yaitu, bagaimana sampel itu akan dibuat diidentifikasi. Metode mengidentifikasi
sampel harus sedemikian rupa sehingga generalisasi dari sampel ke populasi awal apakah
layak.
7. Rencana tersebut juga harus memuat metode yang akan digunakan dalam pengolahan
data. Statistik dan metode lain yang akan digunakan harus ditunjukkan dalam
rencana. Metode seperti itu tidak boleh dibiarkan sampai data terkumpul. Bagian dari
rencana ini dapat ditinjau oleh para ahli di lapangan, karena mereka sering dapat
menyarankan perubahan yang menghasilkan penghematan waktu dan usaha yang
substansial.
8. Hasil uji coba, jika ada, harus dilaporkan. Anggaran waktu dan biaya untuk penelitian
proyek juga harus disiapkan dan ditetapkan dalam rencana itu sendiri.

51
 4. Desain Pengambilan Sampel
SENSUS DAN SAMPEL SURVEI

Semua item dalam bidang penyelidikan apa pun merupakan 'Alam Semesta' atau 'Populasi.' Pencacahan
lengkap semua item dalam 'populasi' dikenal sebagai penyelidikan sensus. Dapat diasumsikan bahwa
dalam penyelidikan seperti itu, ketika semua item tercakup, tidak ada unsur peluang yang tersisa dan
akurasi tertinggi diperoleh. Tetapi dalam praktiknya ini mungkin tidak benar. Bahkan elemen bias
sekecil apa pun dalam penyelidikan semacam itu akan menjadi semakin besar seiring dengan
bertambahnya jumlah pengamatan. Selain itu, tidak ada cara untuk memeriksa unsur bias atau luasnya
kecuali melalui survei ulang atau penggunaan pemeriksaan sampel. Selain itu, jenis penyelidikan ini
melibatkan banyak waktu, uang, dan energi. Oleh karena itu, ketika bidang penyelidikan besar, metode
ini menjadi sulit untuk diadopsi karena sumber daya yang terlibat. Kadang-kadang, metode ini praktis
di luar jangkauan peneliti biasa. Mungkin hanya pemerintahlah satu-satunya lembaga yang bisa
melakukan pencacahan secara lengkap. Bahkan pemerintah mengadopsi ini dalam kasus yang sangat
jarang terjadi seperti sensus penduduk yang dilakukan sekali dalam satu dekade. Selanjutnya, seringkali
tidak mungkin untuk memeriksa setiap item dalam populasi, dan kadang-kadang dimungkinkan untuk
memperoleh hasil yang cukup akurat dengan mempelajari hanya sebagian dari total populasi. Dalam
kasus seperti itu tidak ada kegunaan survei sensus.
Namun, perlu ditekankan bahwa ketika alam semesta kecil, tidak ada gunanya menggunakan survei
sampel. Ketika studi lapangan dilakukan dalam kehidupan praktis, pertimbangan waktu dan biaya
hampir selalu mengarah pada pemilihan responden yaitu pemilihan hanya beberapa item. Responden
yang dipilih harus se-representatif dari total populasi agar dapat menghasilkan miniatur penampang.
Responden yang dipilih merupakan apa yang secara teknis disebut 'sampel' dan proses seleksi disebut
'teknik pengambilan sampel'. Survei yang dilakukan dikenal sebagai 'survei sampel'. Secara aljabar,
misalkan ukuran populasi adalah N dan jika bagian dari ukuran n (yaitu < N) dari populasi ini dipilih
menurut beberapa aturan untuk mempelajari beberapa karakteristik populasi, grup yang terdiri dari n
unit ini dikenal sebagai 'sampel '. Peneliti harus menyiapkan desain sampel untuk penelitiannya yaitu,
ia harus merencanakan bagaimana sampel harus dipilih dan berapa ukuran sampel tersebut.
IMPLIKASI DARI SAMPEL DESAIN
Desain sampel adalah rencana yang pasti untuk mendapatkan sampel dari populasi tertentu. Ini mengacu
pada teknik atau prosedur yang akan diadopsi peneliti dalam memilih item untuk sampel. Desain sampel
mungkin juga menetapkan jumlah item yang akan dimasukkan dalam sampel yaitu ukuran sampel.
Desain sampel ditentukan sebelum data dikumpulkan. Ada banyak desain sampel yang dapat dipilih
oleh peneliti. Beberapa desain relatif lebih presisi dan lebih mudah diterapkan daripada yang lain.
Peneliti harus memilih/menyiapkan desain sampel yang dapat diandalkan dan sesuai untuk studi
penelitiannya.
LANGKAH DALAM DESAIN SAMPEL
Saat mengembangkan desain pengambilan sampel, peneliti harus memperhatikan poin-poin berikut:
(i) Jenis alam semesta: Langkah pertama dalam mengembangkan desain sampel apa pun
adalah mendefinisikan dengan jelas kumpulan objek, yang secara teknis disebut Alam
Semesta, untuk dipelajari. Alam semesta bisa terbatas atau tidak terbatas. Di alam semesta
terbatas, jumlah item pasti, tetapi dalam kasus alam semesta tak terbatas, jumlah item tidak
terbatas, yaitu, kita tidak dapat memiliki gagasan tentang jumlah total item. Populasi sebuah
kota, jumlah pekerja di sebuah pabrik dan sejenisnya adalah contoh dari alam semesta yang
terbatas, sedangkan jumlah bintang di langit, pendengar dari program radio tertentu,
melempar dadu dll adalah contoh dari alam semesta yang tak terbatas.
52
 (ii) Unit sampling: Keputusan harus diambil mengenai unit sampling sebelum memilih
sampel. Unit sampel dapat berupa unit geografis seperti negara bagian, distrik, desa, dll.,
atau unit konstruksi seperti rumah, flat, dll., atau unit sosial seperti keluarga, klub, sekolah,
dll., atau itu mungkin seorang individu. Peneliti harus memutuskan satu atau lebih unit yang
harus dia pilih untuk studinya.
(iii) Daftar sumber: Ini juga dikenal sebagai 'kerangka pengambilan sampel' dari mana sampel
akan diambil. Ini berisi nama-nama semua item dari alam semesta (dalam kasus alam
semesta yang terbatas saja). Jika daftar sumber tidak tersedia, peneliti harus
menyiapkannya. Daftar seperti itu harus lengkap, benar, andal, dan tepat. Sangatlah penting
bagi daftar sumber untuk mewakili populasi sebanyak mungkin.
(iv) Ukuran sampel: Ini mengacu pada jumlah item yang akan dipilih dari alam semesta untuk
membentuk sampel. Hal ini menjadi masalah utama bagi seorang peneliti. Ukuran sampel
tidak boleh terlalu besar atau terlalu kecil. Itu harus optimal. Sampel optimum adalah
sampel yang memenuhi persyaratan efisiensi, keterwakilan, keandalan, dan fleksibilitas.
Saat memutuskan ukuran sampel, peneliti harus menentukan presisi yang diinginkan
sebagai juga tingkat kepercayaan yang dapat diterima untuk estimasi. Ukuran varians
populasi perlu dipertimbangkan karena dalam kasus varians yang lebih besar biasanya
diperlukan sampel yang lebih besar. Ukuran populasi harus diperhatikan karena ini juga
membatasi ukuran sampel. Parameter yang menarik dalam studi penelitian harus tetap
diperhatikan, saat memutuskan ukuran sampel. Biaya juga menentukan ukuran sampel
yang bisa kita ambil. Dengan demikian, kendala anggaran harus selalu dipertimbangkan
ketika kita memutuskan ukuran sampel.
(v) Parameter yang diinginkan: Dalam menentukan desain sampel, seseorang harus
mempertimbangkan pertanyaan tentang parameter populasi tertentu yang menarik.
Misalnya, kita mungkin tertarik untuk memperkirakan proporsi orang dengan beberapa
karakteristik dalam populasi, atau kita mungkin tertarik untuk mengetahui beberapa rata-
rata atau ukuran lain mengenai populasi. Mungkin juga ada sub-kelompok penting dalam
populasi tentang siapa kita ingin membuat perkiraan. Semua ini memiliki dampak yang
kuat pada desain sampel yang akan kami terima.
(vi) Kendala anggaran: Pertimbangan biaya, dari sudut pandang praktis, memiliki dampak
besar pada keputusan yang berkaitan dengan tidak hanya ukuran sampel tetapi juga jenis
sampel. Fakta ini bahkan dapat menyebabkan penggunaan sampel non-probabilitas.
(vii) Prosedur pengambilan sampel: Akhirnya, peneliti harus memutuskan jenis sampel yang
akan dia gunakan, yaitu, dia harus memutuskan tentang teknik yang akan digunakan dalam
memilih item untuk sampel. Sebenarnya, teknik atau prosedur ini adalah singkatan dari
desain sampel itu sendiri. Ada beberapa desain sampel (dijelaskan di halaman-halaman
berikutnya) di mana peneliti harus memilih satu untuk studinya. Jelas, dia harus memilih
desain yang, untuk ukuran sampel tertentu dan untuk biaya tertentu, memiliki kesalahan
pengambilan sampel yang lebih kecil.
KRITERIA PEMILIHAN PROSEDUR SAMPLING
Dalam konteks ini kita harus ingat bahwa dua biaya terlibat dalam analisis sampling yaitu, biaya
pengumpulan data dan biaya inferensi yang salah yang dihasilkan dari data. Peneliti harus tetap melihat
dua penyebab inferensi yang salah yaitu, bias sistematis dan kesalahan pengambilan sampel. Bias
sistematis dihasilkan dari kesalahan dalam prosedur pengambilan sampel, dan tidak dapat dikurangi
atau dihilangkan dengan meningkatkan ukuran sampel. Paling-paling penyebab yang bertanggung
jawab atas kesalahan ini dapat dideteksi dan diperbaiki. Biasanya bias sistematis adalah hasil dari satu
atau lebih faktor berikut:
1. Kerangka pengambilan sampel yang tidak tepat: Jika kerangka pengambilan sampel tidak
tepat, yaitu representasi bias dari alam semesta, itu akan menghasilkan bias sistematis.

53
 2. Alat ukur rusak: Jika alat ukur terus-menerus salah, itu akan menghasilkan bias sistematis.
Dalam pekerjaan survei, bias sistematis dapat terjadi jika kuesioner atau pewawancara bias.
Demikian pula, jika alat ukur fisik rusak akan ada bias sistematis dalam data yang dikumpulkan
melalui alat ukur tersebut.
3. Non-responden: Jika kami tidak dapat mengambil sampel semua individu yang awalnya
termasuk dalam sampel, mungkin timbul bias sistematis. Alasannya adalah bahwa dalam situasi
seperti itu kemungkinan menjalin kontak atau menerima tanggapan dari seorang individu sering
kali berkorelasi dengan ukuran apa yang akan diperkirakan.
4. Prinsip ketidaktentuan: Kadang-kadang kita menemukan bahwa individu bertindak secara
berbeda ketika diawasi daripada apa yang mereka lakukan ketika disimpan dalam situasi yang
tidak diamati. Misalnya, jika pekerja menyadari bahwa seseorang sedang mengamati mereka
selama studi kerja atas dasar yang akan ditentukan lamanya waktu rata-rata untuk
menyelesaikan tugas dan dengan demikian kuota akan ditetapkan untuk pekerjaan borongan,
mereka umumnya cenderung bekerja lambat dibandingkan dengan kecepatan mereka bekerja
jika tidak diperhatikan. Dengan demikian, prinsip ketidakpastian juga dapat menjadi penyebab
bias sistematis.
5. Bias alami dalam pelaporan data: Bias alami responden dalam pelaporan data sering menjadi
penyebab bias sistematis dalam banyak pertanyaan. Biasanya ada bias ke bawah dalam data
pendapatan yang dikumpulkan oleh departemen perpajakan pemerintah, sedangkan kami
menemukan bias ke atas dalam data pendapatan yang dikumpulkan oleh beberapa organisasi
sosial. Orang pada umumnya mengecilkan pendapatan mereka jika ditanya tentang hal itu untuk
tujuan pajak, tetapi mereka melebih-lebihkan hal yang sama jika ditanya status sosial atau
kemakmuran mereka. Umumnya dalam survei psikologis, orang cenderung memberikan
jawaban yang menurut mereka 'benar' daripada mengungkapkan perasaan mereka yang
sebenarnya.
Kesalahan pengambilan sampel adalah variasi acak dalam perkiraan sampel di sekitar parameter
populasi sebenarnya. Karena mereka terjadi secara acak dan sama-sama mungkin berada di kedua arah,
sifatnya kebetulan jenis kompensasi dan nilai yang diharapkan dari kesalahan tersebut kebetulan sama
dengan nol. Kesalahan pengambilan sampel berkurang dengan bertambahnya ukuran sampel, dan itu
terjadi menjadi lebih kecil dalam kasus populasi homogen.
Kesalahan pengambilan sampel dapat diukur untuk desain dan ukuran sampel tertentu. Pengukuran
kesalahan pengambilan sampel biasanya disebut 'ketepatan rencana pengambilan sampel'. Jika kita
meningkatkan ukuran sampel, presisi dapat ditingkatkan. Tetapi meningkatkan ukuran sampel memiliki
keterbatasannya sendiri yaitu, sampel berukuran besar meningkatkan biaya pengumpulan data dan juga
meningkatkan bias sistematis. Jadi cara yang efektif untuk meningkatkan presisi biasanya dengan
memilih desain pengambilan sampel yang lebih baik yang memiliki kesalahan pengambilan sampel
yang lebih kecil untuk ukuran sampel tertentu dengan biaya tertentu. Namun dalam praktiknya, orang
lebih menyukai desain yang kurang tepat karena lebih mudah untuk mengadopsi yang sama dan juga
karena fakta bahwa bias sistematis dapat dikontrol dengan cara yang lebih baik dalam desain seperti
itu.
Singkatnya, saat memilih prosedur pengambilan sampel, peneliti harus memastikan bahwa prosedur
tersebut menyebabkan kesalahan pengambilan sampel yang relatif kecil dan membantu mengendalikan
bias sistematis dengan cara yang lebih baik.
KARAKTERISTIK DESAIN SAMPEL YANG BAIK
Dari apa yang telah dikemukakan di atas, kita dapat membuat daftar karakteristik desain sampel yang
baik seperti di bawah ini:
a) Desain sampel harus menghasilkan sampel yang benar-benar representatif.

54
 b) Desain sampel harus sedemikian rupa sehingga menghasilkan kesalahan pengambilan sampel
yang kecil.
c) Desain sampel harus layak dalam konteks dana yang tersedia untuk studi penelitian.
d) Desain sampel harus sedemikian rupa sehingga bias sistematis dapat dikendalikan dengan cara
yang lebih baik.
e) Sampel harus sedemikian rupa sehingga hasil studi sampel dapat diterapkan, secara umum,
untuk alam semesta dengan tingkat kepercayaan yang wajar.
BERBEDA JENIS DESAIN SAMPEL
Ada berbagai jenis desain sampel berdasarkan dua faktor yaitu, dasar representasi dan teknik pemilihan
elemen. Atas dasar representasi, sampel dapat berupa sampling probabilitas atau sampling non-
probabilitas. Pengambilan sampel probabilitas didasarkan pada konsep pemilihan acak, sedangkan
pengambilan sampel non-probabilitas adalah pengambilan sampel 'non-acak'. Atas dasar pemilihan
elemen, sampel dapat berupa tidak dibatasi atau dibatasi. Ketika setiap elemen sampel diambil secara
individual dari populasi pada umumnya, maka sampel yang diambil dikenal sebagai 'sampel tidak
terbatas', sedangkan semua bentuk pengambilan sampel lainnya tercakup dalam istilah 'sampling
terbatas'. Bagan berikut menunjukkan desain sampel seperti yang dijelaskan di atas.
Dengan demikian, desain sampel pada dasarnya terdiri dari dua jenis yaitu, pengambilan sampel non-
probabilitas dan pengambilan sampel probabilitas. Kami mengambil dua desain ini secara terpisah.
BAGAN MENUNJUKKAN DESAIN SAMPLING DASAR
Teknik pemilihan Dasar representasi
elemen Pengambilan sampel non-
Sampling probabilitas
probabilitas
Pengambilan sampel yang
Pengambilan sampel serampangan atau
tak terbatas Contoh acak sederhana
pengambilan sampel yang
mudah
Pengambilan sampel Pengambilan sampel acak Pengambilan sampel
terbatas kompleks (seperti pengambilan purposive (seperti
sampel klaster, pengambilan pengambilan sampel
sampel sistematis, pengambilan kuota, pengambilan
sampel bertingkat, dll.) sampel penilaian)
Gbr. 4.1
Pengambilan sampel non-probabilitas: Pengambilan sampel non-probabilitas adalah prosedur
pengambilan sampel yang tidak memberikan dasar apa pun untuk memperkirakan probabilitas bahwa
setiap item dalam populasi telah dimasukkan dalam sampel. Pengambilan sampel non-probabilitas juga
dikenal dengan nama yang berbeda seperti pengambilan sampel yang disengaja, pengambilan sampel
yang bertujuan dan pengambilan sampel penilaian. Dalam jenis pengambilan sampel ini, item untuk
sampel dipilih secara sengaja oleh peneliti; pilihannya mengenai item tetap tertinggi. Dengan kata lain,
di bawah pengambilan sampel non-probabilitas, penyelenggara penyelidikan secara sengaja memilih
unit-unit tertentu dari alam semesta untuk membentuk sampel berdasarkan bahwa massa kecil yang
mereka pilih dari yang besar akan khas atau mewakili keseluruhan. . Misalnya, jika kondisi ekonomi
orang yang tinggal di suatu negara bagian akan dipelajari, beberapa kota dan desa dapat dipilih secara
sengaja untuk studi intensif dengan prinsip bahwa mereka dapat mewakili seluruh negara bagian.
Dengan demikian, penilaian penyelenggara penelitian memainkan peran penting dalam desain
pengambilan sampel ini.
Dalam desain seperti itu, elemen pribadi memiliki peluang besar untuk masuk ke dalam pemilihan
sampel. Penyidik dapat memilih sampel yang akan memberikan hasil yang menguntungkan sudut

55
pandangnya dan jika itu terjadi, seluruh penyelidikan dapat dibatalkan. Dengan demikian, selalu ada
bahaya bias masuk ke dalam jenis teknik pengambilan sampel ini. Tetapi dalam penyelidik yang tidak
memihak, bekerja tanpa bias dan memiliki pengalaman yang diperlukan untuk mengambil penilaian
yang baik, hasil yang diperoleh dari analisis sampel yang dipilih dengan sengaja mungkin cukup andal.
Namun, dalam pengambilan sampel seperti itu, tidak ada jaminan bahwa setiap elemen memiliki
peluang tertentu untuk dimasukkan. Sampling error dalam jenis sampling ini tidak dapat diperkirakan
dan unsur bias, besar atau kecil, selalu ada. Dengan demikian desain pengambilan sampel ini jarang
diadopsi dalam pertanyaan besar yang penting. Namun, dalam penyelidikan kecil dan penelitian oleh
individu, desain ini dapat diadopsi karena keuntungan relatif dari waktu dan uang yang melekat pada
metode pengambilan sampel ini. Pengambilan sampel kuota juga merupakan contoh pengambilan
sampel non-probabilitas. Di bawah pengambilan sampel kuota, pewawancara hanya diberi kuota untuk
diisi dari strata yang berbeda, dengan beberapa batasan tentang cara pengisiannya. Dengan kata lain,
pemilihan item yang sebenarnya untuk sampel diserahkan kepada kebijaksanaan pewawancara. Jenis
pengambilan sampel ini sangat mudah dan relatif murah. Tetapi sampel yang dipilih tentu tidak
memiliki karakteristik sampel acak. Sampel kuota pada dasarnya adalah sampel penilaian dan
kesimpulan yang ditarik berdasarkan mereka tidak dapat menerima perlakuan statistik secara formal.
Sampling probabilitas: Sampling probabilitas juga dikenal sebagai 'sampling acak' atau 'sampling
kebetulan'. Di bawah desain pengambilan sampel ini, setiap item alam semesta memiliki peluang yang
sama untuk dimasukkan dalam sampel. Dapat dikatakan, ini adalah metode lotre di mana unit individu
diambil dari seluruh kelompok tidak dengan sengaja tetapi dengan beberapa proses mekanis. Di sini
kesempatan buta saja yang menentukan apakah satu item atau yang lain dipilih. Hasil yang diperoleh
dari probabilitas atau pengambilan sampel acak dapat dipastikan dalam hal probabilitas yaitu, kita dapat
mengukur kesalahan estimasi atau signifikansi hasil yang diperoleh dari sampel acak, dan fakta ini
menunjukkan keunggulan desain pengambilan sampel acak daripada pengambilan sampel yang
disengaja. desain. Pengambilan sampel acak memastikan hukum Keteraturan Statistik yang menyatakan
bahwa jika rata-rata sampel yang dipilih adalah sampel acak, sampel tersebut akan memiliki komposisi
dan karakteristik yang sama dengan alam semesta. Inilah alasan mengapa random sampling dianggap
sebagai teknik terbaik untuk memilih sampel yang representatif.
Pengambilan sampel acak dari populasi terbatas mengacu pada metode pemilihan sampel yang
memberikan setiap kemungkinan kombinasi sampel probabilitas yang sama untuk diambil dan setiap
item dalam seluruh populasi memiliki peluang yang sama untuk dimasukkan dalam sampel. Hal ini
berlaku untuk pengambilan sampel tanpa penggantian yaitu, sekali item dipilih untuk sampel, tidak
dapat muncul dalam sampel lagi (Pengambilan sampel dengan penggantian lebih jarang digunakan di
mana prosedur elemen yang dipilih untuk sampel dikembalikan ke populasi sebelum elemen berikutnya
dipilih. Dalam situasi seperti itu, elemen yang sama dapat muncul dua kali dalam sampel yang sama
sebelum elemen kedua dipilih). Singkatnya, implikasi dari pengambilan sampel acak (atau pengambilan
sampel acak sederhana) adalah:
a) Ini memberikan setiap elemen dalam populasi probabilitas yang sama untuk masuk ke dalam
sampel; dan semua pilihan tidak tergantung satu sama lain.
b) Ini memberikan setiap kemungkinan kombinasi sampel probabilitas yang sama untuk dipilih.
Dengan mengingat hal ini, kita dapat mendefinisikan sampel acak sederhana (atau hanya sampel acak)
dari populasi berhingga sebagai sampel yang dipilih sedemikian rupa sehingga masing-masing NCn
sampel yang mungkin memiliki probabilitas yang sama, 1/NCn , menjadi terpilih. Untuk lebih jelasnya
kita ambil populasi hingga tertentu yang terdiri dari enam elemen (misalkan a, b, c, d, e, f ) yaitu, N =
6. Misalkan kita ingin mengambil sampel berukuran n = 3 darinya . Kemudian ada 6 C3 = 20
kemungkinan sampel berbeda dari ukuran yang diperlukan, dan mereka terdiri dari elemen abc, abd,
abe, abf, acd, ace, acf, ade, adf, aef, bcd, bce, bcf, bde, bdf , bef, cde, cdf, cef, dan def. Jika kita memilih
salah satu dari sampel ini sedemikian rupa sehingga masing-masing memiliki probabilitas 1/20 untuk
dipilih, maka kita akan menyebutnya sampel acak.

56
BAGAIMANA CARA MEMILIH SAMPEL RANDOM?
Berkenaan dengan pertanyaan tentang bagaimana mengambil sampel acak dalam praktik sebenarnya,
kita dapat, dalam kasus sederhana seperti di atas, menulis masing-masing sampel yang mungkin pada
secarik kertas, mencampur slip ini secara menyeluruh dalam wadah dan kemudian menggambar sebagai
lotere baik dengan mata tertutup atau dengan memutar drum atau dengan alat serupa lainnya. Prosedur
seperti itu jelas tidak praktis, jika tidak sama sekali tidak mungkin dalam masalah pengambilan sampel
yang kompleks. Faktanya, kegunaan praktis dari metode semacam itu sangat terbatas.
Untungnya, kita dapat mengambil sampel acak dengan cara yang relatif lebih mudah tanpa kesulitan
mendaftarkan semua sampel yang mungkin pada kertas-slip seperti yang dijelaskan di atas. Alih-alih
ini, kita dapat menulis nama setiap elemen populasi hingga pada secarik kertas, memasukkan potongan
kertas yang sudah disiapkan ke dalam kotak atau tas dan mencampurnya dengan seksama dan kemudian
menggambar (tanpa melihat) jumlah yang diperlukan. slip untuk sampel satu demi satu tanpa
pengembalian. Dalam melakukannya kita harus memastikan bahwa dalam penggambaran yang
berurutan setiap elemen populasi yang tersisa memiliki kesempatan yang sama untuk dipilih. Prosedur
ini juga akan menghasilkan probabilitas yang sama untuk setiap sampel yang mungkin. Kita dapat
memverifikasi ini dengan mengambil contoh di atas. Karena kita memiliki populasi berhingga 6 elemen
dan kita ingin memilih sampel berukuran 3, peluang terambilnya salah satu elemen untuk sampel kita
pada pengambilan pertama adalah 3/6, peluang terambilnya satu elemen lagi pada pengambilan kedua
adalah 2/5, (elemen pertama yang diambil tidak diganti) dan demikian pula peluang terambilnya satu
elemen lagi pada pengambilan ketiga adalah 1/4. Karena pengundian ini independen, probabilitas
gabungan dari tiga elemen yang merupakan sampel kami adalah produk dari probabilitas masing-
masing dan ini menghasilkan 3/6 × 2/5 × 1/4 = 1/20. Ini memverifikasi perhitungan kami sebelumnya.
Bahkan metode yang relatif mudah untuk mendapatkan sampel acak ini dapat disederhanakan dalam
praktik sebenarnya dengan menggunakan tabel bilangan acak. Berbagai ahli statistik seperti Tippett,
Yates, Fisher telah menyiapkan tabel bilangan acak yang dapat digunakan untuk memilih sampel acak.
Umumnya, tabel nomor acak Tippett digunakan untuk tujuan tersebut. Tippett memberi 10400 empat
angka. Dia memilih 41600 digit dari laporan sensus dan menggabungkannya menjadi empat untuk
memberikan nomor acaknya yang dapat digunakan untuk mendapatkan sampel acak.
Kita dapat mengilustrasikan prosedur dengan sebuah contoh. Pertama-tama kita mereproduksi tiga
puluh set pertama angka Tippett

2952 6641 3992 9792 7979 5911

3170 5624 4167 9525 1545 1396
7203 5356 1300 2693 2370 7483
3408 2769 3563 6107 6913 7691
0560 5246 1112 9025 6008 8126

Misalkan kita tertarik untuk mengambil sampel 10 unit dari populasi 5000 unit, dengan angka dari 3001
hingga 8000. Kami akan memilih 10 angka tersebut dari angka acak di atas yang tidak kurang dari 3001
dan tidak lebih besar dari 8000. Jika kita secara acak memutuskan untuk membaca nomor tabel dari kiri
ke kanan, mulai dari baris pertama itu sendiri, kami memperoleh nomor berikut: 6641, 3992, 7979,
5911, 3170, 5624, 4167, 7203, 5356, dan 7483.
Unit yang memuat nomor seri di atas kemudian akan menjadi sampel acak yang kami butuhkan.
Seseorang mungkin mencatat bahwa mudah untuk menarik sampel acak dari populasi yang terbatas
dengan bantuan tabel nomor acak hanya jika daftar tersedia dan item sudah diberi nomor. Tetapi dalam
beberapa situasi seringkali tidak mungkin untuk melanjutkan seperti yang telah kami ceritakan di atas.
Misalnya, jika kita ingin memperkirakan tinggi rata-rata pohon di hutan, tidak mungkin untuk
menomori pohon, dan memilih nomor acak untuk memilih sampel acak. Dalam situasi seperti itu yang
harus kita lakukan adalah memilih beberapa pohon untuk sampel secara sembarangan tanpa tujuan atau
tujuan, dan harus memperlakukan sampel sebagai sampel acak untuk tujuan studi.
57
SAMPEL RANDOM DARI ALAM SEMESTA YANG TAK TERBATAS
Sejauh ini kita telah berbicara tentang pengambilan sampel acak, dengan tetap memperhatikan populasi
yang terbatas. Tapi bagaimana dengan pengambilan sampel acak dalam konteks populasi tak terbatas?
Relatif sulit untuk menjelaskan konsep sampel acak dari populasi tak terhingga. Namun, beberapa
contoh akan menunjukkan karakteristik dasar dari sampel tersebut. Misalkan kita menganggap 20
lemparan dadu yang adil sebagai sampel dari populasi hipotetis tak terbatas yang terdiri dari hasil semua
kemungkinan lemparan dadu. Jika peluang mendapatkan angka tertentu, katakanlah 1, sama untuk
setiap lemparan dan 20 lemparan semuanya bebas, maka kita katakan bahwa sampelnya acak. Demikian
pula, akan dikatakan pengambilan sampel dari populasi tak terbatas jika kita mengambil sampel dengan
penggantian dari populasi hingga dan sampel kita akan dianggap sebagai sampel acak jika dalam setiap
pengambilan semua elemen populasi memiliki peluang yang sama untuk dipilih dan berurutan. menarik
terjadi untuk menjadi independen. Singkatnya, dapat dikatakan bahwa pemilihan setiap item dalam
sampel acak dari populasi tak terbatas dikendalikan oleh probabilitas yang sama dan bahwa pemilihan
yang berurutan tidak bergantung satu sama lain.
DESAIN SAMPLING RANDOM KOMPLEKS
Pengambilan sampel probabilitas di bawah teknik pengambilan sampel terbatas, sebagaimana
dinyatakan di atas, dapat menghasilkan desain pengambilan sampel acak yang kompleks. Desain
tersebut dapat juga disebut 'desain sampel campuran' karena banyak dari desain tersebut dapat mewakili
kombinasi prosedur sampling probabilitas dan non-probabilitas dalam memilih sampel. Beberapa
desain sampling acak kompleks yang populer adalah sebagai berikut:
(i) Pengambilan sampel sistematis: Dalam beberapa kasus, cara pengambilan sampel yang
paling praktis adalah dengan memilih setiap item ke-i dalam daftar. Pengambilan sampel jenis
ini dikenal dengan istilah sampling sistematik. Unsur keacakan dimasukkan ke dalam
pengambilan sampel semacam ini dengan menggunakan angka acak untuk mengambil unit
yang akan digunakan untuk memulai. Misalnya, jika sampel 4 persen diinginkan, item pertama
akan dipilih secara acak dari dua puluh lima yang pertama dan setelah itu setiap item ke-25
akan secara otomatis dimasukkan dalam sampel. Jadi, dalam pengambilan sampel sistematik
hanya unit pertama yang dipilih secara acak dan unit sampel yang tersisa dipilih pada interval
yang tetap. Meskipun sampel sistematis bukan sampel acak dalam arti istilah yang ketat, tetapi
sering dianggap masuk akal untuk memperlakukan sampel sistematis seolah-olah sampel acak.
Sampling sistematis memiliki poin plus tertentu. Ini dapat diambil sebagai perbaikan atas sampel acak
sederhana sebanyak sampel sistematis tersebar lebih merata di seluruh populasi. Ini adalah metode
pengambilan sampel yang lebih mudah dan lebih murah dan dapat digunakan dengan mudah bahkan
dalam kasus populasi yang besar. Tetapi ada bahaya tertentu juga dalam menggunakan jenis
pengambilan sampel ini. Jika ada periodisitas tersembunyi dalam populasi, sampling sistematis akan
terbukti menjadi metode sampling yang tidak efisien. Misalnya, setiap item ke-25 yang diproduksi oleh
proses produksi tertentu cacat. Jika kita memilih sampel 4% dari item dari proses ini secara sistematis,
kita akan mendapatkan semua item yang rusak atau semua item yang baik dalam sampel kita tergantung
pada posisi awal yang acak. Jika semua elemen alam semesta diurutkan dengan cara yang mewakili
populasi total, yaitu daftar populasi dalam urutan acak, pengambilan sampel sistematik dianggap setara
dengan pengambilan sampel acak. Tetapi jika tidak demikian, maka hasil pengambilan sampel seperti
itu kadang-kadang tidak terlalu dapat diandalkan. Dalam praktiknya, sampling sistematis digunakan
ketika daftar populasi tersedia dan daftarnya cukup panjang
(ii) Pengambilan sampel bertingkat: Jika suatu populasi dari mana sampel akan diambil bukan
merupakan kelompok yang homogen, teknik pengambilan sampel bertingkat umumnya
diterapkan untuk mendapatkan sampel yang representatif. Di bawah pengambilan sampel
bertingkat, populasi dibagi menjadi beberapa sub-populasi yang secara individual lebih
homogen daripada populasi total (sub-populasi yang berbeda disebut 'strata') dan kemudian
kami memilih item dari setiap strata untuk membentuk sampel. Karena setiap strata lebih
homogen daripada total populasi, kita dapat memperoleh estimasi yang lebih tepat untuk setiap
strata dan dengan menaksir lebih akurat setiap bagian komponen, kita mendapatkan estimasi
58
 keseluruhan yang lebih baik. Singkatnya, pengambilan sampel bertingkat menghasilkan
informasi yang lebih andal dan terperinci.
Tiga pertanyaan berikut ini sangat relevan dalam konteks stratified sampling:
a. Bagaimana cara membentuk strata?
b. Bagaimana seharusnya item dipilih dari setiap strata?
c. Berapa banyak item yang dipilih dari setiap strata atau bagaimana mengalokasikan ukuran
sampel dari setiap strata?
Mengenai pertanyaan pertama, kita dapat mengatakan bahwa strata dibentuk berdasarkan
kesamaan karakteristik (s) item yang akan ditempatkan di setiap strata. Ini berarti bahwa
berbagai strata dibentuk sedemikian rupa untuk memastikan unsur-unsur yang paling homogen
dalam setiap strata dan paling heterogen antara strata yang berbeda. Dengan demikian, strata
dibentuk secara sengaja dan biasanya didasarkan pada pengalaman masa lalu dan penilaian
pribadi peneliti. Kita harus selalu ingat bahwa pertimbangan yang cermat tentang hubungan
antara karakteristik populasi dan karakteristik yang akan diestimasi biasanya digunakan untuk
menentukan strata. Kadang-kadang, studi percontohan dapat dilakukan untuk menentukan
rencana stratifikasi yang lebih tepat dan efisien. Kita dapat melakukannya dengan mengambil
sampel kecil dengan ukuran yang sama dari masing-masing strata yang diusulkan dan kemudian
memeriksa varians di dalam dan di antara stratifikasi yang mungkin, kita dapat memutuskan
rencana stratifikasi yang sesuai untuk penyelidikan kita.
Sehubungan dengan pertanyaan kedua, kita dapat mengatakan bahwa metode yang biasa, untuk
pemilihan item sampel dari setiap strata, yang digunakan adalah pengambilan sampel acak
sederhana. Sampling sistematis dapat digunakan jika dianggap lebih tepat dalam situasi
tertentu.
Mengenai pertanyaan ketiga, kami biasanya mengikuti metode alokasi proporsional di mana
ukuran sampel dari strata yang berbeda dijaga proporsional dengan ukuran strata. Artinya, jika
Pi mewakili proporsi populasi yang termasuk dalam strata i, dan n mewakili ukuran sampel
total, jumlah elemen yang dipilih dari strata i adalah n . Pi. Untuk mengilustrasikannya, mari
kita misalkan kita ingin sampel berukuran n = 30 diambil dari populasi berukuran N = 8000
yang dibagi menjadi tiga strata berukuran N1 = 4000, N2 = 2400 dan N3 = 1600. Mengadopsi
proporsional alokasi, kita akan mendapatkan ukuran sampel seperti di bawah untuk strata yang
berbeda:
Untuk strata dengan N1 = 4000, kami memiliki P1 = 4000/8000
dan karenanya n1 = n . P1 = 30 (4000/8000) = 15
Demikian pula, untuk strata dengan N2 = 2400, kita memiliki
n2 = n . P2 = 30 (2400/8000) = 9, dan
untuk strata dengan N3 = 1600, kita memiliki
n3 = n . P3 = 30 (1600/8000) = 6.
Jadi, dengan menggunakan alokasi proporsional, ukuran sampel untuk strata yang berbeda
masing-masing adalah 15, 9 dan 6 yang sebanding dengan ukuran strata yaitu, 4000 : 2400 :
1600. Alokasi proporsional dianggap paling efisien dan desain yang optimal ketika biaya
pemilihan item adalah sama untuk setiap strata, tidak ada perbedaan varians dalam strata,dan
tujuan sampling kebetulan untuk memperkirakan nilai populasi dari beberapa karakteristik.
Tetapi jika tujuannya adalah untuk membandingkan perbedaan antara strata, maka pemilihan
sampel yang sama dari setiap strata akan lebih efisien bahkan jika strata berbeda dalam ukuran.
Dalam kasus di mana strata berbeda tidak hanya dalam ukuran tetapi juga dalam variabilitas
59
dan dianggap masuk akal untuk mengambil sampel yang lebih besar dari strata yang lebih
bervariasi dan sampel yang lebih kecil dari strata yang kurang bervariasi, kita kemudian dapat
menjelaskan keduanya (perbedaan dalam ukuran strata dan perbedaan variabilitas stratum)
dengan menggunakan disproportionate sampling design dengan mensyaratkan:
n1/N1σ1=n2/N2σ2=…….. =nk/Nkσk
dimana , σ1 σ2 , ... dan σk menunjukkan standar deviasi dari k strata, N1 , N2 ,…, Nk menunjukkan
ukuran k strata dan n1 , n2 ,…, nk menunjukkan ukuran sampel k strata. Ini disebut 'alokasi
optimal' dalam konteks pengambilan sampel yang tidak proporsional. Alokasi dalam situasi
seperti itu menghasilkan rumus berikut untuk menentukan ukuran sampel strata yang berbeda:
Nkσk for i = 1, 2, … and k.
ni =
N1σ1 + N2σ2+….+ Nkσk
Kami dapat mengilustrasikan penggunaan ini dengan sebuah contoh.
Ilustrasi 1
Suatu populasi dibagi menjadi tiga strata sehingga N1 = 5000, N2 = 2000 dan N3 = 3000.
Standar deviasi masing-masing adalah:
σ1=15 σ2=18 and σ3= 5
Bagaimana seharusnya sampel dengan ukuran n = 84 dialokasikan ke tiga strata, jika kita ingin
alokasi optimal menggunakan desain pengambilan sampel yang tidak proporsional?
Solusi: Menggunakan desain pengambilan sampel yang tidak proporsional untuk alokasi
optimal, ukuran sampel untuk strata yang berbeda akan ditentukan sebagai berikut:
Ukuran sampel untuk strata dengan N1 = 5000

84(5000)(15)
n1 =

(5000)(15) +(2000)(18) +(3000)(5)

= 6300000/126000 = 50

Ukuran sampel untuk strata dengan N2 = 2000

84(2000)(18)
n2=

(5000)(15) +(2000)(18) +(3000)(5)

= 3024000/126000 = 24

Ukuran sampel untuk strata dengan N3 = 3000

84(3000)(5)
n3=

(5000)(15) +(2000)(18) +(3000)(5)

= 1260000/126000 = 10

60
 Selain perbedaan ukuran stratum dan perbedaan variabilitas stratum, kita mungkin memiliki
perbedaan biaya sampling stratum, maka kita dapat memiliki desain sampling disproporsional
biaya yang optimal dengan mensyaratkan

Dimana

C1 = Cost of sampling in stratum 1

C2 = Cost of sampling in stratum 2

Ck = Cost of sampling in stratum k

dan semua istilah lainnya tetap sama seperti yang dijelaskan sebelumnya. Alokasi dalam situasi
seperti itu menghasilkan rumus berikut untuk menentukan ukuran sampel untuk strata yang
berbeda:

Stratifikasi tidak perlu dilakukan dengan memperhatikan satu karakteristik. Populasi sering
dikelompokkan menurut beberapa karakteristik. Misalnya, survei sistem-lebar yang dirancang
untuk menentukan sikap siswa terhadap rencana pengajaran baru, sistem perguruan tinggi
negeri dengan 20 perguruan tinggi mungkin stratifikasi siswa sehubungan dengan kelas, detik
dan perguruan tinggi. Stratifikasi jenis ini dikenal sebagai stratifikasi silang, dan sampai pada
titik tertentu stratifikasi tersebut meningkatkan keandalan perkiraan dan banyak digunakan
dalam survei opini.

Dari apa yang telah dikemukakan di atas sehubungan dengan stratified sampling, kita dapat mengatakan
bahwa sampel yang terbentuk adalah hasil penerapan berturut-turut dari metode purposive (terlibat
dalam stratifikasi item) dan metode random sampling. Karena itu, ini adalah contoh sampel campuran.
Prosedur di mana kita pertama-tama memiliki stratifikasi dan kemudian pengambilan sampel acak
sederhana dikenal sebagai pengambilan sampel acak berlapis.

(iii) Pengambilan sampel klaster: Jika total area yang diinginkan ternyata besar, cara mudah untuk
mengambil sampel adalah dengan membagi area tersebut menjadi beberapa area yang lebih
kecil yang tidak tumpang tindih dan kemudian memilih nomor secara acak. dari area yang lebih
kecil ini (biasanya disebut cluster), dengan sampel akhir terdiri dari semua (atau sampel) unit
di area atau cluster kecil ini.

Jadi dalam pengambilan sampel klaster, total populasi dibagi menjadi sejumlah subdivisi yang relatif
kecil yang merupakan kelompok dari unit yang masih lebih kecil dan kemudian beberapa dari klaster
ini dipilih secara acak untuk dimasukkan dalam sampel keseluruhan. Misalkan kita ingin
memperkirakan proporsi suku cadang mesin dalam persediaan yang rusak. Juga asumsikan bahwa ada
20.000 suku cadang mesin dalam persediaan pada titik waktu tertentu, disimpan dalam 400 peti yang

61
masing-masing berisi 50 kotak. Sekarang menggunakan sampling cluster, kami akan
mempertimbangkan 400 kasus sebagai cluster dan secara acak memilih 'n' kasus dan memeriksa semua
bagian mesin di setiap kasus yang dipilih secara acak.

Pengambilan sampel klaster, tidak diragukan lagi, mengurangi biaya dengan memusatkan survei di
klaster terpilih. Namun tentunya kurang tepat dibandingkan dengan random sampling. Ada juga tidak
banyak informasi dalam pengamatan 'n' dalam sebuah cluster seperti yang terjadi pada pengamatan 'n'
yang diambil secara acak. Pengambilan sampel klaster digunakan hanya karena keuntungan ekonomi
yang dimilikinya; perkiraan berdasarkan sampel cluster biasanya lebih dapat diandalkan per unit biaya.

(iv) Pengambilan sampel area: Jika klaster merupakan beberapa subdivisi geografis, dalam hal ini
pengambilan sampel klaster lebih dikenal sebagai pengambilan sampel area. Dengan kata lain,
desain klaster, di mana unit sampling utama mewakili klaster unit berdasarkan wilayah
geografis, dibedakan sebagai sampling area. Poin plus dan minus dari cluster sampling juga
berlaku untuk area sampling.

(v) Pengambilan sampel multi-tahap: Pengambilan sampel multi-tahap merupakan

pengembangan lebih lanjut dari prinsip pengambilan sampel klaster. Misalkan kita ingin
menyelidiki efisiensi kerja bank-bank yang dinasionalisasi di India dan kita ingin mengambil
sampel beberapa bank untuk tujuan ini. Tahap pertama adalah memilih unit sampling primer
yang besar seperti negara bagian di suatu negara. Kemudian kami dapat memilih distrik tertentu
dan mewawancarai semua bank di distrik yang dipilih. Ini akan mewakili desain pengambilan
sampel dua tahap dengan unit pengambilan sampel akhir menjadi kluster kabupaten.

Jika alih-alih mengambil sensus dari semua bank di distrik yang dipilih, kami memilih kota-kota
tertentu dan mewawancarai semua bank di kota-kota yang dipilih. Ini akan mewakili desain sampling
tiga tahap. Jika alih-alih mengambil sensus semua bank di kota-kota yang dipilih, kami mengambil
sampel bank secara acak dari setiap kota yang dipilih, maka ini adalah kasus menggunakan rencana
pengambilan sampel empat tahap. Jika kita memilih secara acak di semua tahap, kita akan memiliki apa
yang dikenal sebagai 'desain sampling acak multi-tahap'.

Biasanya pengambilan sampel multi-tahap diterapkan dalam pertanyaan besar yang meluas ke wilayah
geografis yang cukup luas, katakanlah, seluruh negara. Ada dua keuntungan dari desain pengambilan
sampel ini yaitu, (a) Lebih mudah untuk mengelola daripada kebanyakan desain tahap tunggal terutama
karena fakta bahwa kerangka pengambilan sampel di bawah pengambilan sampel multi-tahap
dikembangkan dalam unit parsial. (b) Sejumlah besar unit dapat diambil sampelnya dengan biaya
tertentu di bawah pengambilan sampel bertingkat karena pengelompokan berurutan, sedangkan hal ini
tidak mungkin dilakukan di sebagian besar desain sederhana.

(vi) Pengambilan sampel dengan probabilitas proporsional dengan ukuran: Dalam hal unit
pengambilan sampel klaster tidak memiliki jumlah yang sama atau jumlah elemen yang kurang
lebih sama, dianggap tepat untuk menggunakan proses pemilihan acak di mana probabilitas
setiap klaster dimasukkan dalam sampel sebanding dengan ukuran cluster. Untuk tujuan ini,
kita harus membuat daftar jumlah elemen di setiap cluster terlepas dari metode pengurutan
cluster. Kemudian kita harus mengambil sampel secara sistematis jumlah elemen yang sesuai
dari total kumulatif. Angka aktual yang dipilih dengan cara ini tidak mengacu pada elemen
individu, tetapi menunjukkan cluster mana dan berapa banyak dari cluster yang akan dipilih
dengan sampling acak sederhana atau dengan sampling sistematis. Hasil pengambilan sampel
jenis ini setara dengan sampel acak sederhana dan metodenya tidak terlalu rumit dan juga relatif
lebih murah. Kita dapat mengilustrasikan ini dengan bantuan sebuah contoh.

Ilustrasi 2

62
Berikut ini adalah jumlah department store di 15 kota: 35, 17, 10, 32, 70, 28, 26, 19, 26, 66, 37, 44,
33, 29 dan 28. Jika kita ingin memilih sampel 10 toko, menggunakan kota sebagai cluster dan
memilih dalam cluster sebanding dengan ukuran, berapa banyak toko dari setiap kota yang harus
dipilih? (Gunakan titik awal 10).

Solusi: Mari kita letakkan informasi seperti di bawah (Tabel 4.1)

Karena dalam masalah yang diberikan, kami memiliki 500 department store dari mana kami harus
memilih sampel dari 10 toko, interval pengambilan sampel yang sesuai adalah 50. Karena kami
harus menggunakan titik awal 10* , jadi kami menambahkan peningkatan berturut-turut dari 50
hingga 10 nomor telah dipilih. Dengan demikian, angka-angka yang diperoleh adalah: 10, 60, 110,
160, 210, 260, 310, 360, 410 dan 460 yang telah ditunjukkan pada kolom terakhir dari tabel (Tabel
4.1) terhadap jumlah kumulatif yang bersangkutan. Dari sini kita dapat mengatakan bahwa dua toko
harus dipilih secara acak dari kota nomor lima dan masing-masing satu dari kota nomor 1, 3, 7, 9,
10, 11, 12, dan 14. Sampel dari 10 toko ini adalah sampel dengan probabilitas proporsional untuk
ukuran.

Tabel 4.1

Nomor kota Jumlah department store Jumlah kumulatif Sampel

1 35 35 10

2 17 52

3 10 62 60

4 32 94

5 70 164 110 160

6 28 192

7 26 218 210

8 12 237

9 26 263 260

10 66 329 310

11 37 366 360

12 44 410 410

13 33 443

14 29 472 460

15 28 500

(vii) Pengambilan sampel berurutan: Rancangan pengambilan sampel ini merupakan

rancangan sampel yang rumit. Ukuran akhir sampel di bawah teknik ini tidak ditetapkan
sebelumnya, tetapi ditentukan menurut aturan keputusan matematis berdasarkan informasi
63
 yang dihasilkan saat survei berlangsung. Ini biasanya diadopsi dalam hal rencana pengambilan
sampel penerimaan dalam konteks pengendalian kualitas statistik. Ketika lot tertentu akan
diterima atau ditolak berdasarkan sampel tunggal, ini dikenal sebagai pengambilan sampel
tunggal; pengambilan keputusan atas dasar dua sampel disebut pengambilan sampel ganda dan
dalam hal pengambilan keputusan didasarkan pada lebih dari dua sampel tetapi jumlah sampel
sudah pasti dan ditentukan terlebih dahulu, maka pengambilan sampelnya diketahui. sebagai
multiple sampling. Tetapi bila jumlah sampel lebih dari dua tetapi tidak pasti atau diputuskan
terlebih dahulu, sistem jenis ini sering disebut sebagai pengambilan sampel sekuensial. Jadi,
secara singkat, kita dapat mengatakan bahwa dalam pengambilan sampel berurutan, seseorang
dapat terus mengambil sampel satu demi satu selama seseorang menginginkannya.

KESIMPULAN

Dari uraian singkat tentang berbagai desain sampel yang disajikan di atas, kita dapat mengatakan bahwa
biasanya seseorang harus menggunakan pengambilan sampel acak sederhana karena di bawahnya bias
umumnya dihilangkan dan kesalahan pengambilan sampel dapat diperkirakan. Tetapi purposive
sampling dianggap lebih tepat ketika alam semesta kebetulan kecil dan karakteristiknya diketahui untuk
dipelajari secara intensif. Ada situasi dalam kehidupan nyata di mana desain sampel selain sampel acak
sederhana dapat dianggap lebih baik (katakanlah lebih mudah diperoleh, lebih murah atau lebih
informatif) dan karena itu hal yang sama dapat digunakan. Dalam situasi di mana pengambilan sampel
acak tidak memungkinkan, maka kita harus menggunakan desain pengambilan sampel selain
pengambilan sampel acak. Kadang-kadang, beberapa metode pengambilan sampel dapat digunakan
dalam penelitian yang sama.

64
 Pertanyaan

1. Apa yang Anda maksud dengan 'Desain Sampel'? Poin-poin apa yang harus dipertimbangkan
oleh seorang peneliti dalam mengembangkan desain sampel untuk proyek penelitian ini.

2. Bagaimana Anda membedakan antara sampel acak sederhana dan desain sampel acak
kompleks? Jelaskan dengan jelas memberikan contoh.

3. Mengapa pengambilan sampel probabilitas umumnya lebih disukai dibandingkan dengan

pengambilan sampel non-probabilitas? Jelaskan prosedur pemilihan sampel acak sederhana.

4. Dalam keadaan apa rancangan sampling acak bertingkat dianggap tepat? Bagaimana Anda akan
memilih sampel seperti itu? Jelaskan melalui contoh.

5. Bedakan antara:

a) Pengambilan sampel terbatas dan tidak terbatas;

b) Convenience dan purposive sampling;

c) Pengambilan sampel secara sistematis dan bertingkat;

d) Pengambilan sampel cluster dan area.

6. Dalam keadaan apa Anda akan merekomendasikan:

a) Sebuah sampel probabilitas?

b) Sebuah sampel non-probabilitas?

c) Sampel bertingkat?

d) Sebuah sampel cluster?

7. Jelaskan dan ilustrasikan prosedur pemilihan sampel secara acak.

8. "Sebuah hasil bias sistematis dari kesalahan dalam prosedur pengambilan sampel". Apa yang
Anda maksud dengan bias sistematis seperti itu? Jelaskan penyebab penting yang bertanggung
jawab atas bias semacam itu.

9. (a) Berikut adalah jumlah department store di 10 kota: 35, 27, 24, 32, 42, 30, 34, 40, 29 dan 38.
Jika kita ingin memilih sampel dari 15 toko menggunakan kota sebagai cluster dan memilih
dalam cluster sebanding dengan ukuran, berapa banyak toko dari setiap kota yang harus dipilih?
(Gunakan titik awal 4).

(b) Rancangan pengambilan sampel apa yang mungkin digunakan untuk memperkirakan berat
kelompok pria dan wanita?

10. Suatu populasi tertentu dibagi menjadi lima strata sehingga N1 = 2000, N2 = 2000, N3 = 1800,
N4 = 1700, dan N5 = 2500. Standar deviasi masing-masing adalah: σ1=16 σ2= 20 σ3= 44 σ4=
48 σ5=60 dan selanjutnya biaya pengambilan sampel yang diharapkan dalam dua strata pertama
adalah Rs 4 per wawancara dan di tiga strata lainnya biaya pengambilan sampel adalah Rs 6
per wawancara. Bagaimana seharusnya sampel berukuran n = 226 dialokasikan ke lima strata
jika kita mengadopsi desain sampling proporsional; jika kita mengadopsi desain pengambilan
sampel yang tidak proporsional dengan mempertimbangkan
65
(i) hanya perbedaan variabilitas strata

(ii) perbedaan variabilitas strata serta perbedaan biaya pengambilan sampel stratum.

66
 5. Pengukuran dan Penskalaan Teknik
PENGUKURAN DALAM PENELITIAN
Dalam kehidupan kita sehari-hari, kita dikatakan mengukur ketika kita menggunakan beberapa tolok
ukur untuk menentukan berat, tinggi, atau beberapa fitur lain dari objek fisik. Kami juga mengukur
ketika kami menilai seberapa baik kami menyukai lagu, lukisan, atau kepribadian teman-teman kami.
Kami, dengan demikian, mengukur objek fisik serta konsep abstrak. Pengukuran adalah tugas yang
relatif kompleks dan menuntut, khususnya ketika menyangkut fenomena kualitatif atau abstrak. Yang
kami maksud dengan pengukuran adalah proses pemberian angka pada objek atau pengamatan, tingkat
pengukuran menjadi fungsi dari aturan di mana angka tersebut ditetapkan. Sangat mudah untuk
menetapkan angka sehubungan dengan properti dari beberapa objek, tetapi relatif sulit untuk yang lain.
Misalnya, mengukur hal-hal seperti kesesuaian sosial, kecerdasan, atau penyesuaian perkawinan jauh
lebih tidak jelas dan membutuhkan perhatian yang jauh lebih dekat daripada mengukur berat badan,
usia biologis, atau aset keuangan seseorang. Dengan kata lain, sifat-sifat seperti berat badan, tinggi
badan, dll., dapat diukur secara langsung dengan beberapa satuan ukuran standar, tetapi tidak mudah
untuk mengukur sifat-sifat seperti motivasi untuk berhasil, kemampuan untuk menahan stres, dan
sejenisnya. Kita bisa mengharapkan ketelitian yang tinggi dalam mengukur panjang pipa dengan
tongkat pengukur, tetapi jika konsepnya abstrak dan alat ukurnya tidak standar, kita kurang yakin akan
keakuratan hasil pengukurannya. Secara teknis, pengukuran adalah proses pemetaan aspek domain ke
aspek lain dari rentang menurut beberapa aturan korespondensi. Dalam mengukur, kami merancang
beberapa bentuk skala dalam rentang (dalam hal teori himpunan, rentang dapat merujuk ke beberapa
himpunan) dan kemudian mengubah atau memetakan properti objek dari domain (dalam hal teori
himpunan, domain dapat merujuk ke beberapa set lain) ke skala ini. Misalnya, jika kita ingin
menemukan rasio kehadiran pria dan wanita saat melakukan penelitian terhadap orang-orang yang
menghadiri suatu pertunjukan, maka kita dapat mentabulasikan orang-orang yang datang ke
pertunjukan tersebut menurut jenis kelamin. Dalam hal teori himpunan, proses ini adalah salah satu
pemetaan sifat fisik yang diamati dari mereka yang datang ke pertunjukan (domain) ke klasifikasi jenis
kelamin (rentang). Aturan korespondensi adalah: Jika objek dalam domain tampaknya laki-laki,
tetapkan ke "0" dan jika perempuan tetapkan ke "1". Demikian pula, kita dapat merekam status
perkawinan seseorang sebagai 1, 2, 3 atau 4, tergantung pada apakah orang tersebut lajang, menikah,
menjanda atau bercerai. Kita juga dapat merekam jawaban “Ya atau Tidak” untuk sebuah pertanyaan
sebagai “0” dan “1” (atau sebagai 1 dan 2 atau mungkin sebagai 59 dan 60). Dengan cara artifisial atau
nominal ini, data kategorikal (kualitatif atau deskriptif) dapat dibuat menjadi data numerik dan jika kita
mengkodekan berbagai kategori, kita mengacu pada angka yang kita catat sebagai nomina.
Data nominal adalah numerikhanya dalam nama, karena mereka tidak berbagi properti apa pun
dari angka yang biasa kita tanganihitung. Misalnya jika kita mencatat status perkawinan sebagai 1, 2,
3, atau 4 seperti yang disebutkan di atas, kita tidak dapat menulis 4 > 2 atau 3 < 4 dan kita tidak dapat
menulis 3 – 1 = 4 – 2, 1 + 3 = 4 atau 4 2 = 2. Dalam situasi ketika
kita tidak dapat melakukan apa pun kecuali mengatur ketidaksetaraan, kita merujuk pada data sebagai
data ordinal.Misalnya, jika satu mineral dapat menggores yang lain, ia menerima angka kekerasan yang
lebih tinggi dan pada skala Mohs angka dari 1 hingga 10 diberikan masing-masing untuk bedak, gipsum,
kalsit, fluorit, apatit, feldspar, kuarsa, topas, safir, dan berlian. .
Dengan angka-angka ini kita dapat menulis 5 > 2 atau 6 < 9 karena apatit lebih keras dari gipsum dan
feldspar lebih lunak dari safir, tetapi kita tidak dapat menulis misalnya 10 – 9 = 5 – 4, karena perbedaan
kekerasan antara berlian dan safir adalah sebenarnya jauh lebih besar daripada antara apatit dan fluorit.
Juga tidak ada artinya untuk mengatakan bahwa topas dua kali lebih keras dari fluorit hanya karena
angka kekerasan masing-masing pada skala Mohs adalah 8 dan 4. Simbol lebih besar dari (yaitu, >)
sehubungan dengan data ordinal dapat digunakan untuk menunjuk “ lebih bahagia dari" "lebih disukai"
dan seterusnya.
Ketika selain mengatur ketidaksetaraan, kami juga dapat membentuk perbedaan, kami
menyebut data sebagai data interval.Misalkan kita diberikan pembacaan suhu berikut (dalam derajat
67
Fahrenheit): 58°, 63°, 70°, 95°, 110°, 126° dan 135°. Dalam hal ini, kita dapat menulis 100 ° > 70 ° atau
95 ° < 135 ° yang berarti bahwa 110 ° lebih hangat dari 70 ° dan 95 ° lebih dingin dari 135 °. Kita juga
dapat menulis misalnya 95° – 70° = 135° – 110°, karena perbedaan suhu yang sama adalah sama dalam
arti bahwa jumlah kalor yang sama diperlukan untuk menaikkan suhu suatu benda dari 70° menjadi 95°
atau dari 110° sampai 135°. Di sisi lain, tidak banyak artinya jika kita mengatakan bahwa 126° dua kali
lebih panas dari 63°, meskipun 126°÷ 63° = 2. Untuk menunjukkan alasannya, kita hanya perlu
mengubah ke skala celcius, di mana suhu pertama menjadi 5/9 (126 – 32) = 52°, suhu kedua menjadi
5/9 (63 – 32) = 17° dan angka pertama sekarang lebih dari tiga kali angka kedua. Kesulitan ini muncul
dari fakta bahwa skala Fahrenheit dan Celcius keduanya memiliki asal buatan (nol) yaitu, angka 0 dari
kedua skala tidak menunjukkan tidak adanya kuantitas apa pun yang kita coba ukur.
Ketika selain mengatur ketidaksetaraan dan membentuk perbedaan, kita juga dapat
membentuk hasil bagi (yaitu, ketika kita dapat melakukan semua operasi matematika yang biasa), kita
merujuk ke data seperti data rasio.Dalam pengertian ini, data rasio mencakup semua pengukuran biasa
(atau penentuan) panjang, tinggi, jumlah uang, berat, volume, luas, tekanan, dll.
Perbedaan yang disebutkan di atas
antara data nominal, ordinal, interval dan rasio penting karena sifat dari sekumpulan data dapat
menyarankan penggunaan teknologi statistik tertentu.Penelitian harus cukup waspada tentang aspek ini
saat mengukur properti objek atau konsep abstrak. Ketika data dapat diukur dalam satuan yang dapat
dipertukarkan misalnya, berat (dengan skala rasio), suhu (dengan interval skala), bahwa data dikatakan
parametrik dan dapat mengalami sebagian besar jenis proses statistik dan matematika. Tetapi ketika
data diukur dalam satuan yang tidak dapat dipertukarkan, misalnya, preferensi produk (dengan skala
ordinal), data dikatakan non-parametrik dan hanya rentan sampai batas tertentu terhadap perlakuan
matematis dan statistik.
SKALA PENGUKURAN
Dari apa yang telah dinyatakan di atas, kita dapat menulis bahwa skala pengukuran dapat
dipertimbangkan dalam hal sifat matematisnya. Klasifikasi skala pengukuran yang paling banyak
digunakan adalah: (a) skala nominal; (b) skala ordinal; (c) skala interval; dan (d) skala rasio.
(a) Skala nominal: Skala nominal hanyalah sistem pemberian simbol angka ke peristiwa untuk memberi
label pada mereka. Contoh umum dari hal ini adalah pemberian nomor pemain bola basket untuk
mengidentifikasi mereka. Angka-angka tersebut tidak dapat dianggap terkait dengan skala yang dipesan
karena urutannya tidak memiliki konsekuensi; angka-angka hanyalah label yang sesuai untuk kelas
kejadian tertentu dan karena itu tidak memiliki nilai kuantitatif. Timbangan nominal menyediakan cara
mudah untuk melacak orang, objek, dan peristiwa. Seseorang tidak dapat berbuat banyak dengan angka-
angka yang terlibat. Misalnya, seseorang tidak dapat dengan mudah menghitung rata-rata angka di
belakang sekelompok pemain sepak bola dan menghasilkan nilai yang berarti. Tidak ada yang bisa
membandingkan angka yang ditetapkan untuk satu kelompok dengan angka yang diberikan ke
kelompok lain. Penghitungan anggota dalam setiap kelompok adalah satu-satunya operasi aritmatika
yang mungkin jika skala nominal digunakan. Oleh karena itu, kita dibatasi untuk menggunakan modus
sebagai ukuran tendensi sentral. Tidak ada ukuran dispersi yang umum digunakan untuk skala nominal.
Uji chi-kuadrat adalah uji signifikansi statistik yang paling umum yang dapat digunakan, dan untuk
ukuran korelasi, koefisien kontingensi dapat ditentukan. Skala nominal adalah tingkat pengukuran yang
paling tidak kuat. Ini menunjukkan tidak ada hubungan urutan atau jarak dan tidak memiliki asal
aritmatika. Skala nominal hanya menggambarkan perbedaan antara hal-hal dengan menetapkan mereka
ke kategori. Dengan demikian, data nominal adalah data yang dihitung. Timbangan membuang-buang
informasi yang mungkin kita miliki tentang berbagai tingkat sikap, keterampilan, pemahaman, dll.
Terlepas dari semua ini, skala nominal masih sangat berguna dan banyak digunakan dalam survei
daneDxHai-PthHaieSRt-facto penelitian ketika data sedang diklasifikasikan oleh sub-kelompok utama
dari populasi.
(b) Skala Ordinal: Tingkat terendah dari skala berurut yang umum digunakan adalah skala ordinal.
Skala ordinal menempatkan peristiwa secara berurutan, tetapi tidak ada upaya untuk membuat interval
skala sama dalam beberapa aturan. Urutan peringkat mewakili skala ordinal dan sering digunakan dalam

68
penelitian yang berkaitan dengan fenomena kualitatif. Peringkat seorang siswa di kelas kelulusannya
melibatkan penggunaan skala ordinal. Seseorang harus sangat berhati-hati dalam membuat pernyataan
tentang skor berdasarkan skala ordinal. Misalnya, jika posisi Ram di kelasnya adalah 10 dan posisi
Mohan adalah 40, maka tidak dapat dikatakan bahwa posisi Ram empat kali lebih baik dari Mohan.
Pernyataan itu sama sekali tidak masuk akal. Skala ordinal hanya mengizinkan peringkat item dari
tertinggi ke terendah. Ukuran ordinal tidak memiliki nilai absolut, dan perbedaan nyata antara peringkat
yang berdekatan mungkin tidak sama. Semua yang dapat dikatakan adalah bahwa satu orang lebih tinggi
atau lebih rendah dalam skala daripada yang lain, tetapi perbandingan yang lebih tepat tidak dapat
dibuat.
Dengan demikian, penggunaan skala ordinal menyiratkan pernyataan 'lebih besar dari' atau
'kurang dari' (pernyataan kesetaraan juga dapat diterima) tanpa kita dapat menyatakan seberapa besar
atau lebih kecil. Perbedaan nyata antara peringkat 1 dan 2 mungkin lebih atau kurang dari perbedaan
antara peringkat 5 dan 6. Karena angka dalam skala ini hanya memiliki arti peringkat, ukuran tendensi
sentral yang tepat adalah median. Ukuran persentil atau kuartil digunakan untuk mengukur dispersi.
Korelasi dibatasi untuk berbagai metode urutan peringkat. Ukuran signifikansi statistik dibatasi untuk
metode nonparametrik.
(c) Skala interval: Dalam kasus skala interval, interval disesuaikan dalam beberapa aturan yang telah
ditetapkan sebagai dasar untuk membuat unit sama. Satuannya sama hanya sejauh satumenerima asumsi
yang menjadi dasar aturan. Skala interval dapat memiliki nol sewenangwenang, tetapi tidak mungkin
untuk menentukan bagi mereka apa yang disebut nol mutlak atau asal unik. Keterbatasan utama skala
interval adalah tidak adanya nol yang benar; ia tidak memiliki kapasitas untuk mengukur ketiadaan
sama sekali suatu sifat atau karakteristik. Skala Fahrenheit adalah contoh skala interval dan
menunjukkan kesamaan dalam apa yang bisa dan tidak bisa dilakukan dengannya. Seseorang dapat
mengatakan bahwa peningkatan suhu dari 30 ° menjadi 40 ° melibatkan peningkatan suhu yang sama
dengan peningkatan dari 60 ° menjadi 70 °, tetapi seseorang tidak dapat mengatakan bahwa suhu 60 °
adalah dua kali lebih hangat dari suhu 30 °. karena kedua angka bergantung pada fakta bahwa angka
nol pada skala diatur secara sewenangwenang pada suhu titik beku air.
Skala interval memberikan pengukuran yang lebih kuat daripada skala ordinal karena
skala interval juga menggabungkan konsep kesetaraan interval. Dengan demikian, ukuran statistik yang
lebih kuat dapat digunakan dengan skala interval. Mean adalah ukuran tendensi sentral yang tepat,
sedangkan standar deviasi adalah ukuran dispersi yang paling banyak digunakan. Teknik korelasi
momen produk sesuai dan uji yang umum digunakan untuk signifikansi statistik adalah uji 't' dan uji 'F'.

69
 (d) Skala rasio: Skala rasio memiliki pengukuran nol mutlak atau benar. Istilah 'nol mutlak' tidak
setepat yang dulu diyakini. Kita dapat membayangkan panjang nol mutlak dan dengan cara yang sama
kita dapat membayangkan nol mutlak waktu. Misalnya, titik nol pada skala sentimeter menunjukkan
tidak adanya panjang atau tinggi sama sekali. Tetapi suhu nol mutlak secara teoritis tidak dapat
diperoleh dan tetap merupakan konsep yang hanya ada di benak ilmuwan. Jumlah pelanggaran kecil
terhadap peraturan lalu lintas dan jumlah huruf yang salah di halaman jenis skrip mewakili skor pada
skala rasio. Kedua skala ini memiliki nol mutlak dan dengan demikian semua pelanggaran lalu lintas
kecil dan semua kesalahan pengetikan dapat dianggap sama pentingnya. Dengan skala rasio yang
terlibat, seseorang dapat membuat pernyataan seperti kinerja mengetik "Jyoti" dua kali lebih baik dari
"Reetu." Rasio yang terlibat memang memiliki signifikansi dan memfasilitasi semacam perbandingan
yang tidak mungkin dalam kasus skala interval.
Skala rasio mewakili jumlah variabel yang sebenarnya. Ukuran dimensi fisik seperti berat,
tinggi, jarak, dll. adalah contohnya. Secara umum, semua teknik statistik dapat digunakan dengan skala
rasio dan semua manipulasi yang dapat dilakukan dengan bilangan real juga dapat dilakukan dengan
nilai skala rasio. Perkalian dan pembagian dapat digunakan dengan skala ini tetapi tidak dengan skala
lain yang disebutkan di atas. Sarana geometris dan harmonik dapat digunakan sebagai ukuran tendensi
sentral dan koefisien variasi juga dapat dihitung. Dengan demikian, mulai dari skala nominal (jenis
skala yang paling tidak tepat) ke skala rasio (yang paling tepat), semakin banyak informasi yang relevan
diperoleh. Jika sifat variabel memungkinkan, peneliti harus menggunakan skala yang memberikan
deskripsi yang paling tepat. Para peneliti dalam ilmu fisika memiliki kelebihan untuk menggambarkan
variabel dalam bentuk skala rasio tetapi ilmu perilaku umumnya terbatas untuk menggambarkan
variabel dalam bentuk skala interval, jenis pengukuran yang kurang tepat.
SUMBER KESALAHAN DALAM PENGUKURAN
Pengukuran harus tepat dan tidak ambigu dalam studi penelitian yang ideal. Namun, tujuan ini
seringkali tidak terpenuhi secara keseluruhan. Dengan demikian peneliti harus menyadari tentang
sumber kesalahan dalam pengukuran. Berikut ini adalah kemungkinan sumber kesalahan dalam
pengukuran.
(a) Responden: Kadang-kadang responden mungkin enggan untuk mengungkapkan perasaan negatif
yang kuat atau mungkin saja ia memiliki pengetahuan yang sangat sedikit tetapi mungkin tidak
mengakui ketidaktahuannya. Semua keengganan ini kemungkinan akan menghasilkan wawancara
'tebakan'. Faktor sementara seperti kelelahan, kebosanan, kecemasan, dll dapat membatasi kemampuan
responden untuk merespon secara akurat dan lengkap.
(b) Situasi: Faktor situasional juga dapat menghalangi pengukuran yang benar. Setiap kondisi yang
menempatkan ketegangan pada wawancara dapat memiliki efek serius pada hubungan pewawancara-
responden. Misalnya, jika orang lain hadir, dia dapat mengubah tanggapan dengan bergabung atau
hanya dengan hadir. Jika responden merasa bahwa anonimitas tidak terjamin, dia mungkin enggan
untuk mengungkapkan perasaan tertentu.
(c) Pengukur: Pewawancara dapat mendistorsi tanggapan dengan menyusun ulang atau menyusun
ulang pertanyaan. Perilaku, gaya, dan penampilannya dapat mendorong atau mencegah jawaban tertentu
dari responden. Pemrosesan mekanis yang ceroboh dapat merusak temuan. Kesalahan juga dapat
muncul karena pengkodean yang salah, tabulasi yang salah dan/atau perhitungan statistik, terutama pada
tahap analisis data.

70
(d) Instrumen: Kesalahan mungkin timbul karena alat ukur yang rusak. Penggunaan kata-kata yang
rumit, di luar pemahaman responden, makna yang ambigu, pencetakan yang buruk, ruang jawaban yang
tidak memadai, penghilangan pilihan jawaban, dll. adalah beberapa hal yang membuat alat ukur rusak
dan dapat mengakibatkan kesalahan pengukuran. Jenis lain dari kekurangan instrumen adalah
pengambilan sampel yang buruk dari semesta item yang menjadi perhatian. Peneliti harus tahu bahwa
pengukuran yang benar tergantung pada keberhasilan memenuhi semua masalah yang tercantum di atas.
Dia harus, sejauh mungkin, mencoba untuk menghilangkan, menetralisir atau menangani semua
kemungkinan sumber kesalahan sehingga hasil akhir tidak terkontaminasi.
TES PENGUKURAN SUARA PENGUKURAN
Bunyi harus memenuhi uji validitas, reliabilitas, dan kepraktisan. Sebenarnya, ini adalah tiga
pertimbangan utama yang harus digunakan seseorang dalam mengevaluasi alat ukur. “Validitas
mengacu pada sejauh mana tes mengukur apa yang sebenarnya ingin kita ukur. Keandalan berkaitan
dengan akurasi dan presisi prosedur pengukuran ... Kepraktisan berkaitan dengan jangkauan yang luas
faktor ekonomi, kenyamanan, dan interpretasi ..."1 Kami secara singkat mengambil detail yang relevan
tentang tes pengukuran suara ini.
1. Validitas
Validitas adalah kriteria yang paling kritis dan menunjukkan sejauh mana suatu instrumen
mengukur apa yang seharusnya diukur. Validitas juga dapat dianggap sebagai utilitas. Dengan kata
lain, validitas adalah sejauh mana perbedaan yang ditemukan dengan alat ukur mencerminkan
perbedaan yang sebenarnya di antara yang diuji. Tetapi muncul pertanyaan: bagaimana seseorang
dapat menentukan validitas tanpa konfirmasi pengetahuan secara langsung? Jawabannya mungkin
kita mencari bukti lain yang relevan yang mengkonfirmasi jawaban yang kita temukan dengan alat
ukur kita. Apa yang relevan, bukti sering tergantung pada sifat dari
Robert L. Thorndike dan Elizabeth HagMide:penjaminan dan Evaluasi dalam Psikologi dan
Pendidikan3TRioDnE, d., hal. 162. *Dua bentuk validitas biasanya disebutkan dalam literatur
penelitian yaitu, validitas eksternal dan validitas internal. Validitas eksternal temuan penelitian
adalah generalisasi mereka untuk populasi, pengaturan, variabel perlakuan dan variabel
pengukuran. Kita akan membicarakannya nanti dalam konteks uji signifikansi. Validitas internal
desain penelitian adalah kemampuannya untuk mengukur apa yang ingin diukur. Kita akan
membahas validitas ini hanya dalam bab ini.
masalah penelitian dan pertimbangan peneliti. Tetapi seseorang tentu dapat mempertimbangkan
tiga jenis validitas dalam hubungan ini: (i) Validitas isi; (ii) Validitas terkait kriteria dan (iii)
Validitas konstruk.
(Saya) Validitas kontenadalah sejauh mana alat ukur memberikan cakupan yang memadai dari topik
yang diteliti. Jika instrumen berisi sampel yang representatif dari alam semesta, validitas isinya
baik. Tekadnya terutama bersifat menghakimi dan intuitif. Itu juga dapat ditentukan dengan
menggunakan panel orang yang akan menilai seberapa baik alat ukur memenuhi standar, tetapi
tidak ada cara numerik untuk mengungkapkannya.
(ii) Validitas terkait kriteria berkaitan dengan kemampuan kita untuk memprediksi beberapa hasil
atau memperkirakan keberadaan beberapa kondisi saat ini. Bentuk validitas ini mencerminkan
keberhasilan ukuran yang digunakan untuk beberapa tujuan estimasi empiris. Kriteria yang
bersangkutan harus memiliki kualitas berikut:

71
 Relevansi(:Sebuah kriteria relevan jika didefinisikan dalam istilah yang kita nilai sebagai ukuran
yang tepat.) Bebas dari bias(:Kebebasan dari bias dicapai ketika kriteria memberikan setiap subjek
kesempatan yang sama untuk mendapatkan nilai yang baik.)
Keandalan: (Kriteria yang andal adalah stabil atau dapat direproduksi.)
Ketersediaan: (Informasi yang ditentukan oleh kriteria harus tersedia.)
Faktanya, validitas terkait Kriteria adalah istilah luas yang sebenarnya merujuk P keulang (DSaya)
validitas iktif dan (ii) Validitas bersamaan.Yang pertama mengacu pada kegunaan tes dalam
memprediksi beberapa kinerja di masa depan sedangkan yang terakhir mengacu pada kegunaan tes
dalam kaitannya erat dengan ukuran lain dari validitas yang diketahui. Validitas terkait kriteria
dinyatakan sebagai koefisien korelasi antara skor tes dan beberapa ukuran kinerja masa depan atau
antara skor tes dan skor pada ukuran lain dari validitas yang diketahui.
(aku aku aku) Validitas konstrukadalah yang paling kompleks dan abstrak. Suatu ukuran dikatakan
memiliki validitas konstruk sampai tingkat yang mengkonfirmasi korelasi yang diprediksi dengan
proposisi teoretis lainnya. Validitas konstruk adalah sejauh mana skor pada tes dapat
dipertanggungjawabkan oleh konstruksi penjelas dari teori suara. Untuk menentukan validitas
konstruk, kami mengaitkan serangkaian proposisi lain dengan hasil yang diterima dari penggunaan
instrumen pengukuran kami. Jika pengukuran pada skala yang kami buat berkorelasi dengan cara
yang diprediksi dengan proposisi lain ini, kami dapat menyimpulkan bahwa ada beberapa validitas
konstruk. Jika kriteria dan tes yang disebutkan di atas terpenuhi, kami
dapat menyatakan bahwa alat ukur kami valid dan akan menghasilkan pengukuran yang benar; jika
tidak, kami harus mencari informasi lebih lanjut dan/atau menggunakan penilaian.
2. Uji Reliabilitas
Uji reliabilitas adalah tes penting lainnya dari pengukuran suara. Suatu alat ukur dikatakan reliabel
jika memberikan hasil yang konsisten. Alat ukur yang reliabel memang berkontribusi terhadap
validitas, tetapi instrumen yang reliabel tidak harus berupa instrumen yang valid. Misalnya,
timbangan yang secara konsisten membebani benda sebanyak lima kg., adalah timbangan yang
dapat diandalkan, tetapi tidak memberikan ukuran berat yang valid. Tetapi cara lain tidak benar
yaitu, instrumen yang valid selalu reliabel. Dengan demikian reliabilitas tidak seberharga validitas,
tetapi lebih mudah untuk menilai reliabilitas dibandingkan dengan validitas. Jika kualitas
reliabilitas dipenuhi oleh suatu instrumen, maka saat menggunakannya kita dapat yakin bahwa
faktor sementara dan situasional tidak mengganggu.
Dua aspek keandalan yaitu, stabilitas dan kesetaraan layak mendapat
perhatian khususSnT.ATBHilieaspek berkaitan dengan mengamankan hasil yang konsisten dengan
pengukuran berulang dari orang yang sama dan dengan instrumen yang sama. Kami biasanya
menentukan tingkat stabilitas dengan membandingkan hasil pengukuran berulang. TeHQeaspek
uivalensimemikirkan berapa banyak kesalahan yang mungkin terjadi oleh peneliti yang berbeda
atau sampel yang berbeda dari item yang sedang dipelajari. Cara yang baik untuk menguji
kesetaraan pengukuran oleh dua peneliti adalah dengan membandingkan pengamatan mereka
terhadap peristiwa yang sama. Keandalan dapat ditingkatkan dengan dua cara berikut:
(i) Dengan menstandardisasi kondisi di mana pengukuran berlangsung, yaitu, kita harus
memastikan bahwa sumber variasi eksternal seperti kebosanan, kelelahan, dll., diminimalkan
sejauh mungkin. Itu akan meningkatkan aspek stabilitas.

72
 (ii) Dengan arahan yang dirancang dengan cermat untuk pengukuran tanpa variasi dari
kelompok ke kelompok, dengan menggunakan orang yang terlatih dan termotivasi untuk
melakukan penelitian dan juga dengan memperluas sampel item yang digunakan. Ini akan
meningkatkan aspek kesetaraan.
3. Uji Kepraktisan
Karakteristik kepraktisan suatu alat ukur dapat dinilai dari segi ekonomi,kenyamanan dan
interpretasi. Dari sudut pandang operasional, alat ukur harus:praktis yaitu, harus ekonomis, nyaman
dan dapat ditafsirkan. Pertimbangan ekonomimenunjukkan bahwa beberapa trade-off diperlukan
antara proyek penelitian yang ideal dan yang anggarannyamampu. Panjang alat ukur adalah area
penting di mana tekanan ekonomi beradacepat terasa. Meskipun lebih banyak item memberikan
keandalan yang lebih besar seperti yang dinyatakan sebelumnya, tetapi untuk kepentingan
membatasiwaktu wawancara atau observasi, kami hanya mengambil beberapa item untuk tujuan
penelitian kami. Demikian pula,metode pengumpulan data yang akan digunakan juga terkadang
bergantung pada faktor ekonomi. Kenyamanantes menunjukkan bahwa alat ukur harus mudah
untuk mengelola. Untuk tujuan ini seseorang harusmemperhatikan tata letak yang tepat dari alat
ukur. Misalnya, kuesioner,dengan instruksi yang jelas (digambarkan dengan contoh), tentu lebih
efektif dan lebih mudah untuk diselesaikandari satu yang tidak memiliki fitur ini. Pertimbangan
interpretasi sangat penting ketikaorang selain perancang tes harus menginterpretasikan hasilnya.
Alat ukur, dalamagar dapat ditafsirkan, harus dilengkapi dengan (a) instruksi rinci untuk
melaksanakan tes;(b) kunci penilaian; (c) bukti tentang keandalan dan (d) panduan untuk
menggunakan tes dan untuk menafsirkannya hasil.
TEKNIK PENGEMBANGAN ALAT UKUR
Teknik pengembangan alat ukur melibatkan proses empat tahap, yang terdiri dari:
(a) Pengembangan konsep;
(b) Spesifikasi dimensi konsep;
(c) Pemilihan indikator; dan
Langkah pertama dan terpenting adalah pengembangan konsep yang berarti bahwa penelitiharus sampai
pada pemahaman tentang konsep-konsep utama yang berkaitan dengan studinya. Langkah konsep ini
pengembangan lebih jelas dalam studi teoretis daripada dalam penelitian yang lebih pragmatis, di
manakonsep dasar sering sudah ditetapkan.Langkah kedua mengharuskan peneliti untuk menentukan
dimensi konsep yang diadikembangkan pada tahap pertama. Tugas ini dapat diselesaikan dengan
deduksi yaitu, dengan mengadopsi apendekatan yang lebih atau kurang intuitif atau dengan korelasi
empiris dari dimensi individu dengan totalkonsep dan/atau konsep lainnya. Misalnya, seseorang
mungkin memikirkan beberapa dimensi seperti produkreputasi, perlakuan pelanggan, kepemimpinan
perusahaan, kepedulian terhadap individu, rasa sosial tanggung jawab dan sebagainya ketika seseorang
berpikir tentang citra perusahaan tertentu.Setelah dimensi konsep telah ditentukan, peneliti harus
mengembangkan indikatoruntuk mengukur setiap elemen konsep. Indikator adalah pertanyaan spesifik,
timbangan, atau perangkat lain dengandi mana pengetahuan, pendapat, harapan, dan lain-lain responden
diukur. Karena jarang ada yang sempurnamengukur suatu konsep, peneliti harus mempertimbangkan
beberapa alternatif untuk tujuan tersebut. Menggunakanlebih dari satu indikator memberikan stabilitas
pada skor dan juga meningkatkan validitasnya.Langkah terakhir adalah menggabungkan berbagai
indikator menjadi sebuah indeks, yaitu pembentukan anindeks. Ketika kita memiliki beberapa dimensi
dari suatu konsep atau pengukuran yang berbeda dari suatu dimensi,kita mungkin perlu
menggabungkannya menjadi satu indeks.

73
Salah satu cara sederhana untuk mendapatkan indeks keseluruhan adalah denganmemberikan nilai skala
untuk tanggapan dan kemudian menjumlahkan skor yang sesuai. Secara keseluruhan seperti ituindeks
akan memberikan alat pengukuran yang lebih baik daripada indikator tunggal karena fakta
bahwa“Indikator individu hanya memiliki hubungan probabilitas dengan apa yang benar-benar ingin
kita ketahui.”2 Dengan cara ini kita harus memperoleh indeks keseluruhan untuk berbagai konsep
tentang studi penelitian.
Penskalaan
Dalam penelitian kita cukup sering menghadapi masalah pengukuran (karena kita menginginkan
pengukuran yang valid tetapi mungkin tidak mendapatkannya), khususnya ketika konsep yang akan
diukur bersifat kompleks dan abstrak dan kita tidak memiliki alat ukur yang standar. Atau, kita dapat
mengatakan bahwa saat mengukur sikap dan pendapat, kita menghadapi masalah pengukuran yang
valid. Masalah serupa mungkin dihadapi oleh seorang peneliti, tentu saja dalam tingkat yang lebih
rendah, saat mengukur konsep fisik atau kelembagaan. Dengan demikian kita harus mempelajari
beberapa prosedur yang memungkinkan kita untuk mengukur konsep abstrak dengan lebih akurat. Ini
membawa kita pada studi tentang teknik penskalaan.
Arti dari Scaling
Penskalaan menjelaskan prosedur pemberian angka ke berbagai tingkat pendapat, sikap, dan konsep
lainnya. Hal ini dapat dilakukan dengan dua cara yaitu, (i) membuat penilaian tentang beberapa
karakteristik individu dan kemudian menempatkannya langsung pada skala yang telah ditentukan dalam
hal karakteristik itu dan (ii) menyusun kuesioner sedemikian rupa sehingga skor tanggapan individu
memberinya tempat dalam skala. Dapat dinyatakan di sini bahwa skala adalah kontinum, terdiri dari
titik tertinggi (dalam hal beberapa karakteristik misalnya, preferensi, kesukaan, dll) dan titik terendah
bersama dengan beberapa titik perantara antara dua titik ekstrim. Posisi titik skala ini sangat terkait satu
sama lain sehingga ketika titik pertama menjadi titik tertinggi, titik dan titik ketiga menunjukkan derajat
yang lebih tinggi dibandingkan dengan yang keempat dan seterusnya. Angka-angka untuk mengukur
perbedaan derajat dalam sikap/pendapat, dengan demikian, diberikan kepada individu-individu yang
sesuai dengan posisi-skala mereka. Semua ini lebih baik dipahami ketika kita berbicara tentang teknik
penskalaan. Oleh karena itu istilah 'penskalaan' diterapkan pada prosedur untuk mencoba menentukan
ukuran kuantitatif dari konsep abstrak subjektif. Penskalaan telah didefinisikan sebagai “prosedur untuk
penetapan angka (atau simbol lain) ke properti objek untuk memberikan beberapa karakteristik angka
ke properti dalam pertanyaan.
Basis Klasifikasi Skala
Prosedur pemberian nomor atau prosedur penskalaan dapat diklasifikasikan secara luas pada satu atau
lebih dari dasar berikut: (a) orientasi subjek; (b) formulir tanggapan; (c) tingkat subjektivitas; (d)
properti skala; (e) jumlah dimensi dan (f) teknik konstruksi skala. Kami mengambil masingmasing
secara terpisah.
Basis Klasifikasi Skala
Prosedur pemberian nomor atau prosedur penskalaan dapat diklasifikasikan secara luas pada satu atau
lebih dari dasar berikut: (a) orientasi subjek; (b) formulir tanggapan; (c) tingkat subjektivitas; (d)
properti skala; (e) jumlah dimensi dan (f) teknik konstruksi skala. Kami mengambil masingmasing
secara terpisah.

74
(a) Orientasi subjek: Di bawahnya skala dapat dirancang untuk mengukur karakteristik responden yang
melengkapi atau menilai objek stimulus yang disajikan kepada responden. Mengenaiyang pertama,
kami menganggap bahwa rangsangan yang disajikan cukup homogen sehingga variasi antara
rangsangan kecil dibandingkan dengan variasi di antara responden. Dalam pendekatan yang terakhir,
kita meminta responden untuk menilai beberapa objek tertentu dalam hal satu atau lebih dimensi dan
kami menganggapbahwa variasi antar-responden akan lebih kecil dibandingkan dengan variasi antar-
responden yang berbeda rangsangan yang diberikan kepada responden untuk menilai.
(b) Formulir tanggapan:Di bawah ini kita dapat mengklasifikasikan skala sebagai kategoris dan
komparatif. Skala kategoris juga dikenal sebagai skala penilaian. Skala ini digunakan ketika seorang
responden menilai beberapa objek tanpa referensi langsung ke objek lain. Di bawah skala komparatif,
yang juga dikenal sebagai skala peringkat, responden diminta untuk membandingkan dua objek atau
lebih. Dalam pengertian ini responden dapat menyatakan bahwa satu objek lebih unggul dari yang lain
atau tiga model peringkat pena secara berurutan 1, 2 dan 3. Inti dari pemeringkatan, pada kenyataannya,
perbandingan relatif dari properti tertentu dari dua atau lebih objek.
(c) Tingkat subjektivitas: Dengan dasar ini, data skala mungkin didasarkan pada apakah kita mengukur
preferensi pribadi subjektif atau hanya membuat penilaian non-preferensi. Dalam kasus pertama,
responden diminta untuk memilih orang mana yang dia sukai atau solusi mana yang dia ingin lihat
digunakan, sedangkan dalam kasus terakhir dia hanya diminta untuk menilai orang mana yang lebih
efektif dalam beberapa aspek atau solusi mana yang akan memakan waktu lebih sedikit. sumber daya
tanpa mencerminkan preferensi pribadi.
(d) Properti skala: Mempertimbangkan sifat skala, seseorang dapat mengklasifikasikan skala sebagai
skala nominal, ordinal, interval dan rasio. Skala nominal hanya mengklasifikasikan tanpa menunjukkan
urutan, jarak atau asal yang unik. Skala ordinal menunjukkan hubungan besaran 'lebih dari' atau 'kurang
dari', tetapi tidak menunjukkan jarak atau asal yang unik. Skala interval memiliki nilai urutan dan jarak,
tetapi tidak memiliki asal yang unik. Skala rasio memiliki semua fitur ini.
(e) Jumlah dimensi:Sehubungan dengan dasar ini, skala dapat diklasifikasikan sebagai skala
'unidimensional' dan 'multidimensi'. Di bawah yang pertama kami mengukur hanya satu atribut
responden atau objek, sedangkan penskalaan multidimensi mengakui bahwa suatu objek mungkin
dijelaskan lebih baik dengan menggunakan konsep ruang atribut dimensi 'n', daripada kontinum dimensi
tunggal.
(f) Teknik konstruksi skala:Berikut ini adalah lima teknik utama dimana skala dapat dikembangkan.
(Saya) Pendekatan sewenang-wenang:Ini adalah pendekatan di mana skala dikembangkan iklan pada
hoc dasar.
(i)Pendekatan sewenang wenang Ini adalah pendekatan yang paling banyak digunakan. Diperkirakan
bahwa skala tersebut mengukur konsep yang telah dirancang, meskipun ada sedikit bukti untuk
mendukung asumsi tersebut.
(ii) Pendekatan konsensusH:Sebelum panel juri mengevaluasi item yang dipilih untuk dimasukkan
dalam instrumen dalam hal apakah item tersebut relevan dengan area topik dan tidak ambigu dalam
implikasinya.
(iii) Pendekatan analisis itemkamu: Kemudian sejumlah butir soal dikembangkan menjadi tes yang
diberikan kepada sekelompok responden. Setelah memberikan tes, skor total dihitung untuk setiap
orang. Item individual kemudian dianalisis untuk menentukan item mana yang membedakan antara
orang atau objek dengan skor total tinggi dan item dengan skor rendah.

75
 (iv) Skala kumulatifA Sdipilih kembali berdasarkan kesesuaiannya dengan beberapa peringkat item
dengan daya pembeda naik dan turun. Misalnya, dalam skala seperti itu, pengesahan item yang
mewakili posisi ekstrem juga harus menghasilkan pengesahan semua item yang menunjukkan posisi
kurang ekstrem.
(v) Skala faktordapat dibangun atas dasar interkorelasi item yang menunjukkan bahwa faktor umum
menyumbang hubungan antara item. Hubungan ini biasanya diukur melalui metode analisis faktor.
TEKNIK PENSKALAAN PENTING
Kami sekarang mengambil beberapa teknik penskalaan penting yang sering digunakan dalam konteks
penelitian khususnya dalam konteks penelitian sosial atau bisnis. Skala penilaian: Skala penilaian
melibatkan deskripsi kualitatif dari sejumlah aspek yang terbatas dari suatu hal atau ciri-ciri seseorang.
Ketika kita menggunakan skala penilaian (atau skala kategoris), kita menilai suatu objek secara absolut
terhadap beberapa kriteria tertentu yaitu, kita menilai properti objek tanpa mengacu pada objek serupa
lainnya. Peringkat ini mungkin dalam bentuk seperti “suka-tidak suka”, “di atas rata-rata, rata-rata, di
bawah rata-rata”, atau klasifikasi lain dengan kategori lebih seperti “sangat suka—suka agak apa—
netral—agak tidak suka—sangat tidak suka” ; “sangat baik—baik—sedang—di bawah rata-rata—
buruk”, “selalu—sering—kadangkadang—jarang—tidak pernah”, dan seterusnya. Tidak ada aturan
khusus apakah akan menggunakan skala dua poin, skala tiga poin atau skala dengan lebih banyak poin.
Dalam praktek, skala penilaian dapat berupa skala penilaian grafis atau skala penilaian yang diperinci.
(i) Skala peringkat grafis cukup sederhana dan umum digunakan dalam praktek. Di bawahnya
berbagai titik biasanya diletakkan di sepanjang garis untuk membentuk kontinum dan penilai
menunjukkan peringkatnya hanya dengan membuat tanda (sepertiga) pada titik yang tepat pada
garis yang membentang dari satu ekstrem ke ekstrem lainnya. Poin-poin skala dengan deskripsi
singkat dapat ditunjukkan di sepanjang garis, fungsinya adalah untuk membantu penilai dalam
melakukan pekerjaannya. Berikut ini adalah contoh skala penilaian grafik lima poin ketika kami
ingin m emastikan orang menyukai atau tidak menyukai produk apa pun:

Gambar 5.1
Skala jenis ini memiliki beberapa keterbatasan. Responden dapat memeriksa hampir semua posisi
di sepanjang garis fakta mana yang dapat meningkatkan kesulitan analisis. Arti dari istilah-istilah
seperti “sangat banyak” dan “sebagian apa” mungkin sangat bergantung pada kerangka acuan
responden sehingga pernyataan tersebut dapat ditentang dalam hal kesetaraannya. Beberapa varian
skala penilaian lainnya (misalnya, kotak yang menggantikan garis) juga dapat digunakan.
(ii) Skala penilaian terperinci(juga dikenal sebagai skala numerik) menyajikan serangkaian
pernyataan dari mana responden memilih salah satu yang paling mencerminkan evaluasinya.
Pernyataan-pernyataan ini diurutkan secara progresif dalam hal lebih atau kurang dari beberapa
properti. Contoh skala terperinci dapat diberikan untuk mengilustrasikannya.

76
Misalkan kita ingin menanyakan seberapa baik seorang pekerja bergaul dengan rekan kerjanya? Dalam
situasi seperti itu kami dapat meminta responden untuk memilih satu, untuk mengungkapkan
pendapatnya, dari berikut ini:
• Dia hampir selalu terlibat dalam beberapa gesekan dengan rekan kerja.

• Dia sering berselisih dengan satu atau lebih rekan kerjanya.

• Dia terkadang terlibat dalam gesekan.

• Dia jarang terlibat dalam gesekan dengan orang lain.

• Dia hampir tidak pernah terlibat dalam gesekan dengan rekan kerja.

Kelebihan utama dari jenis skala ini adalah memberikan lebih banyak informasi dan makna
kepada penilai, dan dengan demikian meningkatkan keandalan. Bentuk ini relatif sulit untuk
dikembangkan dan pernyataan mungkin tidak mengatakan dengan tepat apa yang ingin diungkapkan
oleh responden. Skala penilaian memiliki poin bagus tertentu. Hasil yang diperoleh dari penggunaannya
lebih baik dibandingkan dengan metode alternatif. Mereka membutuhkan lebih sedikit waktu, menarik
untuk digunakan dan memiliki berbagai aplikasi. Selain itu, mereka juga dapat digunakan dengan
sejumlah besar properti atau variabel. Tetapi nilainya untuk tujuan pengukuran tergantung pada asumsi
bahwa responden dapat dan memang membuat penilaian yang baik. Jika responden tidak terlalu berhati-
hati saat memberi peringkat, kesalahan dapat terjadi. Tiga jenis kesalahan yang umum yaitu, kesalahan
leniency, kesalahan tendensi sentral dan kesalahan efek hallo. Kesalahan leniency terjadi ketika
responden tertentu adalah penilai mudah atau penilai keras. Ketika penilai enggan memberikan
penilaian ekstrim, hasilnya adalah kesalahan tendensi sentral. Kesalahan efek hallo atau bias sistematis
terjadi ketika penilai membawa kesan umum subjek dari satu peringkat ke peringkat lainnya. Kesalahan
semacam ini terjadi ketika kita menyimpulkan misalnya, bahwa laporan tertentu itu baik karena kita
menyukai bentuknya atau bahwa seseorang itu cerdas karena dia setuju dengan kita atau memiliki
kepribadian yang menyenangkan. Dengan kata lain, efek hallo kemungkinan akan muncul ketika penilai
diminta untuk menilai banyak faktor, di mana sejumlah faktor tersebut tidak memiliki bukti untuk
penilaian.
Skala peringkatkamu: Dalam skala peringkat (atau skala komparatif) kami membuat penilaian
relatif terhadap objek lain yang sejenis. Responden di bawah metode ini langsung membandingkan dua
atau lebih objek dan membuat pilihan di antara mereka. Ada dua pendekatan rankviinzg yang umum
digunakan. Timbangan.
(a) Metode perbandingan berpasangan:Di bawahnya responden dapat mengekspresikan sikapnya
dengan membuat pilihan antara dua objek, katakanlah antara rasa baru minuman ringan dan merek
minuman yang sudah mapan. Tetapi ketika ada lebih dari dua rangsangan untuk menilai, jumlah
penilaian yang diperlukan dalam perbandingan berpasangan diberikan oleh rumus:
𝑛(𝑛−1)
N= 2

di mana n = jumlah penilaian

n = sejumlah rangsangan atau objek yang akan dinilai.
Misalnya, jika ada sepuluh saran untuk proposal tawar-menawar yang tersedia untuk serikat pekerja,
ada 45 perbandingan berpasangan yang dapat dibuat dengan mereka. nWhaepnpens menjadi tokoh
besar, ada risiko responden memberikan jawaban yang dianggap buruk atau bahkan menolak untuk
menjawab. Kita dapat mengurangi jumlah perbandingan per responden baik dengan menyajikan kepada
masing-masing responden hanya sampel rangsangan atau dengan memilih beberapa objek yang
mencakup rentang daya tarik pada interval yang kira-kira sama dan kemudian membandingkan semua
rangsangan lain dengan beberapa objek standar ini. Dengan demikian, data perbandingan berpasangan

77
dapat diperlakukan dalam beberapa cara. Jika ada konsistensi yang substansial, kita akan
menemukanxini jika lebih sukakamu, dan kamuke Z, kemudian x akan secara konsisten disukaiZt.oJika
ini benar, kita dapat mengambil jumlah preferensi di antara perbandingan sebagai skor untuk stimulus
itu. Harus diingat bahwa perbandingan berpasangan memberikan data
ordinal, tetapi data yang sama dapat diubah menjadi skala interval dengan metode oL kakiAHwe dari
Hakim PerbandinganDneTdikembangkan oleh LL Thurstone. Teknik ini melibatkan konversi frekuensi
preferensi menjadi tabel proporsi yang kemudian ditransformasikan menjadiZtomatrix dengan mengacu
pada tabel luas di bawah kurva normal. JP Guilford dalam bukunya “Psychometric Methods” telah
memberikan prosedur yang relatif lebih mudah. Metode tersebut dikenal sebagaiCthHaieMetode
Standar positif dapat diilustrasikan seperti di bawah ini:
Misalkan ada empat proposal yang sedang dipertimbangkan oleh beberapa komite perunding serikat
pekerja. Komite ingin mengetahui bagaimana keanggotaan serikat memeringkat proposal ini. Untuk
tujuan ini, sampel 100 anggota dapat mengungkapkan pandangan seperti yang ditunjukkan pada
tabel berikut:
Tabel 5.1: Pola Respon 100 Anggota?? Perbandingan Berpasangan dari 4 Saran untuk Prioritas
Proposal Perundingan Serikat Pekerja
Saran
A B C D
A - 65 32 20
B 40 - 68 42
C 45 50 - 70
D 80 20 98 -
Total 165 135 168 132
Urutan peringkat 2 3 1 4
Mp 0,5375 0,4625 0,5450 0,4550
Zi 0,09 (–).09 0.11 (–).11
RJ 0,20 0,02 0,22 0.00
Membandingkan jumlah total preferensi untuk masing-masing dari empat proposal, kami fiC
ndisththaet paling populer, diikuti bAy,B danD masing-masing dalam popularitas. Urutan peringkat
yang ditunjukkan di atas tabel menjelaskan semua ini. Dengan mengikuti metode standar komposit, kita
dapat mengembangkan skala interval dari data ordinal perbandingan berpasangan yang diberikan dalam
tabel di atas untuk tujuan kita harus mengadopsi langkah-langkah berikut secara berurutan:
(i) Dengan menggunakan data dalam tabel di atas, kami menghitung rata-rata kolom dengan bantuan
rumus yang diberikan di bawah ini:
𝐶 + 5(𝑁) 165 + 5(100)
𝑀𝑝 = = = 5375
𝑛𝑁 4(100)

78
di mana
M = proporsi rata-rata kolom
C = jumlah total pilihan untuk saran yang diberikan
n= jumlah rangsangan (proposal dalam masalah yang diberikan)
n = jumlah item dalam sampel. Sarana kolom telah ditunjukkan diMbaris dalam tabel di atas
(ii) TheZ nilai untukM diamankan dari tabel yang memberikan area di bawah kurva normal. KetikaM
nilainya kurang dari .5, tZnilainya negatif dan untuk aMnilai ll lebih tinggi dari . 5, ituZ nilainya
positif*eT . nilai Z ini ditampilkanZke dalam tabel di atas.
(iii) Sebagai Z nilai mewakili skala interval, nol adalah nilai arbitrer. Oleh karena itu kita dapat
menghilangkan nilai skala negatif dengan memberikan nilai nol ke nilai skala terendah (ini adalah (–
).11 dalam contoh kita yang akan kita ambil sama dengan nol) dan kemudian menambahkan nilai
absolut dari nilai skala terendah ini ke semua item skala lainnya. Skala ini telah Rmilik sendiri baris
pada tabel di atas.
Secara grafis kita dapat menunjukkan skala interval yang telah kita peroleh dari data perbandingan
berpasangan menggunakan metode standar komposit sebagai berikut:

Gambar 5.2
Untuk menggunakan tabel luas kurva Normal untuk transformasi semacam ini, kita harus mengurangi
0,5 fMROMvaalulles yang melebihi . 5 untuk mengamankan nilai yang digunakan untuk memasukkan
tabel area kurva normal untuk Zwvhailcuhes dapat diperoleh. UntukM semua nilai kurang dari . 5 kita
harus mengurangi semua nilai tersebut dari 0,5 untuk mengamankan nilai yang digunakan untuk
memasuki tabel area kurva normal yangZ nilai dapat diperoleh tetapi tZdia nilai dalam situasi ini akan
dengan tanda negatif.
(b) Metode urutan peringkat: Di bawah metode penskalaan komparatif ini, responden ditanya: untuk
menentukan peringkat pilihan mereka. Metode ini lebih mudah dan cepat dibandingkan dengan metode
perbandingan berpasangan yang disebutkan di atas. Misalnya, dengan 10 item dibutuhkan 45
perbandingan pasangan untuk menyelesaikan tugas, sedangkan metode urutan peringkat hanya
membutuhkan peringkat 10 item saja. Masalah transitivitas (sAseperti lebih sukaB, B ke C, tetapi
Clebih sukaA) juga tidak ada jika kita mengadopsi metode urutan peringkat. Selain itu, peringkat yang
lengkap kadang-kadang tidak diperlukan dalam hal ini responden mungkin diminta untuk memberi
peringkat hanya pertama mereka, katakanlah, empat pilihan sementara jumlah item keseluruhan yang
terlibat mungkin lebih dari empat, katakanlah, mungkin 15 atau 20 atau lagi. Untuk mengamankan
peringkat sederhana dari semua item yang terlibat, kami hanya menjumlahkan nilai peringkat yang
diterima oleh setiap item. Ada metode di mana kita juga dapat mengembangkan skala interval dari data
ini. Tapi kemudian ada keterbatasan metode ini. Yang pertama adalah bahwa data yang diperoleh
melalui metode ini adalah data ordinal dan karenanya urutan peringkat adalah skala ordinal dengan
segala keterbatasannya. Kemudian mungkin ada masalah responden menjadi ceroboh dalam
menetapkan peringkat terutama bila ada banyak (biasanya lebih dari 10) item.

79
TEKNIK KONSTRUKSI SKALA
Dalam studi ilmu sosial, saat mengukur sikap orang, kita biasanya mengikuti teknik penyusunan opini
(atau skala sikap) sedemikian rupa sehingga skor tanggapan individu memberinya tempat dalam skala.
Dalam pendekatan ini, responden menyatakan setuju atau tidak setuju dengan sejumlah pernyataan yang
relevan dengan masalah. Saat mengembangkan pernyataan seperti itu, peneliti harus mencatat dua poin
berikut:
(i) Bahwa pernyataan-pernyataan tersebut harus menimbulkan tanggapan-tanggapan yang secara
psikologis berkaitan dengan sikap yang diukur;
(ii) Bahwa pernyataan-pernyataan itu perlu sedemikian rupa sehingga tidak hanya membedakan antara
sikap-sikap yang ekstrem tetapi juga di antara individu-individu yang sedikit berbeda.
Peneliti juga harus menyadari bahwa menyimpulkan sikap dari apa yang telah dicatat dalam
opini memiliki beberapa keterbatasan. Orang mungkin menyembunyikan sikap mereka dan
mengungkapkan pendapat yang dapat diterima secara sosial. Mereka mungkin tidak benar-benar tahu
bagaimana perasaan mereka tentang masalah sosial. Orang mungkin tidak menyadari sikap mereka
tentang situasi abstrak; sampai dihadapkan dengan situasi nyata, mereka mungkin tidak dapat
memprediksi reaksi mereka. Bahkan perilaku itu sendiri terkadang bukan merupakan indikasi sikap
yang sebenarnya. Misalnya, ketika politisi mencium bayi, perilaku mereka mungkin bukan ekspresi
kasih sayang yang sebenarnya terhadap bayi. Dengan demikian, tidak ada metode pasti untuk mengukur
sikap; kami hanya mencoba mengukur pendapat yang diungkapkan dan kemudian menarik kesimpulan
darinya tentang perasaan atau sikap orang yang sebenarnya. Dengan mengingat semua keterbatasan ini,
psikolog dan sosiolog telah mengembangkan beberapa teknik konstruksi skala untuk tujuan tersebut.
Peneliti harus mengetahui teknik-teknik ini sehingga dapat mengembangkan skala yang sesuai untuk
penelitiannya sendiri. Beberapa pendekatan penting, bersama dengan skala yang sesuai yang
dikembangkan di bawah setiap pendekatan untuk mengukur sikap adalah sebagai berikut:
Tabel 5.2: Skala Berbeda untuk Mengukur Sikap Orang
Nama pendekatan konstruksi skala Nama skala yang dikembangkan
1. Pendekatan sewenang-wenang Timbangan arbitrer
2. Pendekatan skala konsensus Skala diferensial (seperti skala Diferensial
Thurstone)
3. Pendekatan analisis item Skala penjumlahan (seperti Skala Likert)
Skala
4. Pendekatan skala kumulatif kumulatif (seperti Skala Guttman)
5. Pendekatan analisis faktor Skala faktor (seperti Diferensial Semantik
Osgood, Penskalaan Multidimensi, dll.)

Deskripsi singkat dari masing-masing skala yang tercantum di atas akan sangat membantu.
Skala arbitrer dikembangkan AHai n hoc D dasar dan dirancang sebagian besar melalui
pendekatan peneliti pilihan subyektif sendiri dari item. Peneliti pertama-tama mengumpulkan beberapa
pernyataan atau item yang dia yakini tidak ambigu dan sesuai dengan topik tertentu. Beberapa di
antaranya dipilih untuk dimasukkan dalam alat ukur dan kemudian orang diminta untuk memeriksa
daftar pernyataan yang mereka setujui. Kelebihan utama dari skala tersebut adalah bahwa mereka dapat
dikembangkan dengan sangat mudah, cepat dan dengan biaya yang relatif lebih sedikit. Mereka juga
dapat dirancang untuk menjadi sangat spesifik dan memadai. Karena manfaat ini, timbangan seperti itu
banyak digunakan dalam praktik. Pada saat yang sama ada beberapa keterbatasan skala ini.

80
Yang paling penting adalah bahwa kita tidak memiliki bukti objektif bahwa skala tersebut mengukur
konsep yang telah dikembangkan. Kami hanya mengandalkan wawasan dan kompetensi peneliti.
Timbangan Sewenang-wenang
Skala arbitrer dikembangkan AHai n hoc D dasar dan dirancang sebagian besar melalui pendekatan
peneliti pilihan subyektif sendiri dari item. Peneliti pertama-tama mengumpulkan beberapa pernyataan
atau item yang dia yakini tidak ambigu dan sesuai dengan topik tertentu. Beberapa di antaranya dipilih
untuk dimasukkan dalam alat ukur dan kemudian orang diminta untuk memeriksa daftar pernyataan
yang mereka setujui. Kelebihan utama dari skala tersebut adalah bahwa mereka dapat
dikembangkan dengan sangat mudah, cepat dan dengan biaya yang relatif lebih sedikit. Mereka juga
dapat dirancang untuk menjadi sangat spesifik dan memadai. Karena manfaat ini, timbangan seperti itu
banyak digunakan dalam praktik. Pada saat
yang sama ada beberapa keterbatasan skala ini. Yang paling penting adalah bahwa kita tidak memiliki
bukti objektif bahwa skala tersebut mengukur konsep yang telah dikembangkan. Kami hanya
mengandalkan wawasan dan kompetensi peneliti.
Timbangan Diferensial (atau Timbangan tipe Thurstone)
Nama LL Thurstone dikaitkan dengan skala diferensial yang telah dikembangkan dengan menggunakan
pendekatan skala konsensus. Di bawah pendekatan seperti itu, pemilihan item dilakukan oleh panel juri
yang mengevaluasi item dalam hal apakah item tersebut relevan dengan area topik dan implikasinya
tidak ambigu. Prosedur detailnya seperti di bawah ini:
(a) Peneliti mengumpulkan sejumlah besar pernyataan, biasanya dua puluh atau lebih, yang
mengungkapkan berbagai sudut pandang terhadap kelompok, institusi, ide, atau praktik (yaitu,
pernyataan yang termasuk dalam area topik).
(b) Pernyataan-pernyataan ini kemudian diajukan kepada majelis hakim, yang masing-masing
menyusunnya dalam sebelas kelompok atau tumpukan mulai dari satu posisi ekstrem ke posisi ekstrem
lainnya. Masing-masing hakim diminta untuk menempatkan secara umum di tumpukan pertama
pernyataan yang menurutnya paling tidak menguntungkan untuk masalah ini, di tumpukan kedua untuk
menempatkan pernyataan yang menurutnya paling tidak menguntungkan berikutnya dan dia terus
melakukannya dengan cara ini sampai di tumpukan kesebelas dia meletakkan pernyataan yang dia
anggap paling menguntungkan.
(c) Penyortiran oleh masing-masing juri ini menghasilkan posisi gabungan untuk masing-masing item.
inm casrkeeodf ketidaksepakatan antara hakim dalam menetapkan posisi untuk item, item yang
dibuang.
(d) Untuk item yang dipertahankan, masing-masing diberi nilai skala median antara satu dan sebelas
yang ditetapkan oleh panel. Dengan kata lain, nilai skala dari satu pernyataan dihitung sebagai posisi
'median' yang ditetapkan oleh kelompok juri.
(e) Sebuah pilihan akhir dari pernyataan kemudian dibuat. Untuk tujuan ini diambil sampel pernyataan,
yang skor mediannya tersebar merata dari satu ekstrem ke ekstrem lainnya. Pernyataan yang dipilih,
merupakan skala akhir yang akan diberikan kepada responden. Posisi setiap pernyataan pada skala sama
dengan yang ditentukan oleh juri.

81
Setelah mengembangkan skala seperti yang dinyatakan di atas, responden diminta selama pemberian
skala untuk memeriksa pernyataan yang mereka setujui. Nilai median dari pernyataan yang mereka
periksa bekerja dan ini menetapkan skor mereka atau mengkuantifikasi pendapat mereka. Dapat dicatat
bahwa dalam instrumen yang sebenarnya, pernyataan-pernyataan disusun dalam urutan nilai skala yang
acak. Jika nilai-nilai itu valid dan jika pemberi pendapat hanya berurusan dengan satu dimensi sikap,
responden tipikal akan memilih satu atau beberapa item yang berdekatan (dalam hal nilai skala) untuk
mencerminkan pandangannya. Namun, terkadang divergensi dapat terjadi ketika sebuah pernyataan
muncul untuk menyentuh dimensi sikap yang berbeda. Metode Thurstone telah banyak digunakan untuk
mengembangkan skala diferensial yang digunakan untuk mengukur sikap terhadap beragam isu seperti
perang, agama, dll. Skala tersebut dianggap paling tepat dan dapat diandalkan bila digunakan untuk
mengukur satu sikap. Tetapi penghalang penting untuk penggunaannya adalah biaya dan upaya yang
diperlukan untuk mengembangkannya. Kelemahan lain dari skala tersebut adalah bahwa nilai yang
diberikan pada berbagai pernyataan oleh hakim dapat mencerminkan sikap mereka sendiri. Metode ini
tidak sepenuhnya objektif; itu melibatkan proses keputusan akhirnya subjektif. Kritik terhadap metode
ini juga berpendapat bahwa beberapa desain skala lain memberikan lebih banyak informasi tentang
sikap responden dibandingkan dengan skala diferensial.
Timbangan Summated (atau Timbangan tipe Likert)
Skala summated (atau skala tipe Likert) dikembangkan dengan memanfaatkan pendekatan analisis item
dimana item tertentu dievaluasi berdasarkan seberapa baik membedakan antara orang-orang yang skor
totalnya tinggi dan mereka yang skornya rendah. Item atau pernyataan yang paling memenuhi tes
diskriminasi semacam ini termasuk dalam instrumen akhir.
Jadi, summated scales terdiri dari sejumlah pernyataan yang mengungkapkan sikap baik atau tidak
menyenangkan terhadap objek tertentu yang diminta untuk direaksikan oleh responden. Responden
menunjukkan persetujuan atau ketidaksetujuannya terhadap setiap pernyataan dalam instrumen. Setiap
tanggapan diberi skor numerik, yang menunjukkan suka atau tidak sukanya, dan skor dijumlahkan
untuk mengukur sikap responden. Dengan kata lain, skor keseluruhan merepresentasikan posisi
responden pada rangkaian favourable-unfavourableness terhadap suatu isu.
Skala summated yang paling sering digunakan dalam studi sikap sosial mengikuti pola yang dibuat oleh
Likert. Untuk alasan ini mereka sering disebut sebagai skala tipe Likert. Dalam skala Likert, responden
diminta untuk menanggapi setiap pernyataan dalam beberapa derajat, biasanya lima derajat (tetapi
kadang-kadang 3 atau 7 juga dapat digunakan) persetujuan atau ketidaksetujuan. Misalnya, ketika
diminta untuk menyatakan pendapat apakah seseorang menganggap pekerjaannya cukup
menyenangkan, responden dapat menjawab dengan salah satu cara berikut: (i) sangat setuju, (ii) setuju,
(iii) ragu-ragu, (iv) tidak setuju, ( v) sangat tidak setuju.
Kami menemukan bahwa lima poin ini merupakan skala. Pada satu skala ekstrim ada
kesepakatan yang kuat dengan pernyataan yang diberikan dan di sisi lain, ketidaksepakatan yang kuat,
dan di antara mereka terdapat titik tengah. Kita dapat mengilustrasikannya seperti di bawah ini:

Gambar 5.3

82
Setiap poin pada skala membawa skor. Tanggapan yang menunjukkan tingkat kepuasan kerja yang
paling tidak disukai diberi skor paling sedikit (katakanlah 1) dan yang paling baik diberi skor tertinggi
(katakanlah 5). Skor ini—nilai biasanya tidak dicetak pada instrumen tetapi ditampilkan di sini hanya
untuk menunjukkan pola penilaian. Teknik penskalaan Likert, dengan demikian, memberikan nilai
skala untuk masing-masing dari lima tanggapan. Hal yang sama dilakukan untuk setiap pernyataan
dalam instrumen. Dengan cara ini instrumen menghasilkan skor total untuk setiap responden, yang
kemudian akan mengukur kesukaan responden terhadap sudut pandang yang diberikan. Jika instrumen
terdiri dari, katakanlah 30 pernyataan, nilai skor berikut akan terungkap.
30 × 5 = 150 Respon yang paling disukai
mungkin 30 × 3 = 90 Sikap netral
30 × 1 = 30 Sikap paling tidak menyenangkan.
Skor untuk setiap individu akan jatuh antara 30 dan 150. Jika skor kebetulan berada di atas 90,
itu menunjukkan pendapat yang menguntungkan untuk sudut pandang yang diberikan, skor di
bawah 90 berarti pendapat yang tidak menguntungkan dan skor tepat 90 akan menunjukkan sikap
netral.
Prosedur: Prosedur untuk mengembangkan skala tipe Likert adalah sebagai berikut:
(i) Sebagai langkah pertama, peneliti mengumpulkan sejumlah besar pernyataan yang relevan
dengan sikap yang dipelajari dan masing-masing pernyataan mengungkapkan kesukaan atau
ketidaksukaan yang pasti terhadap sudut pandang atau sikap tertentu dan jumlah pernyataan yang
disukai dan tidak disukai. pernyataan yang tidak menguntungkan kira-kira sama.
(ii) Setelah pernyataan-pernyataan telah dikumpulkan, tes percobaan harus diberikan kepada
sejumlah mata pelajaran. Dengan kata lain, sekelompok kecil orang, dari mereka yang akan
dipelajari akhirnya, diminta untuk menunjukkan tanggapan mereka terhadap setiap pernyataan
dengan memeriksa salah satu kategori setuju atau tidak setuju dengan menggunakan skala lima poin
seperti yang disebutkan di atas.
(iii) Tanggapan terhadap berbagai pernyataan diberi skor sedemikian rupa sehingga tanggapan yang
menunjukkan sikap paling baik diberi skor tertinggi 5 dan dengan sikap paling tidak menyenangkan
diberi skor terendah, katakanlah, 1.
(iv) Kemudian total skor masing-masing responden diperoleh dengan menjumlahkan skor yang
diperolehnya untuk pernyataan-pernyataan tersendiri.
(v) Langkah selanjutnya adalah menyusun skor total ini dan menemukan pernyataan-pernyataan
yang memiliki daya diskriminatif tinggi. Untuk tujuan ini, peneliti dapat memilih beberapa bagian
dari skor total tertinggi dan terendah, katakanlah 25 persen teratas dan 25 persen terbawah. Kedua
kelompok ekstrim ini ditafsirkan untuk mewakili sikap yang paling disukai dan paling tidak disukai
dan digunakan sebagai kelompok kriteria yang digunakan untuk mengevaluasi pernyataan individu.
Ini cara kita menentukan pernyataan mana yang secara konsisten berkorelasi dengan kesukaan
rendah dan mana dengan kesukaan tinggi.
(vi) Hanya pernyataan-pernyataan yang berkorelasi dengan tes total yang harus dipertahankan
dalam instrumen akhir dan semua yang lain harus dibuang darinya.

83
Keuntungan:Skala tipe Likert memiliki beberapa keunggulan. Sebutkan dapat dibuat dari yang
penting.
(a) Relatif mudah untuk membangun skala tipe Likert dibandingkan dengan skala tipe Thurstone
karena skala tipe Likert dapat dilakukan tanpa panel juri.
(b) Skala tipe likert dianggap lebih reliabel karena di bawahnya responden menjawab setiap
pernyataan yang dimasukkan dalam instrumen. Dengan demikian ia juga memberikan lebih banyak
informasi dan data daripada skala tipe Thurstone.
(c) Setiap pernyataan, termasuk dalam skala tipe Likert, diberikan tes empiris untuk kemampuan
membedakan dan dengan demikian, tidak seperti skala tipe Thurstone, skala tipe Likert
mengizinkan penggunaan pernyataan yang tidak terkait secara nyata (memiliki hubungan langsung)
dengan sikap yang dipelajari.
(d) Skala tipe likert dapat dengan mudah digunakan dalam studi yang berpusat pada responden dan
yang berpusat pada stimulus yaitu, melalui itu kita dapat mempelajari bagaimana tanggapan
berbeda antara orang-orang dan bagaimana tanggapan berbeda antara rangsangan.
(e) Skala tipe likert membutuhkan waktu yang jauh lebih sedikit untuk dibangun, sering digunakan
oleh mahasiswa penelitian opini. Apalagi telah dilaporkan dalam berbagai penelitian*
stthuadtiethsere adalah tingkat korelasi yang tinggi antara skala tipe Likert dan skala tipe Thurstone.
Batasan: Ada beberapa batasan skala tipe Likert juga. Satu batasan penting adalah bahwa, dengan
skala ini, kita dapat dengan mudah memeriksa apakah responden lebih atau kurang menyukai suatu
topik, tetapi kita tidak dapat mengatakan seberapa banyak atau kurang mereka. Tidak ada dasar
untuk percaya bahwa lima posisi yang ditunjukkan pada skala memiliki jarak yang sama. Interval
antara 'sangat setuju' dan 'setuju', tidak boleh sama dengan interval antara 'setuju' dan 'ragu-ragu'.
Ini berarti bahwa skala Likert tidak lebih tinggi daripada skala ordinal, sedangkan perancang skala
Thurstone mengklaim skala Thurstone sebagai skala interval. Satu kelemahan lebih lanjut adalah
bahwa seringkali skor total dari seorang responden tidak memiliki arti yang jelas karena skor total
yang diberikan dapat diperoleh dengan berbagai pola jawaban. Kecil kemungkinannya bahwa
responden dapat secara sah bereaksi terhadap pernyataan singkat pada formulir tercetak tanpa
adanya situasi kualifikasi kehidupan nyata. Selain itu, “tetap ada kemungkinan bahwa orang dapat
menjawab menurut apa yang mereka pikir seharusnya mereka rasakan daripada apa yang mereka
rasakan.4 Kelemahan khusus skala tipe Likert ini dipenuhi dengan menggunakan skala kumulatif
yang akan kita bahas nanti dalam bab ini. Terlepas dari semua
keterbatasan, skala summated tipe Likert dianggap sebagai yang paling berguna dalam situasi di
mana dimungkinkan untuk membandingkan skor responden dengan distribusi skor dari beberapa
kelompok yang didefinisikan dengan baik. Mereka sama-sama berguna ketika kita peduli dengan
program perubahan atau peningkatan dalam hal ini kita dapat menggunakan skala untuk mengukur
sikap sebelum dan sesudah program perubahan atau peningkatan untuk menilai apakah upaya kita
memiliki efek yang diinginkan. Kita juga dapat mengkorelasikan skor pada skala dengan ukuran
lain tanpa memperhatikan nilai absolut dari apa yang menguntungkan dan apa yang tidak
menguntungkan. Semua ini menjelaskan popularitas skala tipe Likert dalam studi sosial yang
berkaitan dengan pengukuran sikap.

84
Skala kumulatif:Skala kumulatif atau analisis skalogram Louis Guttman, seperti skala lainnya, terdiri
dari serangkaian pernyataan di mana seorang responden menyatakan setuju atau tidak setuju. Ciri
khusus dari skala jenis ini adalah bahwa pernyataan di dalamnya membentuk deret kumulatif. Dengan
kata lain, ini berarti bahwa pernyataan terkait satu sama lain sedemikian rupa sehingga seorang individu,
yang menjawab dengan baik untuk mengatakan item No. 3, juga menjawab dengan baik untuk item No.
2 dan 1, dan orang yang menjawab dengan baik untuk item No. item No. 4 juga menjawab dengan baik
untuk item No. 3, 2 dan 1, dan seterusnya. Dengan demikian, seorang individu yang sikapnya pada titik
tertentu dalam skala kumulatif akan menjawab dengan baik semua item di satu sisi poin ini, dan
menjawab tidak menyenangkan semua item di sisi lain poin ini. Skor individu dihitung dengan
menghitung jumlah poin mengenai jumlah pernyataan yang dijawabnya dengan baik. Jika seseorang
mengetahui skor total ini, seseorang dapat memperkirakan bagaimana seorang responden menjawab
pernyataan individu yang merupakan skala kumulatif. Skala utama dari jenis skala kumulatif ini adalah
skalogram Guttman. Kami mencoba deskripsi singkat yang sama di bawah ini.
Tabel 5.3: Pola Respon dalam Analisis Skalogram
Nomor barang Skor
4 3 2 1 Responden
x x x x 4
- x x x 3
- - x x 2
- - - - 1
- - - x 0
X = Setuju – = Tidak setuju
Teknik yang dikembangkan oleh Louis Guttman dikenal sebagai analisis skalogram, atau
kadang-kadang hanya 'analisis skala'. Analisis skalogram mengacu pada prosedur untuk menentukan
apakah satu set item membentuk skala unidimensional. Sebuah skala dikatakan unidimensional jika
tanggapan jatuh ke dalam pola di mana pengesahan item yang mencerminkan posisi ekstrim
menghasilkan juga dalam mendukung semua item yang kurang ekstrim. Di bawah teknik ini, responden
diminta untuk menunjukkan sehubungan dengan setiap item apakah mereka setuju atau tidak setuju
dengannya, dan jika item-item ini membentuk skala unidimensional, pola responsnya akan seperti di
bawah ini:
Skor 4 berarti bahwa responden setuju dengan semua pernyataan yang menunjukkan sikap yang paling
menguntungkan. Tetapi skor 3 berarti bahwa responden tidak setuju dengan butir 4, tetapi dia setuju
dengan yang lainnya. Dengan cara yang sama seseorang dapat menginterpretasikan nilai-nilai lain dari
skor responden. Pola ini mengungkapkan bahwa semesta konten dapat diskalakan.
Prosedur: Prosedur untuk mengembangkan scalogram dapat diuraikan seperti di bawah ini:
(a) Alam semesta konten harus didefinisikan terlebih dahulu. Dengan kata lain, kita harus menetapkan
secara jelas masalah yang ingin kita bahas dalam penelitian kita.
(b) Langkah selanjutnya adalah mengembangkan sejumlah item yang berkaitan dengan masalah dan
menghilangkan dengan inspeksi item-item yang ambigu, tidak relevan atau yang kebetulan menjadi
item yang terlalu ekstrim.

85
(c) Langkah ketiga terdiri dari pra-pengujian item untuk menentukan apakah masalah yang dihadapi
dapat diskalakan (Pretest, seperti yang disarankan oleh Guttman, harus mencakup 12 item atau lebih,
sedangkan skala akhir mungkin hanya memiliki 4 hingga 6 item. Demikian pula, jumlah responden
dalam prates mungkin kecil, katakanlah 20 atau 25 tetapi skala akhir harus melibatkan responden yang
relatif lebih banyak, katakanlah 100 atau lebih).
Dalam pretest responden diminta untuk mencatat pendapat mereka pada semua item yang dipilih
menggunakan skala 5 poin tipe Likert, mulai dari 'sangat setuju' hingga 'sangat tidak setuju'. Respons
yang paling disukai diberi skor 5, sedangkan respons paling tidak disukai diberi skor 1. Dengan
demikian, skor total dapat berkisar, jika semuanya ada 15 item, dari 75 untuk yang paling disukai hingga
15 untuk yang paling tidak disukai. Opini responden kemudian disusun berdasarkan skor total untuk
analisis dan evaluasi. Jika respons suatu item membentuk skala kumulatif, skor kategori responsnya
harus menurun secara berurutan seperti yang ditunjukkan pada tabel di atas. Kegagalan menunjukkan
pola penurunan tersebut berarti terjadi tumpang tindih yang menunjukkan bahwa butir soal yang
bersangkutan bukan butir soal skala kumulatif yang baik yakni butir soal memiliki makna lebih dari
satu. Terkadang tumpang tindih dalam tanggapan kategori dapat dikurangi dengan menggabungkan
kategori. Setelah menganalisis hasil pretest, beberapa item, katakanlah 5 item, dapat dipilih.
(d) Langkah selanjutnya adalah sekali lagi menjumlahkan skor untuk berbagai pendapat, dan
menyusunnya kembali untuk mencerminkan setiap pergeseran dalam urutan, yang dihasilkan dari
pengurangan item, katakanlah, dari 15 pada prates menjadi, katakanlah, 5 untuk skala akhir. Hasil
pretest akhir dapat ditabulasikan dalam bentuk tabel yang diberikan pada Tabel 5.4.
Tabel 5.4: Hasil Pretest Akhir dalam Analisis Skalogram
Jenis Barang Kesalaha Jumla Jumlah
skala 5 12 3 10 7 n h kesalaha
Per kasus kasus n
5 (sempurna) x x x x x 0 7 0
4 (sempurna) - x x x x 0 3 0
(bukan skala) - x x x x 1 1 1
(bukan skala) - x x - x 1 2 2
3 (sempurna) - - x x x 0 5 0
2 (sempurna) - - - x x 0 2 0
1 (sempurna) - - - - x 0 1 0
(bukan skala) - - x - - 2 1 2
(bukan skala) - - x - - 2 1 2
0 (sempurna) - - - - - 0 2 0
n=5 N=25 E=7
(Angka-angka dalam tabel adalah arbitrer dan telah digunakan untuk menjelaskan proses tabulasi
saja.)
Tabel menunjukkan bahwa lima item (penomoran 5, 12, 3, 10 dan 7) telah dipilih untuk skala akhir.
Jumlah responden adalah 25 yang tanggapannya terhadap berbagai item telah ditabulasikan beserta
jumlah kesalahannya. Jenis skala sempurna adalah yang jawaban respondennya sesuai dengan pola
yang akan direproduksi dengan menggunakan skor total orang tersebut sebagai n.jenis panduan.
skalaASadalah yang pola kategorinya berbeda dari itu diharapkan dari total skor responden yaitu,
kasus non-skala memiliki penyimpangan dari unidimensionality atau kesalahan.

86
 Apakah item (atau serangkaian pernyataan) yang dipilih untuk skala akhir dapat dianggap sebagai
kumulatif sempurna (atau skala unidimensional), kita harus memeriksanya berdasarkan koefisien
reproduktifitas. Guttman telah menetapkan 0,9 sebagai tingkat reproduktifitas minimum untuk
mengatakan bahwa skala memenuhi uji unidimensionalitas. Dia telah memberikan rumus berikut
untuk mengukur tingkat reproduktifitas:
Koefisien Reproduksibilitas Guttman = 1e-/n(n) di mana
e = jumlah kesalahan
n = jumlah item
n = jumlah kasus Untuk gambar tabel di atas,
Koefisien Reproduksibilitas = 1 – 7/5(25) = .94
Ini menunjukkan bahwa item nomor 5, 12, 3, 10 dan 7 dalam urutan ini merupakan skala
kumulatif atau unidimensional, dan dengan ini kita dapat mereproduksi tanggapan untuk setiap item,
hanya mengetahui skor total dari responden yang bersangkutan. Skalogram, analisis, seperti teknik
skala lainnya, memiliki beberapa kelebihan dan juga keterbatasan. Salah satu keuntungannya adalah
memastikan bahwa hanya satu dimensi sikap yang diukur. Penilaian subjektif peneliti tidak boleh
merayap dalam pengembangan skala karena skala ditentukan oleh jawaban responden. Kemudian, kami
hanya membutuhkan sejumlah kecil item yang membuat skala seperti itu mudah dikelola. Analisis
skalogram dapat digunakan dengan tepat untuk survei pribadi, telepon atau surat. Kesulitan utama
dalam menggunakan teknik penskalaan ini adalah bahwa dalam praktiknya skala kumulatif sempurna
atau skala unidimensional sangat jarang ditemukan dan kita hanya perlu menggunakan pendekatannya
untuk mengujinya melalui koefisien reproduktifitas atau memeriksanya berdasarkan beberapa kriteria
lain. Metode ini bukan metode yang sering digunakan karena alasan sederhana bahwa prosedur
pengembangannya membosankan dan kompleks. Skala seperti itu hampir tidak menjadi dasar yang
dapat diandalkan untuk menilai sikap orang terhadap objek yang kompleks untuk memprediksi respons
perilaku individu terhadap objek tersebut. Secara konseptual, analisis ini sedikit lebih sulit
dibandingkan dengan metode penskalaan lainnya.
Skala Faktor*
Skala faktor dikembangkan melalui analisis faktor atau atas dasar interkorelasi item yang menunjukkan
bahwa faktor umum menjelaskan hubungan antar item. Skala faktor sangat berguna dalam mengungkap
dimensi sikap laten dan penskalaan pendekatan melalui konsep ruang atribut multidimensi tepat dengan
jagat konten yang multi-dimensi dan bagaimana mengungkap dimensi yang mendasari (laten) yang
belum diidentifikasi, ditangani melalui skala faktor. Skala faktor penting berdasarkan analisis
faktorSSayaeSDiferensial mantik(SD) dan yang lainnya adalah Scalin Multidimensi.GKami
memberikan di bawah ini penjelasan singkat tentang skala faktor ini.
Skala diferensial semantikS:skala diferensial emantik atau skala SD yang
dikembangkan oleh Charles E. Osgood, GJ Suci dan PH Tannenbaum (1957), merupakan upaya untuk
mengukur makna psikologis suatu objek bagi individu. Skala ini didasarkan pada anggapan bahwa suatu
objek dapat memiliki dimensi makna konotatif yang berbeda yang dapat ditempatkan dalam ruang
properti multidimensi, atau yang dapat disebut ruang semantik dalam konteks skala SD. Skala ini terdiri
dari satu set skala peringkat bipolar, biasanya 7 poin, dimana satu atau lebih responden menilai satu
atau lebih konsep pada setiap item skala. Misalnya, item skala SD untuk menganalisis kandidat untuk
posisi kepemimpinan dapat ditunjukkan seperti di bawah ini:

87
 Gambar 5.4
Kandidat untuk posisi kepemimpinan (bersama dengan konsepnya—kandidat 'ideal') dapat
dibandingkan dan kami dapat menilai mereka dari +3 hingga -3 berdasarkan skala yang disebutkan di
atas. (Surat-surat,E, P, A menunjukkan faktor yang relevan yaitu, evaluasi, potensi dan aktivitas
masing-masing, ditulis di sebelah kiri tidak ditulis dalam skala sebenarnya. Demikian pula nilai numerik
yang ditampilkan juga tidak ditulis dalam skala sebenarnya.) Osgood dan lain-lain memang
menghasilkan daftar beberapa pasangan kata sifat untuk tujuan penelitian sikap dan menyimpulkan
bahwa ruang semantik adalah multidimensi daripada unidimensional. Mereka melakukan upaya yang
tulus dan akhirnya menemukan bahwa tiga faktor, yaitu, evaluasi, potensi dan aktivitas, berkontribusi
paling besar terhadap penilaian yang bermakna oleh responden. Dimensi evaluasi umumnya
menyumbang 1/2 dan 3/4 dari varians yang dapat diekstraksi dan dua faktor lainnya memperhitungkan
keseimbangan.
Prosedur: Berbagai langkah yang terlibat dalam mengembangkan skala SD adalah sebagai berikut:
(a) Pertama-tama konsep yang akan dipelajari dipilih. Konsep biasanya dipilih berdasarkan penilaian
pribadi, dengan tetap memperhatikan sifat masalah.
(b) Langkah selanjutnya adalah memilih skala dengan mengingat kriteria komposisi faktor dan kriteria
relevansi skala dengan konsep yang dinilai (adalah praktik umum untuk menggunakan setidaknya tiga
skala untuk setiap faktor dengan bantuan yang skor faktor rata-rata harus dikerjakan). Satu lagi kriteria
yang harus diperhatikan adalah bahwa skala harus stabil di seluruh mata pelajaran dan konsep.
(c) Kemudian panel juri digunakan untuk menilai berbagai rangsangan (atau objek) pada berbagai skala
yang dipilih dan tanggapan dari semua juri kemudian akan digabungkan untuk menentukan skala
komposit. Untuk menyimpulkan, “SD memiliki sejumlah keunggulan khusus. Ini adalah cara yang
efisien dan mudah untuk mengamankan sikap dari sampel yang besar. Sikap-sikap ini dapat diukur baik
dalam arah maupun intensitas. Kumpulan total tanggapan memberikan gambaran yang komprehensif
tentang makna suatu objek, serta ukuran subjek yang melakukan penilaian. Ini adalah teknik standar
yang mudah diulang, tetapi lolos dari banyak masalah distorsi respons yang ditemukan dengan metode
yang lebih langsung.
Penskalaan multidimensi: Penskalaan multidimensi (MDS) adalah perangkat penskalaan yang
relatif lebih rumit, tetapi dengan penskalaan semacam ini seseorang dapat menskalakan objek, individu,
atau keduanya dengan informasi yang minimal. Penskalaan multidimensi (atau MDS) dapat dicirikan
sebagai seperangkat prosedur untuk menggambarkan dimensi perseptual atau afektif dari minat
substantif. Ini "menyediakan metodologi yang berguna untuk menggambarkan penilaian subjektif dari
beragam kerabat"7dM SD” S digunakan ketika semua variabel (apakah metrik atau non-metrik) dalam
sebuah penelitian harus dianalisis secara bersamaan dan semua variabel tersebut kebetulan independen.
Asumsi yang mendasari dalam MDS adalah bahwa orang (responden) “mempersepsikan sekumpulan
objek sebagai kurang lebih mirip satu sama lain pada sejumlah dimensi (biasanya tidak berkorelasi satu
sama lain) bukan hanya pada8eT.”melalui teknik MDS seseorang dapat merepresentasikan secara
geometris lokasi dan hubungan timbal balik antara satu set poin.
Sebenarnya, teknik-teknik ini berusaha untuk menemukan titik-titik, dengan memberikan informasi
tentang serangkaian jarak antartitik, dalam ruang satu atau lebih dimensi seperti untuk meringkas
informasi yang terkandung dalam jarak antartitik. Jarak dalam ruang solusi kemudian secara optimal
mencerminkan jarak yang terdapat dalam data input. Misalnya, jika objek, katakanx dan kamu,
dianggap oleh responden sebagai yang paling mirip dibandingkan dengan semua kemungkinan
pasangan objek lainnya, teknik MDS akan memposisikan objekx ctsandkamu sedemikian rupa sehingga
jarak antara mereka dalam ruang multidimensi lebih pendek daripada antara dua objek lainnya.
88
 Dua pendekatan, yaitu, pendekatan metrik dan pendekatan non-metrik, biasanya dibicarakan
dalam konteks MDS, ketika mencoba untuk membangun sebuah wadah ruang.M inihal oles sedemikian
rupa sehingga M(M - 1)/2 jarak antar titik mencerminkan data masukan.M NSeependekatan trik untuk
MDSmemperlakukan masukan data sebagai data skala interval dan menyelesaikan penerapan metode
statistik untuk aditif meminimalkan dimensi ruang solusi. Pendekatan ini memanfaatkan semua
informasi dalam data dalam memperoleh solusi. Data (yaitu, kesamaan metrik objek) sering diperoleh
pada skala kesamaan bipolar di mana pasangan objek dinilai satu per satu. Jika data mencerminkan
jarak yang tepat antara objek nyata diRA - ruang dnimensional, solusi mereka akan mereproduksi
himpunan jarak antar titik. Tetapi karena data yang benar dan nyata jarang tersedia, kami memerlukan
prosedur acak dan sistematis untuk mendapatkan solusi. Umumnya, kesamaan yang dinilai di antara
sekumpulan objek secara statistik diubah menjadi jarak dengan menempatkan objek-objek tersebut
dalam ruang multidimensi dari beberapa dimensi.
Spendekatan non-metrik pertama-tama kumpulkan kesamaan non-metrik dengan meminta
responden untuk memberi peringkat mengurutkan semua kemungkinan pasangan yang dapat diperoleh
dari sekumpulan objek. Data non-metrik tersebut kemudian diubah menjadi beberapa ruang metrik
arbitrer dan kemudian solusinya diperoleh dengan mengurangi dimensi. Dengan kata lain, pendekatan
non-metrik ini mencari “representasi titik-titik dalam ruang berdimensi minimum sedemikian rupa
sehingga urutan peringkat jarak antartitik dalam ruang solusi secara maksimal sesuai dengan data. Hal
ini dicapai dengan hanya mensyaratkan bahwa jarak dalam solusi menjadi monoton dengan input
da9taT.”Pendekatan non-metrik telah menjadi terkenal selama tahun enam puluhan dengan munculnya
komputer berkecepatan tinggi untuk menghasilkan solusi metrik untuk data input ordinal. Signifikansi
MDS terletak pada kenyataan bahwa hal itu memungkinkan peneliti untuk mempelajari “struktur
persepsi dari serangkaian rangsangan dan proses kognitif yang mendasari perkembangan struktur ini.
Psikolog, misalnya, menggunakan teknik skala multidimensi dalam upaya untuk mengukur rangsangan
psikofisik dan untuk menentukan label yang sesuai untuk dimensi di mana rangsangan ini bervariasi.10
Teknik MDS, pada kenyataannya, menghilangkan kebutuhan dalam proses pengumpulan data untuk
menentukan atribut di mana beberapa merek, katakanlah dari produk tertentu, dapat dibandingkan
karena pada akhirnya analisis MDS itu sendiri mengungkapkan atribut tersebut. yang mungkin
mendasari persamaan relatif yang diekspresikan di antara objek-objek. Dengan demikian, MDS
merupakan alat penting dalam pengukuran sikap dan teknik yang termasuk dalam MDS menjanjikan
“kemajuan besar dari serangkaian pengukuran unidimensional (misalnya, distribusi intensitas perasaan
terhadap atribut tunggal seperti warna, rasa atau peringkat preferensi dengan tak tentu. interval), ke
pemetaan persepsi dalam ruang multidimensi objek ... citra perusahaan, merek iklan,1e1tc.”Terlepas
dari semua kelebihan yang disebutkan di atas, MDS tidak banyak digunakan karena komplikasi
komputasi yang terlibat di dalamnya. Banyak dari metodenya yang cukup melelahkan baik dari segi
koleksinya data dan analisis selanjutnya. Namun, beberapa kemajuan telah dicapai (karena upaya
perintis Paul Green dan rekan-rekannya) selama beberapa tahun terakhir dalam penggunaan MDS non-
metrik dalam konteks masalah riset pasar. Teknik telah diterapkan secara khusus dalam "menemukan
dimensi persepsi, dan jarak rangsangan sepanjang dimensi ini, yang digunakan orang dalam membuat
penilaian tentang kesamaan relatif dari pasangan Stim.

Pertanyaan

1. Apa pengertian pengukuran dalam penelitian? Apa bedanya apakah kita mengukur dalam skala
nominal, ordinal, interval atau rasio? Jelaskan dengan memberikan contoh.
2. Apakah Anda setuju dengan pernyataan berikut? Jika ya, berikan alasannya:
(1) Validitas lebih penting untuk pengukuran daripada reliabilitas.
(2) Aspek stabilitas dan ekivalensi reliabilitas pada dasarnya memiliki arti yang sama.
(3) Validitas isi adalah jenis validitas yang paling sulit ditentukan.
(4) Tidak ada perbedaan antara pengembangan konsep dan spesifikasi konsep.
89
(5) Pengukuran yang reliabel tentu merupakan pengukuran yang valid.
3. Tunjukkan kemungkinan sumber kesalahan dalam pengukuran. Menjelaskan pengujian
pengukuran bunyi.
4. Apakah data nominal, ordinal, interval atau rasio berikut? Jelaskan jawaban Anda.
(a) Suhu diukur pada skala Kelvin.
(b) Pangkat militer.
(c) Nomor jaminan sosial.
(d) Jumlah penumpang bus dari Delhi ke Mumbai
(e) Nomor kode yang diberikan kepada agama orang yang mencoba bunuh diri.
5. Diskusikan kelebihan dan kekurangan relatif dari:
(a) Peringkat vs. Skala peringkat.
(b) Summated vs. Skala kumulatif.
(c) Analisis skalogramvadalahS. Analisis faktor.
6. Tabel berikut menunjukkan hasil uji preferensi perbandingan berpasangan empat minuman
dingin dari sampel 200 orang:
Nama Coca Cola Limca tempat emas Jempol ke atas
Coca Cola - 60* 105 45
Limca 160 - 150 70
tempat emas 75 40 - 65
Jempol ke atas 165 120 145 -
(a) Bagaimana peringkat merek-merek ini dalam preferensi keseluruhan dalam sampel yang
diberikan.
(b) Kembangkan skala interval untuk empat jenis minuman dingin.

90
7. (1) Ceritakan prosedur untuk mengembangkan skalogram dan ilustrasikan hal yang sama dengan
sebuah contoh.
(2) Koefisien reproduktifitas Guttman dari informasi berikut: Jumlah kasusn() = 30 Jumlah itemn()
= 6 Jumlah kesalahane() = 10
Tafsirkan arti koefisien yang Anda kerjakan dalam contoh ini.
8. Tulis catatan singkat tentang:
(a) Skala diferensial semantik;
(b) analisis skalogram;
(c) skala tipe Likert;
(d) Timbangan arbitrer;
(e) Penskalaan multidimensi (MDS).
9. Jelaskan berbagai metode konstruksi skala, tunjukkan kelebihan dan kekurangan masing-masing.
10. “Penskalaan menggambarkan prosedur di mana angka ditetapkan ke berbagai tingkat pendapat,
sikap, dan konsep lainnya. Membahas. Juga tunjukkan dasar untuk klasifikasi skala.

91
 6. Metode Pengumpulan Data
Tugas pengumpulan data dimulai setelah masalah penelitian didefinisikan dan desain/rencana
penelitian dibuat. Saat memutuskan tentang metode pengumpulan data yang akan digunakan untuk
penelitian ini, peneliti harus mengingat dua jenis data yaitu, primer dan sekunder. Data primer adalah
data yang dikumpulkan baru dan untuk pertama kalinya, sehingga kebetulan sifatnya asli. Sedangkan
data sekunder adalah data yang telah dikumpulkan oleh orang lain dan telah melalui proses statistik.
Peneliti harus memutuskan jenis data mana yang akan dia gunakan (dengan demikian mengumpulkan)
untuk studinya dan karenanya dia harus memilih satu atau metode pengumpulan data lainnya. Metode
pengumpulan data primer dan sekunder berbeda karena data primer harus dikumpulkan pada awalnya,
sedangkan dalam kasus data sekunder, sifat pengumpulan data hanyalah kompilasi. Kami menjelaskan
metode pengumpulan data yang berbeda, dengan pro dan kontra dari masing-masing metode.
PENGUMPULAN DATA UTAMA
Kami mengumpulkan data primer selama melakukan eksperimen dalam penelitian eksperimental tetapi
jika kami melakukan penelitian dengan jenis deskriptif dan melakukan survei, baik survei sampel atau
survei sensus, maka kami dapat memperoleh data primer baik melalui observasi atau melalui
komunikasi langsung dengan responden dalam satu atau lain bentuk atau melalui wawancara pribadi.*
Ini, dengan kata lain, berarti * Eksperimen mengacu pada penyelidikan di mana faktor atau variabel
yang diuji diisolasi dan pengaruhnya diukur. Dalam sebuah eksperimen, penyelidik mengukur efek dari
eksperimen yang dia lakukan dengan sengaja. Survei mengacu pada metode mengamankan informasi
mengenai suatu fenomena yang diteliti dari semua atau sejumlah responden yang dipilih dari alam
semesta yang bersangkutan. Dalam sebuah survei, penyelidik memeriksa fenomena-fenomena yang ada
di alam semesta terlepas dari tindakannya. Perbedaan antara eksperimen dan survei dapat digambarkan
seperti di bawah ini:

bahwa ada beberapa metode pengumpulan data primer, khususnya dalam survei dan penelitian
deskriptif. Yang penting adalah: (i) metode observasi, (ii) metode wawancara, (iii) melalui kuesioner,
(iv) melalui jadwal, dan (v) metode lain yang meliputi (a) kartu garansi; (b) audit distributor; (c) audit
dapur; (d) panel konsumen; (e) menggunakan alat mekanis; (f) melalui teknik proyektif; (g) wawancara
mendalam, dan (h) analisis isi. Kami secara singkat mengambil setiap metode secara terpisah.

92
Metode Pengamatan
Metode observasi merupakan metode yang paling umum digunakan khususnya dalam studi-studi yang
berkaitan dengan ilmu-ilmu perilaku. Di satu sisi kita semua mengamati hal-hal di sekitar kita, tetapi
pengamatan semacam ini bukanlah pengamatan ilmiah. Observasi menjadi alat ilmiah dan metode
pengumpulan data bagi peneliti, ketika melayani tujuan penelitian yang dirumuskan, direncanakan dan
dicatat secara sistematis dan tunduk pada pemeriksaan dan kontrol validitas dan reliabilitas. Dalam
metode observasi, informasi dicari dengan cara observasi langsung peneliti sendiri tanpa bertanya
kepada responden. Misalnya, dalam penelitian yang berkaitan dengan perilaku konsumen, penyidik
alih-alih menanyakan merek jam tangan yang digunakan oleh responden, dapat melihat sendiri jam
tangan tersebut. Keuntungan utama dari metode ini adalah bahwa bias subjektif dihilangkan, jika
pengamatan dilakukan secara akurat. Kedua, informasi yang diperoleh dengan metode ini berkaitan
dengan apa yang sedang terjadi; itu tidak rumit baik oleh perilaku masa lalu atau niat atau sikap di masa
depan. Ketiga, metode ini tidak bergantung pada kesediaan responden untuk menanggapi dan dengan
demikian relatif kurang menuntut kerjasama aktif dari pihak responden seperti yang terjadi dalam
wawancara atau metode kuesioner. Metode ini sangat cocok dalam studi yang berhubungan dengan
subjek (yaitu, responden) yang tidak mampu memberikan laporan verbal tentang perasaan mereka
karena satu dan lain alasan.
Namun, metode observasi memiliki berbagai keterbatasan. Pertama, ini adalah metode yang
mahal. Kedua, informasi yang diberikan oleh metode ini sangat terbatas. Ketiga, terkadang faktor yang
tidak terduga dapat mengganggu tugas pengamatan.
Kadang-kadang, fakta bahwa beberapa orang jarang dapat diakses untuk pengamatan langsung
menciptakan hambatan bagi metode ini untuk mengumpulkan data secara efektif. Saat menggunakan
metode ini, peneliti harus mengingat hal-hal seperti: Apa yang harus diamati? Bagaimana pengamatan
harus dicatat? Atau bagaimana keakuratan pengamatan dapat dipastikan? Dalam hal pengamatan
dicirikan oleh definisi yang cermat dari unit-unit yang akan diamati, gaya pencatatan informasi yang
diamati, kondisi pengamatan yang dibakukan dan pemilihan data pengamatan yang bersangkutan, maka
pengamatan tersebut disebut sebagai pengamatan terstruktur. Tetapi bila pengamatan dilakukan tanpa
ciri-ciri ini untuk dipikirkan terlebih dahulu, hal yang sama disebut sebagai pengamatan tidak
terstruktur. Observasi terstruktur dianggap tepat dalam studi deskriptif, sedangkan dalam studi
eksplorasi prosedur observasi kemungkinan besar relatif tidak terstruktur.
Kita sering membicarakan jenis observasi partisipan dan non partisipan dalam konteks kajian,
khususnya ilmu-ilmu sosial. Perbedaan ini tergantung pada berbagi atau tidaknya si pengamat dalam
kehidupan kelompok yang dia amati. Jika pengamat mengamati dengan menjadikan dirinya sendiri,
kurang lebih, sebagai anggota kelompok yang diamatinya sehingga ia dapat mengalami apa yang
dialami oleh anggota kelompok tersebut, maka pengamatan tersebut disebut sebagai observasi
partisipan. Tetapi ketika pengamat mengamati sebagai utusan yang terpisah tanpa ada upaya dari
pihaknya untuk mengalami melalui partisipasi apa yang orang lain rasakan, pengamatan jenis ini sering
disebut sebagai pengamatan non-peserta.
Ada beberapa manfaat dari tipe observasi partisipan: (i) Peneliti dimungkinkan untuk merekam
perilaku alami kelompok. (ii) Peneliti bahkan dapat mengumpulkan informasi yang tidak dapat
diperoleh dengan mudah jika ia mengamati dengan cara yang tidak tertarik. (iii) Peneliti bahkan dapat
memverifikasi kebenaran pernyataan yang dibuat oleh informan dalam konteks kuesioner atau jadwal.
Tetapi ada juga kerugian tertentu dari jenis pengamatan ini yaitu, pengamat dapat kehilangan
objektivitas sejauh ia berpartisipasi secara emosional; masalah pengawasan-kontrol tidak terpecahkan;
dan mungkin mempersempit rentang pengalaman peneliti.

93
 Terkadang kita berbicara tentang pengamatan yang terkendali dan tidak terkendali. Jika
pengamatan berlangsung di alam, itu dapat disebut sebagai pengamatan tidak terkendali, tetapi bila
pengamatan berlangsung menurut rencana tertentu yang telah diatur sebelumnya, yang melibatkan
prosedur eksperimental, hal yang sama kemudian disebut pengamatan terkontrol. Dalam observasi non-
kontrol, tidak ada usaha yang dilakukan untuk menggunakan instrumen presisi. Tujuan utama dari jenis
pengamatan ini adalah untuk mendapatkan gambaran spontan tentang kehidupan dan orang-orang. Ia
memiliki kecenderungan untuk memberikan kealamian dan kelengkapan perilaku, memberikan waktu
yang cukup untuk mengamatinya. Namun dalam observasi terkontrol, kami menggunakan instrumen
mekanis (atau presisi) sebagai alat bantu untuk akurasi dan standarisasi. Pengamatan semacam itu
memiliki kecenderungan untuk menyediakan data yang diformalkan di mana generalisasi dapat
dibangun dengan tingkat kepastian tertentu. Perangkap utama dari observasi yang tidak terkontrol
adalah interpretasi subjektif. Ada juga bahaya memiliki perasaan bahwa kita tahu lebih banyak tentang
fenomena yang diamati daripada yang sebenarnya kita ketahui. Umumnya, observasi terkontrol terjadi
dalam berbagai eksperimen yang dilakukan di laboratorium atau di bawah kondisi terkontrol, sedangkan
observasi tidak terkontrol digunakan dalam kasus penelitian eksplorasi.
Metode Wawancara
Metode pengumpulan data wawancara melibatkan penyajian rangsangan lisan-verbal dan jawaban
dalam bentuk tanggapan lisan-verbal. Metode ini dapat digunakan melalui wawancara pribadi dan, jika
mungkin, melalui wawancara telepon.
(a) Wawancara pribadi: Metode wawancara pribadi mengharuskan seseorang yang dikenal sebagai
pewawancara mengajukan pertanyaan yang umumnya dalam kontak tatap muka dengan orang atau
orang lain. (Kadang-kadang orang yang diwawancarai juga dapat mengajukan pertanyaan tertentu dan
pewawancara menanggapinya, tetapi biasanya pewawancara memulai wawancara dan mengumpulkan
informasi.) Wawancara semacam ini mungkin dalam bentuk penyelidikan pribadi langsung atau
mungkin penyelidikan lisan tidak langsung . Dalam hal investigasi pribadi langsung, pewawancara
harus mengumpulkan informasi secara pribadi dari sumber yang bersangkutan. Dia harus berada di
tempat dan harus bertemu orang-orang dari siapa data harus dikumpulkan. Metode ini sangat cocok
untuk investigasi intensif. Tetapi dalam kasus-kasus tertentu mungkin tidak mungkin atau bermanfaat
untuk menghubungi secara langsung orang-orang yang bersangkutan atau karena lingkup penyelidikan
yang luas, teknik penyelidikan pribadi langsung tidak boleh digunakan. Dalam kasus seperti itu,
pemeriksaan lisan tidak langsung dapat dilakukan di mana pewawancara harus memeriksa silang orang
lain yang dianggap memiliki pengetahuan tentang masalah yang diselidiki dan informasi yang diperoleh
dicatat. Sebagian besar komisi dan komite yang ditunjuk oleh pemerintah untuk melakukan investigasi
menggunakan metode ini.
Metode pengumpulan informasi melalui wawancara pribadi biasanya dilakukan secara
terstruktur. Karena itu kami menyebut wawancara sebagai wawancara terstruktur. Wawancara semacam
itu melibatkan penggunaan serangkaian pertanyaan yang telah ditentukan sebelumnya dan teknik
perekaman yang sangat standar. Dengan demikian, pewawancara dalam wawancara terstruktur
mengikuti prosedur kaku yang ditetapkan, mengajukan pertanyaan dalam bentuk dan urutan yang
ditentukan. Sebaliknya, wawancara tidak terstruktur dicirikan oleh fleksibilitas pendekatan untuk
bertanya. Wawancara tidak terstruktur tidak mengikuti sistem pertanyaan yang telah ditentukan
sebelumnya dan teknik standar pencatatan informasi. Dalam wawancara tidak terstruktur, pewawancara
diberi kebebasan yang jauh lebih besar untuk bertanya, jika diperlukan, pertanyaan tambahan atau
kadang-kadang ia dapat menghilangkan pertanyaan tertentu jika situasinya mengharuskan. Dia bahkan
dapat mengubah urutan pertanyaan. Dia memiliki kebebasan yang relatif lebih besar saat merekam
tanggapan untuk memasukkan beberapa aspek dan mengecualikan yang lain.
Tetapi fleksibilitas semacam ini menghasilkan kurangnya perbandingan satu wawancara
dengan yang lain dan analisis tanggapan tidak terstruktur menjadi jauh lebih sulit dan memakan waktu
daripada tanggapan terstruktur yang diperoleh dalam kasus wawancara terstruktur. Wawancara tidak
terstruktur juga menuntut pengetahuan yang mendalam dan keterampilan yang lebih besar dari pihak
pewawancara. Wawancara tidak terstruktur, bagaimanapun, kebetulan menjadi teknik utama
94
pengumpulan informasi dalam kasus studi penelitian eksplorasi atau formulatif. Namun dalam studi
deskriptif, kita cukup sering menggunakan teknik wawancara terstruktur karena lebih ekonomis,
memberikan dasar yang aman untuk generalisasi dan membutuhkan keterampilan yang relatif lebih
rendah dari pihak pewawancara.
Kita mungkin juga berbicara tentang wawancara terfokus, wawancara klinis dan wawancara
non-direktif. Wawancara terfokus dimaksudkan untuk memusatkan perhatian pada pengalaman yang
diberikan responden dan efeknya. Di bawahnya pewawancara memiliki kebebasan untuk memutuskan
cara dan urutan pertanyaan yang akan diajukan dan juga memiliki kebebasan untuk mengeksplorasi
alasan dan motif. Tugas utama pewawancara dalam hal wawancara terfokus adalah membatasi
responden pada diskusi tentang isu-isu yang ingin ia bicarakan. Wawancara semacam itu umumnya
digunakan dalam pengembangan hipotesis dan merupakan jenis utama dari wawancara tidak terstruktur.
Wawancara klinis berkaitan dengan perasaan atau motivasi mendasar yang luas atau dengan perjalanan
pengalaman hidup individu. Metode memperoleh informasi di bawahnya umumnya diserahkan kepada
kebijaksanaan pewawancara. Dalam kasus wawancara non-direktif, fungsi pewawancara hanya untuk
mendorong responden untuk berbicara tentang topik yang diberikan dengan minimal pertanyaan
langsung. Pewawancara sering bertindak sebagai katalis untuk ekspresi komprehensif perasaan dan
keyakinan responden dan kerangka acuan di mana perasaan dan keyakinan tersebut memiliki makna
pribadi. Terlepas dari variasi dalam teknik wawancara, keuntungan dan kelemahan utama dari
wawancara pribadi dapat disebutkan secara umum. Manfaat utama dari metode wawancara adalah
sebagai berikut: Metode memperoleh informasi di bawahnya umumnya diserahkan kepada
kebijaksanaan pewawancara. Dalam kasus wawancara non-direktif, fungsi pewawancara hanya untuk
mendorong responden untuk berbicara tentang topik yang diberikan dengan minimal pertanyaan
langsung. Pewawancara sering bertindak sebagai katalis untuk ekspresi komprehensif perasaan dan
keyakinan responden dan kerangka acuan di mana perasaan dan keyakinan tersebut memiliki makna
pribadi. Terlepas dari variasi dalam teknik wawancara, keuntungan dan kelemahan utama dari
wawancara pribadi dapat disebutkan secara umum. Manfaat utama dari metode wawancara adalah
sebagai berikut: Metode memperoleh informasi di bawahnya umumnya diserahkan kepada
kebijaksanaan pewawancara. Dalam kasus wawancara non-direktif, fungsi pewawancara hanya untuk
mendorong responden untuk berbicara tentang topik yang diberikan dengan minimal pertanyaan
langsung. Pewawancara sering bertindak sebagai katalis untuk ekspresi komprehensif perasaan dan
keyakinan responden dan kerangka acuan di mana perasaan dan keyakinan tersebut memiliki makna
pribadi. Terlepas dari variasi dalam teknik wawancara, keuntungan dan kelemahan utama dari
wawancara pribadi dapat disebutkan secara umum. Manfaat utama dari metode wawancara adalah
sebagai berikut: fungsi pewawancara hanya untuk mendorong responden untuk berbicara tentang topik
yang diberikan dengan minimal pertanyaan langsung. Pewawancara sering bertindak sebagai katalis
untuk ekspresi komprehensif perasaan dan keyakinan responden dan kerangka acuan di mana perasaan
dan keyakinan tersebut memiliki makna pribadi. Terlepas dari variasi dalam teknik wawancara,
keuntungan dan kelemahan utama dari wawancara pribadi dapat disebutkan secara umum. Manfaat
utama dari metode wawancara adalah sebagai berikut: fungsi pewawancara hanya untuk mendorong
responden untuk berbicara tentang topik yang diberikan dengan minimal pertanyaan langsung.
Pewawancara sering bertindak sebagai katalis untuk ekspresi komprehensif perasaan dan keyakinan
responden dan kerangka acuan di mana perasaan dan keyakinan tersebut memiliki makna pribadi.

95
 Terlepas dari variasi dalam teknik wawancara, keuntungan dan kelemahan utama dari
wawancara pribadi dapat disebutkan secara umum. Manfaat utama dari metode wawancara adalah
sebagai berikut:
i. Informasi lebih lanjut dan itu juga secara lebih mendalam dapat diperoleh.

ii. Pewawancara dengan keahliannya sendiri dapat mengatasi penolakan, jika ada, dari responden;
metode wawancara dapat dibuat untuk menghasilkan sampel populasi umum yang hampir
sempurna.

iii. Ada fleksibilitas yang lebih besar di bawah metode ini karena kesempatan untuk
merestrukturisasi pertanyaan selalu ada, khususnya dalam hal wawancara tidak terstruktur.

iv. Metode observasi juga dapat diterapkan untuk merekam jawaban verbal atas berbagai
pertanyaan.

v. Informasi pribadi juga dapat diperoleh dengan mudah dengan metode ini.

vi. Sampel dapat dikontrol lebih efektif karena tidak ada kesulitan pengembalian yang hilang; non-
respons umumnya tetap sangat rendah.

vii. Pewawancara biasanya dapat mengontrol orang mana yang akan menjawab pertanyaan. Ini
tidak mungkin dalam pendekatan kuesioner yang dikirimkan. Jika diinginkan, diskusi
kelompok juga dapat diadakan.

viii. Pewawancara dapat menangkap informan lengah dan dengan demikian dapat mengamankan
reaksi paling spontan daripada yang akan terjadi jika kuesioner yang dikirimkan digunakan.

ix. Bahasa wawancara dapat disesuaikan dengan kemampuan atau tingkat pendidikan orang yang
diwawancarai dan dengan demikian salah tafsir mengenai pertanyaan dapat dihindari.

x. Pewawancara dapat mengumpulkan informasi tambahan tentang karakteristik pribadi dan

lingkungan responden yang seringkali sangat berharga dalam menafsirkan hasil.

Tetapi ada juga kelemahan tertentu dari metode wawancara. Di antara kelemahan-kelemahan
yang penting, hal-hal berikut dapat disebutkan:
i. Ini adalah metode yang sangat mahal, khususnya ketika sampel geografis yang besar dan
tersebar luas diambil.

ii. Masih ada kemungkinan bias pewawancara maupun responden; ada juga masih sakit kepala
pengawasan dan kontrol pewawancara.

iii. Jenis responden tertentu seperti pejabat atau eksekutif penting atau orang-orang dalam
kelompok berpenghasilan tinggi mungkin tidak mudah didekati dengan metode ini dan sejauh
itu data mungkin terbukti tidak memadai.

iv. Metode ini relatif lebih memakan waktu, terutama bila sampelnya besar dan perlu dilakukan
recall terhadap responden.

v. Kehadiran pewawancara di tempat mungkin terlalu merangsang responden, kadang-kadang

bahkan sampai ia memberikan informasi imajiner hanya untuk membuat wawancara menjadi
menarik.

vi. Di bawah metode wawancara, organisasi yang dibutuhkan untuk menyeleksi, melatih dan
mengawasi staf lapangan lebih kompleks dengan masalah yang berat.

vii. Wawancara kadang-kadang juga dapat menimbulkan kesalahan sistematis.

96
viii. Wawancara yang efektif mengandaikan hubungan yang tepat dengan responden yang akan
memfasilitasi tanggapan yang bebas dan jujur. Ini seringkali merupakan persyaratan yang
sangat sulit.

Prasyarat dan prinsip dasar wawancara: Untuk keberhasilan penerapan metode wawancara,
pewawancara harus dipilih, dilatih, dan diberi pengarahan dengan cermat. Mereka harus jujur, tulus,
pekerja keras, tidak memihak dan harus memiliki kompetensi teknis dan pengalaman praktis yang
diperlukan. Pemeriksaan lapangan sesekali harus dilakukan untuk memastikan bahwa pewawancara
tidak curang, atau menyimpang dari instruksi yang diberikan kepada mereka untuk melakukan
pekerjaan mereka secara efisien. Selain itu, beberapa ketentuan juga harus dibuat sebelumnya sehingga
tindakan yang tepat dapat diambil jika beberapa responden yang dipilih menolak untuk bekerja sama
atau tidak tersedia saat pewawancara memanggil mereka.
Faktanya, wawancara adalah seni yang diatur oleh prinsip-prinsip ilmiah tertentu. Segala upaya
harus dilakukan untuk menciptakan suasana saling percaya dan percaya diri yang bersahabat, sehingga
responden dapat merasa nyaman saat berbicara dan berdiskusi dengan pewawancara. Pewawancara
harus mengajukan pertanyaan dengan benar dan cerdas dan harus mencatat tanggapan secara akurat dan
lengkap. Pada saat yang sama, pewawancara harus menjawab pertanyaan yang sah, jika ada, yang
diajukan oleh responden dan harus menghilangkan keraguan yang dimiliki responden. Pendekatan
pewawancara harus ramah, sopan, percakapan dan tidak memihak. Pewawancara tidak boleh
menunjukkan keterkejutan atau ketidaksetujuan atas jawaban responden tetapi dia harus menjaga arah
wawancara di tangannya sendiri, menghindari percakapan yang tidak relevan dan harus berusaha
semaksimal mungkin untuk menjaga agar responden tetap pada jalurnya.
(b) Wawancara telepon: Metode pengumpulan informasi ini terdiri dari menghubungi responden
melalui telepon itu sendiri. Ini bukan metode yang sangat banyak digunakan, tetapi memainkan peran
penting dalam survei industri, terutama di daerah maju. Manfaat utama dari sistem semacam itu adalah:
i. Lebih fleksibel dibandingkan dengan metode pengiriman surat.

ii. Lebih cepat dari metode lain yaitu cara cepat untuk mendapatkan informasi.

iii. Lebih murah daripada metode wawancara pribadi; di sini biaya per respons relatif rendah.

iv. Mengingat itu mudah; panggilan balik sederhana dan ekonomis.

v. Ada tingkat respons yang lebih tinggi daripada yang kami miliki dalam metode pengiriman;
non-respon umumnya sangat rendah.

vi. Balasan dapat direkam tanpa menimbulkan rasa malu bagi responden.

vii. Pewawancara dapat menjelaskan persyaratan dengan lebih mudah.

viii. Kadang-kadang, akses dapat diperoleh kepada responden yang tidak dapat dihubungi karena
satu dan lain hal.

ix. Tidak diperlukan staf lapangan.

x. Distribusi sampel yang representatif dan lebih luas dimungkinkan.

Tetapi sistem pengumpulan informasi ini tidak lepas dari kekurangan. Beberapa di antaranya
mungkin disorot.
1. Sedikit waktu yang diberikan kepada responden untuk dipertimbangkan jawaban; periode wawancara
tidak lebih dari lima menit dalam banyak kasus.
2. Survei dibatasi pada responden yang memiliki fasilitas telepon.
3. Cakupan geografis yang luas mungkin dibatasi oleh pertimbangan biaya.
97
4. Tidak cocok untuk survei intensif di mana jawaban yang komprehensif diperlukan untuk berbagai
pertanyaan.
5. Kemungkinan bias dari pewawancara relatif lebih banyak. 6. Pertanyaan harus singkat dan to the
point; probe sulit untuk ditangani.
PENGUMPULAN DATA MELALUI KUESIONER
Metode pengumpulan data ini cukup populer, terutama dalam hal pertanyaan besar. Itu diadopsi oleh
individu swasta, pekerja penelitian, organisasi swasta dan publik dan bahkan oleh pemerintah. Dalam
metode ini kuesioner dikirim (biasanya melalui pos) kepada orang yang bersangkutan dengan
permintaan untuk menjawab pertanyaan dan mengembalikan kuesioner. Kuesioner terdiri dari sejumlah
pertanyaan yang dicetak atau diketik dalam urutan tertentu pada formulir atau kumpulan formulir.
Kuesioner dikirimkan kepada responden yang diharapkan membaca dan memahami pertanyaan dan
menuliskan jawabannya di tempat yang dimaksudkan untuk tujuan dalam kuesioner itu sendiri.
Responden harus menjawab pertanyaan mereka sendiri.
Metode pengumpulan data dengan mengirimkan kuesioner kepada responden paling banyak
digunakan dalam berbagai survei ekonomi dan bisnis. Manfaat yang diklaim atas nama metode ini
adalah sebagai berikut:
i. Ada biaya rendah bahkan ketika alam semesta besar dan tersebar luas secara geografis

ii. Bebas dari bias pewawancara; jawaban dengan kata-kata responden sendiri.

iii. Responden memiliki waktu yang cukup untuk memberikan jawaban yang dipikirkan dengan
matang.

iv. Responden yang tidak mudah didekati juga dapat dijangkau dengan nyaman.

v. Sampel besar dapat digunakan dan dengan demikian hasilnya dapat dibuat lebih dapat
diandalkan dan dapat diandalkan.

Kerugian utama dari sistem ini juga dapat dicantumkan di sini:

i. Tingkat pengembalian yang rendah dari kuesioner yang diisi dengan benar; bias karena tidak
ada respon seringkali tidak pasti.

ii. Ini hanya dapat digunakan jika responden berpendidikan dan bekerja sama.

iii. Kontrol atas kuesioner mungkin hilang setelah dikirim.

iv. Ada ketidakfleksibelan bawaan karena kesulitan mengubah pendekatan setelah kuesioner
dikirim.

v. Ada juga kemungkinan jawaban ambigu atau penghilangan jawaban sama sekali untuk
pertanyaan tertentu; interpretasi dari kelalaian sulit.

vi. Sulit untuk mengetahui apakah responden yang bersedia benar-benar representatif.

vii. Metode ini mungkin yang paling lambat dari semuanya.

Sebelum menggunakan metode ini, selalu disarankan untuk melakukan 'pilot study' (Survei
Percontohan) untuk menguji kuesioner. Dalam penyelidikan besar, pentingnya survei percontohan
sangat terasa. Survei percontohan sebenarnya merupakan replika dan latihan dari survei utama. Survei
semacam itu, yang dilakukan oleh para ahli, mengungkap kelemahan (jika ada) kuesioner dan juga
teknik survei. Dari pengalaman yang diperoleh dengan cara ini, perbaikan dapat dilakukan. Aspek

98
utama dari kuesioner: Cukup sering kuesioner dianggap sebagai jantung dari operasi survei. Oleh karena
itu harus sangat hati-hati dibangun. Jika tidak diatur dengan benar, maka survei pasti akan gagal. Fakta
ini mengharuskan kita untuk mempelajari aspek-aspek utama dari kuesioner yaitu, bentuk umum, urutan
pertanyaan dan perumusan pertanyaan dan kata-kata.
1. Bentuk Umum: Sejauh menyangkut bentuk umum kuesioner, dapat berupa kuesioner terstruktur atau
tidak terstruktur. Kuesioner terstruktur adalah kuesioner yang didalamnya terdapat pertanyaan-
pertanyaan yang pasti, konkrit dan sudah ditentukan sebelumnya. Pertanyaan-pertanyaan disajikan
dengan kata-kata yang persis sama dan dalam urutan yang sama kepada semua responden. Resor dibawa
ke standarisasi semacam ini untuk memastikan bahwa semua responden menjawab serangkaian
pertanyaan yang sama.
Bentuk pertanyaan dapat berupa tertutup (yaitu, dari jenis 'ya' atau 'tidak') atau terbuka (yaitu,
mengundang tanggapan bebas) tetapi harus dinyatakan terlebih dahulu dan tidak dibangun selama
pertanyaan. Kuesioner terstruktur mungkin juga memiliki pertanyaan alternatif tetap di mana tanggapan
informan terbatas pada alternatif yang dinyatakan. Jadi kuesioner yang sangat terstruktur adalah
kuesioner di mana semua pertanyaan dan jawaban ditentukan dan komentar dengan kata-kata responden
sendiri diminimalkan. Ketika karakteristik ini tidak ada dalam kuesioner, itu dapat disebut sebagai
kuesioner tidak terstruktur atau tidak terstruktur. Lebih khusus lagi, kita dapat mengatakan bahwa dalam
kuesioner tidak terstruktur, pewawancara diberikan panduan umum tentang jenis informasi yang akan
diperoleh, tetapi perumusan pertanyaan yang tepat sebagian besar merupakan tanggung jawabnya
sendiri dan jawabannya harus dicatat di tangan responden. kata-kata sendiri sejauh mungkin; dalam
beberapa situasi tape recorder dapat digunakan untuk mencapai tujuan ini.
Kuesioner terstruktur sederhana untuk dikelola dan relatif murah untuk dianalisis. Penyediaan
jawaban alternatif, kadang-kadang, membantu memahami maksud pertanyaan dengan jelas. Tetapi
kuesioner semacam itu juga memiliki keterbatasan. Misalnya, berbagai macam data dan itu juga dengan
kata-kata responden sendiri tidak dapat diperoleh dengan kuesioner terstruktur. Mereka biasanya
dianggap tidak pantas dalam penyelidikan di mana tujuannya adalah untuk menyelidiki sikap dan alasan
untuk tindakan atau perasaan tertentu. Mereka sama-sama tidak cocok ketika masalah pertama kali
dieksplorasi dan hipotesis kerja dicari. Dalam situasi seperti itu, kuesioner tidak terstruktur dapat
digunakan secara efektif. Kemudian berdasarkan hasil yang diperoleh dalam operasi pretest (pengujian
sebelum penggunaan akhir) dari penggunaan kuesioner tidak terstruktur, seseorang dapat menyusun
kuesioner terstruktur untuk digunakan dalam studi utama. berbagai macam data dan itu juga dalam kata-
kata responden sendiri tidak dapat diperoleh dengan kuesioner terstruktur. Mereka biasanya dianggap
tidak pantas dalam penyelidikan di mana tujuannya adalah untuk menyelidiki sikap dan alasan untuk
tindakan atau perasaan tertentu. Mereka sama-sama tidak cocok ketika masalah pertama kali
dieksplorasi dan hipotesis kerja dicari. Dalam situasi seperti itu, kuesioner tidak terstruktur dapat
digunakan secara efektif. Kemudian berdasarkan hasil yang diperoleh dalam operasi pretest (pengujian
sebelum penggunaan akhir) dari penggunaan kuesioner tidak terstruktur, seseorang dapat menyusun
kuesioner terstruktur untuk digunakan dalam studi utama. berbagai macam data dan itu juga dalam kata-
kata responden sendiri tidak dapat diperoleh dengan kuesioner terstruktur. Mereka biasanya dianggap
tidak pantas dalam penyelidikan di mana tujuannya adalah untuk menyelidiki sikap dan alasan untuk
tindakan atau perasaan tertentu. Mereka sama-sama tidak cocok ketika masalah pertama kali
dieksplorasi dan hipotesis kerja dicari. Dalam situasi seperti itu, kuesioner tidak terstruktur dapat
digunakan secara efektif. Kemudian berdasarkan hasil yang diperoleh dalam operasi pretest (pengujian
sebelum penggunaan akhir) dari penggunaan kuesioner tidak terstruktur, seseorang dapat menyusun
kuesioner terstruktur untuk digunakan dalam studi utama. Mereka biasanya dianggap tidak pantas
dalam penyelidikan di mana tujuannya adalah untuk menyelidiki sikap dan alasan untuk tindakan atau
perasaan tertentu. Mereka sama-sama tidak cocok ketika masalah pertama kali dieksplorasi dan
hipotesis kerja dicari. Dalam situasi seperti itu, kuesioner tidak terstruktur dapat digunakan secara
efektif. Kemudian berdasarkan hasil yang diperoleh dalam operasi pretest (pengujian sebelum
penggunaan akhir) dari penggunaan kuesioner tidak terstruktur, seseorang dapat menyusun kuesioner
terstruktur untuk digunakan dalam studi utama. Mereka biasanya dianggap tidak pantas dalam
penyelidikan di mana tujuannya adalah untuk menyelidiki sikap dan alasan untuk tindakan atau
99
perasaan tertentu. Mereka sama-sama tidak cocok ketika masalah pertama kali dieksplorasi dan
hipotesis kerja dicari. Dalam situasi seperti itu, kuesioner tidak terstruktur dapat digunakan secara
efektif. Kemudian berdasarkan hasil yang diperoleh dalam operasi pretest (pengujian sebelum
penggunaan akhir) dari penggunaan kuesioner tidak terstruktur, seseorang dapat menyusun kuesioner
terstruktur untuk digunakan dalam studi utama.
2. Urutan pertanyaan: Untuk mengefektifkan kuesioner dan memastikan kualitas jawaban yang
diterima, peneliti harus memperhatikan urutan pertanyaan dalam menyusun kuesioner. Urutan
pertanyaan yang tepat sangat mengurangi kemungkinan pertanyaan individu disalahpahami. Urutan
pertanyaan harus jelas dan bergerak dengan lancar, artinya hubungan satu pertanyaan dengan
pertanyaan lain harus mudah terlihat oleh responden, dengan pertanyaan yang paling mudah dijawab
diletakkan di awal. Beberapa pertanyaan pertama sangat penting karena kemungkinan besar akan
mempengaruhi sikap responden dan dalam mencari kerjasama yang diinginkannya. Pertanyaan
pembuka harus sedemikian rupa sehingga membangkitkan minat manusia.
i. pertanyaan yang terlalu membebani ingatan atau kecerdasan responden;

ii. pertanyaan tentang karakter pribadi;

iii. pertanyaan terkait kekayaan pribadi, dll.

Setelah pertanyaan pembuka, kita harus memiliki pertanyaan yang benar-benar penting untuk
masalah penelitian dan benang penghubung harus dijalankan melalui pertanyaan yang berurutan.
Idealnya, urutan pertanyaan harus sesuai dengan cara berpikir responden. Mengetahui informasi apa
yang diinginkan, peneliti dapat mengatur ulang urutan pertanyaan (hal ini dimungkinkan dalam kasus
kuesioner tidak terstruktur) agar sesuai dengan diskusi dalam setiap kasus tertentu. Namun dalam
kuesioner terstruktur, hal terbaik yang dapat dilakukan adalah menentukan urutan pertanyaan dengan
bantuan Survei Percontohan yang kemungkinan akan menghasilkan hubungan baik dengan sebagian
besar responden. Pertanyaan yang relatif sulit harus diturunkan menjelang akhir sehingga bahkan jika
responden memutuskan untuk tidak menjawab pertanyaan seperti itu, informasi yang cukup akan
diperoleh. Dengan demikian, pertanyaan-urutan biasanya harus pergi dari umum ke yang lebih spesifik
dan peneliti harus selalu ingat bahwa jawaban atas pertanyaan yang diberikan adalah fungsi tidak hanya
dari pertanyaan itu sendiri, tetapi dari semua pertanyaan sebelumnya juga. Misalnya, jika satu
pertanyaan berkaitan dengan harga yang biasanya dibayarkan untuk kopi dan pertanyaan berikutnya
dengan alasan untuk memilih merek tertentu, jawaban untuk pertanyaan terakhir ini mungkin sebagian
besar ditulis dalam hal perbedaan harga.
3. Rumusan pertanyaan dan kata-kata: Berkenaan dengan aspek kuesioner ini, peneliti harus mencatat
bahwa setiap pertanyaan harus sangat jelas karena segala jenis kesalahpahaman dapat merusak survei.
Pertanyaan juga harus tidak memihak agar tidak memberikan gambaran yang bias tentang keadaan
sebenarnya. Pertanyaan harus dibangun dengan maksud untuk membentuk bagian logis dari rencana
tabulasi yang dipikirkan dengan baik. Secara umum, semua pertanyaan harus memenuhi standar
berikut—(a) harus mudah dipahami; (b) harus sederhana yaitu, harus menyampaikan hanya satu
pemikiran pada satu waktu; (c) harus konkrit dan sedapat mungkin sesuai dengan cara berpikir
responden. (Misalnya, alih-alih bertanya. "Berapa banyak silet yang Anda gunakan setiap tahun?"
Pertanyaan yang lebih realistis adalah bertanya, "Berapa banyak pisau cukur yang kamu gunakan
minggu lalu?"
Mengenai bentuk pertanyaan, kita dapat berbicara tentang dua bentuk utama, yaitu, pertanyaan
pilihan ganda dan pertanyaan terbuka. Pada jawaban pertama, responden memilih salah satu alternatif
jawaban yang mungkin diberikan kepadanya, sedangkan pada jawaban kedua dia harus memberikan
jawaban dengan kata-katanya sendiri. Pertanyaan dengan hanya dua kemungkinan jawaban (biasanya
'Ya' atau 'Tidak') dapat dianggap sebagai kasus khusus dari pertanyaan pilihan ganda, atau dapat disebut
sebagai 'pertanyaan tertutup'. Ada beberapa keuntungan dan kerugian dari setiap kemungkinan bentuk
pertanyaan. Pilihan ganda atau pertanyaan tertutup memiliki keunggulan penanganan yang mudah,

100
sederhana untuk dijawab, cepat dan relatif murah untuk dianalisis. Mereka paling setuju untuk analisis
statistik.
Kadang-kadang, penyediaan jawaban alternatif membantu memperjelas arti pertanyaan. Tetapi
kelemahan utama dari pertanyaan alternatif tetap adalah bahwa "menempatkan jawaban di mulut orang"
yaitu, mereka dapat memaksa pernyataan pendapat tentang masalah yang responden sebenarnya tidak
memiliki pendapat. Mereka tidak tepat ketika masalah yang sedang dipertimbangkan terjadi menjadi
masalah yang kompleks dan juga ketika minat peneliti adalah dalam eksplorasi suatu proses.
Dalam situasi seperti itu, pertanyaan terbuka yang dirancang untuk memungkinkan tanggapan
bebas dari responden daripada yang terbatas pada alternatif yang dinyatakan tertentu dianggap tepat.
Pertanyaan-pertanyaan seperti itu memberikan responden keleluasaan yang cukup besar dalam
menyusun jawaban. Mendapatkan jawaban dengan kata-kata responden sendiri, dengan demikian,
merupakan keuntungan utama dari pertanyaan terbuka. Tetapi kita tidak boleh lupa bahwa, dari sudut
pandang analitis, pertanyaan terbuka lebih sulit untuk ditangani, menimbulkan masalah interpretasi,
komparabilitas, dan bias pewawancara.* Dalam praktiknya, jarang ditemukan kasus ketika satu
kuesioner bergantung pada satu bentuk pertanyaan saja. Berbagai bentuk saling melengkapi. Dengan
demikian pertanyaan-pertanyaan dari berbagai bentuk dimasukkan dalam satu kuesioner tunggal.
Misalnya, pertanyaan pilihan ganda merupakan dasar dari kuesioner terstruktur, terutama dalam survei
surat. Namun meskipun demikian, berbagai pertanyaan terbuka umumnya disisipkan untuk
memberikan gambaran yang lebih lengkap tentang perasaan dan sikap responden. Peneliti harus
memberikan perhatian yang tepat pada kata-kata pertanyaan karena hasil yang andal dan bermakna
bergantung padanya untuk sebagian besar. Karena kata-kata cenderung mempengaruhi tanggapan,
mereka harus dipilih dengan benar. Kata-kata sederhana, yang akrab bagi semua responden harus
digunakan. Kata-kata dengan makna ambigu harus dihindari. Demikian pula, kata-kata berbahaya, kata-
kata serapan atau kata-kata dengan konotasi emosional harus dihindari. Kehati-hatian juga harus
dilakukan dalam penggunaan frasa yang mencerminkan prestise responden. Kata-kata pertanyaan,
dalam kasus apa pun, tidak boleh membiaskan jawabannya. Faktanya, kata-kata dan perumusan
pertanyaan adalah seni dan hanya dapat dipelajari dengan latihan. Hal-hal penting dari kuesioner yang
baik: Agar berhasil, kuesioner harus relatif pendek dan sederhana, yaitu ukuran kuesioner harus dijaga
agar tetap minimum. Pertanyaan harus dilanjutkan dalam urutan logis bergerak dari pertanyaan yang
mudah ke pertanyaan yang lebih sulit. Pertanyaan pribadi dan intim harus dibiarkan sampai akhir.
Istilah-istilah teknis dan ungkapan-ungkapan yang tidak jelas yang dapat menimbulkan interpretasi
yang berbeda harus dihindari dalam kuesioner. Pertanyaan mungkin dikotomis (jawaban ya atau tidak),
pilihan ganda (jawaban alternatif terdaftar) atau terbuka. Jenis pertanyaan terakhir seringkali sulit untuk
dianalisis dan karenanya harus dihindari dalam kuesioner sejauh mungkin. Harus ada beberapa
pertanyaan kontrol dalam kuesioner yang menunjukkan keandalan responden. Misalnya, pertanyaan
yang dirancang untuk menentukan konsumsi bahan tertentu dapat ditanyakan pertama kali dalam hal
pengeluaran keuangan dan kemudian dalam hal berat.
Pertanyaan kontrol, dengan demikian, memperkenalkan pemeriksaan silang untuk melihat
apakah informasi yang dikumpulkan benar atau tidak. Pertanyaan yang mempengaruhi sentimen
responden harus dihindari. Ruang yang memadai untuk jawaban harus disediakan dalam kuesioner
untuk membantu pengeditan dan tabulasi. Harus selalu ada ketentuan untuk indikasi ketidakpastian,
misalnya, “tidak tahu”, “tidak ada preferensi”, dan sebagainya. Petunjuk singkat sehubungan dengan
pengisian kuesioner harus selalu diberikan dalam kuesioner itu sendiri. Akhirnya, tampilan fisik
kuesioner mempengaruhi kerjasama yang peneliti terima dari penerima dan kuesioner yang terlihat
menarik, terutama dalam survei surat, merupakan poin plus untuk menjalin kerjasama. Kualitas kertas
beserta warnanya harus bagus sehingga dapat menarik perhatian penerima.
Petunjuk singkat sehubungan dengan pengisian kuesioner harus selalu diberikan dalam
kuesioner itu sendiri. Akhirnya, tampilan fisik kuesioner mempengaruhi kerjasama yang peneliti terima
dari penerima dan kuesioner yang terlihat menarik, terutama dalam survei surat, merupakan poin plus
untuk menjalin kerjasama. Kualitas kertas beserta warnanya harus bagus sehingga dapat menarik
perhatian penerima. Petunjuk singkat sehubungan dengan pengisian kuesioner harus selalu diberikan

101
dalam kuesioner itu sendiri. Akhirnya, tampilan fisik kuesioner mempengaruhi kerjasama yang peneliti
terima dari penerima dan kuesioner yang terlihat menarik, terutama dalam survei surat, merupakan poin
plus untuk menjalin kerjasama. Kualitas kertas beserta warnanya harus bagus sehingga dapat menarik
perhatian penerima.

PENGUMPULAN DATA MELALUI JADWAL

Metode pengumpulan data ini sangat mirip dengan pengumpulan data melalui kuesioner, dengan sedikit
perbedaan yang terletak pada fakta bahwa jadwal (proforma berisi serangkaian pertanyaan) diisi oleh
pencacah yang ditunjuk khusus untuk itu. Pencacah ini beserta jadwalnya, mendatangi responden,
mengajukan pertanyaan dari proforma sesuai urutan daftar pertanyaan dan mencatat jawaban di tempat
yang dimaksudkan untuk hal yang sama di proforma. Dalam situasi tertentu, jadwal dapat diserahkan
kepada responden dan pencacah dapat membantu mereka dalam mencatat jawaban mereka atas berbagai
pertanyaan dalam jadwal tersebut. Enumerator menjelaskan tujuan dan objek penyelidikan dan juga
menghilangkan kesulitan yang mungkin dirasakan responden dalam memahami implikasi dari
pertanyaan tertentu atau definisi atau konsep istilah yang sulit. Metode ini mengharuskan pemilihan
pencacah untuk mengisi jadwal atau membantu responden untuk mengisi jadwal dan oleh karena itu
pencacah harus dipilih dengan sangat hati-hati. Pencacah harus dilatih untuk melakukan pekerjaan
mereka dengan baik dan sifat dan ruang lingkup penyelidikan harus dijelaskan kepada mereka secara
menyeluruh sehingga mereka dapat memahami dengan baik implikasi dari berbagai pertanyaan yang
dimasukkan ke dalam jadwal. Pencacah harus cerdas dan harus memiliki kapasitas pemeriksaan silang
untuk menemukan kebenaran. Di atas segalanya, mereka harus jujur, tulus, pekerja keras dan harus
memiliki kesabaran dan ketekunan. Metode pengumpulan data ini sangat berguna dalam penyelidikan
ekstensif dan dapat menghasilkan hasil yang cukup andal. Namun, ini sangat mahal dan biasanya
diadopsi dalam penyelidikan yang dilakukan oleh lembaga pemerintah atau oleh beberapa organisasi
besar. Sensus penduduk di seluruh dunia dilakukan melalui metode ini.
PERBEDAAN ANTARA KUESIONER DAN JADWAL
Kuesioner dan jadwal adalah metode pengumpulan data yang populer digunakan dalam survei
penelitian. Ada banyak kemiripan sifat dari kedua metode ini dan fakta ini telah membuat banyak orang
berkomentar bahwa dari sudut pandang praktis, kedua metode tersebut dapat dianggap sama. Namun
dari segi teknis ada perbedaan antara keduanya. Poin penting perbedaannya adalah sebagai berikut:
1. Kuesioner pada umumnya dikirimkan melalui pos kepada informan untuk dijawab sebagaimana
ditentukan dalam surat pengantar, tetapi sebaliknya tanpa bantuan lebih lanjut dari pengirim.
Jadwal biasanya diisi oleh peneliti atau enumerator, yang dapat menginterpretasikan pertanyaan
bila diperlukan.

2. Pengumpulan data melalui kuesioner relatif murah dan ekonomis karena kita harus
mengeluarkan uang hanya untuk menyiapkan kuesioner dan mengirimkannya ke responden. Di
sini tidak diperlukan staf lapangan. Pengumpulan data melalui skedul relatif lebih mahal karena
biaya yang cukup besar harus dikeluarkan untuk menunjuk pencacah dan mengimpor pelatihan
kepada mereka. Uang juga dihabiskan untuk menyiapkan jadwal.

3. Non-respons biasanya tinggi dalam kasus kuesioner karena banyak orang tidak merespon dan
banyak yang mengembalikan kuesioner tanpa menjawab semua pertanyaan. Bias karena non-
respons sering tetap tidak pasti. Sebaliknya, non-respons umumnya sangat rendah dalam hal
jadwal karena diisi oleh enumerator yang mampu mendapatkan jawaban atas semua pertanyaan.
Tapi tetap ada bahaya bias pewawancara dan kecurangan.

4. Dalam hal kuesioner, tidak selalu jelas siapa yang menjawab, tetapi dalam hal jadwal identitas
responden diketahui.

102
 5. Metode angket kemungkinan akan sangat lambat karena banyak responden yang tidak
mengembalikan angket tepat waktu meskipun sudah beberapa kali diingatkan, tetapi dalam hal
jadwal, informasi dikumpulkan dengan baik pada waktunya karena diisi oleh pencacah.

6. Kontak pribadi umumnya tidak memungkinkan dalam hal metode kuesioner karena kuesioner
dikirim ke responden melalui pos yang juga pada gilirannya mengembalikan hal yang sama
melalui pos. Tetapi dalam hal jadwal, kontak pribadi langsung dilakukan dengan responden.

7. Metode kuesioner hanya dapat digunakan jika responden melek huruf dan kooperatif, tetapi
dalam hal jadwal, informasi dapat dikumpulkan bahkan ketika responden buta huruf.

8. Distribusi sampel yang lebih luas dan lebih representatif dimungkinkan dengan metode
kuesioner, tetapi dalam hal jadwal biasanya masih ada kesulitan dalam mengirimkan pencacah
di wilayah yang relatif lebih luas.

9. Risiko pengumpulan informasi yang tidak lengkap dan salah relatif lebih banyak dilakukan
dengan metode kuesioner, terutama ketika orang tidak dapat memahami pertanyaan dengan
baik. Namun dalam hal jadwal, informasi yang dikumpulkan umumnya lengkap dan akurat
karena pencacah dapat menghilangkan kesulitan, jika ada, yang dihadapi responden dalam
memahami pertanyaan dengan benar. Akibatnya, informasi yang dikumpulkan melalui jadwal
relatif lebih akurat daripada yang diperoleh melalui kuesioner.

10. Keberhasilan metode angket lebih terletak pada kualitas angket itu sendiri, tetapi dalam hal
jadwal sangat tergantung pada kejujuran dan kompetensi pencacah.

11. Untuk menarik perhatian responden, tampilan fisik kuesioner harus cukup menarik, tetapi tidak
demikian halnya dengan jadwal karena diisi oleh pencacah dan bukan oleh responden.

12. Selain jadwal, metode observasi juga dapat digunakan tetapi hal seperti itu tidak mungkin
dilakukan saat pengumpulan data melalui kuesioner

BEBERAPA METODE PENGUMPULAN DATA LAINNYA

Mari kita pertimbangkan beberapa metode pengumpulan data lainnya, terutama yang digunakan oleh
rumah bisnis besar di zaman modern.
1. Kartu garansi: Kartu garansi biasanya kartu berukuran pos yang digunakan oleh dealer barang
konsumen untuk mengumpulkan informasi mengenai produk mereka. Informasi yang dicari dicetak
dalam bentuk pertanyaan pada 'kartu garansi' yang ditempatkan di dalam kemasan beserta produk
dengan permintaan kepada konsumen untuk mengisi kartu dan mengirimkannya kembali ke dealer.
2. Audit distributor atau toko: Audit distributor atau toko dilakukan oleh distributor serta manufaktur
melalui salesman mereka secara berkala. Distributor mendapatkan toko ritel diaudit melalui salesman
dan menggunakan informasi tersebut untuk memperkirakan ukuran pasar, pangsa pasar, pola pembelian
musiman dan sebagainya. Data diperoleh dalam audit tersebut bukan dengan bertanya tetapi dengan
observasi. Misalnya, dalam kasus audit toko kelontong, sampel toko dikunjungi secara berkala dan data
dicatat pada persediaan yang ada baik dengan observasi atau menyalin dari catatan toko. Audit toko
selalu merupakan operasi panel, karena penurunan estimasi penjualan dan kompilasi tren penjualan oleh
toko adalah 'raison detre' utama mereka.
3. Audit pantry: Teknik audit pantry digunakan untuk memperkirakan konsumsi sekeranjang barang di
tingkat konsumen. Dalam jenis audit ini, penyidik mengumpulkan inventarisasi jenis, jumlah, dan harga
komoditas yang dikonsumsi. Dengan demikian data audit pantry dicatat dari pemeriksaan pantry
konsumen. Biasanya tujuan audit pantry adalah untuk mengetahui tipe konsumen yang membeli produk
dan merek tertentu, dengan asumsi bahwa isi pantry secara akurat menggambarkan preferensi
konsumen. Cukup sering, audit pantry dilengkapi dengan pertanyaan langsung yang berkaitan dengan
alasan dan keadaan di mana produk tertentu dibeli dalam upaya untuk menghubungkan faktor-faktor
ini dengan kebiasaan pembelian. Audit dapur mungkin atau mungkin tidak diatur sebagai operasi panel,
103
karena satu kunjungan sering dianggap cukup untuk menghasilkan gambaran yang akurat tentang
preferensi konsumen. Keterbatasan penting dari pendekatan audit dapur adalah bahwa, kadang-kadang,
tidak mungkin untuk mengidentifikasi preferensi konsumen dari data audit saja, terutama ketika
perangkat promosi menghasilkan peningkatan penjualan yang nyata.
4. Panel konsumen: Perpanjangan dari pendekatan audit pantry secara teratur dikenal sebagai 'panel
konsumen', di mana satu set konsumen diatur untuk mencapai pemahaman untuk memelihara catatan
harian terperinci dari konsumsi mereka dan hal yang sama tersedia kepada penyidik atas tuntutan
Dengan kata lain, panel konsumen pada dasarnya adalah sampel konsumen yang diwawancarai
berulang kali selama periode waktu tertentu. Sebagian besar panel konsumsi terdiri dari dua jenis yaitu,
panel konsumen sementara dan panel konsumen berkelanjutan. Panel konsumen sementara dibentuk
untuk mengukur efek dari fenomena tertentu. Biasanya panel seperti itu dilakukan atas dasar sebelum
dan sesudah. Wawancara awal dilakukan sebelum fenomena berlangsung untuk merekam sikap
konsumen. Serangkaian wawancara kedua dilakukan setelah fenomena terjadi untuk mengetahui
konsekuensi perubahan yang mungkin terjadi pada sikap konsumen. Ini adalah alat favorit periklanan
dan penelitian sosial. Sebuah panel konsumen yang berkelanjutan sering dibentuk untuk jangka waktu
yang tidak terbatas dengan maksud untuk mengumpulkan data tentang aspek tertentu dari perilaku
konsumen dari waktu ke waktu, umumnya pada interval periodik atau mungkin dimaksudkan untuk
melayani sebagai panel tujuan umum bagi para peneliti di berbagai mata pelajaran. . Panel tersebut telah
digunakan di bidang pengeluaran konsumen, opini publik dan pendengar radio dan TV antara lain.
Sebagian besar panel ini beroperasi melalui surat. Keterwakilan panel relatif terhadap populasi dan
pengaruh keanggotaan panel pada informasi yang diperoleh setelah dua masalah utama yang terkait
dengan penggunaan metode pengumpulan data ini.
5. Penggunaan perangkat mekanis: Penggunaan perangkat mekanis telah banyak dilakukan untuk
mengumpulkan informasi dengan cara tidak langsung. Kamera mata, kamera Pupilometrik,
Psikogalvanometer, Kamera gambar bergerak, dan Audiometer adalah perangkat utama yang sejauh ini
dikembangkan dan umum digunakan oleh rumah bisnis besar modern, sebagian besar di negara maju
untuk tujuan mengumpulkan informasi yang diperlukan. Kamera mata dirancang untuk merekam fokus
mata responden pada bagian tertentu dari sketsa atau diagram atau bahan tertulis. Informasi tersebut
berguna dalam merancang materi iklan. Kamera pupilometrik merekam pelebaran pupil sebagai akibat
dari stimulus visual. Luasnya pelebaran menunjukkan derajat minat yang dibangkitkan oleh stimulus.
Psikogalvanometer digunakan untuk mengukur tingkat kegembiraan tubuh sebagai akibat dari stimulus
visual. Kamera gambar bergerak dapat digunakan untuk merekam pergerakan tubuh pembeli saat
memutuskan untuk membeli barang konsumen dari toko atau toko besar. Pengaruh kemasan atau
informasi yang diberikan pada label akan merangsang pembeli untuk melakukan gerakan fisik tertentu
yang dapat dengan mudah direkam oleh kamera film tersembunyi di empat dinding toko. Audiometer
digunakan oleh beberapa TV untuk mengetahui jenis program dan stasiun yang disukai orang. Sebuah
perangkat dipasang di instrumen televisi itu sendiri untuk merekam perubahan ini. Data tersebut dapat
digunakan untuk mengetahui pangsa pasar stasiun televisi pesaing
6. Teknik Proyektif: Teknik proyektif (atau kadang-kadang disebut teknik wawancara tidak langsung)
untuk pengumpulan data telah dikembangkan oleh psikolog untuk menggunakan proyeksi responden
untuk menyimpulkan tentang motif yang mendasari, dorongan, atau niat yang sedemikian rupa sehingga
responden baik menolak untuk mengungkapkannya atau tidak dapat mengetahui dirinya sendiri. Dalam
teknik proyektif responden dalam memberikan informasi cenderung secara tidak sadar
memproyeksikan sikap atau perasaannya sendiri terhadap subjek yang diteliti. Teknik proyektif
memainkan peran penting dalam penelitian motivasi atau dalam survei sikap.
Penggunaan teknik ini membutuhkan pelatihan khusus yang intensif. Dalam teknik seperti itu,
tanggapan individu terhadap situasi stimulus tidak dianggap begitu saja. Rangsangan dapat
membangkitkan berbagai jenis reaksi. Sifat rangsangan dan cara mereka disajikan di bawah teknik ini
tidak secara jelas menunjukkan cara di mana respons harus ditafsirkan. Stimulus dapat berupa foto,
gambar, noda tinta, dan sebagainya. Tanggapan terhadap rangsangan ini ditafsirkan sebagai indikasi
pandangan individu itu sendiri, struktur kepribadiannya, kebutuhannya, ketegangannya, dll. dalam

104
konteks beberapa konseptualisasi psikologis yang telah ditetapkan sebelumnya tentang apa arti
tanggapan individu terhadap rangsangan tersebut. Sifat rangsangan dan cara mereka disajikan di bawah
teknik ini tidak secara jelas menunjukkan cara di mana respons harus ditafsirkan. Stimulus dapat berupa
foto, gambar, noda tinta, dan sebagainya. Tanggapan terhadap rangsangan ini ditafsirkan sebagai
indikasi pandangan individu itu sendiri, struktur kepribadiannya, kebutuhannya, ketegangannya, dll.
dalam konteks beberapa konseptualisasi psikologis yang telah ditetapkan sebelumnya tentang apa arti
tanggapan individu terhadap rangsangan tersebut. Sifat rangsangan dan cara mereka disajikan di bawah
teknik ini tidak secara jelas menunjukkan cara di mana respons harus ditafsirkan. Stimulus dapat berupa
foto, gambar, noda tinta, dan sebagainya. Tanggapan terhadap rangsangan ini ditafsirkan sebagai
indikasi pandangan individu itu sendiri, struktur kepribadiannya, kebutuhannya, ketegangannya, dll.
dalam konteks beberapa konseptualisasi psikologis yang telah ditetapkan sebelumnya tentang apa arti
tanggapan individu terhadap rangsangan tersebut.
Sekarang kita dapat membahas secara singkat teknik proyektif yang penting.
i. Tes asosiasi kata: Tes ini digunakan untuk mengekstrak informasi mengenai kata-kata yang
memiliki asosiasi maksimum. Dalam tes semacam ini, responden diminta untuk menyebutkan
kata pertama yang muncul di benaknya, seolah-olah tanpa berpikir, saat pewawancara
membacakan setiap kata dari daftar. Jika pewawancara mengatakan dingin, responden dapat
mengatakan panas dan sejenisnya. Teknik umum adalah dengan menggunakan daftar sebanyak
50 sampai 100 kata. Analisis kata-kata yang cocok yang diberikan oleh responden
menunjukkan apakah kata yang diberikan harus digunakan untuk tujuan yang dimaksud. Ide
yang sama dimanfaatkan dalam riset pemasaran untuk mengetahui kualitas yang sebagian besar
terkait dengan merek suatu produk. Sejumlah kualitas produk dapat dicantumkan dan informan
mungkin diminta untuk menulis nama merek yang memiliki satu atau lebih kualitas tersebut.
Teknik ini cepat dan mudah digunakan, tetapi memberikan hasil yang dapat diandalkan bila
diterapkan pada kata-kata yang dikenal luas dan yang pada dasarnya memiliki satu jenis makna.
Teknik ini sering digunakan dalam riset periklanan.

ii. Tes penyelesaian kalimat: Tes ini merupakan perpanjangan dari teknik tes asosiasi kata. Di
bawah ini, informan dapat diminta untuk melengkapi kalimat (seperti: orang yang memakai
Khadi adalah ...) untuk menemukan asosiasi pakaian Khadi dengan karakteristik kepribadian
tertentu. Beberapa kalimat jenis ini mungkin ditujukan kepada informan dengan topik yang
sama. Analisis jawaban dari informan yang sama mengungkapkan sikapnya terhadap subjek
itu, dan kombinasi dari sikap semua anggota sampel ini kemudian diambil untuk mencerminkan
pandangan populasi.

Teknik ini memungkinkan pengujian tidak hanya kata-kata (seperti dalam kasus tes asosiasi kata), tetapi
juga ide-ide dan dengan demikian, membantu dalam mengembangkan hipotesis dan dalam
pembangunan kuesioner. Teknik ini juga cepat dan mudah digunakan, tetapi sering menimbulkan
masalah analitis, terutama bila responsnya bersifat multidimensi.

iii. Tes penyelesaian cerita: Tes semacam itu merupakan langkah lebih jauh di mana peneliti dapat
menyusun cerita alih-alih kalimat dan meminta informan untuk menyelesaikannya. Responden
diberikan cerita yang cukup untuk memusatkan perhatiannya pada subjek yang diberikan dan
dia diminta untuk memberikan kesimpulan dari cerita tersebut.

iv. Tes proyeksi verbal: Ini adalah tes di mana responden diminta untuk mengomentari atau
menjelaskan apa yang dilakukan orang lain. Misalnya, mengapa orang merokok? Jawaban
dapat mengungkapkan motivasi responden itu sendiri.

v. Teknik bergambar: Ada beberapa teknik bergambar. Yang penting adalah sebagai berikut:

a. Tes apersepsi tematik (TAT): TAT terdiri dari satu set gambar (beberapa gambar
berhubungan dengan kejadian sehari-hari yang biasa sementara yang lain mungkin
gambar ambigu dari situasi yang tidak biasa) yang diperlihatkan kepada responden
105
 yang diminta untuk menggambarkan apa yang mereka pikir mewakili gambar. Jawaban
responden merupakan dasar bagi peneliti untuk menarik kesimpulan tentang struktur
kepribadian, sikap, dll.

b. Tes Rosenzweig: Tes ini menggunakan format kartun di mana kita memiliki
serangkaian kartun dengan kata-kata yang disisipkan dalam 'balon' di atas. Responden
diminta untuk menuliskan kata-katanya sendiri di tempat balon kosong yang disediakan
sesuai dengan maksud pada gambar. Dari apa yang ditulis responden dengan cara ini,
studi tentang sikap mereka dapat dibuat.

c. Tes Rorschach: Tes ini terdiri dari sepuluh kartu yang memiliki cetakan bercak tinta.
Desainnya kebetulan simetris tetapi tidak berarti. Responden diminta untuk
menggambarkan apa yang mereka rasakan dalam noda tinta simetris tersebut dan
tanggapan diinterpretasikan berdasarkan beberapa kerangka psikologis yang telah
ditentukan sebelumnya. Tes ini sering digunakan tetapi masalah validitas masih tetap
menjadi masalah utama dari tes ini.

d. Holtzman Inkblot Test (HIT): Tes dari WH Holtzman ini merupakan modifikasi dari
Tes Rorschach yang dijelaskan di atas. Tes ini terdiri dari 45 kartu noda tinta (dan
bukan 10 noda tinta seperti yang kita temukan dalam kasus Tes Rorschach) yang
didasarkan pada warna, gerakan, bayangan dan faktor lain yang terlibat dalam persepsi
noda tinta. Hanya satu tanggapan per kartu yang diperoleh dari subjek (atau responden)
dan tanggapan subjek ditafsirkan pada tiga tingkat kesesuaian bentuk. Bentuk
tanggapan dimaknai untuk mengetahui ketepatan (F) atau ketidaktepatan (F–) persepsi
responden; naungan dan warna untuk memastikan kebutuhan kasih sayang dan
emosionalnya; dan respon gerak untuk menilai aspek dinamis kehidupannya.

Holtzman Inkblot Test atau HIT memiliki beberapa fitur atau keunggulan khusus.
Misalnya, ini memunculkan jumlah tanggapan yang relatif konstan per responden. Kedua,
memfasilitasi mempelajari tanggapan responden terhadap kartu yang berbeda berdasarkan
norma masing-masing kartu, bukan menyatukannya. Ketiga, ia memperoleh lebih banyak
informasi dari responden daripada hanya dengan 10 kartu dalam tes Rorschach; 45 kartu
yang digunakan dalam tes ini memberikan berbagai rangsangan kepada responden dan
dengan demikian rentang tanggapan yang diperoleh dari tes ini relatif lebih luas. Ada
beberapa keterbatasan dari tes ini juga.
Salah satu kesulitan yang masih ada dalam menggunakan tes ini adalah sebagian besar
responden tidak mengetahui faktor-faktor penentu persepsi mereka, tetapi bagi peneliti,
yang harus menafsirkan protokol subjek dan memahami kepribadiannya (atau sikap)
melalui mereka, mengetahui penentu setiap tanggapannya adalah suatu keharusan. Fakta
ini menekankan bahwa tes harus dilakukan secara individual dan penyelidikan pasca tes
juga harus dilakukan untuk mengetahui sifat dan sumber tanggapan dan ini membatasi
ruang lingkup HIT sebagai tes kepribadian kelompok. Tidak hanya itu, “kegunaan HIT
untuk tujuan seleksi pribadi, bimbingan kejuruan, dll masih harus ditetapkan.” Mengingat
keterbatasan ini, beberapa orang telah membuat perubahan tertentu dalam menerapkan tes
ini. Misalnya, Fisher dan Cleveland dalam pendekatan mereka untuk memperoleh skor
Barrier dari kepribadian individu telah mengembangkan serangkaian item pilihan ganda
untuk 40 kartu HIT. Masing-masing kartu ini disajikan kepada subjek bersama dengan tiga
pilihan yang dapat diterima [seperti 'Ksatria berbaju besi' (Respon penghalang), 'X-Ray'
(Respon tembus) dan 'Bunga' (Respon netral)]. Subyek yang mengikuti tes adalah untuk
memeriksa pilihan yang paling dia sukai, membuat tanda yang berbeda dengan yang paling
tidak dia sukai dan membiarkan pilihan ketiga kosong. Jumlah tanggapan penghalang yang
diperiksa olehnya menentukan skor penghalangnya pada tes.
e. Tes penyusunan gambar Tomkins-Horn: Tes ini dirancang untuk administrasi
kelompok. Ini terdiri dari dua puluh lima piring, masing-masing berisi tiga sketsa yang
106
 dapat diatur dengan cara yang berbeda untuk menggambarkan urutan peristiwa.
Responden diminta untuk mengaturnya dalam urutan yang dianggapnya masuk akal.
Tanggapan ditafsirkan sebagai memberikan bukti yang mengkonfirmasi norma-norma
tertentu, sikap responden, dll. 'X-Ray' (Respon tembus) dan 'Flower' (Respon netral)].
Subjek yang mengikuti tes adalah untuk memeriksa pilihan yang paling dia sukai,
membuat tanda yang berbeda dengan yang paling tidak dia sukai dan membiarkan
pilihan ketiga kosong. Jumlah tanggapan penghalang yang diperiksa olehnya
menentukan skor penghalangnya pada tes. (e) Tes penyusunan gambar Tomkins-Horn:
Tes ini dirancang untuk administrasi kelompok. Ini terdiri dari dua puluh lima piring,
masing-masing berisi tiga sketsa yang dapat diatur dengan cara yang berbeda untuk
menggambarkan urutan peristiwa. Responden diminta untuk mengaturnya dalam
urutan yang dianggapnya masuk akal. Tanggapan ditafsirkan sebagai memberikan
bukti yang mengkonfirmasi norma-norma tertentu, sikap responden, dll. 'X-Ray'
(Respon tembus) dan 'Flower' (Respon netral)]. Subyek yang mengikuti tes adalah
untuk memeriksa pilihan yang paling dia sukai, membuat tanda yang berbeda dengan
yang paling tidak dia sukai dan membiarkan pilihan ketiga kosong. Jumlah tanggapan
penghalang yang diperiksa olehnya menentukan skor penghalangnya pada tes. (e) Tes
penyusunan gambar Tomkins-Horn: Tes ini dirancang untuk administrasi kelompok.
Ini terdiri dari dua puluh lima piring, masing-masing berisi tiga sketsa yang dapat diatur
dengan cara yang berbeda untuk menggambarkan urutan peristiwa. Responden diminta
untuk menyusunnya dalam urutan yang menurutnya wajar. Tanggapan ditafsirkan
sebagai memberikan bukti yang mengkonfirmasi norma-norma tertentu, sikap
responden, dll. buat tanda yang berbeda dengan yang paling tidak disukainya dan
biarkan pilihan ketiga kosong. Jumlah tanggapan penghalang yang diperiksa olehnya
menentukan skor penghalangnya pada tes.

(e) Tes penyusunan gambar Tomkins-Horn: Tes ini dirancang untuk administrasi
kelompok. Ini terdiri dari dua puluh lima piring, masing-masing berisi tiga sketsa yang
dapat diatur dengan cara yang berbeda untuk menggambarkan urutan peristiwa.
Responden diminta untuk mengaturnya dalam urutan yang dianggapnya masuk akal.
Tanggapan ditafsirkan sebagai memberikan bukti yang mengkonfirmasi norma-norma
tertentu, sikap responden, dll. buat tanda yang berbeda dengan yang paling tidak
disukainya dan biarkan pilihan ketiga kosong. Jumlah tanggapan penghalang yang
diperiksa olehnya menentukan skor penghalangnya pada tes. (e) Tes penyusunan
gambar Tomkins-Horn: Tes ini dirancang untuk administrasi kelompok. Ini terdiri dari
dua puluh lima piring, masing-masing berisi tiga sketsa yang dapat diatur dengan cara
yang berbeda untuk menggambarkan urutan peristiwa. Responden diminta untuk
mengaturnya dalam urutan yang dianggapnya masuk akal. Tanggapan ditafsirkan
sebagai memberikan bukti yang mengkonfirmasi norma-norma tertentu, sikap
responden, dll. masing-masing berisi tiga sketsa yang dapat disusun dengan cara yang
berbeda untuk menggambarkan urutan peristiwa. Responden diminta untuk
mengaturnya dalam urutan yang dianggapnya masuk akal. Tanggapan ditafsirkan
sebagai memberikan bukti yang mengkonfirmasi norma-norma tertentu, sikap
responden, dll. masing-masing berisi tiga sketsa yang dapat disusun dengan cara yang
berbeda untuk menggambarkan urutan peristiwa. Responden diminta untuk
mengaturnya dalam urutan yang dianggapnya masuk akal. Tanggapan ditafsirkan
sebagai memberikan bukti yang mengkonfirmasi norma-norma tertentu, sikap
responden, dll.

vi. Play techniques: Under play techniques subjects are asked to improvise or act out a situation in
which they have been assigned various roles. The researcher may observe such traits as
hostility, dominance, sympathy, prejudice or the absence of such traits. These techniques have
been used for knowing the attitudes of younger ones through manipulation of dolls. Dolls
representing different racial groups are usually given to children who are allowed to play with

107
 them freely. The manner in which children organise dolls would indicate their attitude towards
the class of persons represented by dolls. This is also known as doll-play test, and is used
frequently in studies pertaining to sociology. The choice of colour, form, words, the sense of
orderliness and other reactions may provide opportunities to infer deep-seated feelings.

vii. Kuis, tes dan ujian: Ini juga merupakan teknik penggalian informasi mengenai kemampuan
spesifik kandidat secara tidak langsung. Dalam prosedur ini, pertanyaan panjang dan pendek
dibingkai untuk menguji kemampuan menghafal dan analitis kandidat.

viii. Sosiometri: Sosiometri adalah teknik untuk menggambarkan hubungan sosial antar individu
dalam suatu kelompok. Secara tidak langsung, sosiometri mencoba untuk menggambarkan
atraksi atau tolakan antara individu dengan meminta mereka untuk menunjukkan siapa yang
akan mereka pilih atau tolak dalam berbagai situasi. Jadi, sosiometri adalah teknik baru untuk
mempelajari motif yang mendasari responden. “Di bawah ini upaya dilakukan untuk melacak
aliran informasi di antara kelompok-kelompok dan kemudian memeriksa cara-cara di mana ide-
ide baru disebarkan. Sosiogram dibangun untuk mengidentifikasi pemimpin dan pengikut.”2
Sosiogram adalah bagan yang menggambarkan pilihan sosiometri. Ada banyak versi pola
sosiogram dan pembaca disarankan untuk berkonsultasi dengan referensi khusus tentang
sosiometri untuk tujuan tersebut. Pendekatan ini telah diterapkan pada difusi gagasan tentang
obat-obatan di antara praktisi medis.

7. Wawancara mendalam: Wawancara mendalam adalah wawancara yang dirancang untuk menemukan
motif dan keinginan yang mendasari dan sering digunakan dalam penelitian motivasi. Wawancara
semacam itu diadakan untuk menggali kebutuhan, keinginan, dan perasaan responden. Dengan kata
lain, mereka bertujuan untuk memunculkan ketidaksadaran seperti juga jenis materi lain yang berkaitan
terutama dengan dinamika dan motivasi kepribadian. Dengan demikian, wawancara mendalam
membutuhkan keterampilan yang tinggi dari pewawancara dan pada saat yang sama melibatkan waktu
yang cukup lama. Kecuali jika peneliti memiliki pelatihan khusus, wawancara mendalam tidak boleh
dilakukan. Wawancara mendalam mungkin bersifat proyektif atau mungkin wawancara non-proyektif.
Perbedaannya terletak pada sifat pertanyaan yang diajukan. Pertanyaan tidak langsung pada
subjek yang tampaknya tidak relevan memberikan informasi yang dapat dikaitkan dengan perilaku atau
sikap informan terhadap subjek yang diteliti. Jadi, misalnya, informan mungkin ditanya tentang
frekuensi perjalanan udaranya dan dia mungkin akan diminta lagi pada tahap berikutnya untuk
menceritakan pendapatnya tentang perasaan kerabat orang lain yang terbunuh dalam kecelakaan
pesawat. Keengganan untuk terbang kemudian dapat dikaitkan dengan jawaban atas pertanyaan-
pertanyaan yang sifatnya terakhir. Jika wawancara mendalam melibatkan pertanyaan semacam itu, hal
yang sama dapat diperlakukan sebagai wawancara mendalam proyektif. Tetapi agar bermanfaat,
wawancara mendalam tidak harus bersifat proyektif; bahkan wawancara mendalam non-proyektif dapat
mengungkapkan aspek-aspek penting dari situasi psiko-sosial untuk memahami sikap orang. informan
mungkin ditanya tentang frekuensi perjalanan udaranya dan dia mungkin akan diminta lagi pada tahap
berikutnya untuk menceritakan pendapatnya tentang perasaan kerabat orang lain yang terbunuh dalam
kecelakaan pesawat. Keengganan untuk terbang kemudian dapat dikaitkan dengan jawaban atas
pertanyaan-pertanyaan yang sifatnya terakhir. Jika wawancara mendalam melibatkan pertanyaan
semacam itu, hal yang sama dapat diperlakukan sebagai wawancara mendalam proyektif. Tetapi agar
bermanfaat, wawancara mendalam tidak harus bersifat proyektif; bahkan wawancara mendalam non-
proyektif dapat mengungkapkan aspek-aspek penting dari situasi psiko-sosial untuk memahami sikap
orang. Keengganan untuk terbang kemudian dapat dikaitkan dengan jawaban atas pertanyaan-
pertanyaan yang sifatnya terakhir. Jika wawancara mendalam melibatkan pertanyaan semacam itu, hal
yang sama dapat diperlakukan sebagai wawancara mendalam proyektif. Tetapi agar bermanfaat,
wawancara mendalam tidak harus bersifat proyektif; bahkan wawancara mendalam non-proyektif dapat
mengungkapkan aspek-aspek penting dari situasi psiko-sosial untuk memahami sikap orang.
Keengganan untuk terbang kemudian dapat dikaitkan dengan jawaban atas pertanyaan-pertanyaan yang
sifatnya terakhir. Jika wawancara mendalam melibatkan pertanyaan semacam itu, hal yang sama dapat
diperlakukan sebagai wawancara mendalam proyektif. Tetapi agar bermanfaat, wawancara mendalam
108
tidak harus bersifat proyektif; bahkan wawancara mendalam non-proyektif dapat mengungkapkan
aspek-aspek penting dari situasi psiko-sosial untuk memahami sikap orang.
8. Analisis isi: Analisis isi terdiri dari menganalisis isi bahan dokumenter seperti buku, majalah, surat
kabar dan isi semua bahan verbal lainnya yang dapat diucapkan atau dicetak. Analisis isi sebelum tahun
1940-an sebagian besar merupakan analisis kuantitatif bahan dokumenter mengenai karakteristik
tertentu yang dapat diidentifikasi dan dihitung. Namun sejak tahun 1950-an analisis isi sebagian besar
merupakan analisis kualitatif mengenai impor umum atau pesan dari dokumen-dokumen yang ada.
“Perbedaannya kira-kira seperti itu antara wawancara biasa dan wawancara mendalam.” Nama Bernard
Berelson sering dikaitkan dengan. jenis analisis isi yang terakhir. “Analisis konten adalah pengukuran
melalui proporsi…. Analisis isi mengukur daya serap dan itu terkadang merupakan indeks intensitas
kekuatan. ”
Analisis isi adalah kegiatan utama setiap kali seseorang memperhatikan studi tentang sifat
bahan-bahan verbal. Tinjauan penelitian di bidang apa pun, misalnya, melibatkan analisis isi artikel
penelitian yang telah diterbitkan. Analisis mungkin pada tingkat yang relatif sederhana atau mungkin
yang halus. Itu pada tingkat yang sederhana ketika kita mengejarnya berdasarkan karakteristik tertentu
dari dokumen atau bahan verbal yang dapat diidentifikasi dan dihitung (seperti berdasarkan konsep
ilmiah utama dalam sebuah buku). Hal ini pada tingkat yang halus ketika peneliti membuat studi tentang
sikap, katakanlah pers terhadap pendidikan oleh penulis fitur. melibatkan analisis isi artikel penelitian
yang telah dipublikasikan. Analisis mungkin pada tingkat yang relatif sederhana atau mungkin yang
halus. Itu pada tingkat yang sederhana ketika kita mengejarnya berdasarkan karakteristik tertentu dari
dokumen atau bahan verbal yang dapat diidentifikasi dan dihitung (seperti berdasarkan konsep ilmiah
utama dalam sebuah buku). Hal ini pada tingkat yang halus ketika peneliti membuat studi tentang sikap,
katakanlah pers terhadap pendidikan oleh penulis fitur. melibatkan analisis isi artikel penelitian yang
telah dipublikasikan. Analisis mungkin pada tingkat yang relatif sederhana atau mungkin yang halus.
Itu pada tingkat yang sederhana ketika kita mengejarnya berdasarkan karakteristik tertentu dari
dokumen atau bahan verbal yang dapat diidentifikasi dan dihitung (seperti berdasarkan konsep ilmiah
utama dalam sebuah buku). Hal ini pada tingkat yang halus ketika peneliti membuat studi tentang sikap,
katakanlah pers terhadap pendidikan oleh penulis fitur.
PENGUMPULAN DATA SEKUNDER
Data sekunder berarti data yang sudah tersedia yaitu, mengacu pada data yang telah dikumpulkan dan
dianalisis oleh orang lain. Ketika peneliti menggunakan data sekunder, maka ia harus mencari ke
berbagai sumber dari mana ia dapat memperolehnya. Dalam hal ini ia tentu tidak dihadapkan pada
masalah-masalah yang biasanya berkaitan dengan pengumpulan data asli. Data sekunder dapat berupa
data yang dipublikasikan atau data yang tidak dipublikasikan. Biasanya data yang dipublikasikan
tersedia di: (a) berbagai publikasi pemerintah pusat, negara bagian, dan pemerintah daerah; (b) berbagai
publikasi pemerintah asing atau badan-badan internasional dan organisasi-organisasi anak
perusahaannya; (c) jurnal teknis dan perdagangan; (d) buku, majalah dan surat kabar; (e) laporan dan
publikasi dari berbagai asosiasi yang berhubungan dengan dunia usaha dan industri, bank, bursa efek,
dll.; (f) laporan yang disiapkan oleh peneliti, universitas, ekonom, dll. di berbagai bidang; dan (g)
catatan dan statistik publik, dokumen sejarah, dan sumber informasi lain yang dipublikasikan. Sumber
data yang tidak dipublikasikan banyak; mereka dapat ditemukan dalam buku harian, surat, biografi dan
otobiografi yang tidak diterbitkan dan juga mungkin tersedia untuk para sarjana dan pekerja penelitian,
asosiasi perdagangan, biro tenaga kerja dan individu dan organisasi publik/swasta lainnya.
Peneliti harus sangat berhati-hati dalam menggunakan data sekunder. Ia harus melakukan
pengamatan yang cermat karena mungkin saja data sekunder tidak sesuai atau mungkin tidak memadai
dalam konteks masalah yang ingin diteliti oleh peneliti. Sehubungan dengan hal tersebut Dr. AL Bowley
dengan sangat tepat mengamati bahwa tidak pernah aman untuk mengambil statistik yang diterbitkan
pada nilai nominalnya tanpa mengetahui arti dan batasannya dan selalu perlu untuk mengkritik argumen
yang dapat didasarkan pada mereka.
Dengan hati-hati, peneliti, sebelum menggunakan data sekunder, harus melihat bahwa mereka
memiliki karakteristik sebagai berikut:
109
1. Reliabilitas data: Reliabilitas dapat diuji dengan mengetahui hal-hal seperti tentang data tersebut: (a)
Siapa yang mengumpulkan data? (b) Apa sumber datanya? (c) Apakah mereka dikumpulkan dengan
menggunakan metode yang tepat (d) Kapan mereka dikumpulkan? (e) Apakah ada bias penyusun? (t)
Tingkat akurasi apa yang diinginkan? Apakah itu tercapai?
2. Kesesuaian data: Data yang cocok untuk satu penyelidikan belum tentu cocok untuk penyelidikan
lain. Oleh karena itu, jika data yang tersedia ditemukan tidak sesuai, mereka tidak boleh digunakan oleh
peneliti. Dalam konteks ini, peneliti harus sangat hati-hati meneliti definisi berbagai istilah dan unit
pengumpulan yang digunakan pada saat pengumpulan data dari sumber utama awalnya. Demikian pula,
objek, ruang lingkup dan sifat penyelidikan asli juga harus dipelajari. Jika peneliti menemukan
perbedaan ini, data akan tetap tidak cocok untuk penyelidikan ini dan tidak boleh digunakan.
3. Kecukupan data: Jika tingkat akurasi yang dicapai dalam data ditemukan tidak memadai untuk tujuan
penyelidikan ini, mereka akan dianggap tidak memadai dan tidak boleh digunakan oleh peneliti. Data
juga akan dianggap tidak memadai, jika terkait dengan area yang mungkin lebih sempit atau lebih luas
dari area penyelidikan saat ini. Dari semua ini kita dapat mengatakan bahwa sangat berisiko untuk
menggunakan data yang sudah tersedia. Data yang sudah tersedia harus digunakan oleh peneliti hanya
jika ia menemukan mereka dapat diandalkan, cocok dan memadai. Tetapi dia tidak boleh secara
membabi buta membuang penggunaan data tersebut jika mereka tersedia dari sumber yang otentik dan
juga cocok dan memadai karena dalam hal ini tidak akan ekonomis untuk menghabiskan waktu dan
energi dalam survei lapangan untuk mengumpulkan informasi. Kadang,
PEMILIHAN METODE YANG TEPAT UNTUK PENGUMPULAN DATA
Dengan demikian, ada berbagai metode pengumpulan data. Dengan demikian peneliti harus bijaksana
memilih metode / metode untuk studinya sendiri, dengan tetap memperhatikan faktor-faktor berikut:
1. Sifat, ruang lingkup dan objek penyelidikan: Ini merupakan faktor terpenting yang mempengaruhi
pilihan metode tertentu. Metode yang dipilih harus sedemikian rupa sehingga sesuai dengan jenis
penyelidikan yang akan dilakukan oleh peneliti. Faktor ini juga penting dalam memutuskan apakah data
yang sudah tersedia (data sekunder) akan digunakan atau data yang belum tersedia (data primer) yang
akan dikumpulkan.
2. Ketersediaan dana: Ketersediaan dana untuk proyek penelitian sangat menentukan metode yang akan
digunakan untuk pengumpulan data. Ketika dana yang tersedia bagi peneliti sangat terbatas, ia harus
memilih metode yang relatif lebih murah yang mungkin tidak seefisien dan seefektif beberapa metode
mahal lainnya. Keuangan, pada kenyataannya, merupakan kendala besar dalam praktek dan peneliti
harus bertindak dalam keterbatasan ini.
3. Faktor waktu: Ketersediaan waktu juga harus diperhitungkan dalam menentukan metode
pengumpulan data tertentu. Beberapa metode membutuhkan waktu yang relatif lebih lama, sedangkan
dengan yang lain data dapat dikumpulkan dalam durasi yang relatif lebih singkat. Waktu yang tersedia
bagi peneliti, dengan demikian, mempengaruhi pemilihan metode pengumpulan data.
4. Ketepatan yang dibutuhkan: Ketepatan yang dibutuhkan merupakan faktor penting lainnya yang
harus dipertimbangkan pada saat memilih metode pengumpulan data.
Tetapi orang harus selalu ingat bahwa setiap metode pengumpulan data memiliki kegunaannya
sendiri dan tidak ada yang lebih unggul dalam semua situasi. Misalnya, metode wawancara telepon
dapat dianggap tepat (dengan asumsi populasi telepon) jika dana dibatasi, waktu juga dibatasi dan data
harus dikumpulkan sehubungan dengan beberapa item dengan atau tanpa tingkat presisi tertentu. Jika
dana memungkinkan dan lebih banyak informasi yang diinginkan, metode wawancara pribadi dapat
dikatakan relatif lebih baik.
Jika waktu cukup, dana terbatas dan banyak informasi yang harus dikumpulkan dengan tidak
tepat, maka metode kuesioner surat dapat dianggap lebih masuk akal. Ketika dana cukup, waktu juga
cukup dan banyak informasi tanpa presisi harus dikumpulkan, maka wawancara pribadi atau kuesioner
surat atau penggunaan bersama kedua metode ini dapat dianggap sebagai metode pengumpulan data
110
yang tepat. Di mana wilayah geografis yang luas akan dicakup, penggunaan kuesioner surat yang
dilengkapi dengan wawancara pribadi akan memberikan hasil yang lebih andal per rupee yang
dikeluarkan daripada salah satu metode saja. Data sekunder dapat digunakan jika peneliti menemukan
mereka dapat diandalkan, memadai dan sesuai untuk penelitiannya. Saat mempelajari pengaruh
motivasi dalam riset pasar atau mempelajari sikap orang dalam survei psikologis/sosial, kita dapat
menggunakan satu atau lebih teknik proyektif yang disebutkan sebelumnya. Teknik-teknik tersebut
sangat berharga jika alasannya diperoleh dari responden yang mengetahui alasannya tetapi tidak mau
mengakuinya atau alasannya berkaitan dengan beberapa sikap psikologis yang mendasarinya dan
responden tidak menyadarinya. Tetapi ketika responden mengetahui alasannya dan dapat mengatakan
hal yang sama jika ditanya, daripada kuesioner non-proyektif, dengan menggunakan pertanyaan
langsung, dapat memberikan hasil yang memuaskan bahkan dalam kasus survei sikap. Karena teknik
proyektif masih dalam tahap awal pengembangan dan dengan validitas banyak dari mereka yang masih
menjadi pertanyaan terbuka, biasanya dianggap lebih baik untuk mengandalkan metode statistik
langsung dengan hanya menggunakan teknik proyektif tambahan. Namun demikian, dalam pra-
pengujian dan dalam mencari hipotesis mereka bisa sangat berharga.
Dengan demikian, pendekatan yang paling diinginkan sehubungan dengan pemilihan metode
tergantung pada sifat masalah tertentu dan pada waktu dan sumber daya (uang dan personel) yang
tersedia bersama dengan tingkat akurasi yang diinginkan. Tapi, di atas semua ini, banyak tergantung
pada kemampuan dan pengalaman peneliti. Pernyataan Dr. AL Bowley dalam konteks ini sangat tepat
ketika dia mengatakan bahwa “dalam pengumpulan data statistik akal sehat adalah syarat utama dan
pengalaman guru kepala.”
METODE STUDI KASUS
Artinya: Metode studi kasus adalah bentuk analisis kualitatif yang sangat populer dan melibatkan
pengamatan yang cermat dan lengkap terhadap suatu unit sosial, baik unit itu seseorang, keluarga,
institusi, kelompok budaya, atau bahkan seluruh komunitas. Ini adalah metode studi secara mendalam
daripada luas. Studi kasus lebih menekankan pada analisis penuh dari sejumlah peristiwa atau kondisi
yang terbatas dan keterkaitannya. Studi kasus berkaitan dengan proses yang terjadi dan keterkaitannya.
Dengan demikian, studi kasus pada dasarnya adalah penyelidikan intensif dari unit tertentu yang sedang
dipertimbangkan. Objek dari metode studi kasus adalah untuk menemukan faktor-faktor yang
menjelaskan pola-pola perilaku dari unit yang diberikan sebagai suatu totalitas yang terintegrasi.
Menurut H.Odum, “Metode studi kasus adalah teknik di mana faktor individu apakah itu sebuah
institusi atau hanya sebuah episode dalam kehidupan individu atau kelompok dianalisis dalam
hubungannya dengan yang lain dalam kelompok.”5 Jadi, studi yang cukup lengkap seseorang (tentang
apa yang dia lakukan dan lakukan, apa yang dia pikir dia lakukan dan lakukan dan apa yang dia
harapkan untuk dilakukan dan katakan dia harus lakukan) atau kelompok disebut sejarah kehidupan
atau kasus. Burgess telah menggunakan kata-kata “mikroskop sosial” untuk metode studi kasus.”6
Pauline V. Young menjelaskan studi kasus sebagai “studi komprehensif tentang unit sosial baik itu unit
seseorang, kelompok, institusi sosial, distrik atau sebuah komunitas.”7 Secara singkat, kita dapat
mengatakan bahwa metode studi kasus adalah suatu bentuk analisis kualitatif di mana pengamatan yang
cermat dan lengkap terhadap individu atau situasi atau lembaga dilakukan;
Karakteristik: Karakteristik penting dari metode studi kasus adalah sebagai berikut:
1. Dengan metode ini peneliti dapat mengambil satu unit sosial tunggal atau lebih untuk tujuan
studinya; dia bahkan mungkin mengambil situasi untuk mempelajari hal yang sama secara
komprehensif.

2. Di sini unit yang dipilih dipelajari secara intensif yaitu, dipelajari secara detail. Umumnya, studi
meluas selama periode waktu yang lama untuk memastikan sejarah alam unit sehingga
memperoleh informasi yang cukup untuk menarik kesimpulan yang benar.

111
 3. Dalam konteks metode ini kami membuat studi lengkap tentang unit sosial yang mencakup
semua segi. Melalui metode ini kami mencoba memahami kompleks faktor-faktor yang
beroperasi dalam suatu unit sosial sebagai suatu totalitas yang terintegrasi.

4. Di bawah metode ini, pendekatannya bersifat kualitatif dan bukan kuantitatif. Informasi
kuantitatif belaka tidak dikumpulkan. Setiap upaya yang mungkin dilakukan untuk
mengumpulkan informasi mengenai semua aspek kehidupan. Dengan demikian, studi kasus
memperdalam persepsi kita dan memberi kita wawasan yang jelas tentang kehidupan.
Misalnya, dengan metode ini kita tidak hanya mempelajari berapa banyak kejahatan yang telah
dilakukan seorang pria tetapi akan mengintip faktor-faktor yang memaksanya melakukan
kejahatan ketika kita membuat studi kasus seorang pria sebagai penjahat. Tujuan dari penelitian
ini mungkin untuk menyarankan cara-cara untuk mereformasi penjahat.

5. Dalam metode studi kasus dilakukan upaya untuk mengetahui hubungan timbal balik faktor-
faktor penyebab.

6. Di bawah metode studi kasus pola perilaku unit yang bersangkutan dipelajari secara langsung
dan tidak dengan pendekatan tidak langsung dan abstrak.

7. Metode studi kasus menghasilkan hipotesis yang bermanfaat bersama dengan data yang dapat
membantu dalam mengujinya, dan dengan demikian memungkinkan pengetahuan umum
menjadi lebih kaya dan lebih kaya. Dalam ketidakhadirannya, ilmu sosial yang
digeneralisasikan mungkin menjadi cacat.

Evolusi dan ruang lingkup: Metode studi kasus adalah teknik penelitian lapangan sistematis yang
banyak digunakan dalam sosiologi akhir-akhir ini. Penghargaan untuk memperkenalkan metode ini ke
bidang investigasi sosial diberikan kepada Frederic Le Play yang menggunakannya sebagai ahli statistik
dalam studinya tentang anggaran keluarga. Herbert Spencer adalah orang pertama yang menggunakan
bahan kasus dalam studi komparatifnya tentang budaya yang berbeda. Dr. William Healy menggunakan
metode ini dalam studinya tentang kenakalan remaja, dan menganggapnya sebagai metode yang lebih
baik daripada hanya menggunakan data statistik. Demikian pula, para antropolog, sejarawan, novelis,
dan dramawan telah menggunakan metode ini mengenai masalah-masalah yang berkaitan dengan
bidang minat mereka. Bahkan pakar manajemen menggunakan metode studi kasus untuk mendapatkan
petunjuk atas beberapa masalah manajemen. Secara singkat, metode studi kasus sedang digunakan
dalam beberapa disiplin ilmu. Tidak hanya itu, penggunaannya semakin hari semakin meningkat.
Asumsi: Metode studi kasus didasarkan pada beberapa asumsi. Asumsi penting dapat dicantumkan
sebagai berikut:
i. Asumsi keseragaman dalam sifat dasar manusia terlepas dari kenyataan bahwa perilaku
manusia dapat bervariasi sesuai dengan situasi.

ii. Asumsi mempelajari sejarah alam dari unit yang bersangkutan.

iii. Asumsi studi komprehensif dari unit yang bersangkutan.

Fase-fase utama yang terlibat: Fase-fase utama yang terlibat dalam studi kasus adalah sebagai berikut:
i. Pengakuan dan penentuan status fenomena yang akan diselidiki atau unit perhatiannya.

ii. Pengumpulan data, pemeriksaan dan sejarah dari fenomena yang diberikan.

iii. Diagnosis dan identifikasi faktor penyebab sebagai dasar pengobatan perbaikan atau
perkembangan.

iv. Penerapan langkah-langkah perbaikan yaitu, pengobatan dan terapi (fase ini sering dicirikan
sebagai kerja kasus).

112
 v. Program tindak lanjut untuk menentukan efektivitas pengobatan yang diterapkan.

Keuntungan: Ada beberapa keuntungan dari metode studi kasus yang mengikuti dari berbagai
karakteristik yang diuraikan di atas. Disebutkan di sini tentang keuntungan-keuntungan penting.
i. Sebagai studi yang lengkap tentang unit sosial, metode studi kasus memungkinkan kita untuk
memahami sepenuhnya pola perilaku unit yang bersangkutan. Dalam kata-kata Charles Horton
Cooley, “studi kasus memperdalam persepsi kita dan memberi kita wawasan yang lebih jelas
tentang kehidupan…. Itu mendapatkan perilaku secara langsung dan bukan dengan pendekatan
tidak langsung dan abstrak. ”

ii. Melalui studi kasus seorang peneliti dapat memperoleh catatan pengalaman pribadi yang nyata
dan tercerahkan yang akan mengungkapkan perjuangan batin, ketegangan dan motivasi
manusia yang mendorongnya untuk bertindak bersama dengan kekuatan yang mengarahkannya
untuk mengadopsi pola perilaku tertentu.

iii. Metode ini memungkinkan peneliti untuk menelusuri sejarah alam unit sosial dan hubungannya
dengan faktor-faktor sosial dan kekuatan yang terlibat dalam lingkungan sekitarnya.

iv. Ini membantu dalam merumuskan hipotesis yang relevan bersama dengan data yang dapat
membantu dalam mengujinya. Studi kasus, dengan demikian, memungkinkan pengetahuan
umum menjadi lebih kaya dan lebih kaya.

v. Metode ini memfasilitasi studi intensif unit sosial yang umumnya tidak mungkin jika kita
menggunakan metode observasi atau metode pengumpulan informasi melalui jadwal. Inilah
alasan mengapa metode studi kasus sering digunakan, khususnya dalam penelitian-penelitian
sosial.

vi. Informasi yang dikumpulkan di bawah metode studi kasus banyak membantu peneliti dalam
tugas menyusun kuesioner atau jadwal yang sesuai untuk tugas tersebut membutuhkan
pengetahuan menyeluruh tentang alam semesta yang bersangkutan.

vii. Peneliti dapat menggunakan satu atau lebih dari beberapa metode penelitian di bawah metode
studi kasus tergantung pada keadaan umum. Dengan kata lain, penggunaan metode yang
berbeda seperti wawancara mendalam, kuesioner, dokumen, laporan studi individu, surat, dan
sejenisnya dimungkinkan dalam metode studi kasus.

viii. Metode studi kasus terbukti bermanfaat dalam menentukan sifat satuan yang akan dipelajari
beserta sifat alam semesta. Inilah alasan mengapa kadang-kadang metode studi kasus juga
dikenal sebagai “cara pengorganisasian data”.

ix. Metode ini merupakan sarana untuk memahami dengan baik masa lalu suatu unit sosial karena
penekanannya pada analisis sejarah. Selain itu, juga merupakan teknik untuk menyarankan
langkah-langkah perbaikan dalam konteks lingkungan saat ini dari unit-unit sosial yang
bersangkutan.

x. Studi kasus merupakan jenis bahan sosiologis yang sempurna karena mewakili catatan nyata
dari pengalaman pribadi yang sangat sering luput dari perhatian sebagian besar peneliti terampil
yang menggunakan teknik lain.

xi. Metode studi kasus meningkatkan pengalaman peneliti dan pada gilirannya meningkatkan
kemampuan dan keterampilan menganalisisnya.

xii. Metode ini memungkinkan studi tentang perubahan sosial. Karena studi kecil tentang berbagai
aspek unit sosial, peneliti dapat memahami dengan baik perubahan sosial dulu dan sekarang.
Hal ini juga memudahkan penarikan kesimpulan dan membantu dalam menjaga kelangsungan

113
 proses penelitian. Bahkan, itu dapat dianggap sebagai pintu gerbang ke dan pada saat yang sama
tujuan akhir dari pengetahuan abstrak.

xiii. Teknik studi kasus sangat diperlukan untuk tujuan terapeutik dan administratif. Mereka juga
sangat berharga dalam mengambil keputusan mengenai beberapa masalah manajemen. Data
kasus cukup berguna untuk diagnosis, terapi dan masalah kasus praktis lainnya.

Keterbatasan: Keterbatasan penting dari metode studi kasus mungkin juga disorot.
i. Situasi kasus jarang dapat dibandingkan dan oleh karena itu informasi yang dikumpulkan dalam
studi kasus seringkali tidak dapat dibandingkan. Karena subjek dalam studi kasus menceritakan
sejarah dengan kata-katanya sendiri, konsep logis dan unit klasifikasi ilmiah harus dibaca
masuk atau keluar darinya oleh peneliti.

ii. Read Bain tidak menganggap data kasus sebagai data ilmiah yang signifikan karena tidak
memberikan pengetahuan tentang “aspek fenomena yang impersonal, universal, non-etika,
non-praktis, dan berulang.”8 Informasi nyata sering kali tidak dikumpulkan karena
subjektivitas dari peneliti tidak masuk dalam pengumpulan informasi dalam studi kasus.

iii. Bahaya generalisasi palsu selalu ada mengingat fakta bahwa tidak ada aturan tertentu yang
diikuti dalam pengumpulan informasi dan hanya sedikit unit yang dipelajari.

iv. Memakan lebih banyak waktu dan membutuhkan banyak pengeluaran. Lebih banyak waktu
diperlukan di bawah metode studi kasus karena seseorang mempelajari siklus sejarah alam dari
unit sosial dan itu terlalu teliti.

v. Data kasus sering dirusak karena subjek, menurut Read Bain, boleh menulis apa yang
menurutnya diinginkan penyidik; dan semakin besar hubungannya, semakin subjektif
keseluruhan prosesnya.

vi. Metode studi kasus didasarkan pada beberapa asumsi yang terkadang tidak terlalu realistis, dan
dengan demikian kegunaan data kasus selalu diragukan.

vii. Metode studi kasus hanya dapat digunakan dalam lingkup terbatas, tidak mungkin digunakan
dalam kasus masyarakat besar. Pengambilan sampel juga tidak mungkin dilakukan dengan
metode studi kasus.

viii. Tanggapan peneliti merupakan batasan penting dari metode studi kasus. Dia sering berpikir
bahwa dia memiliki pengetahuan penuh tentang unit dan dapat menjawabnya sendiri. Jika hal
yang sama tidak benar, maka konsekuensi mengikuti. Sebenarnya, ini lebih merupakan
kesalahan peneliti daripada metode kasus.

KESIMPULAN
Terlepas dari keterbatasan yang disebutkan di atas, kami menemukan bahwa studi kasus sedang
dilakukan di beberapa disiplin ilmu, khususnya dalam sosiologi, sebagai alat penelitian ilmiah
mengingat beberapa keuntungan yang ditunjukkan sebelumnya. Sebagian besar keterbatasan dapat
dihilangkan jika peneliti selalu sadar akan hal ini dan terlatih dengan baik dalam metode modern
pengumpulan data kasus dan dalam teknik ilmiah untuk menyusun, mengklasifikasikan, dan memproses
hal yang sama. Selain itu, studi kasus, di zaman modern, dapat dilakukan sedemikian rupa sehingga
data dapat diterima untuk kuantifikasi dan perlakuan statistik. Mungkin, ini juga alasan mengapa studi
kasus menjadi populer dari hari ke hari.

Pertanyaan

114
1. Sebutkan berbagai metode pengumpulan data. Manakah yang paling cocok untuk melakukan
penyelidikan tentang program kesejahteraan keluarga di India? Jelaskan kelebihan dan
kekurangannya.

2. “Tidak pernah aman untuk mengambil statistik yang dipublikasikan pada nilai nominalnya
tanpa mengetahui arti dan batasannya.” Jelaskan pernyataan ini dengan menyebutkan dan
menjelaskan berbagai poin yang akan Anda pertimbangkan sebelum menggunakan data yang
dipublikasikan. Ilustrasikan jawaban Anda dengan contoh jika memungkinkan.

3. Mengkaji kelebihan dan keterbatasan metode observasi dalam mengumpulkan bahan.

Ilustrasikan jawaban Anda dengan contoh yang sesuai.

4. Jelaskan beberapa teknik proyektif utama dan evaluasi signifikansinya sebagai alat penelitian
sosial ilmiah.

5. Apa perbedaan metode studi kasus dengan metode survei? Menganalisis manfaat dan
keterbatasan metode studi kasus dalam penelitian sosiologis.

6. Jelaskan dengan jelas perbedaan antara pengumpulan data melalui kuesioner dan jadwal.

7. Mendiskusikan wawancara sebagai teknik pengumpulan data.

8. Tulis catatan singkat tentang:

a) Wawancara mendalam;

b) Aspek penting dari kuesioner;

c) Audit dapur dan toko;

d) Tes Apersepsi Tematik;

e) Uji Baut Tinta Holtzman.

9. Apa saja pertimbangan-pertimbangan dalam pembuatan kuesioner? Menjelaskan.

10. Periksalah secara kritis hal-hal berikut: (i) Wawancara menimbulkan lebih banyak bias
daripada penggunaan kuesioner. (ii) Pengumpulan data melalui teknik proyektif dinilai relatif
lebih reliabel. (iii) Dalam pengumpulan data statistik, akal sehat adalah syarat utama dan
pengalaman kepala sekolah.

11. Bedakan antara eksperimen dan survei. Jelaskan secara lengkap metode penelitian survei. [M.
phi (EAFM) Ujian. 1987 Raj. Uni.]

12. “Metode penelitian eksperimental tidak cocok di bidang manajemen.” Diskusikan, apa masalah
dalam pengenalan desain penelitian ini dalam organisasi bisnis? [MBA (Bagian I) Ujian. 1985
Raj. Uni.

115
Lampiran (i) Pedoman Untuk Membangun Kuesioner/Jadwal

Peneliti harus memperhatikan hal-hal berikut dalam menyusun kuesioner atau jadwal yang tepat dan
efektif:
1. Peneliti harus tetap melihat masalah yang dipelajarinya karena hal itu memberikan titik awal
untuk mengembangkan Kuesioner/Jadwal. Dia harus jelas tentang berbagai aspek dari masalah
penelitiannya yang akan ditangani selama proyek penelitiannya.

2. Bentuk pertanyaan yang tepat tergantung pada sifat informasi yang dicari, responden yang
dijadikan sampel dan jenis analisis yang dimaksudkan. Peneliti harus memutuskan apakah akan
menggunakan pertanyaan tertutup atau terbuka. Pertanyaan harus sederhana dan harus
dibangun dengan maksud agar mereka membentuk bagian logis dari rencana tabulasi yang
dipikirkan dengan baik. Satuan pencacahan juga harus didefinisikan secara tepat sehingga dapat
menjamin informasi yang akurat dan lengkap.

3. Draf kasar Kuesioner/Jadwal disiapkan, dengan mempertimbangkan urutan pertanyaan yang

tepat. Kuesioner atau jadwal yang telah disusun sebelumnya (jika tersedia) juga dapat dilihat
pada tahap ini.

4. Peneliti harus selalu mengkaji ulang, dan jika diperlukan dapat merevisi draf kasar menjadi
lebih baik. Cacat teknis harus diteliti dan dihilangkan dengan cermat.

5. Studi percontohan harus dilakukan untuk pra-pengujian kuesioner. Kuesioner dapat diedit
berdasarkan hasil studi percontohan.

6. Kuesioner harus berisi petunjuk-petunjuk yang sederhana namun langsung kepada responden
sehingga mereka tidak merasa kesulitan dalam menjawab pertanyaan.

116
Lampiran (ii) Pedoman untuk Sukses

Wawancara Wawancara adalah seni dan seseorang mempelajarinya melalui pengalaman. Namun, poin-
poin berikut mungkin perlu diperhatikan oleh pewawancara untuk memperoleh informasi yang
diinginkan:
1. Pewawancara harus merencanakan terlebih dahulu dan harus benar-benar mengetahui masalah
yang sedang dipertimbangkan. Dia harus memilih waktu dan tempat yang sesuai sehingga
orang yang diwawancarai merasa nyaman selama periode wawancara. Untuk tujuan ini
beberapa pengetahuan tentang rutinitas sehari-hari orang yang diwawancarai sangat penting.

2. Pendekatan pewawancara harus ramah dan informal. Awalnya salam ramah sesuai dengan pola
budaya orang yang diwawancarai harus dipertukarkan dan kemudian tujuan wawancara harus
dijelaskan.

3. Semua upaya yang mungkin harus dilakukan untuk membangun hubungan yang tepat dengan
orang yang diwawancarai; orang termotivasi untuk berkomunikasi ketika suasananya
menguntungkan.

4. Pewawancara harus tahu bahwa kemampuan untuk mendengarkan dengan pengertian, rasa
hormat dan rasa ingin tahu adalah pintu gerbang komunikasi, dan karenanya harus bertindak
sesuai selama wawancara. Untuk semua ini, pewawancara harus cerdas dan harus menjadi
orang yang menahan diri dan disiplin diri.

5. Sedapat mungkin harus ada wawancara yang mengalir bebas dan pertanyaan-pertanyaan harus
diutarakan dengan baik agar ada kerjasama penuh dari orang yang diwawancarai. Namun
pewawancara harus mengontrol jalannya wawancara sesuai dengan tujuan penelitian.

6. Dalam kasus pertanyaan besar, di mana tugas mengumpulkan informasi harus diselesaikan oleh
beberapa pewawancara, harus ada panduan wawancara yang harus dipatuhi oleh semua untuk
memastikan keseragaman yang masuk akal sehubungan dengan semua poin penting dalam
penelitian.

117
Lampiran (iii) Perbedaan antara Survei dan Eksperimen

Poin-poin berikut patut diperhatikan sejauh menyangkut perbedaan antara survei dan eksperimen:
i. Survei dilakukan dalam kasus studi penelitian deskriptif dimana eksperimen merupakan bagian
dari studi penelitian eksperimental.

ii. Studi penelitian tipe survei biasanya memiliki sampel yang lebih besar karena persentase
tanggapan umumnya rendah, serendah 20 hingga 30%, terutama dalam studi kuesioner yang
dikirim melalui pos. Dengan demikian, metode survei mengumpulkan data dari sejumlah kasus
yang relatif besar pada waktu tertentu; itu pada dasarnya adalah cross-sectional. Sebagai lawan
ini, studi eksperimental umumnya membutuhkan sampel kecil.

iii. Survei berkaitan dengan menggambarkan, merekam, menganalisis dan menafsirkan kondisi
yang ada atau ada. Peneliti tidak memanipulasi variabel atau mengatur agar peristiwa terjadi.
Survei hanya memperhatikan kondisi atau hubungan yang ada, opini yang dipegang, proses
yang sedang berlangsung, efek yang terlihat atau tren yang berkembang. Mereka terutama
prihatin dengan masa kini tetapi kadang-kadang mempertimbangkan peristiwa dan pengaruh
masa lalu yang berkaitan dengan kondisi saat ini. Jadi, dalam survei, variabel yang ada atau
sudah terjadi dipilih dan diamati. Penelitian eksperimental menyediakan metode yang
sistematis dan logis untuk menjawab pertanyaan, "Apa yang akan terjadi jika ini dilakukan
ketika variabel tertentu dikontrol atau dimanipulasi dengan hati-hati?" Faktanya, manipulasi
yang disengaja adalah bagian dari metode eksperimental. Dalam sebuah eksperimen, peneliti
mengukur efek dari eksperimen yang dia lakukan dengan sengaja.

iv. Survei biasanya sesuai dalam hal ilmu sosial dan perilaku (karena banyak jenis perilaku yang
menarik minat peneliti tidak dapat diatur dalam pengaturan yang realistis) sedangkan
eksperimen sebagian besar merupakan fitur penting dari ilmu fisika dan alam.

v. Survei adalah contoh penelitian lapangan dimana sebagai eksperimen umumnya merupakan
contoh penelitian laboratorium.

118
 7. Pengolahan dan Analisis Data
Data, setelah dikumpulkan, harus diproses dan dianalisis sesuai dengan garis besar yang
ditetapkan untuk tujuan pada saat mengembangkan rencana penelitian. Ini penting untuk studi ilmiah
dan untuk memastikan bahwa kita memiliki semua data yang relevan untuk membuat perbandingan dan
analisis yang dimaksudkan. Secara teknis, pemrosesan menyiratkan pengeditan, pengkodean,
klasifikasi, dan tabulasi data yang dikumpulkan sehingga dapat dianalisis. Istilah analisis mengacu pada
perhitungan ukuran-ukuran tertentu bersamaan dengan pencarian pola-pola hubungan yang ada di
antara kelompok-kelompok data. Dengan demikian, “dalam proses analisis, hubungan atau perbedaan
yang mendukung atau bertentangan dengan hipotesis asli atau baru harus dikenai uji statistik
signifikansi untuk menentukan dengan validitas data apa yang dapat dikatakan untuk menunjukkan
kesimpulan apa pun.1nB tapi ada orang (Selltiz, Jahoda, dan lainnya) yang melakukannya tidak
suka membuat perbedaan antara pemrosesan dan analisis. Mereka berpendapat bahwa analisis data
secara umum melibatkan sejumlah operasi terkait erat yang dilakukan dengan tujuan meringkas data
yang dikumpulkan dan mengaturnya sedemikian rupa sehingga menjawab pertanyaan penelitian.
Namun, kami akan lebih suka mengamati perbedaan antara kedua istilah seperti yang dinyatakan di sini
untuk memahami implikasinya dengan lebih jelas.
OPERASI PENGOLAHAN
Dengan pengenalan singkat tentang konsep pemrosesan dan analisis ini, sekarang kita dapat
melanjutkan dengan penjelasan tentang semua operasi pemrosesan.
1.Mengedit: Pengeditan data adalah proses pemeriksaan data mentah yang dikumpulkan (khususnya
dalam survei) untuk mendeteksi kesalahan dan kekurangan dan untuk memperbaikinya jika
memungkinkan. Faktanya, pengeditan melibatkan pemeriksaan yang cermat terhadap kuesioner
dan/atau jadwal yang telah diisi. Penyuntingan dilakukan untuk memastikan bahwa data akurat,
konsisten dengan fakta lain yang dikumpulkan, dimasukkan secara seragam, selengkap mungkin dan
telah diatur dengan baik untuk memudahkan pengkodean dan tabulasi.
Berkenaan dengan poin atau tahapan di mana pengeditan harus dilakukan, seseorang dapat berbicara
tentang pengeditan lapangan dan pengeditan pusat.Pengeditan lapanganterdiri dari peninjauan formulir
pelaporan oleh penyidik untuk melengkapi (menerjemahkan atau menulis ulang) apa yang terakhir telah
ditulis dalam bentuk yang disingkat dan/atau dalam bentuk yang tidak terbaca.
Pada saat merekam tanggapan responden. Jenis pengeditan ini diperlukan mengingat fakta
bahwa gaya penulisan individu sering kali sulit dipahami oleh orang lain. Penyuntingan semacam ini
harus dilakukan sesegera mungkin setelah wawancara, sebaiknya pada hari itu juga atau pada hari
berikutnya. Saat melakukan penyuntingan lapangan, penyidik harus menahan diri dan tidak boleh
mengoreksi kesalahan penghilangan hanya dengan menebak apa yang akan dikatakan informan jika
pertanyaan itu diajukan.
Pengeditan pusatharus dilakukan ketika semua formulir atau jadwal telah diisi dan
dikembalikan ke kantor. Jenis pengeditan ini menyiratkan bahwa semua formulir harus mendapatkan
pengeditan menyeluruh oleh satu editor dalam penelitian kecil dan oleh tim editor jika ada pertanyaan
besar.

119
 Editor dapat memperbaiki kesalahan yang nyata seperti entri di tempat yang salah, entri yang
direkam dalam bulan yang seharusnya direkam dalam minggu, dan sejenisnya. Jika tidak tepat pada
balasan yang hilang, editor terkadang dapat menentukan jawaban yang tepat dengan meninjau informasi
lain dalam jadwal. Kadang-kadang, responden dapat dihubungi untuk klarifikasi. Editor harus mencoret
jawaban jika hal yang sama tidak sesuai dan dia tidak memiliki dasar untuk menentukan jawaban atau
tanggapan yang benar. Dalam kasus seperti itu, entri pengeditan 'tidak ada jawaban' diperlukan. Semua
jawaban yang salah,
Editor harus memperhatikan beberapa poin saat melakukan pekerjaan mereka: (a) mereka harus
terbiasa dengan instruksi yang diberikan kepada pewawancara dan pembuat kode serta instruksi
pengeditan yang diberikan kepada mereka untuk tujuan tersebut. (b) saat mencoret entri asli karena satu
dan lain alasan, mereka hanya boleh menggambar satu garis di atasnya sehingga entri tersebut tetap
dapat dibaca. (c) mereka harus membuat entri (jika ada) pada formulir dengan warna tertentu dan juga
dalam bentuk standar. (d) mereka harus mengawali semua jawaban yang mereka ubah atau berikan. (e)
inisial editor dan tanggal penyuntingan harus dicantumkan pada setiap formulir atau jadwal yang telah
diisi.
2.Pengkodean: pengkodean mengacu pada proses pemberian angka atau simbol lain untuk jawaban
sehingga tanggapan dapat dimasukkan ke dalam sejumlah kategori atau kelas. Kelas-kelas tersebut
harus sesuai dengan masalah penelitian yang sedang dipertimbangkan. Mereka juga harus memiliki
karakteristik kelengkapan (yaitu, harus ada kelas untuk setiap item data) dan juga saling eksklusif yang
berarti bahwa jawaban tertentu dapat ditempatkan dalam satu dan hanya satu sel dalam set kategori
yang diberikan. Aturan lain yang harus diperhatikan adalah unidimensionalitas yang berarti bahwa
setiap kelas didefinisikan hanya dalam satu konsep.
Pengkodean diperlukan untuk analisis yang efisien dan melaluinya beberapa balasan dapat
direduksi menjadi sejumlah kecil kelas yang berisi informasi penting yang diperlukan untuk analisis.
Keputusan pengkodean biasanya harus diambil pada tahap perancangan kuesioner. Hal ini
memungkinkan untuk mengkodekan pilihan kuesioner dan yang pada gilirannya berguna untuk tabulasi
komputer karena seseorang dapat langsung menekan tombol dari kuesioner asli. Tetapi dalam kasus
pengkodean tangan, beberapa metode standar dapat digunakan. Salah satu metode standar tersebut
adalah membuat kode di margin dengan pensil warna. Cara lainnya adalah dengan menyalin data dari
kuesioner ke lembar koding. Metode apa pun yang diadopsi, orang harus melihat bahwa kesalahan
pengkodean sama sekali dihilangkan atau dikurangi ke tingkat minimum.
3. Klasifikasi: sebagian besar studi penelitian menghasilkan sejumlah besar data mentah yang harus
direduksi menjadi kelompok-kelompok homogen jika kita ingin mendapatkan hubungan yang
bermakna. Fakta ini memerlukan klasifikasi data yang merupakan proses penyusunan data dalam
kelompok atau kelas berdasarkan kesamaan karakteristik. Data yang memiliki karakteristik yang sama
ditempatkan dalam satu kelas dan dalam hal ini cara seluruh data bisa dibagi menjadi beberapa
kelompok atau kelas. Klasifikasi dapat menjadi salah satu dari dua jenis berikut, tergantung pada sifat
dari fenomena yang terlibat:
a. Klasifikasi menurut atributA: s dinyatakan di atas, data diklasifikasikan atas dasar Karakteristik
umum yang dapat berupa deskriptif (seperti melek huruf, jenis kelamin, kejujuran, dll.) Atau
numerik (seperti berat badan, tinggi badan, pendapatan, dll.). Karakteristik deskriptif mengacu
pada fenomena kualitatif yang tidak dapat diukur secara kuantitatif; hanya kehadiran atau
ketidakhadiran mereka dalam item individual yang dapat diperhatikan. Data yang diperoleh
dengan cara ini atas dasar atribut tertentu dikenal sebagaissstatistik atributdan klasifikasinya
dikatakan klasifikasi menurut atribut.
N,yw2di sinin = jumlah atribut yang dipertimbangkan* D).

120
 Setiap kali data diklasifikasikan menurut atribut, peneliti harus melihat bahwa atribut
didefinisikan sedemikian rupa sehingga ada kemungkinan paling kecil dari
keraguan/ambiguitas mengenai atribut tersebut.
b. Klasifikasi menurut interval kelas kamu:Seperti halnya karakteristik deskriptif, karakteristik
numerik mengacu pada fenomena kuantitatif yang dapat diukur melalui beberapa satuan
statistik. Data yang berkaitan dengan pendapatan, produksi, usia, berat badan, dll termasuk
dalam kategori ini. Data tersebut diketahuiSAtaSkarakteristik variabeldan diklasifikasikan
berdasarkan interval kelas. Misalnya, orang-orang yang pendapatannya antara Rs 201 hingga
Rs 400 dapat membentuk satu kelompok, mereka yang pendapatannya dalam Rs 401 hingga
Rs 600 dapat membentuk kelompok lain dan seterusnya. Dengan cara ini seluruh data dapat
dibagi menjadi beberapa kelompok atau kelas atau yang biasa disebut 'interval kelas'. Setiap
kelompok interval kelas, dengan demikian, memiliki batas atas dan batas bawah yang dikenal
sebagai batas kelas. Selisih antara dua batas kelas dikenal sebagai besaran kelas. Kita mungkin
memiliki kelas dengan besaran kelas yang sama atau dengan besaran kelas yang tidak sama.
Jumlah item yang termasuk dalam kelas tertentu dikenal sebagai frekuensi kelas yang
diberikan. Semua kelas atau kelompok, dengan frekuensinya masing-masing dikumpulkan dan
dimasukkan dalam bentuk tabel, digambarkan sebagai distribusi frekuensi grup atau distribusi
frekuensi sederhana. Klasifikasi menurut interval kelas biasanya melibatkan tiga masalah
utama berikut:
i. Bagaimana kelas seharusnya ada di sana? Apa yang seharusnya menjadi besaran mereka?
Tidak ada jawaban khusus sehubungan dengan jumlah kelas. Keputusan tentang
ini membutuhkan keterampilan dan pengalaman peneliti. Namun, tujuannya harus
menampilkan data sedemikian rupa sehingga membuatnya bermakna bagi analis. Biasanya,
kami mungkin memiliki 5 hingga 15 kelas. Berkenaan dengan bagian kedua dari
pertanyaan, kita dapat mengatakan bahwa, sejauh mungkin, interval kelas harus memiliki
besaran yang sama, tetapi dalam beberapa kasus besaran yang tidak sama dapat
menghasilkan klasifikasi yang lebih baik. Oleh karena itu penilaian objektif peneliti
memainkan peran penting dalam hubungan ini. Kelipatan 2, 5 dan 10 umumnya lebih
disukai saat menentukan besaran kelas. Beberapa ahli statistik mengadopsi rumus berikut,
disarankan oleh HA Sturges, menentukan ukuran interval kelas:
I= R/(1 + 3,3 logn)
Di Mana :
I = Ukuran Interval Kelas;
R = Rentang (yaitu, perbedaan antara nilai item terbesar dan item terkecildi antara
item yang diberikan);
n = Jumlah item yang akan dikelompokkan.
Juga harus diingat bahwa dalam kasus satu atau dua atau sangat sedikit item
memiliki nilai yang sangat tinggi atau sangat rendah, seseorang dapat menggunakan
apa yang dikenal sebagai interval terbuka dalam distribusi frekuensi keseluruhan.
Interval tersebut dapat dinyatakan seperti di bawah Rs 500 atau Rs 10001 dan lebih.
Interval seperti itu umumnya tidak diinginkan, tetapi seringkali tidak dapat dihindari.
Peneliti harus selalu tetap sadar akan fakta ini saat memutuskan masalah jumlah total
interval kelas di mana data akan diklasifikasikan.
ii. Bagaimana memilih batas kelas?

121
 Saat memilih batas kelas, peneliti harus mempertimbangkan kriteria bahwa titik
tengah (umumnya ditentukan terlebih dahulu dengan menjumlahkan batas atas dan batas
bawah suatu kelas dan kemudian membagi jumlah ini dengan 2) dari interval kelas dan
rata-rata aktual item dari interval kelas itu harus tetap sedekat mungkin satu sama lain.
Konsisten dengan ini, batas kelas harus ditempatkan pada kelipatan 2, 5, 10, 20, 100 dan
angka-angka lainnya. Batas kelas secara umum dapat dinyatakan dalam salah satu bentuk
berikut:
Interval kelas tipe eksklusifTS:hei biasanya dinyatakan sebagai berikut:
10–20
20-30
30–40
40–50
Interval di atas harus dibaca seperti di bawah ini:
10 dan di bawah 20
20 dan di bawah 30
30 dan di bawah 40
40 dan di bawah 50
Jadi, di bawah interval kelas tipe eksklusif, item yang nilainya sama dengan batas atas
kelas dikelompokkan ke dalam kelas yang lebih tinggi berikutnya. Misalnya, item yang nilainya
tepat 30 akan dimasukkan ke dalam interval kelas 30-40 dan bukan pada interval kelas 20-30.
Dengan kata sederhana, kita dapat mengatakan bahwa di bawah interval kelas tipe eksklusif,
batas atas interval kelas dikecualikan dan item dengan nilai kurang dari batas atas (tetapi tidak
kurang dari batas bawah) dimasukkan ke dalam interval kelas yang diberikan.
Interval kelas tipe inklusifT:hei biasanya dinyatakan sebagai berikut:
11–20
21–30
31–40
41–50
Dalam interval kelas tipe inklusif batas atas interval kelas juga termasuk dalam interval
kelas yang bersangkutan. Dengan demikian, item yang nilainya 20 akan dimasukkan ke dalam
interval kelas 11-20. Batas atas yang dinyatakan dari interval kelas 11–20 adalah 20 tetapi batas
sebenarnya adalah 20,99999 dan dengan demikian interval kelas 11–20 benar-benar berarti 11
dan di bawah 21. Ketika fenomena yang sedang dipertimbangkan terjadi menjadi fenomena
diskrit (yaitu, dapat diukur dan dinyatakan hanya dalam bilangan bulat), maka kita harus
mengadopsi klasifikasi tipe inklusif. Tetapi ketika fenomena itu terjadi sebagai fenomena
kontinu yang dapat diukur dalam pecahan juga, kita dapat menggunakan interval kelas tipe
eksklusif
iii. Bagaimana cara menentukan frekuensi setiap kelas?
Hal ini dapat dilakukan baik dengan lembar penghitungan atau dengan alat bantu
mekanis. Di bawah teknik tally sheet, kelompok kelas ditulis pada selembar kertas (umumnya
dikenal sebagai tally sheet) dan untuk setiap item sebuah goresan (biasanya sebuah garis
vertikal kecil) ditandai terhadap kelompok kelas di mana ia berada. Praktik umum adalah bahwa
setelah setiap empat garis vertikal kecil dalam kelompok kelas, baris kelima untuk item yang
122
 termasuk dalam kelompok yang sama, ditunjukkan sebagai garis horizontal melalui empat baris
tersebut dan bunga yang dihasilkan (IIII) mewakili lima item. Semua ini memfasilitasi
penghitungan item di masing-masing kelompok kelas. Lembar penghitungan ilustratif dapat
ditunjukkan seperti di bawah ini:
Sebagai alternatif, frekuensi kelas dapat ditentukan, khususnya dalam kasus pertanyaan
dan survei besar, dengan bantuan mekanis yaitu, dengan bantuan mesin yaitu, mesin sortir yang
tersedia untuk tujuan tersebut. Beberapa mesin dioperasikan dengan tangan, sedangkan yang
lain bekerja dengan listrik. Ada mesin yang dapat memilah kartu dengan kecepatan sekitar
25000 kartu per jam. Metode ini cepat tetapi mahal.
4. Tabulasi: Ketika sejumlah besar data telah dikumpulkan, peneliti perlu menyusunnya dalam
beberapa jenis urutan yang ringkas dan logis. Prosedur ini disebut sebagai tabulasi. Jadi, tabulasi adalah
proses meringkas data mentah dan menampilkannya dalam bentuk yang ringkas (yaitu, dalam bentuk
tabel statistik) untuk analisis lebih lanjut. Dalam arti yang lebih luas, tabulasi adalah susunan data yang
teratur dalam kolom dan baris. Tabulasi sangat penting karena alasan berikut.
1. Ini menghemat ruang dan mengurangi pernyataan penjelas dan deskriptif seminimal mungkin.
2. Ini memfasilitasi proses perbandingan.
3. Ini memfasilitasi penjumlahan item dan deteksi kesalahan dan kelalaian.
4. Ini memberikan dasar untuk berbagai perhitungan statistik.
Tabulasi dapat dilakukan dengan tangan atau dengan alat mekanik atau elektronik. Pilihannya
tergantung pada ukuran dan jenis studi, pertimbangan biaya, tekanan waktu dan ketersediaan mesin
tabulasi atau komputer. Dalam pertanyaan yang relatif besar, kami dapat menggunakan tabulasi
mekanis atau komputer jika faktor-faktor lain menguntungkan dan fasilitas yang diperlukan tersedia.
Tabulasi tangan biasanya lebih disukai dalam kasus pertanyaan kecil di mana jumlah kuesioner kecil
dan panjangnya relatif pendek. Tabulasi tangan dapat dilakukan dengan menggunakan penghitungan
langsung, daftar dan penghitungan atau metode pengurutan dan penghitungan kartu. Ketika ada kode
sederhana, layak untuk menghitung langsung dari kuesioner. Di bawah metode ini, kode ditulis pada
selembar kertas, yang disebut lembar penghitungan, dan untuk setiap respons, satu pukulan ditandai
dengan kode di mana respons itu jatuh. Biasanya setelah setiap empat pukulan terhadap kode tertentu,
respons kelima ditunjukkan dengan menggambar garis diagonal atau horizontal melalui goresan.
Kelompok lima ini mudah dihitung dan data diurutkan berdasarkan setiap kode dengan mudah. Dalam
metode daftar, tanggapan kode dapat ditranskripsikan ke lembar kerja besar, memungkinkan satu baris
untuk setiap kuesioner.
Dengan cara ini sejumlah besar kuesioner dapat dicantumkan pada satu lembar kerja.
Penghitungan kemudian dibuat untuk setiap pertanyaan. Metode penyortiran kartu adalah tabulasi
tangan yang paling fleksibel. Dalam metode ini, data dicatat pada kartu khusus dengan ukuran dan
bentuk yang sesuai dengan serangkaian lubang. Setiap lubang mewakili kode dan ketika kartu
ditumpuk, jarum melewati lubang tertentu yang mewakili kode tertentu. Kartu-kartu ini kemudian
dipisahkan dan dihitung. Dengan cara ini frekuensi berbagai kode dapat diketahui dengan pengulangan
teknik ini. Kami juga dapat menggunakan peralatan mekanis atau fasilitas komputer untuk tujuan
tabulasi jika kami menginginkan hasil yang cepat, anggaran kami memungkinkan penggunaannya dan
kami memiliki sejumlah besar tabulasi lurus ke depan yang melibatkan sejumlah pemutusan silang.
Tabulasi juga dapat diklasifikasikan sebagai tabulasi sederhana dan kompleks. Jenis tabulasi
yang pertama memberikan informasi tentang satu atau lebih kelompok pertanyaan independen,
sedangkan jenis tabulasi yang terakhir menunjukkan pembagian data dalam dua atau lebih kategori dan
dengan demikian dimaksudkan untuk memberikan informasi mengenai satu atau lebih rangkaian
pertanyaan yang saling terkait. . Tabulasi sederhana umumnya menghasilkan tabel satu arah yang
menyediakan jawaban atas pertanyaan tentang satu karakteristik data saja. Berlawanan dengan ini,
tabulasi kompleks biasanya menghasilkan tabel dua arah (yang memberikan informasi tentang dua
karakteristik data yang saling terkait), tabel tiga arah (memberikan informasi tentang tiga karakteristik
data yang saling terkait) atau tabel orde lebih tinggi, juga dikenal sebagai tabel manifold, yang memasok
123
informasi tentang beberapa karakteristik data yang saling terkait. Tabel dua arah, tabel tiga arah atau
tabel manifold adalah contoh dari apa yang kadang-kadang digambarkan sebagai tabulasi silang.
Prinsip tabulasi yang diterima secara umumS n:prinsip-prinsip tabulasi tersebut, terutama dari
membangun tabel statistik, secara singkat dapat dinyatakan sebagai berikut:*terendah:
1. Setiap tabel harus memiliki judul yang jelas, ringkas dan memadai sehingga membuat tabel
dapat dipahami tanpa mengacu pada teks dan judul ini harus selalu diletakkan tepat di atas
badan tabel.
2. Setiap tabel harus diberi nomor yang berbeda untuk memudahkan referensi.
3. Judul kolom (caption) dan judul baris (stub) tabel harus jelas dan singkat.
4. Satuan ukuran di bawah setiap pos atau subpos harus selalu dicantumkan.
5. Catatan kaki penjelasan, jika ada, mengenai tabel harus ditempatkan langsung di bawah tabel,
bersama dengan simbol referensi yang digunakan dalam tabel.
6. Sumber atau sumber dari mana data dalam tabel diperoleh harus ditunjukkan tepat di bawah
tabel.
7. Biasanya kolom dipisahkan satu sama lain dengan garis yang membuat tabel lebih mudah
dibaca dan menarik. Garis selalu digambar di bagian atas dan bawah tabel dan di bawah
keterangan.
8. Harus ada garis tebal untuk memisahkan data di bawah satu kelas dari data di bawah kelas lain
dan garis yang memisahkan sub-divisi kelas harus garis yang relatif tipis.
9. Kolom dapat diberi nomor untuk memudahkan referensi.
10. Kolom-kolom yang datanya akan dibandingkan harus disimpan berdampingan. Demikian pula,
persentase dan/atau rata-rata juga harus dijaga dekat dengan data
11. Umumnya dianggap lebih baik untuk memperkirakan angka sebelum tabulasi karena hal yang
sama akan mengurangi detail yang tidak perlu dalam tabel itu sendiri.
12. Untuk menekankan signifikansi relatif dari kategori-kategori tertentu, jenis, spasi dan lekukan
yang berbeda dapat digunakan.
13. Adalah penting bahwa semua gambar kolom disejajarkan dengan benar. Titik desimal dan tanda
(+) atau (–) harus sejajar sempurna.
14. Singkatan harus dihindari sejauh mungkin dan tanda ditto tidak boleh digunakan dalam tabel.
15. Item lain-lain dan luar biasa, jika ada, biasanya harus ditempatkan di baris terakhir tabel.
16. Tabel harus dibuat selogis, jelas, akurat dan sesederhana mungkin. Jika datanya sangat besar,
mereka tidak boleh berdesakan dalam satu tabel karena itu akan membuat tabel menjadi berat
dan tidak nyaman.
17. Jumlah baris biasanya harus ditempatkan di kolom paling kanan dan jumlah kolom harus
ditempatkan di bagian bawah
18. Susunan kategori dalam sebuah tabel dapat berupa kronologis, geografis, abjad atau menurut
besaran untuk memudahkan perbandingan. Di atas segalanya, tabel harus sesuai dengan
kebutuhan dan persyaratan investigasi.

BEBERAPA MASALAH DALAM PROSES

Kita dapat mengambil dua masalah berikut dalam memproses data untuk tujuan analitis:
(a) Masalah mengenai jawaban “Tidak tahu” (atau DK)W S:saat memproses data, peneliti
sering menemukan beberapa tanggapan yang sulit untuk ditangani. Salah satkategori dari tanggapan
tersebut mungkin 'Tidak Tahu Tanggapan' atau hanya tanggapan DK. Ketika kelompok respons DK
kecil, itu tidak terlalu penting. Tetapi ketika itu relatif besar, itu menjadi masalah yang menjadi
perhatian utama dalam hal ini muncul pertanyaan: Apakah pertanyaan yang menimbulkan respon DK
tidak berguna? Jawabannya tergantung pada dua hal yaitu, responden sebenarnya mungkin tidak tahu
jawabannya atau peneliti mungkin gagal dalam memperoleh informasi yang sesuai. Dalam kasus
pertama pertanyaan yang bersangkutan dikatakan baik-baik saja dan jawaban DK dianggap sebagai
jawaban DK yang sah. Namun dalam kasus kedua, respon DK lebih cenderung menjadi kegagalan
proses interogasi.
124
 Bagaimana tanggapan DK harus ditangani oleh peneliti? Cara terbaik adalah merancang jenis
pertanyaan yang lebih baik. Hubungan baik pewawancara dengan responden akan menghasilkan
meminimalkan tanggapan DK. Tapi bagaimana tanggapan DK yang sudah terjadi? Salah satu cara untuk
mengatasi masalah ini adalah dengan memperkirakan alokasi jawaban DK dari data lain dalam
kuesioner. Cara lain adalah dengan menyimpan tanggapan DK sebagai kategori terpisah dalam tabulasi
di mana kita dapat menganggapnya sebagai kategori balasan terpisah jika tanggapan DK sah, jika tidak,
kita harus membiarkan pembaca membuat keputusannya sendiri. Namun cara lain adalah dengan
mengasumsikan bahwa tanggapan DK terjadi kurang lebih secara acak dan karena itu kami dapat
mendistribusikannya di antara jawaban lain dalam rasio di mana yang terakhir terjadi.
(b) Gunakan atau persentaseP: persentase sering digunakan dalam penyajian data karena
menyederhanakan angka, mengurangi semuanya menjadi kisaran 0 hingga 100. Melalui penggunaan
persentase, data direduksi dalam bentuk standar dengan basis sama dengan 100 yang faktanya
memfasilitasi perbandingan relatif. Saat menggunakan persentase, aturan berikut harus diperhatikan
oleh para peneliti:
1. Dua atau lebih persentase tidak boleh dirata-ratakan kecuali masing-masing ditimbang dengan
ukuran kelompok dari mana persentase itu diturunkan.
2. Penggunaan persentase yang terlalu besar harus dihindari, karena persentase yang besar sulit
untuk dipahami dan cenderung membingungkan, mengalahkan tujuan penggunaan persentase.
3. Persentase menyembunyikan basis dari mana mereka telah dihitung. Jika ini tidak diperhatikan,
perbedaan sebenarnya mungkin tidak terbaca dengan benar.
4. Persentase penurunan tidak pernah bisa melebihi 100 persen dan dengan demikian untuk
menghitung persentase penurunan, angka yang lebih tinggi harus selalu diambil sebagai dasar.
5. Persentase umumnya harus dikerjakan ke arah faktor penyebab dalam kasus tabel dua dimensi
dan untuk tujuan ini kita harus memilih faktor yang lebih signifikan dari dua faktor yang
diberikan sebagai faktor penyebab.
ELEMEN/JENIS ANALISIS
Seperti yang dinyatakan sebelumnya, dengan analisis yang kami maksud adalah perhitungan
indeks atau ukuran tertentu bersama dengan pencarian pola hubungan yang ada di antara kelompok
data. Analisis, khususnya dalam kasus survei atau data eksperimen, melibatkan estimasi nilai parameter
populasi yang tidak diketahui dan pengujian hipotesis untuk menarik kesimpulan. Oleh karena itu,
analisis dapat dikategorikan sebagai analisis deskriptif dan analisis inferensial (Analisis inferensial
sering dikenal sebagai analisis statistik).DlyesiCSR)Saya.P“ analisis aktifsebagian besar studi tentang
distribusi satu variabel. Studi ini memberi kita profil perusahaan, kelompok kerja, orang, dan subjek
lain tentang berbagai karakteristik seperti ukuran. Komposisi, efisiensi, preferensi, e2.tct.h”adalah jenis
analisis yang mungkin berkenaan dengan satu variabel (digambarkan sebagai analisis unidimensional),
atau sehubungan dengan dua variabel (digambarkan sebagai analisis bivariat) atau dalam kaitannya
dengan lebih dari dua variabel (digambarkan sebagai analisis multivariat). Dalam konteks ini kami
mengerjakan berbagai ukuran yang menunjukkan ukuran dan bentuk distribusi bersama dengan studi
pengukuran hubungan antara dua variabel atau lebih.
Variasi gabungan dari dua atau lebih variabel untuk menentukan jumlah korelasi antara dua
atau lebih variabelc . Analisis kebiasaanberkaitan dengan studi tentang bagaimana satu atau lebih
variabel mempengaruhi perubahan pada variabel lain. Dengan demikian studi tentang hubungan
fungsional yang ada antara dua atau lebih variabel. Analisis ini dapat disebut sebagai analisis regresi.
Analisis kausal dianggap relatif lebih penting dalam penelitian eksperimental, sedangkan di sebagian
besar penelitian sosial dan bisnis, minat kami terletak pada pemahaman dan pengendalian hubungan
antara variabel kemudian dengan menentukan penyebab.sendiri dan karena itu kami menganggap
analisis korelasi sebagai relatif lebih penting
Di zaman modern ini, dengan tersedianya fasilitas komputer, telah terjadi perkembangan yang pesat
analisis multivariatyang dapat didefinisikan sebagai "semua metode statistik yang secara bersamaan
menganalisis lebih dari dua variabel pada sampel pengamatan"3t.ioUnssu”ly analisis berikut *
sari terlibat ketika kami membuat referensi analisis multivariat:
125
 A. Analisis regresi bergandaT : analisisnya diadopsi ketika peneliti memiliki satu tanggungan
variabel yang diduga merupakan fungsi dari dua atau lebih variabel bebas. Tujuan dari analisis
ini adalah untuk membuat prediksi tentang variabel dependen berdasarkan kovariansnya
dengan semua variabel independen yang bersangkutan.
B. Analisis diskriminan ganda:Analisis ini tepat ketika peneliti memiliki variabel dependen
tunggal yang tidak dapat diukur, tetapi dapat diklasifikasikan menjadi dua atau lebih kelompok
berdasarkan beberapa atribut. Objek dari analisis ini kebetulan untuk memprediksi
kemungkinan entitas milik kelompok tertentu berdasarkan beberapa variabel prediktor.
C. Analisis varians multivariat(atau multi-ANOVA): Analisis ini merupakan perluasan dari
ANOVA dua arah, di mana rasio antara varians grup dengan varians dalam grup dikerjakan
pada satu set variabel.
D. Analisis kanonik:Analisis ini dapat digunakan dalam hal terukur dan tidak terukur variabel
untuk tujuan memprediksi secara simultan satu set variabel dependen dari kovarians bersama
mereka dengan satu set variabel independen.
Analisis inferensialberkaitan dengan berbagai uji signifikansi untuk menguji hipotesis guna
menentukan dengan validitas apa data dapat dikatakan untuk menunjukkan beberapa kesimpulan atau
kesimpulan. Hal ini juga berkaitan dengan estimasi nilai populasi. Hal ini terutama atas dasar analisis
inferensial bahwa tugas interpretasi (yaitu, tugas menggambar kesimpulan dan kesimpulan) dilakukan.
STATISTIK DALAM PENELITIAN
Peran statistik dalam penelitian adalah berfungsi sebagai alat dalam merancang penelitian,
menganalisis datanya, dan menarik kesimpulan darinya. Sebagian besar studi penelitian menghasilkan
sejumlah besar data mentah yang harus direduksi agar data tersebut dapat dibaca dengan mudah dan
dapat digunakan untuk analisis lebih lanjut.
Jelas bahwa ilmu statistik tidak dapat diabaikan oleh setiap pekerja penelitian, meskipun ia
mungkin tidak memiliki kesempatan untuk menggunakan metode statistik dalam semua detail dan
konsekuensinya. Klasifikasi dan tabulasi, seperti yang dinyatakan sebelumnya, mencapai tujuan ini
sampai batas tertentu, tetapi kita harus melangkah lebih jauh dan mengembangkan indeks atau ukuran
tertentu untuk meringkas data yang dikumpulkan/ diklasifikasikan. Hanya setelah ini kita dapat
mengadopsi proses generalisasi dari kelompok kecil (yaitu, sampel) ke populasi. Jika faktanya, ada dua
bidang utama statistik yaitu,D statistikmenyangkut pengembangan indeks tertentu dari data mentah,
sedangkan statistik inferensial menyangkut proses. statistik sewajuga dikenal sebagai statistik sampling
dan terutama berkaitan dengan dua jenis masalah utama: (i) estimasi parameter populasi, dan (ii)
pengujian hipotesis statistik.
Ukuran statistik yang penting*rethsat yang digunakan untuk meringkas data survey/penelitian
adalah (1)ukuran tendensi sentral atau rata-rata statistik; (2) ukuran dispersi; (3) tindakan asimetri
(kecondongan); (4) ukuran hubungan; dan (5) tindakan lainnya.
Di antara ukuran tendensi sentral, tiga yang paling penting adalah rata-rata atau mean
aritmatika, median dan modus. Rata-rata geometrik dan rata-rata harmonik juga kadang-kadang
digunakan.
Di antara ukuran dispersi, varians, dan akar kuadratnya—standar deviasi adalah ukuran yang paling
sering digunakan. Langkah-langkah lain seperti deviasi rata-rata, jangkauan, dll juga digunakan. Untuk
tujuan perbandingan, kami menggunakan sebagian besar koefisien deviasi standar atau koefisien
variasi.
Sehubungan dengan ukuran skewness dan kurtosis, kami kebanyakan menggunakan ukuran
skewness pertama berdasarkan mean dan mode atau mean dan median. Ukuran kemiringan lain,
berdasarkan kuartil atau metode momen, kadang-kadang juga digunakan. Kurtosis juga digunakan
untuk mengukur peakedness dari kurva distribusi frekuensi.
Di antara ukuran hubungan, koefisien korelasi Karl Pearson adalah ukuran yang sering
digunakan dalam statistik variabel, sedangkan koefisien asosiasi Yule digunakan dalam statistik atribut.

126
Koefisien korelasi ganda, koefisien korelasi parsial, analisis regresi, dll., adalah ukuran penting lainnya
yang sering digunakan oleh seorang peneliti.
Angka indeks, analisis deret waktu, koefisien kontingensi, dll., adalah ukuran lain yang juga
dapat digunakan oleh peneliti, tergantung pada sifat masalah yang diteliti.
Kami memberikan di bawah garis besar singkat dari beberapa tindakan penting (kami dari tindakan
yang tercantum di atas) yang sering digunakan dalam konteks studi penelitian.
UKURAN TENDENSI TENGAH
Ukuran tendensi sentral (atau rata-rata statistik) memberi tahu kita poin tentang item mana yang
memiliki kecenderungan untuk mengelompok. Ukuran seperti itu dianggap sebagai angka yang paling
representatif untuk seluruh massa data. Ukuran tendensi sentral juga dikenal sebagai rata-rata statistik.
Rata-rata, median, dan
modus adalah rata-rata yang paling populer.n,MjugaeeSdikenalA sebagai rata-rata aritmatika, adalah
yang paling umum ukuran tendensi sentral dan dapat didefinisikan sebagai nilai yang kita peroleh
dengan membagi total nilai berbagai item yang diberikan dalam suatu rangkaian dengan jumlah total
item.
Mean adalah pengukuran tendensi sentral yang paling sederhana dan merupakan ukuran yang
banyak digunakan. Penggunaan utamanya terdiri dalam meringkas fitur penting dari sebuah seri dan
memungkinkan data untuk dibandingkan. Hal ini dapat diterima untuk perlakuan aljabar dan digunakan
dalam perhitungan statistik lebih lanjut. Ini adalah ukuran tendensi sentral yang relatif stabil. Tapi itu
menderita dari beberapa keterbatasan yaitu, terlalu dipengaruhi oleh item ekstrim; mungkin tidak sesuai
dengan nilai sebenarnya dari suatu item dalam suatu rangkaian, dan dapat menimbulkan kesan yang
salah, terutama bila nilai item tidak diberikan dengan rata-rata. Namun, rata-rata lebih baik daripada
rata-rata lainnya, khususnya dalam studi ekonomi dan sosial di mana pengukuran kuantitatif langsung
dimungkinkan.
median adalah nilai bagian tengah deret jika disusun dalam urutan besaran naik atau turun. Ini
membagi seri menjadi dua bagian; di satu setengah semua item kurang dari median, sedangkan di
setengah lainnya semua item memiliki nilai lebih tinggi dari median. Jika nilai item-item yang disusun
dalam urutan menaik adalah: 60, 74, 80, 90, 95, 100, maka nilai item ke-4 yaitu, 88 adalah nilai median.
BG HGFn +KJ1Saya
median M = Nilai dari 2 barang ke
Median adalah rata-rata posisional dan hanya digunakan dalam konteks fenomena kualitatif,
misalnya, dalam memperkirakan kecerdasan, dll, yang sering ditemui di bidang sosiologis. Median
tidak berguna jika item perlu diberi bobot dan kepentingan relatif. Ini tidak sering digunakan dalam
statistik sampling.
Mode adalah nilai yang paling sering atau paling sering muncul dalam suatu deret. Modus
dalam suatu distribusi adalah item di sekitar mana terdapat konsentrasi maksimum. Secara umum, mode
adalah ukuran item yang memiliki frekuensi maksimum, tetapi pada item item tersebut mungkin tidak
mode karena efek dari frekuensi item tetangga. Seperti median, mode adalah rata-rata posisional dan
tidak terpengaruh oleh nilai item ekstrim. karena itu, berguna dalam semua situasi di mana kita ingin
menghilangkan efek variasi ekstrim. Mode sangat berguna dalam mempelajari ukuran populer.
Misalnya, produsen sepatu biasanya tertarik untuk mengetahui ukuran yang paling banyak diminati
sehingga ia dapat memproduksi jumlah yang lebih besar dari ukuran tersebut. Dengan kata lain, dia
ingin ukuran modal ditentukan untuk median atau ukuran rata-rata tidak akan memenuhi tujuannya.
tetapi ada batasan mode tertentu juga. Misalnya, tidak dapat menerima perlakuan aljabar dan terkadang
tetap tidak tentu ketika kita memiliki dua atau lebih nilai model dalam suatu deret. Ini dianggap tidak
cocok dalam kasus di mana kita ingin memberikan kepentingan relatif untuk item yang sedang
dipertimbangkan.

127
 Rata-rata geometrisjuga berguna dalam kondisi tertentu. Ini didefinisikan sebagaintakar produk
dari nilai-nilai onkali dalam seri tertentu. Secara simbolis, kita dapat menyatakannya sebagai berikut:
Rata-rata geometrik (atau GM) = n πxSaya
= n x1 ⋅ x2 ⋅ x3 ... xn
di mana
GM = rata-rata geometrik,
N = jumlah barang
x = Sayanilai th dari variabelxe
π = notasi produk konvensional
Misalnya, rata-rata geometrik dari angka, 4, 6, dan 9 dikerjakan sebagai:
GM = 3 4.6.9 = 6
Aplikasi yang paling sering digunakan dari rata-rata ini adalah dalam penentuan rata-rata persen
perubahan yaitu, sering digunakan dalam penyusunan angka indeks atau ketika kita berurusan dengan
rasio.
Arti harmonik didefinisikan sebagai kebalikan dari rata-rata kebalikan dari nilai item seri.
Secara simbolis, kita dapat mengungkapkannya seperti di bawah ini:
Σ RekxSaya
Rata-rata harmonik (HM) = Rec. n = Rek. Rek.x1 + Rek.x2 + ... + Rekx. n n
Rata-rata harmonik adalah aplikasi yang terbatas, terutama dalam kasus di mana waktu dan
tingkat yang terlibat. Rata-rata harmonik memberikan bobot terbesar untuk item terkecil dan bobot
terkecil untuk item terbesar. Karena itu digunakan dalam kasus-kasus seperti studi waktu dan gerak di
mana waktu adalah variabel dan jarak konstan.
Dari apa yang telah dikemukakan di atas, kita dapat mengatakan bahwa ada beberapa jenis rata-
rata statistik. Peneliti harus membuat pilihan untuk beberapa rata-rata. Tidak ada aturan keras dan cepat
untuk pemilihan rata-rata tertentu dalam analisis statistik karena pemilihan rata-rata sebagian besar
tergantung pada sifat, jenis tujuan studi penelitian. Satu jenis rata-rata tertentu tidak dapat dianggap
sesuai untuk semua jenis penelitian. Karakteristik utama dan batasan dari berbagai rata-rata harus tetap
diperhatikan; diskriminasi penggunaan rata-rata sangat penting untuk analisis statistik suara.
UKURAN DISPERSI
Sebuah rata-rata dapat mewakili sebuah seri hanya sebaik mungkin, tetapi tentu saja tidak dapat
mengungkapkan keseluruhan cerita dari setiap fenomena yang diteliti. Khususnya gagal untuk
memberikan ide tentang penyebaran nilai item dari variabel dalam seri di sekitar nilai rata-rata yang
sebenarnya. Untuk mengukur hamburan ini, perangkat statistik yang disebut ukuran dispersi dihitung.
Ukuran dispersi yang penting adalah (a) jangkauan, (b) simpangan rata-rata, dan (c) simpangan baku.
(A)Jangkauan adalah ukuran dispersi yang paling sederhana dan didefinisikan sebagai perbedaan antara
nilai item ekstrim dari suatu deret. Dengan demikian, Rentang =FHNilai tertinggi dariIKtidak FHNilai
terendah dari K item dalam seri item dalam seri
Kegunaan rentang adalah memberikan gambaran tentang variabilitas dengan sangat cepat, tetapi
kelemahannya adalah rentang sangat dipengaruhi oleh fluktuasi pengambilan sampel. Nilainya tidak
pernah stabil, karena hanya didasarkan pada dua nilai variabel. Dengan demikian, rentang sebagian
besar digunakan sebagai ukuran kasar variabilitas dan tidak dianggap sebagai ukuran yang tepat dalam
studi penelitian yang serius.

128
(B)Penyimpangan rata-rataadalah rata-rata selisih nilai item dari beberapa rata-rata deret tersebut.
Perbedaan seperti itu secara teknis digambarkan sebagai penyimpangan. Dalam menghitung deviasi
rata-rata kita mengabaikan tanda minus dari deviasi sambil mengambil totalnya untuk mendapatkan
deviasi rata-rata. Deviasi rata-rata, dengan demikian, diperoleh sebagai berikut:
Ketika deviasi rata-rata dibagi dengan rata-rata yang digunakan untuk mencari deviasi rata-rata
itu sendiri, kuantitas yang dihasilkan digambarkan sebagai tCHHaieefisien deviasi rata-rata . Koefisien
deviasi rata-rata adalah ukuran dispersi relatif dan sebanding dengan ukuran serupa dari deret lainnya.
Deviasi rata-rata dan koefisiennya digunakan dalam studi statistik untuk menilai variabilitas, dan
dengan demikian menjadikan studi tendensi sentral dari suatu deret lebih tepat dengan menyoroti tipikal
rata-rata. Ini adalah ukuran variabilitas yang lebih baik daripada rentang karena mempertimbangkan
nilai semua item dari suatu seri. Meski begitu, ini bukan ukuran yang sering digunakan karena tidak
sesuai dengan proses aljabar.
(C)Standar deviasi adalah ukuran dispersi deret yang paling banyak digunakan dan biasanya
dilambangkan dengan simbol''(diucapkanσ sebagai sigma). Simpangan baku didefinisikan sebagai akar
kuadrat dari rata-rata kuadrat deviasi, ketika deviasi tersebut untuk nilai masing-masing item dalam
deret diperoleh dari rata-rata aritmatika. Ini dikerjakan seperti di bawah:
Ketika kita membagi simpangan baku dengan rata-rata aritmatika dari deret tersebut, besaran yang
dihasilkan dikenal sebagaikoefisien simpangan baku yangHHtampaknya menjadi ukuran relatif dan
sering digunakan untuk membandingkan dengan ukuran serupa dari deret lainnya. Ketika koefisien
deviasi standar ini dikalikan dengan 100, angka yang dihasilkan diketahuiCAHaiSefisien varias.
Terkadang, kita bekerja keluar kuadrat deviasi standar, diketahui vaARSiance, yang sering digunakan
dalam konteks analisis variasi.
Deviasi standar (bersama dengan beberapa ukuran terkait seperti varians, koefisien variasi, dll.)
digunakan sebagian besar dalam studi penelitian dan dianggap sebagai ukuran dispersi yang sangat
memuaskan dalam suatu rangkaian. Hal ini dapat menerima manipulasi matematis karena tanda-tanda
aljabar tidak diabaikan dalam perhitungannya (seperti yang kita abaikan dalam kasus penyimpangan
rata-rata). Ini kurang terpengaruh oleh fluktuasi pengambilan sampel. Keunggulan ini membuat standar
deviasi dan koefisiennya menjadi ukuran yang sangat populer dari hamburan suatu deret. Ini populer
digunakan dalam konteks estimasi dan pengujian hipotesis.
UKURAN ASIMETRI (SKEWNESS)
Ketika distribusi item dalam suatu deret kebetulan simetris sempurna, kami kemudian memiliki jenis
kurva untuk distribusi berikut
(x = M = Z )
Kurva tidak menunjukkan kemiringan yang kita miliki x = M = Z
Kurva seperti itu secara teknis digambarkan sebagainSatauAkurva maldan distribusi terkait seperti
biasa distribusi. Kurva seperti itu adalah kurva berbentuk lonceng sempurna dalam hal ini vaxlueoro M
sama saja dan kemiringan sama sekali tidak ada. Tetapi jika kurvanya terdistorsi (baik di sisi kanan atau
di sisi kiri), kami memiliki distribusi asimetris yang menunjukkan bahwa ada kemiringan. Jika kurva
terdistorsi di sisi kanan, kami memiliki kemiringan positif tetapi ketika kurva terdistorsi ke kiri, kami
memiliki kemiringan negatif seperti yang ditunjukkan di bawah ini:
Kemiringan adalah, dengan demikian, ukuran asimetri dan menunjukkan cara item dikelompokkan di
sekitar rata-rata. Dalam distribusi simetris, item menunjukkan keseimbangan sempurna di kedua sisi
mode, tetapi dalam distribusi miring, keseimbangan dilemparkan ke satu sisi. Jumlah yang melebihi
saldo di satu sisi mengukur kemiringan seri. Perbedaan antara mean, median, atau modus memberikan
cara yang mudah untuk menyatakan skewness dalam suatu deret. dalam kasus

129
Arti penting dari skewness terletak pada kenyataan bahwa melalui itu seseorang dapat mempelajari
pembentukan deret dan dapat memiliki gagasan tentang bentuk kurva, apakah normal atau tidak, ketika
item dari deret tertentu diplot pada grafik.
Kurtosisadalah ukuran kemiringan rata dari suatu kurva. Kurva berbentuk lonceng atau kurva normal
adalah Mesokurtik karena kurva tersebut berada di tengah; tetapi jika kurvanya relatif lebih berpuncak
dari kurva normal, disebut Leptokurtic sedangkan kurva lebih datar dari kurva normal, disebut
Platykurtic. Singkatnya, Kurtosis adalah lekukan kurva dan menunjukkan sifat distribusi item di tengah
seri.
Dapat ditunjukkan di sini bahwa mengetahui bentuk kurva distribusi sangat penting untuk penggunaan
metode statistik dalam analisis penelitian karena sebagian besar metode membuat asumsi khusus
tentang sifat kurva distribusi.

130
UKURAN HUBUNGAN
Sejauh ini kita telah berurusan dengan ukuran statistik yang kita gunakan dalam konteks
populasi univariat
yaitu, populasi yang terdiri dari pengukuran hanya satu variabel. Tetapi jika kita memiliki data pada
dua variabel, kita dikatakan memiliki populasi bivariat dan jika data tersebut terjadi pada lebih dari dua
variabel, populasi tersebut dikenal sebagai populasi multivariat. Jika untuk setiap pengukuran variabel,
x, kami memiliki nilai yang sesuai dari variabel keduakamub, lteh,e pasangan nilai yang dihasilkan
disebut populasi bivariat. Selain itu, kita mungkin juga memiliki nilai yang sesuai dari v . ketigaZ
variabel keempatW,, dan seterusnya, pasangan nilai yang dihasilkan disebut populasi multivariat. Di
dalam kasus populasi bivariat atau multivariat, kita sering ingin mengetahui hubungan dua dan/atau
lebih variabel dalam data satu sama lain. Kita mungkin ingin tahu, misalnya, apakah jumlah jam yang
dihabiskan siswa untuk belajar entah bagaimana terkait dengan pendapatan keluarga, usia, jenis
kelamin, atau faktor lain yang serupa. Ada beberapa metode untuk menentukan hubungan antar
variabel, tetapi tidak ada metode yang dapat memberi tahu kita secara pasti bahwa suatu korelasi
menunjukkan hubungan sebab akibat. Jadi kita harus menjawab dua jenis pertanyaan dalam populasi
bivariat atau multivariat yaitu,
(i) Apakah ada hubungan atau korelasi antara dua (atau lebih) variabel? Jika ya, dari derajat
apa?
(ii) Apakah ada hubungan sebab akibat antara dua variabel dalam kasus populasi bivariat atau
antara satu variabel di satu sisi dan dua atau lebih variabel di sisi lain dalam kasus populasi
multivariat? Jika ya, dari tingkat apa dan ke arah mana?
Pertanyaan pertama dijawab dengan menggunakan teknik korelasi dan pertanyaan kedua dengan teknik
regresi. Ada beberapa metode untuk menerapkan kedua teknik tersebut, tetapi yang penting adalah
sebagai berikut:
Dalam kasus populasi bivariatC: korelasi dapat dipelajari melalui (a) tabulasi silang;
(b) koefisien korelasi Charles Spearman; (c) koefisien korelasi Karl Pearson; sedangkan hubungan
sebab akibat dapat dipelajari melalui persamaan regresi sederhana.
Dalam kasus populasi multivariatC:korelasi dapat dipelajari melalui (a) koefisien korelasi ganda; (b)
koefisien korelasi parsial; sedangkan hubungan sebab akibat dapat dipelajari melalui persamaan regresi
berganda.
Sekarang kita dapat secara singkat mengambil metode di atas satu per satu. Tabulasi silangPendekatan
ini sangat berguna ketika data dalam bentuk nominal. Di bawahnya kami mengklasifikasikan setiap
variabel menjadi dua atau lebih kategori dan kemudian mengklasifikasikan variabel dalam subkategori
tersebut. Kemudian kita mencari interaksi antara mereka yang mungkin simetris, timbal balik atau
asimetris. Hubungan simetris adalah hubungan di mana dua variabel bervariasi bersama-sama, tetapi
kita mengasumsikan bahwa tidak ada variabel yang disebabkan oleh yang lain. Hubungan timbal balik
terjadi ketika dua variabel saling mempengaruhi atau memperkuat satu sama lain. Hubungan asimetris
dikatakan ada jika salah satu variabel (variabel bebas) bertanggung jawab atas variabel lain (variabel
terikat). Prosedur klasifikasi silang dimulai dengan tabel dua arah yang menunjukkan ada atau tidaknya
hubungan antar variabel. Analisis semacam ini dapat dijabarkan lebih lanjut dalam hal ini faktor ketiga
dimasukkan ke dalam asosiasi melalui klasifikasi silang ketiga variabel.

131
faktorZ dipertahankan konstan. bentuk korelasi statistik yang kuat dan karenanya kami menggunakan
beberapa metode lain ketika data menjadi data ordinal atau interval atau rasio.
Charles Spearma'koefisien korelasi ns(atau korelasi peringkat) adalah teknik dari
menentukan derajat korelasi antara dua variabel dalam kasus data ordinal di mana peringkat diberikan
untuk nilai variabel yang berbeda. Tujuan utama dari koefisien ini adalah untuk menentukan sejauh
mana dua set peringkat serupa atau tidak serupa. Koefisien ini ditentukan sebagai berikut:
Koefisien korelasi Spearman (Ro)r= 1 MS L6Σ D2 HAI
nn2 1jQP
NM e
Saya P
di mana D = perbedaan antara peringkat Sayapasangan lain dari dua variabel; Saya
n = jumlah pasangan pengamatan.
Karena korelasi peringkat adalah teknik non-parametrik untuk mengukur hubungan antara pengamatan
berpasangan dari dua variabel ketika data berada dalam bentuk peringkat, kami telah membahas teknik
ini secara lebih rinci nanti dalam buku dalam bab berjudul 'Pengujian Hipotesis II (Non- tes
parametrik)'.
Karl Pearson' s koefisien korelasi (atau korelasi sederhana) adalah metode yang paling banyak
digunakan mengukur derajat hubungan antara dua variabel. Koefisien ini mengasumsikan sebagai
berikut:
(i) adanya hubungan linier antara kedua variabel;
(ii) kedua variabel tersebut saling berhubungan, artinya salah satu variabel bebas dan variabel
lainnya terikat; dan
(iii) sejumlah besar penyebab independen beroperasi di kedua variabel sehingga menghasilkan
distribusi normal.
Koefisien korelasi Karl Pearson juga dikenal sebagai koefisien korelasi product moment. Nilai dariR''
berada diantara± 1. Nilai positif oRf menunjukkan korelasi positif antara dua variabel (yaitu, perubahan
kedua variabel terjadi dalam arah pernyataan), sedangkan nilai negatif oR'menunjukkan korelasi negatif
yaitu, perubahan dua variabel yang terjadi dalam arah yang berlawanan. Nilai nolR'oifn' menunjukkan
bahwa tidak ada hubungan antara kedua variabel. apaRn= (+) 1 menunjukkan korelasi positif sempurna
dan jika (–) 1 menunjukkan korelasi negatif sempurna, artinya variasi variabel
independenxri)aebxlepl(mendapatkan 100% variasi dalam variabel dependen
variabel bebas, jika terjadi perubahan konstan pada variabel terikat dalam arah yang sama, maka
korelasi disebut positif sempurna. Tetapi jika perubahan tersebut terjadi dalam arah yang berlawanan,
korelasi akan disebut sebagai negatif sempurna. NilainyaRe' noefa'rer ke +1 atau -1 menunjukkan
tingkat korelasi yang tinggi antara dua variabel.
ANALISIS REGRESI SEDERHANA
Regresi adalah penentuan hubungan statistik antara dua variabel atau lebih. Dalam regresi sederhana,
kita hanya memiliki dua variabel, satu variabel (didefinisikan sebagai independen) adalah penyebab
perilaku yang lain (didefinisikan sebagai variabel dependen). Regresi hanya dapat menafsirkan apa
yang ada secara fisik yaitu, harus ada cara fisik di mana va independenx variabelkamu. Hubungan dasar
antaraxenandkamu diberikan oleh
kamu$ = A + bX
dimana simbolnyakamuaku$ menunjukkan nilai perkiraankamuoff untuk nilai tertentu oxF . Persamaan
ini diketahui sebagai persamaan regresikamuoof nx (juga mewakili garis regresi kamudarix ketika

132
digambar pada grafik) yang berarti bahwa setiap unit berubahx epmemperkenalkan perubahan Bdari
dalam kamu, yang positif untuk langsung dan negatif untuk hubungan terbalik.
Kemudian metode yang umum digunakan untuk menemukan kecocokan 'terbaik' yang dapat diberikan
oleh garis lurus semacam ini adalah metode kuadrat terkecil. Untuk menggunakannya secara efisien,
pertama-tama kita tentukan
Dengan demikian, analisis regresi merupakan suatu metode statistik untuk menangani perumusan model
matematika yang menggambarkan hubungan antar variabel yang dapat digunakan untuk tujuan prediksi
nilai-nilai variabel dependen, mengingat nilai-nilai variabel independen.
[Atau, untuk memasang persamaan regresi tykamuP$ e= A + bX dengan nilai yang diberikan oxF
dankamu variabel, kita dapat menemukan nilai dari dua konstanta vaizn.d, ba dengan menggunakan dua
persamaan normal berikut:
Σ kamuSaya = tidak + BΣ xSaya
Σ XY = AΣ x + BΣ x2
ii SayaSaya
dan kemudian memecahkan persamaan ini untuk menemukanAinagndB nilai-nilai. Setelah nilai-nilai
ini diperoleh dan telah dimasukkan ke dalam persamaankamun$ = A + bX, kita katakan bahwa kita
telah melengkapi persamaan regresikamusiangx terhadap data yang diberikan. Dengan cara yang sama,
kita dapat mengembangkan persamaan regresixtiaondokamuf yaitu., x$ =
A + bX, menganggapkamu sebagai variabel bebas axndas variabel terikat].
KORELASI DAN REGRESI GANDA
Apabila terdapat dua atau lebih dari dua variabel bebas, maka analisis mengenai hubungan tersebut
disebut korelasi berganda dan persamaan yang menggambarkan hubungan tersebut disebut persamaan
regresi berganda. Kami di sini menjelaskan korelasi berganda dan regresi dengan hanya mengambil dua
variabel independen dan satu variabel dependen (Ada program komputer yang nyaman untuk
menangani sejumlah besar variabel). Dalam situasi ini hasilnya ditafsirkan seperti yang ditunjukkan di
bawah ini:
tingkat korelasi antara variabel independen, kami memiliki masalah tentang apa yang biasa
digambarkan sebagaiPe masalah multikolinearit.kamuDalam situasi seperti itu kita harus menggunakan
hanya satu set variabel independen untuk membuat estimasi kita.Namun demikian,prediksi untuk
variabel dependen dapat dibuat bahkan ketika multikolinearitas hadir, tetapi dalam kondisi seperti itu
situasi yang cukup hati-hati harus diambil dalam memilih variabel independen untuk memperkirakan
variabel dependen untuk memastikan bahwa multi-kolinearitas dikurangi seminimal mungkin.
Dengan lebih dari satu variabel bebas, kita dapat membuat perbedaan antara efek kolektif dari dua
variabel bebas dan efek individu dari masing-masing variabel yang diambil secara terpisah. Efek
kolektif diberikan oleh koefisien korelasi ganda,
KORELASI PARSIAL
Korelasi parsial mengukur secara terpisah hubungan antara dua variabel sedemikian rupa sehingga efek
dari variabel terkait lainnya dihilangkan. Dengan kata lain, dalam analisis korelasi parsial, kami
bertujuan untuk mengukur hubungan antara variabel dependen dan variabel independen tertentu dengan
menganggap semua variabel lainnya konstan. Dengan demikian, setiap koefisien korelasi parsial
mengukur pengaruh variabel independennya terhadap variabel dependen. Untuk memperolehnya,
pertama-tama perlu menghitung koefisien korelasi sederhana antara setiap himpunan pasangan variabel
seperti yang dinyatakan sebelumnya.
Rumus pendekatan alternatif ini didasarkan pada koefisien korelasi sederhana (juga dikenal sebagai
koefisien orde nol karena tidak ada variabel yang tetap konstan ketika koefisien korelasi sederhana
133
dikerjakan). Koefisien korelasi parsial disebut koefisien orde pertama ketika satu variabel dianggap
konstan seperti yang ditunjukkan di atas; mereka dikenal sebagai koefisien orde kedua ketika dua
variabel dianggap konstan dan seterusnya.
ASOSIASI DALAM KASUS ATRIBUT
Ketika data dikumpulkan berdasarkan beberapa atribut atau atribut, kita memiliki statistik yang biasa
disebut sebagai statistik atribut. Objek tidak perlu memproses hanya satu atribut; melainkan akan
ditemukan bahwa objek memiliki lebih dari satu atribut. Dalam situasi seperti itu minat kita mungkin
tetap untuk mengetahui apakah atribut tersebut terkait satu sama lain atau tidak. Misalnya, di antara
sekelompok orang kita mungkin menemukan bahwa beberapa dari mereka diinokulasi terhadap cacar
dan di antara yang diinokulasi kita dapat mengamati bahwa beberapa dari mereka menderita cacar
setelah inokulasi. Pertanyaan penting yang mungkin muncul untuk pengamatan adalah mengenai
efisiensi inokulasi karena popularitasnya akan tergantung pada kekebalan yang diberikannya terhadap
cacar. Dengan kata lain, kita mungkin tertarik untuk mengetahui apakah inokulasi dan kekebalan dari
cacar berhubungan. Secara teknis, kami mengatakan bahwa dua atribut terkait jika mereka muncul
bersama dalam jumlah kasus yang lebih besar daripada yang diharapkan jika mereka independen dan
tidak hanya atas dasar bahwa mereka muncul bersama dalam sejumlah kasus seperti yang dilakukan
dalam biasa. kehidupan.
Asosiasi mungkin positif atau negatif (asosiasi negatif juga dikenal sebagai disasosiasi). Jika frekuensi
kelas oAF B, secara simbolis ditulis sebagaiA(B), lebih besar dari harapanAHaiBf bersama-sama jika
mereka independen, maka kita katakan kedua atribut tersebut berhubungan positif; tetapi jika frekuensi
kelas oA
F B kurang dari harapan ini, kedua atribut dikatakan negatif terkait. Jika frekuensi kelasAkamuBoisf
sama dengan harapan, dua atribut dianggap sebagai independen yaitu, dikatakan tidak memiliki
asosiasi.
Hubungan antara dua atribut dalam kasus klasifikasi manifold dan tabel kontingensi yang dihasilkan
dapat dipelajari seperti dijelaskan di bawah ini:
Kita dapat memiliki klasifikasi manifold dari dua atribut di mana masing-masing dari dua atribut
pertama kali diamati dan kemudian masing-masing diklasifikasikan menjadi dua atau lebih subclass,
menghasilkan apa yang disebut sebagai tabel kontingensi. Berikut ini adalah contoh tabel kontingensi
4 × 4 dengan dua atribut ;
Setelah mereduksi tabel kontingensi menjadi tabel dua kali dua melalui proses menggabungkan
beberapa kelas, kita dapat menyusun asosiasi seperti yang dijelaskan di atas. Tetapi praktik
menggabungkan kelas tidak dianggap sangat benar dan kadang-kadang juga merepotkan, Karl Pearson
telah menyarankan ukuran yang dikenal sebagaiCSoefisiensi kontingen kuadrat rata-
rataFOCRkamumempelajari asosiasi dalam tabel kontingensi. Ini dapat diperoleh seperti di bawah ini:
TINDAKAN LAINNYA
1. Nomor indeks: Ketika deret dinyatakan dalam satuan yang sama, kita dapat menggunakan rata-
rata untuk tujuan perbandingan, tetapi ketika satuan di mana dua atau lebih deret dinyatakan
berbeda, rata-rata statistik tidak dapat digunakan untuk membandingkannya. Dalam situasi
seperti itu kita harus bergantung pada beberapa pengukuran relatif yang terdiri dari
pengurangan angka-angka menjadi dasar yang sama. Setelah metode tersebut adalah untuk
mengubah seri menjadi serangkaian angka indeks. Ini dilakukan ketika kita menyatakan angka-
angka yang diberikan sebagai persentase dari beberapa angka tertentu pada data tertentu.
Dengan demikian, kita dapat mendefinisikan nomor indeks sebagai angka yang digunakan
untuk mengukur tingkat fenomena tertentu dibandingkan dengan tingkat fenomena yang sama
pada beberapa tanggal standar. Penggunaan bobot nomor indeks lebih sebagai jenis rata-rata
khusus, dimaksudkan untuk mempelajari perubahan pengaruh faktor-faktor tersebut yang tidak
dapat diukur secara langsung. Tetapi kita harus selalu ingat bahwa angka indeks hanya
mengukur perubahan relatif. Perubahan berbagai fenomena ekonomi dan sosial dapat diukur
134
 dan dibandingkan melalui angka indeks. Indeks yang berbeda melayani tujuan yang berbeda.
Indeks komoditas tertentu berfungsi sebagai ukuran perubahan fenomena komoditas itu saja.
Angka indeks dapat mengukur biaya hidup berbagai kelas orang. Dalam bidang ekonomi, angka
indeks sering disebut sebagai:'barometer ekonomi mengukur fenomena ekonomi dalam segala
aspeknya baik secara langsung dengan mengukur fenomena yang sama atau tidak langsung
dengan mengukur sesuatu yang lain yang mencerminkan fenomena utama. Tetapi nomor indeks
memiliki batasannya sendiri yang harus selalu disadari oleh peneliti. Misalnya, angka indeks
hanya merupakan indikator perkiraan dan dengan demikian hanya memberikan gambaran yang
wajar tentang perubahan tetapi tidak dapat memberikan gambaran yang akurat. Kemungkinan
kesalahan juga tetap pada satu titik atau yang lain saat membangun nomor indeks tetapi ini
tidak mengurangi kegunaan nomor indeks karena mereka masih dapat menunjukkan tren
fenomena yang diukur. Namun, untuk menghindari kesimpulan yang salah, nomor indeks yang
disiapkan untuk satu tujuan tidak boleh digunakan untuk tujuan lain atau untuk tujuan yang
sama di tempat lain.
2. Analisis deret waktu:Dalam konteks penelitian ekonomi dan bisnis, kita mungkin cukup sering
memperoleh data yang berkaitan dengan suatu periode waktu mengenai suatu fenomena
tertentu. Data tersebut diberi label sebagai 'Deret Waktu'. Lebih jelas dapat dinyatakan bahwa
serangkaian pengamatan yang berurutan dari fenomena yang diberikan selama periode waktu
disebut sebagai deret waktu. Rangkaian tersebut biasanya merupakan hasil dari efek dari satu
atau lebih faktor berikut: (Saya) Tren sekuleratau tren jangka panjang yang menunjukkan arah
rangkaian dalam jangka waktu yang lama. Pengaruh tren (apakah itu merupakan faktor
pertumbuhan atau faktor penurunan) bersifat bertahap, tetapi meluas kurang lebih secara
konsisten sepanjang seluruh periode waktu yang dipertimbangkan. Terkadang, tren sekuler
hanya dinyatakan sebagai tren (atau T) (ii)Osilasi waktu singkatyaitu, perubahan yang terjadi
hanya dalam waktu singkat dan perubahan tersebut dapat disebabkan oleh faktor-faktor berikut:
A. Fluktuasi siklus(atau C) adalah fluktuasi sebagai akibat dari siklus bisnis dan umumnya disebut
sebagai pergerakan jangka panjang yang mewakili kenaikan dan penurunan yang berulang
secara konsisten dalam suatu aktivitas.
B. Fluktuasi musiman(begitu) berdurasi pendek yang terjadi dalam urutan yang teratur pada
interval waktu tertentu. Fluktuasi tersebut adalah hasil dari perubahan musim. Biasanya
fluktuasi tersebut melibatkan pola perubahan dalam satu tahun yang cenderung berulang dari
tahun ke tahun. Fluktuasi siklis dan fluktuasi musiman secara bersama-sama membentuk
fluktuasi reguler jangka pendek.
C. Fluktuasi tidak teratur(atau aku), juga dikenal sebagai fluktuasi acak, adalah variasi yang terjadi
dengan cara yang sama sekali tidak dapat diprediksi.

Semua faktor yang disebutkan di atas disebut sebagai komponen deret waktu dan ketika kami
mencoba menganalisis deret waktu, kami mencoba mengisolasi dan mengukur efek dari berbagai jenis
faktor ini pada deret. Untuk mempelajari pengaruh satu jenis faktor, jenis faktor lainnya dihilangkan
dari deret. Deret yang diberikan, dengan demikian, dibiarkan dengan efek dari satu jenis faktor saja.
Untuk menganalisis deret waktu, kami biasanya memiliki dua model; (1) model perkalian; dan (2)
model aditif. Model perkalian mengasumsikan bahwa berbagai komponen berinteraksi secara perkalian
untuk menghasilkan nilai-nilai yang diberikan dari deret waktu keseluruhan dan dapat dinyatakan
sebagai berikut:
kamu = T × C × S × Saya
di mana
kamu= nilai pengamatan deret waktuT es=, Tren,C = Fluktuasi siklusS , = Fluktuasi musiman,
Saya = Fluktuasi tidak teratur.
Pengolahan dan Analisis Data 149

135
Model aditif mempertimbangkan total berbagai komponen yang menghasilkan nilai yang diberikan dari
deret waktu keseluruhan dan dapat dinyatakan sebagai:
kamu = T + C + S + Saya
Ada berbagai metode untuk mengisolasi tren dari deret yang diberikan yaitu, metode tangan
bebas, metode semi-rata-rata, metode rata-rata bergerak, metode kuadrat terkecil dan yang serupa ada
metode pengukuran variasi siklus dan musiman dan variasi apa pun yang tersisa dipertimbangkan.
sebagai fluktuasi acak atau tidak teratur.
Analisis deret waktu dilakukan untuk memahami kondisi dinamis untuk mencapai tujuan
jangka pendek dan jangka panjang perusahaan bisnis. Tren masa lalu dapat digunakan untuk
mengevaluasi keberhasilan atau kegagalan kebijakan manajemen atau kebijakan yang dipraktikkan
sampai sekarang. Berdasarkan tren masa lalu, pola masa depan dapat diprediksi dan kebijakan atau
kebijakan dapat dirumuskan. Kita juga dapat mempelajari dengan baik efek dari faktor-faktor yang
menyebabkan perubahan hanya dalam waktu singkat, setelah kita menghilangkan efek tren. Dengan
mempelajari variasi siklus, kita dapat tetap melihat dampak dari perubahan siklus sambil merumuskan
berbagai kebijakan untuk membuatnya serealistis mungkin. Pengetahuan tentang variasi musiman akan
sangat membantu kami dalam mengambil keputusan mengenai persediaan, produksi, kebijakan
pembelian dan penjualan sehingga dapat mengoptimalkan hasil kerja. Dengan demikian, analisis deret
waktu penting dalam konteks peramalan jangka panjang maupun jangka pendek dan dianggap sebagai
alat yang sangat kuat di tangan analis dan peneliti bisnis.

Pertanyaan

1. “Pengolahan data menyiratkan pengeditan, pengkodean, klasifikasi dan tabulasi”. Jelaskan

secara singkat empat operasi ini menunjukkan pentingnya masing-masing dalam konteks
studi penelitian.
2. Klasifikasi menurut interval kelas melibatkan tiga masalah utama yaitu, berapa banyak
kelas yang harus ada? Bagaimana cara memilih batas kelas? Bagaimana cara menentukan
frekuensi kelas? Nyatakan bagaimana masalah ini harus ditangani oleh seorang peneliti.
3. Mengapa tabulasi dianggap penting dalam studi penelitian? Sebutkan ciri-ciri meja yang
baik!
4. (a) Bagaimana masalah tanggapan DK harus ditangani oleh seorang peneliti? Menjelaskan.
1. (b) Hal-hal apa yang harus diperhatikan saat menggunakan persentase dalam studi
penelitian?
5. Tulis catatan singkat tentang berbagai jenis analisis data yang menunjukkan pentingnya
masing-masing.
6. Apakah yang Anda maksud: analisis multivariat Jelaskan perbedaannya dengan analisis
bivariat.
7. Bagaimana Anda membedakan antara statistik deskriptif dan statistik inferensial? Jelaskan
ukuran statistik penting yang sering digunakan untuk meringkas data survei/penelitian.
8. Apa yang ditunjukkan oleh ukuran tendensi sentral? Jelaskan ukuran penting dari tendensi
sentral yang menunjukkan situasi ketika satu ukuran dianggap relatif tepat dibandingkan
dengan ukuran lainnya.
9. Jelaskan berbagai ukuran hubungan yang sering digunakan dalam konteks studi penelitian.
Jelaskan arti dari koefisien korelasi berikut ini:
(Saya) R , (ii) Ryx1 ⋅ x , (aku aku aku ) Rkamu⋅ x1 x2
yx 2
10. Tulislah catatan singkat tentang hal-hal berikut:
(i) Tabulasi silang;
(ii) Analisis diskriminan;
(iii) Koefisien kontinjensi;

136
 (iv) Multikolinearitas;
(v) Asosiasi parsial antara dua atribut.
11. “Analisis deret waktu dilakukan untuk memahami kondisi dinamis untuk mencapai tujuan
jangka pendek dan jangka panjang perusahaan bisnis.” Membahas.
12. “Perubahan berbagai fenomena ekonomi dan sosial dapat diukur dan dibandingkan melalui
angka indeks”. Jelaskan pernyataan ini yang menunjukkan kegunaan nomor indeks.
13. Membedakan antara:
(i) Penyuntingan lapangan dan penyuntingan pusat;
(ii) Statistik atribut dan statistik variabel;
(iii) interval kelas tipe eksklusif dan tipe inklusif;
(iv) Tabulasi sederhana dan kompleks;
(v) Tabulasi mekanis dan tabulasi silang.
14.“Penggunaan rata-rata yang diskriminatif sangat penting untuk analisis statistik yang baik”.
Mengapa? Jawaban memberikan contoh.
15. Jelaskan bagaimana Anda mengerjakan ukuran statistik berikut yang sering digunakan oleh
para peneliti?
(i) Koefisien variasi;
(ii) Rata-rata aritmatika;
(iii) Koefisien kemiringan;
(iv) Persamaan regresi x daripadakamu;
(v) Koefisien Ryx2 ⋅ x

137
138
 8. Dasar-Dasar Pengambilan Sampel
Sampling dapat didefinisikan sebagai pemilihan beberapa bagian dari agregat atau totalitas atas
dasar penilaian atau kesimpulan tentang agregat atau totalitas dibuat. Dengan kata lain, ini adalah proses
memperoleh informasi tentang seluruh populasi dengan memeriksa hanya sebagian saja. Di sebagian
besar pekerjaan penelitian dan survei, pendekatan yang biasa terjadi adalah membuat generalisasi atau
menarik kesimpulan berdasarkan sampel tentang parameter populasi dari mana sampel diambil. Peneliti
cukup sering memilih hanya beberapa item dari alam semesta untuk tujuan studinya. Semua ini
dilakukan dengan asumsi bahwa data sampel akan memungkinkan dia untuk memperkirakan parameter
populasi. Item-item yang dipilih merupakan apa yang secara teknis disebut sampel, proses atau teknik
pemilihannya disebut desain sampel dan survei yang dilakukan berdasarkan sampel disebut sebagai
survei sampel. Sampel harus benar-benar mewakili karakteristik populasi tanpa bias sehingga dapat
menghasilkan kesimpulan yang valid dan andal.

KEBUTUHAN SAMPLING
Pengambilan sampel digunakan dalam praktik karenabernagai alasan yaitu sebagai berikut:

1. Pengambilan sampel dapat menghemat waktu dan uang. Studi sampel biasanya lebih murah
daripada sensus mempelajari dan menghasilkan hasil dengan kecepatan yang relatif lebih cepat.
2. Pengambilan sampel dapat memungkinkan pengukuran yang lebih akurat untuk studi sampel
yang umumnya dilakukan oleh peneliti terlatih dan berpengalaman.
3. Pengambilan sampel tetap satu-satunya cara ketika populasi berisi banyak anggota tak
terhingga.
4. Pengambilan sampel tetap menjadi satu-satunya pilihan ketika tes melibatkan penghancuran
item di bawah belajar.
5. Pengambilan sampel biasanya memungkinkan untuk memperkirakan kesalahan pengambilan
sampel dan, dengan demikian, membantu dalam memperoleh informasi tentang beberapa
karakteristik populasi.

BEBERAPA DEFINISI DASAR

Sebelum kita berbicara tentang detail dan kegunaan sampling, ada baiknya kita mengenal
terlebih dahulu dengan beberapa definisi mendasar tentang konsep dan prinsip sampling.

1. Dari sudut pandang statistik, istilah 'Alam Semesta' mengacu pada total item atau unit dalam
bidang penyelidikan apa pun, sedangkan istilah 'populasi' mengacu pada total item tentang
informasi yang diinginkan. Atribut-atribut yang menjadi objek kajian disebut sebagai ciri-ciri
dan satuan-satuan yang memilikinya disebut satuan dasar. Agregat dari unit-unit tersebut
umumnya digambarkan sebagai populasi. Jadi, semua unit dalam bidang penyelidikan apa pun
merupakan alam semesta dan semua unit dasar (berdasarkan satu karakteristik atau lebih)
merupakan populasi. Sering kali, kita tidak menemukan perbedaan antara populasi dan alam
semesta, dan karena itu kedua istilah tersebut dianggap dapat dipertukarkan. Namun, seorang
peneliti tentu harus mendefinisikan istilah-istilah ini secara tepat.
Populasi atau alam semesta bisa terbatas atau tak terbatas. Populasi dikatakan
berhingga jika terdiri dari sejumlah elemen yang tetap sehingga memungkinkan untuk
menghitungnya secara keseluruhan. Misalnya, populasi kota, jumlah pekerja di pabrik adalah
contoh populasi terbatas. Simbol 'N' umumnya digunakan untuk menunjukkan berapa banyak
elemen (atau item) yang ada dalam kasus populasi yang terbatas. Populasi tak terbatas adalah
139
 populasi yang secara teoritis tidak mungkin untuk mengamati semua elemen. Jadi, dalam
populasi tak terbatas jumlah item tidak terbatas yaitu, kita tidak dapat memiliki gagasan tentang
jumlah item. Jumlah bintang di langit, kemungkinan lemparan sepasang dadu adalah contoh
populasi tak terhingga. Kita harus ingat bahwa tidak ada populasi objek fisik yang benar-benar
tak terbatas yang benar-benar ada meskipun faktanya banyak populasi seperti itu tampak sangat
sangat besar. Dari pertimbangan praktis, kami kemudian menggunakan istilah populasi tak
terbatas untuk populasi yang tidak dapat dihitung dalam jangka waktu yang wajar. Dengan cara
ini kita menggunakan konsep teoretis populasi tak hingga sebagai perkiraan populasi hingga
yang sangat besar.
2. Bingkai sampel: Satuan-satuan dasar atau kelompok atau klaster dari satuan-satuan tersebut
dapat menjadi dasar dari proses pengambilan sampel yang dalam hal ini disebut sebagai unit
pengambilan sampel. Daftar yang berisi semua unit sampling tersebut dikenal sebagai kerangka
sampling. Jadi kerangka pengambilan sampel terdiri dari daftar item dari mana sampel akan
diambil. Jika populasinya berhingga dan kerangka waktunya ada di masa sekarang atau masa
lalu, maka kerangka itu mungkin identik dengan populasi. Dalam kebanyakan kasus mereka
tidak identik karena seringkali tidak mungkin untuk menarik sampel langsung dari populasi.
Dengan demikian kerangka ini dibangun oleh seorang peneliti untuk tujuan studinya atau dapat
terdiri dari beberapa daftar populasi yang ada. Misalnya, seseorang dapat menggunakan
direktori telepon sebagai kerangka untuk melakukan survei opini di sebuah kota.
3. Desain sampel: Sebuah desain sampel adalah rencana yang pasti untuk mendapatkan sampel
dari kerangka sampling. Ini mengacu pada teknik atau prosedur yang akan diadopsi peneliti
dalam memilih beberapa unit sampling dari mana kesimpulan tentang populasi diambil. Desain
sampling ditentukan sebelum data dikumpulkan. Berbagai desain sampling telah dijelaskan
sebelumnya dalam buku ini.
4. Statistik dan parameter: Statistik adalah karakteristik sampel, sedangkan parameter adalah
karakteristik populasi. Jadi, ketika kita mengerjakan ukuran-ukuran tertentu seperti mean,
median, modus atau yang serupa dari sampel, maka mereka disebut statistik karena mereka
menggambarkan karakteristik sampel. Tetapi ketika ukuran-ukuran tersebut menggambarkan
karakteristik suatu populasi, mereka diketahui sebagai parameter. Misalnya, mean populasi b g
adalah parameter, sedangkan mean sampel ( X ) adalah statistik. Untuk mendapatkan estimasi
suatu parameter dari suatu statistik merupakan bilangan prima tujuan analisis sampling.

140
 5. Kesalahan pengambilan sampel: Survei sampel menyiratkan studi terhadap sebagian kecil
populasi dan karena itu secara alami akan ada sejumlah ketidakakuratan dalam informasi yang
dikumpulkan. Ketidakakuratan ini dapat disebut sebagai kesalahan sampling atau varians
kesalahan. Dengan kata lain, kesalahan kesalahan-kesalahan yang timbul karena pengambilan
sampel dan umumnya merupakan variasi acak (dalam kasus pengambilan sampel acak) dalam
perkiraan sampel di sekitar nilai populasi sebenarnya. Arti dari kesalahan pengambilan sampel

dapat dengan mudah dipahami dari diagram berikut:

Kesalahan pengambilan sampel = Kesalahan bingkai + kesalahan peluang + kesalahan respons.

(Jika kita menambahkan kesalahan pengukuran atau
kesalahan non-sampling kekesalahan pengambilan sampel,
kita mendapatkan kesalahan total)
Kesalahan pengambilan sampel terjadi secara acak dan sama-sama mungkin terjadi di kedua
arah. besarnyakesalahan pengambilan sampel tergantung pada sifat alam semesta; semakin homogen
alam semesta, semakin kecil kesalahan pengambilan sampel. Sampling error berbanding terbalik
dengan ukuran sampel yaitu, sampling error menurun dengan meningkatnya ukuran sampel dan
sebaliknya. Ukuran kesalahan pengambilan sampel acak dapat dihitung untuk desain dan ukuran sampel
tertentu dan ukuran ini sering disebut presisi rencana pengambilan sampel. Kesalahan pengambilan
sampel biasanya dinyatakan sebagai produk dari nilai kritis pada tingkat signifikansi tertentu dan
kesalahan standar.

Berbeda dengan kesalahan pengambilan sampel, kami mungkin memiliki kesalahan non-
pengambilan sampel yang mungkin merayap dalam proses pengumpulan informasi aktual dan
kesalahan tersebut terjadi di semua survei baik sensus atau sampel. Kami tidak memiliki cara untuk
mengukur kesalahan non-sampling.

141
 6. presisi: Presisi adalah kisaran di mana rata-rata populasi (atau parameter lain) akan terletak
sesuai dengan keandalan yang ditentukan dalam tingkat kepercayaan sebagai persentase dari
perkiraa atau sebagai kuantitas numerik. Misalnya, jika perkiraannya adalah Rs 4000 dan
presisi yang diinginkan adalah 4%, maka nilai sebenarnya tidak kurang dari Rs 3840 dan tidak
lebih dari Rs 4160. Ini adalah kisaran (Rs 3840 hingga Rs 4160) di mana jawaban yang benar
seharusnya berada. Tetapi jika kita menginginkan perkiraan itu tidak boleh menyimpang dari
nilai sebenarnya lebih dari Rs 200 di kedua arah, dalam hal ini kisarannya adalah Rs 3800
hingga Rs 4200.
7. Tingkat kepercayaan dan tingkat signifikansi: Tingkat kepercayaan atau keandalan adalah
persentase yang diharapkan dari waktu bahwa nilai aktual akan jatuh dalam batas presisi yang
dinyatakan. Jadi, jika kita mengambil tingkat kepercayaan 95%, maka kita berarti bahwa ada
95 peluang dalam 100 (atau 0,95 dalam 1) bahwa hasil sampel mewakili kondisi sebenarnya
dari populasi dalam rentang presisi yang ditentukan terhadap 5 peluang dalam 100 (atau .05 in
1) yang tidak.
Presisi adalah rentang di mana jawabannya dapat bervariasi dan masih dapat diterima; tingkat
kepercayaan menunjukkan kemungkinan bahwa jawaban akan berada dalam kisaran itu, dan
tingkat signifikansi menunjukkan kemungkinan bahwa jawaban akan berada di luar kisaran itu.
Kita selalu dapat mengingat bahwa jika tingkat kepercayaan adalah 95%, maka tingkat
signifikansinya adalah (100 – 95) yaitu 5%; jika tingkat kepercayaan 99%, tingkat
signifikansinya adalah (100 – 99) yaitu 1%, dan seterusnya. Kita juga harus ingat bahwa luas
kurva normal dalam batas presisi untuk tingkat kepercayaan yang ditentukan merupakan daerah
penerimaan dan luas kurva di luar batas ini di kedua arah merupakan daerah penolakan.
8. Distribusi sampel: Kita sering memperhatikan distribusi sampling dalam analisis sampling. Jika
kita mengambil sejumlah sampel dan untuk setiap sampel menghitung berbagai ukuran statistik
seperti mean, standar deviasi, dll., maka kita dapat menemukan bahwa setiap sampel dapat
memberikan nilainya sendiri untuk statistik yang dipertimbangkan. Semua nilai statistik
tertentu tersebut, katakanlah mean, bersama dengan frekuensi relatifnya akan membentuk
distribusi sampling dari statistik tertentu, katakanlah mean. Dengan demikian, kita dapat
memiliki distribusi sampling mean, atau distribusi sampling dari standar deviasi atau distribusi
sampling dari ukuran statistik lainnya. Dapat dicatat bahwa setiap item dalam distribusi
sampling adalah statistik tertentu dari sampel. Distribusi sampling cenderung lebih mendekati
distribusi normal jika jumlah sampel banyak. Pentingnya distribusi sampling mengikuti fakta
bahwa rata-rata distribusi sampling sama dengan rata-rata alam semesta. Dengan demikian,
rata-rata distribusi sampling dapat diambil sebagai rata-rata alam semesta.

DISTRIBUSI SAMPLING PENTING

Beberapa distribusi sampling penting yang umum digunakan adalah: (1) distribusi sampling
mean; (2) distribusi sampel proporsi; (3) distribusi 't' siswa; (4) distribusi F; dan(5) Distribusi Chi-
kuadrat. Penyebutan singkat dari masing-masing distribusi sampling ini akan sangat membantu.

1.Distribusi sampel mean: Distribusi sampling mean mengacu pada probabilitas distribusi semua cara
yang mungkin dari sampel acak dengan ukuran tertentu yang kita ambil dari suatu populasi. Jika sampel
diambil dari populasi normal, N(, p ), distribusi sampling rata-rata juga akan jadilah biasa dengan kejam
x dan simpangan baku pn , di mana adalah rata-rata populasi, P adalah standar deviasi dari populasi
dan n berarti jumlah item dalam sampel. Tetapi ketika pengambilan sampel berasal dari populasi yang
142
tidak normal (mungkin condong positif atau negatif), meskipun demikian, sesuai dengan teorema limit
pusat, distribusi rata-rata pengambilan sampel cenderung cukup mendekati distribusi normal, asalkan
jumlah item sampelnya adalah besar yaitu, lebih dari 30. Jika kita ingin mengurangi distribusi sampling
rata-rata ke distribusi normal unit yaitu, N (0,1), kita dapat menulis *Lihat Bab 9 Pengujian Hipotesis I
untuk rinciannya. variasi normal.

2.Distribusi sampel proporsi: Seperti distribusi sampling mean, kita juga dapat memiliki distribusi
proporsi sampling. Ini terjadi dalam kasus statistik atribut. Asumsikan bahwa kita telah menghitung
proporsi bagian yang rusak dalam sejumlah besar sampel, masing-masing dengan katakanlah 100 item,
yang telah diambil dari populasi tak terbatas dan plot distribusi probabilitas dari proporsi tersebut, kita
memperoleh apa yang dikenal sebagai distribusi sampling dari proporsi tersebut, kita memperoleh apa
yang dikenal sebagai distribusi sampel proporsi. Biasanya statistik atribut sesuai dengan kondisi
distribusi binomial yang cenderung menjadi distribusi normal ketika n menjadi lebih besar dan lebih
besar. Jika p mewakili proporsi cacat yaitu, keberhasilan dan q proporsi non-cacat yaitu, distribusi
proporsi keberhasilan memiliki mean = p dengan standar deviasi , dimana n adalah ukuran sampel.
Anggap distribusi binomial mendekati distribusi normal untuk besar n, variat normal dari distribusi
sampling proporsi z pˆ p , di mana Pˆ(jelas sebagai p-hat) adalah proporsi sampel keberhasilan, dapat
digunakan untuk pengujian hipotesis.

3. Distribusi-t Student: Ketika standar deviasi populasi d i p tidak diketahui dan sampel adalah ukuran
kecil b g yaitu, n < 30 , kami menggunakan distribusi t untuk distribusi sampling mean dan

latihan t variabel sebagai:p*q/n

n = d i2 1 yaitu, standar deviasi sampel. distribusi t juga simetris dan sangat dekat dengan distribusi dari
variasi normal standar, z, kecuali untuk nilai n yang kecil. Variabel t berbeda dari z dalam arti bahwa
kita menggunakan standar deviasi sampel s b g dalam perhitungan t, sedangkan kita menggunakan
standar deviasi dari populasi d i p dalam perhitungan z. Ada distribusi t yang berbeda untuk setiap
sampel yang mungkin ukuran yaitu, untuk derajat kebebasan yang berbeda. Derajat kebebasan untuk
sampel berukuran n adalah n – 1. As ukuran sampel semakin besar, bentuk distribusi t menjadi kira-kira
sama dengan normal distribusi. Faktanya untuk ukuran sampel lebih dari 30, distribusi t sangat dekat
dengan normal distribusi yang dapat kita gunakan normal untuk mendekati distribusi t. Tetapi ketika n
kecil, distribusi t jauh dari normal tetapi ketika n → , distribusi t identik dengan distribusi normal. Tabel
distribusi-t tersedia yang memberikan nilai kritis t untuk berbagai derajkebebasan pada berbagai tingkat
signifikansi. Nilai tabel t untuk derajat kebebasan tertentu pada a tingkat signifikansi tertentu
dibandingkan dengan nilai t yang dihitung dari data sampel, dan jika yang terakhir sama dengan atau
melebihi, kami menyimpulkan bahwa hipotesis nol tidak dapat diterima.

4. Distribusi F: if(αS1)2 dan (αS2)2 adalah varians dari dua sampel independen berukuran n1 dan n2
masing-masing diambil dari dua populasi normal independen, memiliki varians yang sama, memiliki
distribusi F dengan n1 1 dan n2 1 derajat kebebasan. F rasio dihitung sedemikian rupa sehingga varians
yang lebih besar selalu ada di pembilangnya. Tabel telah disiapkan untuk distribusi F yang memberikan
nilai kritis F untuk berbagai nilai derajat kebebasan untuk varians yang lebih besar maupun yang lebih
kecil. Nilai F yang dihitung dari data sampel dibandingkan dengan nilai tabel yang sesuai dari F dan
jika yang pertama sama dengan atau melebihi yang terakhir, maka kami menyimpulkan bahwa hipotesis
nol dari varians yang sama tidak dapat diterima. Kami akan menggunakan rasio F dalam konteks
pengujian hipotesis dan juga dalam konteks teknik ANOVA.

143
5. Chi-kuadrat (X2 ) distribusi:Chi-kuadrat distribusi adalah ditemui Kapan kami Sepakat dengan
kumpulan nilai yang melibatkan penjumlahan kuadrat. Varians sampel mengharuskan kami untuk
menambahkan koleksi kuantitas kuadrat dan dengan demikian memiliki distribusi yang terkait dengan
distribusi chi-kuadrat. Jika kita mengambil masing-masing dari kumpulan varians sampel, membaginya
dengan varians populasi yang diketahui dan mengalikan hasil bagi ini dengan (n – 1), di mana n berarti
jumlah item dalam sampel, kita akan memperoleh distribusi chi-kuadrat. Dengan demikian,(α2S/ O2p
) (n - 1) akan memiliki distribusi yang sama dengan chi-kuadrat distribusi dengan (n – 1) derajat
kebebasan. Distribusi chi-kuadrat tidak simetris dan semua nilainya positif. Seseorang harus
mengetahui derajat kebebasan untuk menggunakan distribusi chi-kuadrat. Distribusi ini juga dapat
digunakan untuk menilai signifikansi perbedaan antara frekuensi yang diamati dan frekuensi yang
diharapkan dan juga sebagai uji kecocokan. Bentuk umum dariX2 distribusi tergantung pada df dan X
2 nilai dikerjakan seperti di bawah ini:

(𝑶𝒊−𝑬𝒊)𝟐
X2=∑𝒌𝒊=𝟏 𝑬𝒊

Meja ada itu berikan nilai X 2 untuk df yang diberikan yang dapat digunakan dengan nilai yang dihitung
dari X 2 untuk df yang relevan pada tingkat signifikansi yang diinginkan untuk menguji hipotesis. Kami
akan mengambilnya dirinci dalam bab 'Uji Chi-kuadrat'.

TEOREMA BATAS TENGAH

Jika pengambilan sampel berasal dari populasi normal, cara sampel diambil dari suatu populasi
itu sendiri terdistribusi secara normal. Tetapi ketika pengambilan sampel bukan dari populasi normal,
ukuran sampel memainkan peran penting. Ketika n kecil, bentuk distribusi akan sangat bergantung
padabentuk populasi induk, tetapi semakin besar n (n > 30), bentuk distribusi samplingnya akan menjadi
lebih dan lebih seperti distribusi normal, terlepas dari bentuk populasi induk. Teorema yang
menjelaskan hubungan semacam ini antara bentuk distribusi populasi dan distribusi sampling rata-rata
dikenal sebagai teorema limit pusat. Teorema ini sejauh ini merupakan teorema yang paling penting
dalam inferensi statistik. Ini memastikan bahwa distribusi sampling dari mean mendekati distribus
normal seiring dengan bertambahnya ukuran sampel. Dalam istilah formal, kita dapat mengatakan
bahwa teorema limit pusat menyatakan bahwa “distribusi rata-rata sampel acak yang diambil dari suatu
populasi yang memiliki rata-ratadan varians terbatas α2 mendekati distribusi normal dengan mean µ dan
α2/n varians saat n menuju tak terhingga.”1

“Pentingnya teorema batas pusat terletak pada kenyataan bahwa ia memungkinkan kita
menggunakan statistik sampel untuk membuat kesimpulan tentang parameter populasi tanpa
mengetahui apa pun tentang bentuk distribusi frekuensi populasi itu selain apa yang bisa kita
dapatkan dari sampel.” 2

TEORI SAMPLING
Teori sampling adalah studi tentang hubungan yang ada antara populasi dan sampel yang
diambil dari populasi. Teori sampling hanya berlaku untuk sampel acak. Untuk tujuan ini, populasi atau
alam semesta dapat didefinisikan sebagai kumpulan item yang memiliki sifat atau sifat yang sama.
Dengan kata lain, alam semesta adalah kelompok lengkap item tentang pengetahuan yang dicari. Alam
semesta mungkin terbatas atau tidak terbatas. alam semesta terbatas adalah alam semesta yang memiliki
jumlah item yang pasti dan pasti, tetapi ketika jumlah item tidak pasti dan tak terbatas, alam semesta
dikatakan sebagai alam semesta tak terbatas. Demikian pula, alam semesta mungkin hipotetis atau ada.
Dalam kasus sebelumnya, alam semesta sebenarnya tidak ada dan kita hanya dapat membayangkan
144
benda-benda yang menyusunnya. Melempar koin atau melempar dadu adalah contoh alam semesta
hipotetis. Alam semesta yang ada adalah alam semesta benda-benda konkret yaitu alam semesta tempat
benda-benda yang menyusunnya benar-benar ada. Di sisi lain, istilah sampel mengacu pada bagian alam
semesta yang dipilih untuk tujuan penyelidikan. Teori sampling mempelajari hubungan yang ada antara
alam semesta dan sampel atau sampel yang diambil darinya.

Masalah utama dari teori sampling adalah masalah hubungan antara parameter dan statistik.
Teori pengambilan sampel berkaitan dengan memperkirakan sifat-sifat populasi dari sampel dan
juga dengan mengukur ketepatan perkiraan. Pergerakan semacam ini dari tertentu (sampel) menuju
umum (alam semesta) inilah yang dikenal sebagai induksi statistik atau inferensi statistik. Dalam
istilah yang lebih jelas “dari sampel kami mencoba menarik kesimpulan tentang alam semesta.
Untuk dapat mengikuti metode induktif ini, pertama-tama kita mengikuti argumen deduktif yaitu
bahwa kita membayangkan suatu populasi atau alam semesta (terhingga atau tak terbatas) dan
menyelidiki perilaku sampel yang diambil dari alam semesta ini dengan menerapkan hukum
probabilitas.”3 Metodologi yang menangani semua ini dikenal sebagai teori sampling. Teori
sampling dirancang untuk mencapai satu atau lebih tujuan berikut:

Estimasi statistik: Teori sampling membantu dalam memperkirakan parameter populasi yang
tidak diketahui dari pengetahuan tentang ukuran statistik berdasarkan studi sampel. Dengan kata lain,
untuk mendapatkan estimasi parameter dari statistik adalah tujuan utama dari teori sampling. Estimasi
dapat berupa estimasi titik atau estimasi interval. Estimasi titik adalah estimasi tunggal yang dinyatakan
dalam bentuk angka tunggal, tetapi estimasi interval memiliki dua batas yaitu, batas atas dan batas
bawah di mana nilai parameter mungkin berada. Perkiraan interval sering digunakan dalam induksi
statistik. Pengujian hipotesis: Tujuan kedua dari teori sampling adalah untuk memungkinkan kita
memutuskan apakah akan menerima atau menolak hipotesis; teori sampling membantu dalam
menentukan apakah perbedaan yang diamati sebenarnya karena kebetulan atau apakah mereka benar-
benar signifikan.

Inferensi statistik: Teori sampling membantu dalam membuat generalisasi tentang populasi /
alam semesta dari studi berdasarkan sampel yang diambil darinya. Ini juga membantu dalam
menentukan keakuratan generalisasi tersebut.

145
 Teori pengambilan sampel dapat dipelajari di bawah dua kepala yaitu, pengambilan sampel
atribut dan pengambilan sampel variabel dan itu juga dalam konteks sampel besar dan kecil (Dengan
sampel kecil umumnya dipahami setiap sampel yang mencakup 30 item atau lebih sedikit, sedangkan
sampel besar adalah sampel yang jumlah itemnya lebih dari 30). Ketika kita mempelajari beberapa
karakteristik kualitatif dari item dalam suatu populasi, kita memperoleh statistik atribut dalam bentuk
dua kelas; satu kelas yang terdiri dari item yang atributnya ada dan kelas lain yang terdiri dari item yang
atributnya tidak ada. Kehadiran atribut dapat disebut sebagai 'keberhasilan' dan ketidakhadirannya
sebagai 'kegagalan'. Jadi, jika dari 600 orang yang dipilih secara acak untuk sampel, 120 ditemukan
memiliki atribut tertentu dan 480 adalah orang yang tidak memiliki atribut tersebut. Dalam situasi
seperti itu kita akan mengatakan bahwa sampel terdiri dari 600 item (yaitu, n = 600) dari mana 120
adalah keberhasilan dan 480 kegagalan. Probabilitas keberhasilan akan diambil sebagai 120/600 = 0,2
(yaitu, p = 0,2) dan probabilitas kegagalan atau

Q = 480/600 = 0,8. Dengan data tersebut distribusi sampling umumnya berbentuk binomial distribusi
probabilitas yang rata-ratanya (µ) akan sama dengann n P dan simpangan baku (α P ) akan sama ke
. Jika n besar, maka distribusi binomial cenderung menjadi distribusi normal yang dapat
digunakan untuk analisis sampling. Kami umumnya mempertimbangkan tiga jenis masalah berikut:

dalam hal pengambilan sampel atribut:

Nilai parameter dapat diberikan dan hanya untuk diuji jika 'statistik' yang diamati adalah perkiraannya.

Nilai parameter tidak diketahui dan kita harus memperkirakannya dari sampel.

Pemeriksaan keandalan estimasi yaitu masalah mencari tahu seberapa jauh estimasi diharapkan
menyimpang dari nilai sebenarnya untuk populasi.

Semua masalah yang disebutkan di atas dipelajari dengan menggunakan kesalahan standar yang sesuai
dan uji signifikansi yang telah dijelaskan dan diilustrasikan pada halaman berikut.

Teori sampling dapat diterapkan dalam konteks statistik variabel (yaitu, data yang berkaitan
dengan beberapa karakteristik mengenai populasi yang dapat diukur atau dihitung dengan bantuan
beberapa unit statistik yang didefinisikan dengan baik) dalam hal ini tujuannya adalah : ( i) untuk
membandingkan nilai-nilai yang diamati dan yang diharapkan dan untuk menemukan apakah perbedaan
tersebut dapat dianggap berasal dari fluktuasi pengambilan sampel; (ii) untuk mengestimasi parameter
populasi dari sampel, dan (iii) untuk mengetahui tingkat reliabilitas estimasi.

Uji signifikansi yang digunakan untuk menangani masalah yang berkaitan dengan sampel besar
berbeda dari yang digunakan untuk sampel kecil. Hal ini terjadi karena asumsi yang kami buat dalam
kasus sampel besar tidak berlaku untuk sampel kecil. Untuk sampel yang besar, diasumsikan bahwa
distribusi sampling cenderung normal dan nilai sampel mendekati nilai populasi. Dengan demikian
kami menggunakan karakteristik distribusi normal dan menerapkan apa yang dikenal sebagai uji-z*.
Ketika n besar, probabilitas nilai sampel statistik menyimpang dari parameter lebih dari 3 kali kesalahan
standarnya sangat kecil (yaitu 0,0027 sesuai tabel yang memberikan area di bawah kurva normal) dan
dengan demikian uji-z diterapkan untuk mengetahui tingkat keandalan statistik dalam kasus sampel
besar.

Kebetulan signifikan atau tidak pada tingkat kepercayaan tertentu. Contohnya,x ±3αakan
memberi kita kisaran di mana nilai rata-rata parameter diharapkan bervariasi dengan kepercayaan

146
99,73%. Kesalahan standar penting yang umumnya digunakan dalam kasus sampel besar telah
dinyatakan dan diterapkan dalam konteks masalah kehidupan nyata di halaman berikutnya.

Teori sampling untuk sampel besar tidak berlaku untuk sampel kecil karena ketika sampel kecil,
kita tidak dapat mengasumsikan bahwa distribusi sampling mendekati normal. Karena itu kami
memerlukan teknik baru untuk menangani sampel kecil, terutama ketika parameter populasi tidak
diketahui. Sir William S. Gosset (nama pena Student) mengembangkan uji signifikansi, yang dikenal
sebagai uji-t Student, berdasarkan distribusi t dan melaluinya memberikan kontribusi yang signifikan
dalam teori pengambilan sampel yang berlaku untuk sampel kecil. Uji-t Student digunakan ketika dua
kondisi terpenuhi yaitu, ukuran sampel adalah 30 atau kurang dan varians populasi tidak diketahui.
Sementara menggunakan uji-t kita asumsikan bahwa populasi dari mana sampel telah diambil adalah
normal atau mendekati normal, sampel adalah sampel acak, pengamatan independen, tidak ada
kesalahan pengukuran dan bahwa dalam kasus dua sampel ketika persamaan dua rata-rata populasi akan
diuji, kita mengasumsikan bahwa varians populasi adalah sama. Untuk menerapkan uji-t, kami
menghitung nilai statistik uji (yaitu, 't') dan kemudian membandingkan dengan nilai tabel t (berdasarkan
distribusi 't') pada tingkat signifikansi tertentu untuk derajat kebebasan tertentu. Jika nilai 't' yang
dihitung sama dengan atau melebihi nilai tabel, kami menyimpulkan bahwa perbedaannya signifikan,
tetapi jika nilai t yang dihitung lebih kecil dari nilai tabel terkait, perbedaannya tidak dianggap
signifikan. Rumus berikut biasanya digunakan untuk menghitung nilai t: Untuk menerapkan uji-t, kami
menghitung nilai statistik uji (yaitu, 't') dan kemudian membandingkan dengan nilai tabel t (berdasarkan
distribusi 't') pada tingkat signifikansi tertentu untuk derajat kebebasan tertentu. Jika nilai 't' yang
dihitung sama dengan atau melebihi nilai tabel, kami menyimpulkan bahwa perbedaannya signifikan,
tetapi jika nilai t yang dihitung lebih kecil dari nilai tabel terkait, perbedaannya tidak dianggap
signifikan. Rumus berikut biasanya digunakan untuk menghitung nilai t: Untuk menerapkan uji-t, kami
menghitung nilai statistik uji (yaitu, 't') dan kemudian membandingkan dengan nilai tabel t (berdasarkan
distribusi 't') pada tingkat signifikansi tertentu untuk derajat kebebasan tertentu. Jika nilai 't' yang
dihitung sama dengan atau melebihi nilai tabel, kami menyimpulkan bahwa perbedaannya signifikan,
tetapi jika nilai t yang dihitung lebih kecil dari nilai tabel terkait, perbedaannya tidak dianggap
signifikan. Rumus berikut biasanya digunakan untuk menghitung nilai t: tetapi jika nilai t yang dihitung
lebih kecil dari nilai tabel yang bersangkutan, perbedaannya tidak dianggap signifikan. Rumus berikut
biasanya digunakan untuk menghitung nilai t: tetapi jika nilai t yang dihitung lebih kecil dari nilai tabel
yang bersangkutan, perbedaannya tidak dianggap signifikan. Rumus berikut biasanya digunakan untuk
menghitung nilai t:

Untuk menguji signifikansi mean dari sampel acak

(𝒙−𝝁)
T= 𝝈𝒙

147
di mana

x = Rata-rata sampel

µ = Rata-rata alam semesta/populasi

α x = Kesalahan standar rata-rata bekerja seperti di bawah

𝝈𝑺 ∑(𝑿𝒊−𝑿)𝟐
𝝈𝑿 = =√ 𝒏−𝟏 /n
√𝒏

dan derajat kebebasan = (n – 1).

di mana

x1 = Rata-rata sampel satu

x2 = Rata-rata sampel dua x1

dan df = (n1 + n2 – 2).

Untuk menguji signifikansi koefisien korelasi sederhana

𝒓𝒑 𝒏−𝒌
T= × √𝒏 − 𝒌 atau t=r√𝟏−𝒓𝒑𝟐
√𝟏−𝒓𝒑𝟐

di mana R = koefisien korelasi sederhana

dan df = (n – 2).

Untuk menguji signifikansi koefisien korelasi parsial RP

T atau T rp

di mana rp adalah koefisien korelasi parsial apa pun

dan df = (n – k), n adalah jumlah pasangan pengamatan dan k adalah jumlah variabel yang terlibat.

Untuk menguji perbedaan dalam hal data sampel berpasangan atau berkorelasi (dalam hal ini uji t sering
digambarkan sebagai uji beda) di mana

D yaitu,
𝑫−𝝁𝑫 𝑫−𝑶
T= 𝝈𝑫
n i.e, t= 𝝈𝑫 𝒏

Perbedaan rata-rata yang dihipotesiskan (𝝈D)diambil sebagai nol (0),

D = Rata-rata perbedaan item sampel yang berkorelasi

𝝈 D = Standar deviasi dari perbedaan bekerja seperti di bawah

𝑫𝟐𝒊 − 𝑫/𝒏
𝝈𝑫 = √
𝒏−𝟏

148
D = Selisih {yaitu, DSaya = (XSaya – YSaya)}

n = jumlah pasangan dalam dua sampel dan df = (n – 1).

SANDLER'S A-TES
Yusuf Sandler telah mengembangkan pendekatan alternatif berdasarkan penyederhanaan uji-t.
Pendekatannya digambarkan sebagai uji-A Sandler yang memiliki tujuan yang sama seperti yang
dicapai oleh uji-t yang berkaitan dengan data berpasangan. Peneliti juga dapat menggunakan A-test
ketika sampel berkorelasi digunakan dan

perbedaan rata-rata yang dihipotesiskan diambil sebagai nol yaitu, H0 : D 0 . Psikolog umumnya
menggunakan tes ini dalam kasus dua kelompok yang cocok sehubungan dengan beberapa variabel
asing (s). Saat menggunakan uji-A, kami mengerjakan statistik-A yang menghasilkan hasil yang persis
sama dengan uji-t Student*. A-statistik ditemukan sebagai berikut:

jumlah kuadrat selisihnya D2

Jumlah derajat kebebasan (df) pada uji-A sama dengan uji-t Student yaitu,

df = n – 1, n sama dengan jumlah pasangan. Nilai kritis A, pada tingkat signifikansi tertentu untuk df
tertentu,dapat diperoleh dari tabel A-statistik (diberikan pada lampiran di akhir buku). Kita harus
membandingkan nilai yang dihitung dari A dengan nilai tabel yang sesuai untuk menarik kesimpulan
mengenai penerimaan atau penolakan hipotesis nol.** Jika nilai yang dihitung dari A sama dengan atau
kurang dari nilai tabel, dalam hal ini A-statistik adalah dianggap signifikan dimana pada saat kita
menolak H0 dan menerima Ha. Tetapi jika nilai A yang dihitung lebih besar dari nilai tabelnya, maka
A-statistik dianggap tidak signifikan dan dengan demikian kita menerima H0. Hal ini terjadi karena dua
statistik uji yaitu, t dan A berhubungan terbalik. Kita dapat menulis dua statistik ini dalam hal satu sama
lain dengan cara ini:

Pekerjaan komputasi tentang A-statistik relatif sederhana. Dengan demikian penggunaan A-

statistik menghasilkan penghematan waktu dan tenaga yang cukup besar, khususnya ketika kelompok
yang cocok akan dibandingkan sehubungan dengan sejumlah besar variabel. Oleh karena itu, peneliti
dapat mengganti uji-t Student dengan uji-A Sandler kapan pun set skor yang berkorelasi digunakan.

Statistik-A Sandler juga dapat digunakan “dalam kasus satu sampel sebagai pengganti langsung
untuk rasio-T Student.”4 Hal ini terjadi karena A Sandler secara aljabar setara dengan t Student. Ketika
kita menggunakan A-test dalam satu kasus sampel, langkah-langkah berikut ini terlibat:

Kurangi rata-rata populasi yang dihipotesiskan( H ) dari masing-masing skor individu (XSaya) ke

dapatkan Di dan kemudian berolahraga Di .

* Sebagai bukti, lihat artikel, “Sebuah tes signifikansi perbedaan antara cara-cara yang berkorelasi
berdasarkan penyederhanaan Student” oleh Joseph Sandler, diterbitkan di Brit. J Psych., 1955, hlm.
225–226.

** Lihat ilustrasi 11 dan 12 dari Bab 9 buku ini untuk tujuan tersebut.

4 Richard P. Runyon, Statistik Inferensial: Pendekatan Kontemporer, hal.28Kuadratkan setiap DSaya

dan kemudian mendapatkan jumlah kuadrat tersebut yaitu, D2 .

149
Temukan A-statistik seperti di bawah:

A=𝝐𝑫𝟐𝒊/(𝑬𝑫𝒊)𝟐

Baca tabel A-statistik untuk (n – 1) derajat kebebasan pada tingkat signifikansi tertentu (menggunakan
nilai satu sisi atau dua sisi tergantung pada HA) untuk mencari nilai kritis dari A.

Terakhir, buat kesimpulan seperti di bawah ini:

Bila nilai A yang dihitung sama dengan atau lebih kecil dari nilai tabel, maka tolak H0 (atau terima

Ha) tetapi ketika dihitung A lebih besar dari nilai tabelnya, maka terima H0.

Penerapan praktis/penggunaan A-statistik dalam satu contoh kasus dapat dilihat dari Ilustrasi No. 5 Bab
IX dari buku ini sendiri.

KONSEP KESALAHAN STANDAR

Standar deviasi distribusi sampling dari suatu statistik dikenal sebagai standar error (SE) dan dianggap
sebagai kunci teori sampling. Kegunaan konsep kesalahan standar dalam induksi statistik muncul
karena alasan berikut:

Kesalahan standar membantu dalam menguji apakah perbedaan antara frekuensi yang diamati dan yang
diharapkan dapat muncul karena kebetulan. Kriteria yang biasanya diadopsi adalah bahwa jika
perbedaan kurang dari 3 kali SE, perbedaan itu dianggap sebagai masalah kebetulan dan jika
perbedaannya sama dengan atau lebih dari 3 kali SE, peluang gagal untuk memperhitungkannya, dan
kami menyimpulkan perbedaan sebagai perbedaan yang signifikan. Kriteria ini didasarkan pada
kenyataan bahwa pada X 3 (SE) kurva normal meliputi area 99,73 persen. Terkadang kriteria 2 SE juga
digunakan sebagai pengganti 3 SE Jadi, kesalahan standar merupakan ukuran penting dalam pengujian
signifikansi atau dalam menguji hipotesis.

Jika parameter yang diestimasi berbeda dari statistik yang dihitung lebih dari 1,96 kali SE,
perbedaan tersebut dianggap signifikan pada tingkat signifikansi 5 persen. Ini, dengan kata lain, berarti
bahwa perbedaannya berada di luar batas yaitu, terletak di area 5 persen (2,5 persen di kedua sisi) di
luar 95 persen area distribusi sampling. Oleh karena itu kita dapat mengatakan dengan keyakinan 95
persen bahwa perbedaan tersebut bukan karena fluktuasi pengambilan sampel. Dalam situasi seperti itu
hipotesis kami bahwa tidak ada perbedaan ditolak pada tingkat signifikansi 5 persen. Tetapi jika
selisihnya kurang dari 1,96 kali SE, maka dianggap tidak signifikan pada tingkat 5 persen dan kita dapat
mengatakan dengan keyakinan 95 persen bahwa itu karena fluktuasi pengambilan sampel. Dalam situasi
seperti itu hipotesis nol kami berlaku. 1,96 adalah nilai kritis pada tingkat 5 persen. Produk dari nilai
kritis pada tingkat signifikansi tertentu dan SE sering digambarkan sebagai 'Kesalahan Pengambilan
Sampel' pada tingkat signifikansi tertentu. Kami dapat menguji perbedaan pada tingkat signifikansi
tertentu lainnya juga tergantung pada kebutuhan kami. Tabel berikut memberikan beberapa gagasan
tentang kriteria di berbagai tingkat untuk menilai signifikansi perbedaan antara nilai yang diamati dan
yang diharapkan: Dalam situasi seperti itu hipotesis nol kami berlaku. 1,96 adalah nilai kritis pada
tingkat 5 persen. Produk dari nilai kritis pada tingkat signifikansi tertentu dan SE sering digambarkan
sebagai 'Kesalahan Pengambilan Sampel' pada tingkat signifikansi tertentu. Kami dapat menguji
perbedaan pada tingkat signifikansi tertentu lainnya juga tergantung pada kebutuhan kami. Tabel
berikut memberikan beberapa gagasan tentang kriteria di berbagai tingkat untuk menilai signifikansi
perbedaan antara nilai yang diamati dan yang diharapkan: Dalam situasi seperti itu hipotesis nol kami
berlaku. 1,96 adalah nilai kritis pada tingkat 5 persen. Produk dari nilai kritis pada tingkat signifikansi
150
tertentu dan SE sering digambarkan sebagai 'Kesalahan Pengambilan Sampel' pada tingkat signifikansi
tertentu. Kami dapat menguji perbedaan pada tingkat signifikansi tertentu lainnya juga tergantung pada
kebutuhan kami. Tabel berikut memberikan beberapa gagasan tentang kriteria di berbagai tingkat untuk
menilai signifikansi perbedaan antara nilai yang diamati dan yang diharapkan:

Tabel 8.1: Kriteria Penilaian Signifikansi di Berbagai Tingkat Penting

Tingkat Tingkat Nilai Kesalahan Batas Jika Selisih Jika tidak

signifikan kepercayaan kritis pengambilan kepercayaan signifikan Selisih
diri sampel signifikan
5,0% 95,0% 1.96 1.96 1.96 1.96 1.96%
1,0% 99,0% 2,5758 2,5758 2,5758 2,5758 2,5758
2,7% 99,73% 3 3 3 3 3
4,55% 95,45% 2 2 2 2 2

= Kesalahan Standar.

Kesalahan standar memberikan gambaran tentang keandalan dan presisi sampel. Semakin kecil SE,
semakin besar keseragaman distribusi sampling dan karenanya, semakin besar keandalan sampel.
Sebaliknya, semakin besar SE, semakin besar perbedaan antara frekuensi yang diamati dan yang
diharapkan. Dalam situasi seperti itu, ketidakandalan sampel lebih besar. Ukuran SE, tergantung pada
ukuran sampel untuk sebagian besar dan bervariasi berbanding terbalik dengan ukuran sampel. Jika
reliabilitas ganda diperlukan yaitu, mengurangi SE menjadi 1/2 dari besaran yang ada, ukuran sampel
harus ditingkatkan empat kali lipat.

Kesalahan standar memungkinkan kita untuk menentukan batas di mana parameter populasi diharapkan
berada dengan tingkat kepercayaan tertentu. Interval seperti itu biasanya dikenal sebagai interval
kepercayaan. Tabel berikut memberikan persentase sampel yang memiliki nilai rata-rata:

dalam kisaran rata-rata populasi ( ) SE

tabel 8.2

Jangkauan Nilai persen

68,27%
95,45%
99,73%
95,00%
99,00%

Rumus penting untuk menghitung kesalahan standar mengenai berbagai ukuran berdasarkan sampel
adalah sebagai berikut:

Dalam hal pengambilan sampel atribut:

Kesalahan standar jumlah keberhasilan = √𝒏. 𝒑. 𝒒

di mana n = jumlah kejadian dalam setiap sampel,

151
P = peluang sukses dalam setiap acara,

Q = probabilitas kegagalan dalam setiap peristiwa.

Kesalahan standar proporsi keberhasilan

Kesalahan standar perbedaan antara proporsi dua sampel

di mana p = perkiraan proporsi terbaik dalam populasi dan dikerjakan seperti di bawah:

𝟏 𝟏
𝝈𝒑𝟏 − 𝒑𝟐 = √𝒑. 𝒒 ( + )
𝒏𝟏 𝒏𝟐

n1 = jumlah kejadian dalam sampel satu

n2 = jumlah kejadian dalam sampel dua

Catatan: Alih-alih rumus di atas, kami menggunakan rumus berikut:

ketika sampel diambil dari dua populasi heterogen di mana kita tidak dapat memiliki estimasi proporsi
terbaik di alam semesta berdasarkan data sampel yang diberikan. Situasi seperti itu sering muncul dalam
studi tentang asosiasi atribut.

Dalam hal pengambilan sampel variabel (sampel besar):

Kesalahan standar rata-rata ketika simpangan baku populasi diketahui:

𝝈𝒑
di mana 𝝈𝒙 =
√𝒏

𝝈 P = simpangan baku populasi

n = jumlah item dalam sampel

Catatan: Rumus ini digunakan bahkan ketika n adalah 30 atau kurang.

Kesalahan standar rata-rata ketika simpangan baku populasi tidak diketahui:

𝝈𝒔
𝝈𝒙 =
√𝒏

di mana

αs = simpangan baku sampel dan dikerjakan seperti di bawah

∑(𝑿𝒊 − 𝑿)𝟐
𝝈𝒔 = √
𝒏−𝟏

n = jumlah item dalam sampel.

Kesalahan standar deviasi standar ketika deviasi standar populasi diketahui:

152
 𝝈𝒑
𝝈𝝈𝒔 =
𝟐𝒏

Kesalahan standar deviasi standar ketika deviasi standar populasi tidak diketahui:
𝝈𝒑
𝝈𝝈𝒔 =
𝟐𝒏

di mana n = jumlah item dalam sampel.

𝟏 − 𝒓𝟐
𝝈𝒓 =
√𝒏

di mana

R = koefisien korelasi sederhana

n = jumlah item dalam sampel.

Kesalahan standar perbedaan antara rata-rata dua sampel:

Ketika dua sampel diambil dari populasi yang sama:

(Jika Ptidak diketahui, simpangan baku sampel untuk sampel gabungan ( S )*

1 2 dapat diganti.)

Ketika dua sampel diambil dari populasi yang berbeda:

Dalam hal pengambilan sampel variabel (sampel kecil):

Kesalahan standar rata-rata ketika P tidak diketahui:

di mana x

𝝈𝒑 (𝑵−𝒏)
Sex= 𝒏=√ (𝑵−𝟏
√

Catatan: (1) Semua rumus ini berlaku untuk populasi tak terhingga. Tetapi dalam kasus populasi
berhingga di mana pengambilan sampel dilakukan tanpa pengembalian dan sampelnya lebih dari 5%
dari populasi, kita juga harus menggunakan yang berhingga.

populasi pengganda dalam rumus kesalahan standar kami. Contohnya,SEx dalam kasus populasi
terbatas akan seperti di bawah:

𝝈𝒔 √(𝑿𝒊 − 𝑿)𝟐
𝒏−𝟏
𝝈𝒙 = =
√𝒏 √𝒏

Mungkin diingat bahwa dalam kasus di mana populasi sangat besar dalam kaitannya dengan ukuran
sampel, pengganda populasi hingga mendekati satu dan memiliki pengaruh yang kecil pada perhitungan

153
SE. Karena itu ketika fraksi sampling kurang dari 0,5, pengganda populasi hingga umumnya tidak
digunakan.

(2) Penggunaan semua rumus di atas telah dijelaskan dan diilustrasikan dalam konteks pengujian
hipotesis pada bab-bab berikutnya. S

Kesalahan standar perbedaan antara dua sampel berarti ketika P tidak diketahui

∑(𝑿𝟏𝒊 − 𝑿𝟏)𝟐 + ∑(𝑿𝟐𝒊 − 𝑿𝟐)𝟐 𝟏 𝟏

𝝈𝒙𝟏 − 𝒙𝟐 = √ ×√ +
𝒏𝟏 + 𝒏𝟐 − 𝟐 𝒏𝟏 𝒏𝟐

PERKIRAAN
Dalam kebanyakan studi penelitian statistik, parameter populasi biasanya tidak diketahui dan harus
diperkirakan dari sampel. Dengan demikian metode untuk memperkirakan parameter populasi berperan
penting dalam analisis statistik. Variabel acak (seperti x dan 2 ) digunakan untuk memperkirakan
parameter populasi, seperti dan 2 secara konvensional disebut sebagai 'penaksir', sedangkan nilai
spesifiknya (seperti x 105 atau 2 21.44) disebut sebagai 'perkiraan' parameter populasi.
Perkiraanparameter populasi dapat berupa satu nilai tunggal atau dapat berupa rentang nilai. Dalam
kasus pertama ini disebut sebagai estimasi titik, sedangkan dalam kasus terakhir ini disebut sebagai
estimasi interval. NSPeneliti biasanya membuat dua jenis perkiraan ini melalui analisis sampling. Saat
membuat perkiraan parameter populasi, peneliti hanya dapat memberikan perkiraan titik terbaik atau
dia harus berbicara dalam hal interval dan probabilitas karena dia tidak pernah dapat memperkirakan
dengan pasti nilai pasti parameter populasi. Oleh karena itu ia harus mengetahui berbagai sifat penduga
yang baik sehingga ia dapat memilih penduga yang tepat untuk studinya. Dia harus tahu bahwa penaksir
yang baik memiliki sifat-sifat berikut:

Seorang penaksir harus rata-rata sama dengan nilai parameter yang diestimasi. Ini dikenal sebagai
properti ketidakberpihakan. Suatu estimator dikatakan tidak bias jika nilai ekspektasi dari estimator
sama dengan parameter yang diestimasi. sampel berarti (x)apakah dia estimator yang paling banyak
digunakan karena fakta bahwa ia menyediakan perkiraan yang tidak bias dari rata-rata populasi ( ) .
Sebuah penduga harus memiliki varians yang relatif kecil. Ini berarti bahwa estimator yang paling
efisien, di antara sekelompok estimator yang tidak bias, adalah yang memiliki varians terkecil. Properti
ini secara teknis digambarkan sebagai properti efisiensi. Seorang penduga harus menggunakan
sebanyak mungkin informasi yang tersedia dari sampel. Properti ini dikenal sebagai properti kecukupan.
Penaksir harus mendekati nilai parameter populasi saat ukuran sampel menjadi lebih besar dan lebih
besar. Properti ini disebut sebagai properti konsistensi.

Dengan memperhatikan sifat-sifat yang disebutkan di atas, peneliti harus memilih estimator yang sesuai
untuk studinya. Kami sekarang dapat menjelaskan metode yang memungkinkan kami untuk
memperkirakan dengan akurasi yang masuk akal rata-rata populasi dan proporsi populasi, dua konsep
yang banyak digunakan.

ESTIMASI ARTI POPULASI (µ)

Sejauh menyangkut estimasi titik, mean sampel x adalah penduga terbaik dari populasi berarti, , dan
distribusi samplingnya, selama sampel cukup besar, mendekati distribusi normal. Jika kita mengetahui
distribusi sampling darix , kita dapat membuat pernyataan tentang apapun estimasi yang mungkin kita
buat dari informasi sampling. Asumsikan bahwa kita mengambil sampel 36

154
siswa dan menemukan bahwa sampel menghasilkan rata-rata aritmatika 6,2 yaitu, x 6.2 . Ganti ininama
siswa pada daftar populasi dan ambil sampel lain dari 36 secara acak dan mari kita asumsikan bahwa
kita mendapatkan rata-rata 7,5 kali ini. Demikian pula sampel ketiga dapat menghasilkan rata-rata 6,9;
keempat rata-rata 6,7, dan seterusnya. Kami terus menggambar sampel seperti itu sampai kami
mengumpulkan sejumlah besar rata-rata sampel sebanyak 36. Setiap rata-rata sampel tersebut
merupakan estimasi titik terpisah dari rata-rata populasi.

Ketika sarana tersebut disajikan dalam bentuk distribusi, distribusi terjadi cukup dekat dengan normal.
Ini adalah karakteristik dari distribusi rata-rata sampel (dan juga statistik sampel lainnya). Sekalipun
populasinya tidak normal, sarana sampel yang diambil dari populasi tersebut tersebar di sekitar
parameter dalam suatu distribusi yang umumnya mendekati normal; rata-rata distribusi rata-rata sampel
sama dengan rata-rata populasi. 5 Hal ini berlaku dalam kasus sampel besar sesuai dengan teorema limit
pusat. Hubungan antara distribusi populasi dan distribusi sampel 5 C. William Emory, Metode
Penelitian Bisnis, hal.145mean sangat penting untuk menarik kesimpulan tentang parameter. Hubungan
antara penyebaran suatu distribusi populasi dan rata-rata sampel dapat dinyatakan sebagai berikut:
𝝈𝒑
𝝈=
√𝒏

di mana α x = kesalahan standar rata-rata dari ukuran sampel yang diberikan

αP = simpangan baku populasi

n = ukuran sampel.

Bagaimana menemukan 𝝈 P ketika kami memiliki data sampel hanya untuk analisis kami? Jawabannya
adalah kita harus menggunakan perkiraan terbaik dari 𝝈 P dan perkiraan terbaik dapat menjadi standar
deviasi sampel, 𝝈 S . Dengan demikian, kesalahan standar rata-rata dapat dikerjakan seperti di bawah:
𝝈𝒔
𝝈𝒙 =
√𝒏

dimana

∑(𝑿𝒊 − 𝑿)𝟐
𝝈𝒔 = √
𝒏−𝟏

Dengan bantuan ini, seseorang dapat memberikan perkiraan interval tentang parameter dalam istilah
probabilistik (menggunakan karakteristik dasar dari distribusi normal). Misalkan kita mengambil satu
sampel dari 36 item dan cari tahu artinya (x)sama dengan 6,20 dan simpangan bakunya (𝝈 S)menjadi
setar ke 3,8, Maka estimasi titik terbaik dari rata-rata populasi (𝝁) adalah 6.20. Kesalahan standar rata-
rata (𝝈x ) akan menjadi3.836 √ 3.8 / 6 = 0.663 .JikakamimengambilNSperkiraan interval darikemenjadi
x ∓ 1.96 (𝝈 x )atau 6.20 ∓ 1.24 atau dari 4,96 menjadi 7,44, itu berarti ada kemungkinan 95 persen
bahwa rata-rata populasi berada dalam interval 4,96 hingga 7,44. Dengan kata lain, ini berarti jika kita
mengambil sensus lengkap dari semua item dalam populasi, kemungkinannya adalah 95 hingga 5 bahwa
kita akan menemukan rata-rata populasi terletak antara 4,96 hingga 7,44*. Jika kita ingin memiliki
perkiraan yang akan berlaku untuk rentang yang jauh lebih kecil, maka kita harus menerima tingkat
kepercayaan yang lebih kecil dalam hasil atau mengambil sampel yang cukup besar untuk memberikan
interval yang lebih kecil ini dengan tingkat kepercayaan yang memadai. Biasanya kita berpikir untuk

155
meningkatkan ukuran sampel sampai kita dapat mengamankan perkiraan interval yang diinginkan dan
tingkat kepercayaan.

Ilustrasi 1

Dari sampel acak 36 pegawai negeri sipil New Delhi, usia rata-rata dan standar deviasi sampel
ditemukan masing-masing 40 tahun dan 4,5 tahun. Buatlah interval kepercayaan 95 persen untuk usia
rata-rata pegawai negeri sipil di New Delhi.

Larutan: Informasi yang diberikan dapat ditulis seperti di bawah ini:

6To membuat standar deviasi sampel perkiraan populasi yang tidak bias, perlu untuk membagi
(xSaya x)2 dengan (n – 1) dan bukan hanya dengan (n).

* Jika kita ingin mengubah derajat kepercayaan dalam estimasi interval, hal yang sama dapat dilakukan
dengan menggunakan tabel luasdi bawah kurva normal.

n = 36

X= 40 bertahun-tahun

𝝈 S = 4.5 bertahun-tahun

dan variasi standar, z, untuk kepercayaan 95 persen adalah 1,96 (sesuai tabel luas kurva normal).

Jadi, interval kepercayaan 95 persen untuk usia rata-rata populasi adalah:

𝝈𝒔
𝑿∓𝒛
√𝒏

atau 40 ∓ 1.96 4.5

atau 40 ∓ (1.96) (0.75)

atau 40 ∓ 1.47

Ilustrasi 2

bertahun-tahun Dalam pemilihan acak 64 dari 2400 persimpangan di sebuah kota kecil, rata-rata jumlah
kecelakaan skuter per tahun adalah 3,2 dan standar deviasi sampel adalah 0,8. Buatlah perkiraan
simpangan baku populasi dari simpangan baku sampel. Tentukan kesalahan standar rata-rata untuk
populasi berhingga ini. Jika tingkat kepercayaan yang diinginkan adalah 0,90, berapa batas atas dan
batas bawah kepercayaan tersebut? interval rata-rata jumlah kecelakaan per persimpangan per tahun?

Larutan: Informasi yang diberikan dapat ditulis sebagai berikut:

N = 2400 (Ini berarti populasi terbatas)

n = 64

X = 3.2

156
𝝈𝒔 = 0.8

dan variasi standar (z) untuk kepercayaan 90 persen adalah 1,645 (sesuai tabel luas kurva normal).

Sekarang kita dapat menjawab pertanyaan yang diberikan sebagai berikut:

Estimasi titik terbaik dari simpangan baku populasi adalah standar penyimpangan dari sampel itu
sendiri.

Karenanya, 𝝈P= 𝝈𝒔 =0.8

Kesalahan standar rata-rata untuk populasi hingga yang diberikan adalah sebagai berikut:

𝝈𝒔 𝟐𝟒𝟎𝟎−𝟔𝟒 𝟎.𝟖 𝟐𝟑𝟑𝟔

𝝈𝒙 = × √ = ×√ =0,97
√𝒏 𝟐𝟒𝟎𝟎−𝟏 √𝟔𝟒 𝟐𝟑𝟗𝟗

Interval kepercayaan 90 persen untuk jumlah rata-rata kecelakaan per persimpangan per tahun adalah
sebagai berikut:

𝝈𝒔 𝑵−𝒏
X=𝒛 { × √ }= 3.2 ∓ (1.645) (.097)Type equation here.
√𝒏 𝑵−𝟏

=3.2 ∓.16

kecelakaan per simpang. Ketika ukuran sampel menjadi besar atau jika simpangan baku populasi
diketahui, kita menggunakan distribusi normal untuk menentukan interval kepercayaan untuk rata-rata
populasi seperti yang dinyatakan di atas. Tetapi bagaimana menangani masalah estimasi ketika standar
deviasi populasi tidak diketahui dan ukuran sampel kecil (yaitu, ketika n 30 )? Dalam situasi seperti itu,
distribusi normal tidak sesuai, tetapi kita dapat menggunakan distribusi-t untuk tujuan kita. Saat
menggunakan distribusi-t, kita asumsikan bahwa populasi adalahnormal atau hampir normal. Ada
distribusi t yang berbeda untuk masing-masing derajat yang mungkin dari kebebasan. Ketika kita
menggunakan distribusi-t untuk memperkirakan rata-rata populasi, kita menghitung derajat dari
kebebasan sama dengan n – 1, di mana n berarti ukuran sampel dan kemudian dapat mencari nilai
sirkular 't' dalam tabel distribusi-t untuk derajat kebebasan yang sesuai pada tingkat signifikansi
tertentu. Mari kita ilustrasikan ini dengan mengambil sebuah contoh.

Ilustrasi 3

Mandor perusahaan pertambangan ABC telah memperkirakan jumlah rata-rata bijih besi yang
diekstraksi menjadi 36,8 ton per shift dan standar deviasi sampel menjadi 2,8 ton per shift, berdasarkan
pemilihan acak 4 shift. Buatlah interval kepercayaan 90 persen di sekitar perkiraan ini. Larutan: Karena
simpangan baku populasi tidak diketahui dan ukuran sampelnya kecil, kitaharus menggunakan
distribusi-t untuk menemukan interval kepercayaan yang diperlukan tentang rata-rata populasi.
Informasi yang diberikan dapat ditulis seperti di bawah ini:

x =36.8 ton per shift

𝝈𝒔 = 2.8 ton per shift

n=4

157
derajat kebebasan = n – 1 = 4 – 1 = 3 dan nilai kritis 't' untuk interval kepercayaan 90 persen atau pada
tingkat signifikansi 10 persen adalah 2,353 untuk 3 df (sesuai tabel distribusi-t) .

Jadi, interval kepercayaan 90 persen untuk rata-rata populasi adalah

𝝈𝒔
X=t
√𝒏

𝟐𝟖
=36,8∓𝟐, 𝟑𝟓𝟑 = 𝟑𝟔𝟖 ∓ (𝟐. 𝟑𝟓𝟑)(𝟏, 𝟒)
√𝟒

=36.8 ∓ 3.294 ton per shift.

ESTIMASI PROPORSI PENDUDUK

Sejauh menyangkut pendugaan titik, proporsi sampel (p) dari satuan-satuan yang memiliki karakteristik
tertentu merupakan penduga terbaik dari proporsi populasi. (Pˆ)dan distribusi samplingnya, jadi selama
sampel cukup besar, mendekati distribusi normal. Jadi, jika kita mengambil sampel acak dari 50 item
dan temukan bahwa 10 persen di antaranya rusak yaitu, p = .10, kita dapat menggunakan proporsi
sampel ini (p = .10) sebagai penduga terbaik dari proporsi populasi (Pˆ p .10). Di dalam Jika kita ingin
membangun interval kepercayaan untuk memperkirakan populasi, kita harus menggunakan distribusi
binomial dengan rata-rata populasin x P , di mana n = jumlah percobaan, p =probabilitas keberhasilan
dalam salah satu percobaan dan standar deviasi populasi . sebagaiukuran sampel meningkat, distribusi
binomial mendekati distribusi normal yang dapat kita gunakan untuk tujuan kita memperkirakan
proporsi populasi. Rata-rata distribusi sampling dari proporsi keberhasilan( hal) diambil sama dengan
p dan simpangan baku untuk proporsikeberhasilan, juga dikenal sebagai kesalahan standar proporsi,
dianggap sama ke. Tapi ketikaproporsi populasi tidak diketahui, maka kita dapat memperkirakan
parameter populasi dengan mensubstitusikan statistik sampel yang sesuai p dan q dalam rumus untuk
kesalahan standar proporsi untuk mendapatkan kesalahan standar perkiraan proporsi seperti yang
ditunjukkan di bawah ini:

𝝈PMenggunakan di atas kesalahan standar proporsi yang diperkirakan, kita dapat menghitung interval
kepercayaan untuk proporsi populasi sebagai berikut:

𝒑𝒒
p∓𝒛. √ 𝒏

di mana

P = proporsi sampel keberhasilan;

Q = 1 – p;

n = jumlah percobaan (ukuran sampel);

z = variasi standar untuk tingkat kepercayaan tertentu (sesuai tabel luas kurva normal).

Kami sekarang mengilustrasikan penggunaan rumus ini dengan sebuah contoh.

Ilustrasi 4Sebuah survei riset pasar di mana 64 konsumen dihubungi menyatakan bahwa 64 persen dari
s2WSXemua konsumen produk tertentu termotivasi oleh iklan produk. Temukan batas kepercayaan
untuk proporsi konsumen yang dimotivasi oleh iklan dalam populasi, dengan tingkat kepercayaan yang
sama dengan 0,95.

158
Larutan: Informasi yang diberikan dapat ditulis seperti di bawah ini:

n = 64

P = 64% atau 0,64

Q = 1 – p = 1 – .64 = .36

dan variasi standar (z) untuk kepercayaan 95 persen adalah 1,96 (sesuai tabel luas kurva normal).

Jadi, interval kepercayaan 95 persen untuk proporsi konsumen yang dimotivasi oleh iklan dipopulasinya
adalah:

𝒑𝒒 (𝟎.𝟔𝟒)(𝒐.𝟑𝟔)
p∓𝒛. √ 𝒏 = 𝟔𝟒 ∓ 𝟏. 𝟗𝟔√ 𝟔𝟒
= 𝟔. 𝟒 ∓ 𝟏. 𝟏𝟕𝟔

Dengan demikian, batas kepercayaan bawah adalah 52,24% batas kepercayaan atas adalah 75,76%
Demi kenyamanan, kita dapat meringkas rumus yang memberikan interval kepercayaan saat
memperkirakan rata-rata populasi (𝝁) dan proporsi penduduk (Pˆ)As ditunjukkan berikut ini:

meja.

Tabel 8.3: Meringkas Rumus Penting Mengenai Estimasi

* Dalam kasus populasi terbatas, kesalahan standar harus dikalikan dengan pengganda populasi
hingga yaitu,

UKURAN SAMPEL DAN PENENTUANNYA

1. Dalam analisis sampling, pertanyaan yang paling menggelitik adalah: Berapa ukuran
seharusnya? sampel atau seberapa besar atau kecil seharusnya 'n'? Jika ukuran sampel ('n')
terlalu kecil, mungkin tidak dapat mencapai tujuan dan jika terlalu besar, kita dapat
mengeluarkan biaya besar dan sumber daya yang terbuang. Sebagai aturan umum, dapat
dikatakan bahwa sampel harus berukuran optimal yaitu, tidak boleh terlalu besar atau terlalu
kecil. Secara teknis, ukuran sampel harus cukup besar untuk memberikan inerval kepercayaan
dari lebar yang diinginkan dan dengan demikian ukuran sampel harus dipilih dengan beberapa
159
 proses logis sebelum sampel diambil dari alam semesta. Ukuran sampel harus ditentukan oleh
peneliti dengan memperhatikan hal-hal berikut:
2. Sifat alam semesta: Alam semesta dapat bersifat homogen atau heterogen. Jika item alam
semesta homogen, sampel kecil dapat memenuhi tujuan. Tetapi jika itemnya heteogen, sampel
yang besar akan diperlukan. Secara teknis, ini dapat disebut sebagai faktor dispersi.
3. Jumlah kelas yang diusulkan: Jika banyak kelas-kelompok (kelompok dan sub-kelompok)
yang akan dibentuk, sampel besar akan diperlukan karena sampel kecil mungkin tidak dapat
memberikan jumlah item yang masuk akal di setiap kelas-kelompok.
4. Sifat studi: Jika item akan dipelajari secara intensif dan terus menerus, sampel harus menjadi
kecil. Untuk survei umum ukuran sampel harus besar, tetapi sampel kecil dianggap tepat dalam
survei teknis.
5. Jenis pengambilan sampel: Teknik pengambilan sampel memainkan peran penting dalam
menentukan ukuran sampel Sampel. Sampel acak kecil cenderung jauh lebih unggul daripada
sampel yang lebih besar tetapi dipilih dengan buruk.
6. Standar akurasi dan tingkat kepercayaan yang dapat diterima: Jika standar akurasi atau tingkat
presisi ingin dijaga tetap tinggi, kita akan membutuhkan sampel yang relatif lebih besar. Untuk
menggandakan akurasi untuk tingkat signifikansi tetap, ukuran sampel harus ditingkatkan
empat kali lipat.
7. Ketersediaan keuangan: Dalam prakteknya, ukuran sampel tergantung pada jumlah uang yang
tersedia untuk tujuan penelitian. Faktor ini harus tetap diperhatikan saat menentukan ukuran
sampel untuk sampel yang besar mengakibatkan peningkatan biaya perkiraan pengambilan
sampel.
8. Pertimbangan lainnya: Sifat unit, ukuran populasi, ukuran kuesioner, ketersediaan peneliti
terlatih, kondisi di mana sampel dilakukan, waktu yang tersedia untuk menyelesaikan
penelitian adalah beberapa pertimbangan lain yang harus diperhatikan oleh peneliti saat
memilih ukuran sampel.
Ada dua pendekatan alternatif untuk menentukan ukuran sampel. Pendekatan pertama adalah
"untuk menentukan ketepatan estimasi yang diinginkan dan kemudian menentukan ukuran sampel
yang diperlukan untuk memastikannya" dan pendekatan kedua "menggunakan statistik Bayesian
untuk menimbang biaya informasi tambahan terhadap nilai yang diharapkan dari informasi
tambahan."7 Pendekatan pertama mampu memberikan solusi matematis, dan karena itu merupakan
teknik yang sering digunakan untuk menentukan 'n'. Keterbatasan teknik ini adalah tidak
menganalisis biaya pengumpulan informasi vis-a-vis nilai yang diharapkan dari informasi.
Pendekatan kedua secara teoritis optimal, tetapi jarang digunakan karena sulitnya mengukur nilai
informasi. Oleh karena itu, kami terutama akan berkonsentrasi di sini pada pendekatan pertama.

PENENTUAN UKURAN SAMPEL MELALUI PENDEKATAN BERDASARKAN PRECISION

RATE DAN CONFIDENCE LEVEL

Untuk memulainya, dapat dinyatakan bahwa setiap kali studi sampel dilakukan, muncul beberapa
kesalahan pengambilan sampel yang dapat dikendalikan dengan memilih sampel dengan ukuran
yang memadai. Peneliti harus menentukan presisi yang dia inginkan sehubungan dengan
perkiraannya mengenai parameter populasi. Misalnya, seorang peneliti mungkin ingin
memperkirakan rata-rata alam semesta di dalam 3 dari maksud sebenarnya dengan kepercayaan 95
persen. Dalam hal ini kita akan mengatakan bahwa presisi yang diinginkan adalah 3 , yaitu jika
rata-rata sampel adalah Rs 100, nilai rata-rata sebenarnya tidak kurang dari Rs 97 dan tidak lebih
dari Rs 103. Dengan kata lain, semua ini berarti bahwa kesalahan yang dapat diterima, e, sama
dengan 3. Mengingat hal ini, sekarang kita dapat menjelaskan penentuan ukuran sampel sehingga
presisi yang ditentukan dapat dipastikan.
160
(A) Ukuran sampel saat memperkirakan mean: Interval kepercayaan untuk alam semesta berarti,
, diberikan oleh
𝝈𝒑
Z∓𝒛
√𝒏

di manax = rata-rata sampel;

z = nilai variasi standar pada tingkat kepercayaan tertentu (dibaca dari tabel yang
memberikan area di bawah kurva normal seperti yang ditunjukkan pada lampiran) dan
itu adalah 1,96 untuk tingkat kepercayaan 95%;
n = ukuran sampel;
𝝈 P = simpangan baku populasi (diperkirakan dari pengalaman masa lalu atau pada dasar dari
sampel percobaan). Misalkan, kita memiliki𝝈 P = 4.8 untuk tujuan kita.

Jika selisih antara 𝝁 dan x atau kesalahan yang dapat diterima harus disimpan dengan + 3 dari rata-
rata sampel dengan kepercayaan 95%, maka kita dapat menyatakan kesalahan yang dapat diterima,
'e' sama dengan (1.96)2(4.8)2
𝝈𝒑 𝟒𝟖
E=𝒛. 𝒂𝒕𝒂𝒖 𝟑 = 𝟏, 𝟗𝟔
√𝒏 √𝒏

(𝟏,𝟗𝟔)𝟐(𝟒𝟖)𝟐
Karenanya, n = (𝟑)𝟐
= 𝟗. 𝟖𝟑𝟒 = 𝟏𝟎

Secara umum, jika kita ingin memperkirakan dalam populasi dengan simpangan baku 𝝈 P dengan
kesalahan tidak lebih besar dari 'e' dengan menghitung interval kepercayaan dengan e2(N-
1keyakinan yang sesuai dengan z, ukuran sampel yang diperlukan, n, sama dengan di bawah:
𝒛𝟐𝝈𝟐
n=
𝒆𝟐

Semua ini berlaku ketika populasi kebetulan tidak terbatas. Bu dalam kasus populasi
terbatas,rumus yang disebutkan di atas untuk menentukan ukuran sampel akan menjadi
𝒛𝟐.𝑵.𝝈𝒑𝟐
N=(𝑵−𝟏)𝒆𝟐+𝒛𝟐𝝈𝟐𝒑

* Dalam kasus populasi terbatas interval kepercayaan untuk diberikan oleh

𝝈𝒑 (𝑵−𝒏)
X∓𝒁 × √(𝑵−𝟏)
√𝒏

dimana√(𝑵 − 𝒏)/(𝑵 − 𝟏) pengganda populasi hingga dan semua istilah lainnya memiliki arti
yang sama seperti yang dinyatakan di atas.

Jika presisi diambil sama dengan 'e' maka kita memiliki

𝝈𝒑 (𝑵 − 𝒏)
𝒆=𝒛 ×√
√𝒏 (𝑵 − 𝟏

𝝈𝟐𝒑 𝑵−𝒏
atau 𝒆𝟐 = 𝒛𝟐 𝒏
× 𝑵−𝟏

161
 𝒛𝟐𝝈𝟐𝑵 𝒛𝟐𝝈𝟐𝒑𝒏
atau 𝒆𝟐(𝑵 − 𝟏) = 𝒏
− 𝒏

𝒛𝟐𝝈𝟐𝒑𝑵
atau 𝒆𝟐(𝑵 − 𝟏) + 𝒛𝟐𝝈𝒑𝟐 = 𝒏

𝒛𝟐.𝝈𝒑𝟐.𝑵
atau 𝒏 = 𝒆𝟐(𝑵−𝟏)+𝒛𝟐𝝈𝒑𝟐

𝒛𝟐.𝑵.𝝈𝟐𝒑
atau 𝒏 = (𝑵−𝟏)𝒆𝟐+𝒛𝟐𝝈𝟐𝒑

Ini adalah bagaimana kita mendapatkan rumus yang disebutkan di atas untuk menentukan 'n' dalam
kasus populasi tak terbatas yang diberikan tingkat presisi dan kepercayaan.

di mana

n = jumlah populasin = ukuran sampel

e = kesalahan yang dapat diterima (presisi)

𝝈 P = simpangan baku populasi

z = variasi standar pada tingkat kepercayaan tertentu.

Ilustrasi 5

Tentukan ukuran sampel untuk memperkirakan berat sebenarnya dari wadah sereal untuk alam
semesta dengan N = 5000 berdasarkan informasi berikut:

varians berat = 4 ons berdasarkan catatan masa lalu.

perkiraan harus berada dalam jarak 0,8 ons dari berat rata-rata sebenarnya dengan probabilitas
99%.Akankah ada perubahan dalam ukuran sampel jika kita mengasumsikan populasi tak terbatas
dalam kasus yang diberikan? Jika ya, jelaskan berapa jumlahnya?Larutan: Dalam masalah yang
diberikan, kami memiliki yang berikut:

n = 5000;

P = 2 ons (karena varians berat = 4 ons);

e = 0,8 ons (karena perkiraan harus berada dalam 0,8 ons dari berat rata-rata sebenarnya);

z = 2,57 (sesuai tabel luas di bawah kurva normal untuk tingkat kepercayaan yang diberikan 99%).

Oleh karena itu, selang kepercayaan untuk diberikan oleh

𝝈𝒑 𝑵−𝒏
X∓𝒛. 𝒏
. √𝑵−𝟏
√

dan dengan demikian ukuran sampel dapat dikerjakan seperti di bawah ini:
𝒛𝟐.𝑵.𝝈𝟐𝒑 (𝟐𝟓𝟕)𝟐.(𝟓𝟎𝟎).(𝟐)𝟐 𝟏𝟑𝟐𝟎𝟗𝟖
n=(𝑵−𝟏)𝒆𝟐+𝒛𝟐𝝈𝟐𝒑 = (𝟓𝟎𝟎𝟎−𝟏)(𝟎.𝟖)𝟐+(𝟐𝟓𝟕)𝟐(𝟐)𝟐 = 𝟑𝟐𝟐𝟓.𝟕𝟕𝟗𝟔 = 𝟒𝟎, 𝟗𝟓

162
 Oleh karena itu, ukuran sampel (atau n) = 41 untuk tingkat presisi dan kepercayaan yang diberikan
dalam pertanyaan di atas dengan populasi berhingga. Tetapi jika kita mengambil populasi menjadi
tak terbatas, ukuran sampel akan bekerja seperti di bawah:
𝒛𝟐.𝒑.𝒒.𝑵 (𝟐,𝟎𝟎𝟓)𝟐(𝟎,𝟐)(𝟏−𝟎,𝟐)(𝟒𝟎𝟎𝟎) 𝟑𝟏𝟓,𝟏𝟔𝟗𝟗
N=𝒆𝟐(𝑵−𝟏)+𝒛𝟐.𝒑.𝒒 = (𝟎,𝟐)𝟐 (𝟒𝟎𝟎𝟎−𝟏)+(𝟐.𝟎𝟎𝟎𝟓)𝟐(𝟎,𝟐)(𝟏−𝟎,𝟐) = 𝟏,𝟔𝟕𝟖𝟒
= 𝟏𝟖𝟕, 𝟖𝟕

Tetapi jika populasinya tidak terbatas, maka ukuran sampel kami akan menjadi seperti di bawah
ini:
𝒛𝟐.𝒑.𝒒 (𝟐.𝟎𝟎𝟓)𝟐.(𝟎,𝟐)(𝟏−𝟎,𝟐 𝟎,𝟕𝟖𝟖
N= 𝒆𝟐
= (𝟎,𝟐)𝟐
= 𝟎,𝟎𝟎𝟒=196,98

Ilustrasi 7

Misalkan tertentu manajemen hotel tertarik untuk menentukan persentase tamu hotel yang
menginap lebih dari 3 hari. Manajer reservasi ingin 95 persen yakin bahwa persentase telah
diperkirakan berada dalam 3% dari nilai sebenarnya. Berapa ukuran sampel paling konservatif
yang diperlukan untuk masalah ini?
Larutan: Kami telah diberikan sebagai
berikut: Populasi tidak terbatas;
e = .03 (karena perkiraan harus berada dalam 3% dari nilai sebenarnya);
z = 1,96 (sesuai tabel luas di bawah kurva normal untuk tingkat kepercayaan 95%). Karena
kita menginginkan ukuran sampel yang paling konservatif, kita akan mengambil nilai p = .5 dan q
= .5. Dengan menggunakan semua informasi ini, kita dapat menentukan ukuran sampel untuk
masalah yang diberikan seperti di bawah ini:
𝒛𝟐𝒑𝒒
n= 𝒆𝟐

(𝟏,𝟗𝟔)𝟐.(𝟓)(𝟓−𝟏)
= (𝟎𝟑)𝟐

𝟗,𝟔𝟎𝟒
=𝟎,𝟎𝟎𝟗=1067,11

Jadi, ukuran sampel paling konservatif yang dibutuhkan untuk masalah tersebut adalah = 1067.

PENENTUAN UKURAN SAMPEL MELALUI PENDEKATAN BERDASARKAN

STATISTIK BAYESIAN

Pendekatan penentuan 'n' ini menggunakan statistik Bayesian dan dengan demikian dikenal sebagai
pendekatan Bayesian. Prosedur untuk menemukan nilai optimal 'n' atau ukuran sampel dengan pendekatan
ini adalah sebagai berikut:

i.Temukan nilai yang diharapkan dari informasi sampel (EVSI)* untuk setiap n yang mungkin;
ii.Juga latihan dengan perkiraan biaya yang masuk akal untuk mengambil sampel dari setiap n
yang mungkin;
iii.Bandingkan EVSI dan biaya sampel untuk setiap kemungkinan n. Dengan kata lain, latihlah
keuntungan bersih yang diharapkan (ENG) untuk setiap n yang mungkin seperti yang
dinyatakan di bawah ini:
untuk ukuran sampel tertentu (n):
(eVSI) – (Biaya sampel) = (ENG)
163
 iv.Bentuk (iii) di atas ukuran sampel optimal, nilai n yang memaksimalkan perbedaan antara
EVSI dan biaya sampel dapat ditentukan.
Perhitungan EVSI untuk setiap n yang mungkin dan kemudian membandingkannya dengan
biaya masing-masing seringkali merupakan tugas yang sangat rumit dan umumnya dapat dilakukan
dengan bantuan mekanis atau komputer. Oleh karena itu, pendekatan ini meskipun secara teoritis
optimal jarang digunakan dalam praktik.

Pertanyaan

1. Jelaskan arti dan makna konsep “Standar Error” dalam analisis sampling.
2. Jelaskan secara singkat distribusi sampling yang umum digunakan.
3. Nyatakan alasan mengapa sampling digunakan dalam konteks studi penelitian.
4. Jelaskan arti dari dasar-dasar sampling berikut ini:
a. Bingkai sampel;
b. kesalahan pengambilan sampel;
c. teorema limit pusat;
d. distribusi t siswa;
e. Pengganda populasi terbatas.
5. Bedakan antara berikut ini:
a. Statistik dan parameter;
b. Tingkat kepercayaan dan tingkat signifikansi;
c. Pengambilan sampel secara acak dan non-acak;
d. Sampling atribut dan sampling variabel;
e. Estimasi titik dan estimasi interval.
6. Tulislah esai singkat tentang estimasi statistik.
7. 500 artikel dipilih secara acak dari batch yang berisi 10.000 artikel dan 30 ditemukan
rusak.Berapa banyak barang cacat yang Anda harapkan akan ditemukan di seluruh batch?
8. Dalam sampel 400 orang, 172 adalah laki-laki. Perkirakan proporsi populasi pada tingkat
kepercayaan 95%.
9. Sebuah smaple dari 16 pengukuran diameter bola memberikan mean x 4.58 inci dan
simpangan baku S 0.08 inci. Temukan (a) 95%, dan (b) 99% batas kepercayaan untuk
diameter sebenarnya.
10. Sampel acak 500 nanas diambil dari pengiriman besar dan 65 ditemukan buruk. Tunjukkan
bahwa kesalahan standar populasi nanas buruk dalam sampel sebesar ini adalah 0,015 dan
juga tunjukkan bahwa persentase nanas buruk dalam pengiriman hampir pasti terletak antara
8,5 dan 17,5. contoh. Untuk menemukan EVSI kita harus menggunakan statistik Bayesian
yang mana seseorang harus memiliki pengetahuan mendalam tentang analisis probabilitas
Bayesian yang dapat dilihat ke dalam buku teks standar tentang statistik.
11. Dari bungkusan yang berisi paku besi, diambil 1000 paku besi secara acak dan di antaranya
ditemukan 100 pakucacat. Perkirakan persentase paku besi yang rusak dalam paket dan
tetapkan batas di mana persentase itu mungkin terletak.
12. Sampel acak 200 pengukuran dari populasi tak terbatas memberikan nilai rata-rata 50 dan
standar deviasi 9. Tentukan interval kepercayaan 95% untuk nilai rata-rata populasi.
13. Dalam sampel acak 64 mangga yang diambil dari pengiriman besar, beberapa ditemukan
buruk. Simpulkan bahwa persentase mangga buruk dalam pengiriman hampir pasti terletak
antara 31,25 dan 68,75 mengingat kesalahan standar proporsi mangga buruk dalam sampel
1/16.
14. Sebuah sampel acak dari 900 anggota ditemukan memiliki rata-rata 4,45 cm. Bisakah itu
wajar?dianggap sebagai sampel dari populasi besar yang rata-ratanya 5 cm dan variansnya 4
cm?
15. Diklaim bahwa orang Amerika rata-rata kelebihan berat badan 16 pon. Untuk menguji klaim
ini, 9 dipilih secara acakindividu diperiksa dan rata-rata kelebihan berat badan ditemukan 18
164
 pon. Pada tingkat signifikansi 5%, apakah ada alasan untuk percaya bahwa klaim 16 pound
itu salah?
16. Mandor dari perusahaan pertambangan tertentu telah memperkirakan jumlah rata-rata bijih
yang diekstraksi menjadi 34,6 ton per shift dan standar deviasi sampel menjadi 2,8 ton per
shift, berdasarkan pemilihan acak 6 shift. Buat interval kepercayaan 95% serta 98% untuk
jumlah rata-rata bijih yang diekstraksi per shift.
17. Contoh 16 botol memiliki rata-rata 122 ml. (Apakah sampel mewakili kiriman besar dengan
rata-rata 130 ml.) dan simpangan baku 10 ml.? Sebutkan tingkat signifikansi yang Anda
gunakan.
18. Sampel 900 hari diambil dari catatan meteorologi dari distrik tertentu dan 100 di antaranya
ditemukan berkabut. Berapa kemungkinan batas persentase hari berkabut di distrik tersebut?
19. Misalkan sepuluh nilai berikut mewakili pengamatan acak dari populasi induk normal:
i. 2, 6, 7, 9, 5, 1, 0, 3, 5, 4.
b. Buatlah selang kepercayaan 99 persen untuk rata-rata populasi induk.
20. Hasil survei terhadap 1600 pembaca Playboy menunjukkan bahwa 44% menyelesaikan
setidaknya tiga tahun kuliah. Tetapkan batas kepercayaan 98% pada proporsi sebenarnya dari
semua pembaca Playboy dengan latar belakang ini.
21. (a) Apa pendekatan alternatif untuk menentukan ukuran sampel? Menjelaskan.
a. (b) Jika kita ingin mengambil sampel acak sederhana dari populasi 4000 item, berapa
besar sampel yang kita perlu menggambar jika kita ingin memperkirakan persen cacat
dalam 2% dari nilai sebenarnya dengan 95,45% kemungkinan.[ M.Phil. Ujian.
(EAFM) RAJ. Uni. 1979]
22. (a) Diberikan adalah informasi berikut:
a. Alam semesta dengan N = 10.000.
b. Varians berat wadah sereal berdasarkan catatan masa lalu = 8 kg. Tentukan ukuran
sampel untuk memperkirakan berat sebenarnya dari wadah jika perkiraan harus
dalam 0,4 kg. dari bobot rata-rata sebenarnya dengan probabilitas 95%.
c. (b) Berapa ukuran sampel jika alam semesta tak terbatas diasumsikan dalam pertanyaan
nomor 22 (a) di atas?
23. Pendapatan tahunan dari 900 salesman yang dipekerjakan oleh Hi-Fi Corporation diketahui
kira-kira normaldidistribusikan. Jika Perusahaan ingin 95% yakin bahwa rata-rata sebenarnya
dari pendapatan salesman tahun ini tidak berbeda lebih dari 2% dari pendapatan rata-rata
tahun lalu sebesar Rs 12.000, berapa ukuran sampel yang diperlukan dengan asumsi standar
deviasi populasi adalah Rs 1500?[M. Fil. (EAFM) Ujian Khusus. RAJ. Uni. 1979]
24. Pak Alok adalah agen pembelian kalkulator elektronik. Dia tertarik untuk menentukan pada
tingkat kepercayaan 95% proporsi apa (dalam plus atau minus 4%), yang rusak. Secara
konservatif, berapa banyak kalkulator yang harus diuji untuk menemukan proporsi yang
cacat?(Petunjuk: Jika dia menguji secara konservatif, maka p = .5 dan q = .5).
25. Sebuah tim ahli penelitian medico merasa yakin bahwa obat baru yang mereka kembangkan
akan menyembuhkan sekitar 80% pasien. Seberapa besar ukuran sampel agar tim dapat 98%
yakin bahwa proporsi sampel penyembuhan berada dalam plus dan minus 2% dari proporsi
semua kasus yang akan disembuhkan oleh obat? Tuan Kishore ingin untuk menentukan
waktu rata-rata yang diperlukan untuk menyelesaikan pekerjaan yang bersangkutan. Sesuai
studi terakhir, standar deviasi populasi adalah 8 hari. Berapa besar sampel yang harus diambil
agar Tn. Kishore yakin 99% bahwa rata-rata sampel dapat tetap berada di dalam? 2 hari
rata-rata?.0788 196.98 ~ 197

165
 9. Pengujian Hipotesis-I
(Uji Hipotesis Parametrik atau Standar)

Hipotesis biasanya dianggap sebagai instrumen utama dalam penelitian. Fungsi utamanya adalah untuk
menyarankan eksperimen dan pengamatan baru. Faktanya, banyak eksperimen dilakukan dengan objek
yang disengaja untuk menguji hipotesis. Pengambil keputusan sering menghadapi situasi di mana
mereka tertarik untuk menguji hipotesis berdasarkan informasi yang tersedia dan kemudian mengambil
keputusan berdasarkan dasar pengujian semacam itu. Dalam ilmu sosial, di mana pengetahuan langsung
tentang parameter populasi jarang, pengujian hipotesis adalah strategi yang sering digunakan untuk
memutuskan apakah data sampel menawarkan dukungan tersebut untuk hipotesis bahwa generalisasi
dapat dibuat. Jadi pengujian hipotesis memungkinkan kita untuk membuat probabilitas pernyataan
tentang parameter populasi. Hipotesis mungkin tidak terbukti secara mutlak, tetapi dalam praktiknya
itu diterima jika telah bertahan dalam pengujian kritis. Sebelum kita menjelaskan bagaimana hipotesis
diuji melalui tes berbeda yang dimaksudkan untuk tujuan tersebut, akan tepat untuk menjelaskan dengan
jelas arti dari hipotesis dan konsep terkait untuk pemahaman yang lebih baik tentang teknik pengujian
hipotesis.
APA ITU HIPOTESIS?
Biasanya, ketika seseorang berbicara tentang hipotesis, yang dimaksud hanyalah asumsi atau dugaan
belaka untuk dibuktikan atau dibantah. Tetapi bagi seorang peneliti hipotesis adalah pertanyaan formal
yang ingin dia menyelesaikan. Dengan demikian hipotesis dapat didefinisikan sebagai proposisi atau
seperangkat proposisi yang ditetapkan sebagai penjelasan untuk terjadinya beberapa kelompok
fenomena tertentu baik dinyatakan hanya sebagai dugaan sementara untuk memandu beberapa
penyelidikan atau diterima sebagai sangat mungkin dalam terang fakta yang telah ditetapkan. Cukup
sering hipotesis penelitian adalah pernyataan prediktif, mampu diuji dengan metode ilmiah, yang
menghubungkan variabel bebas dengan beberapa variabel terikat. Sebagai contoh, perhatikan
pernyataan seperti berikut:
“Siswa yang mendapatkan penyuluhan akan menunjukkan peningkatan kreativitas yang lebih besar
dibandingkan dengan siswa yang tidak menerima konseling” atau
"mobil A berkinerja sebaik mobil B."
Ini adalah hipotesis yang mampu diverifikasi dan diuji secara objektif. Dengan demikian, kita dapat
menyimpulkan bahwa hipotesis menyatakan apa yang kita cari dan itu adalah proposisi yang dapat diuji
untuk tentukan keabsahannya
Ciri-ciri hipotesis: Hipotesis harus memiliki ciri-ciri sebagai berikut:
i. Hipotesis harus jelas dan tepat. Jika hipotesis tidak jelas dan tepat, kesimpulan yang ditarik
atas dasar itu tidak dapat dianggap andal.
ii. Hipotesis harus mampu diuji. Dalam rawa hipotesis yang tidak dapat diuji, banyak saat
program penelitian macet. Beberapa studi sebelumnya dapat dilakukan dengan peneliti
untuk membuat hipotesis yang dapat diuji. Sebuah hipotesis “dapat diuji jika yang lain”
deduksi dapat dibuat darinya yang, pada gilirannya, dapat dikonfirmasi atau disangkal
dengan pengamatan
iii. Hipotesis harus menyatakan hubungan antar variabel, jika itu terjadi relasional hipotesa.
iv. Hipotesis harus dibatasi ruang lingkupnya dan harus spesifik. Seorang peneliti harus ingat
bahwa hipotesis yang lebih sempit umumnya lebih dapat diuji dan dia harus
mengembangkan hipotesis tersebut.
v. Hipotesis harus dinyatakan sejauh mungkin dalam istilah yang paling sederhana sehingga
hal yang sama adalah mudah dipahami oleh semua pihak. Tetapi kita harus ingat bahwa
kesederhanaan hipotesis tidak ada hubungannya dengan signifikansinya.
166
 vi. Hipotesis harus konsisten dengan sebagian besar fakta yang diketahui, yaitu harus
konsisten dengan a tubuh substansial dari fakta-fakta yang mapan. Dengan kata lain, itu
harus menjadi salah satu yang diterima oleh hakim sebagai yang paling mungkin.
vii. Hipotesis harus dapat diuji dalam waktu yang wajar. Seseorang seharusnya tidak
menggunakan bahkan hipotesis yang sangat baik, jika hal yang sama tidak dapat diuji
dalam waktu yang wajar untuk seseorang tidak bisa menghabiskan seumur hidup
mengumpulkan data untuk mengujinya.
viii. Hipotesis harus menjelaskan fakta-fakta yang menimbulkan perlunya penjelasan. Ini berarti
bahwa dengan menggunakan hipotesis ditambah generalisasi lain yang diketahui dan
diterima, seseorang harus mampu menyimpulkan kondisi masalah asli. Jadi hipotesis harus
benar-benar menjelaskan apa yang itu mengklaim untuk menjelaskan; itu harus memiliki
referensi empiris.

KONSEP DASAR TENTANG PENGUJIAN HIPOTESIS

Konsep dasar dalam rangka pengujian hipotesis perlu dijelaskan.
(a.)Hipotesis nol dan hipotesis alternatif: Dalam konteks analisis statistik, kita sering berbicara tentang
hipotesis nol dan hipotesis alternatif. Jika kita membandingkan metode A dengan metode B tentang
keunggulannya dan jika kita melanjutkan dengan asumsi bahwa kedua metode sama-sama baik, maka
asumsi ini disebut sebagai hipotesis nol. Berlawanan dengan ini, kita mungkin berpikir bahwa metode
A adalah unggul atau metode B lebih rendah, kami kemudian menyatakan apa yang disebut sebagai
hipotesis alternatif. Hipotesis nol umumnya dilambangkan sebagai 𝑯𝟎 dan hipotesis alternatif sebagai
𝑯𝒂. Misalkan kita ingin untuk menguji hipotesis bahwa populasi µ sama dengan yang dihipotesiskan
di (µ 𝑯𝟎 ) = 100. Kemudian kita akan mengatakan bahwa hipotesis nol adalah bahwa rata-rata populasi
sama dengan yang dihipotesiskan berarti 100 dan secara simbolis dapat kita nyatakan sebagai:

Jika hasil sampel kami tidak mendukung hipotesis nol ini, kami harus menyimpulkan bahwa
sesuatu yang lain adalah benar. Apa yang kita simpulkan menolak hipotesis nol dikenal sebagai
hipotesis alternatif. Di lain Dengan kata lain, himpunan alternatif untuk hipotesis nol disebut sebagai
hipotesis alternatif. Jika kita menerima 𝑯𝟎 , maka kita menolak 𝑯𝒂 dan jika kita menolak 𝑯𝟎 , maka kita
menerima 𝑯𝒂. Untuk 𝑯𝟎 : µ = µ 𝑯𝟎 = 100 , kita dapat mempertimbangkan tiga kemungkinan hipotesis
alternatif sebagai berikut*:
Table 9.1
Hipotesis alternatif Untuk dibaca sebagai berikut
(Hipotesis alternatifnya adalah bahwa rata-
rata populasi tidak sama dengan 100 yaitu,
mungkin lebih atau kurang dari 100)

(Hipotesis alternatifnya adalah bahwa rata-

rata populasi lebih besar dari 100)
(Hipotesis alternatifnya adalah bahwa rata-
rata populasi lebih kecil dari 100)

Hipotesis nol dan hipotesis alternatif dipilih sebelum sampel diambil (peneliti harus menghindari
kesalahan dalam menurunkan hipotesis dari data yang dikumpulkannya dan kemudian mengujinya
hipotesis dari data yang sama). Dalam pemilihan hipotesis nol, pertimbangan berikut adalah: biasanya
disimpan dalam pandangan:

167
(a) Hipotesis alternatif biasanya yang ingin dibuktikan dan hipotesis nol adalah salah satu yang ingin
dibantah. Dengan demikian, hipotesis nol mewakili hipotesis kami mencoba untuk menolak, dan
hipotesis alternatif mewakili semua kemungkinan lain.
(b) Jika penolakan suatu hipotesis tertentu padahal hipotesis itu benar mengandung risiko besar, maka
hipotesis tersebut diambil sebagai hipotesis nol karena probabilitas menolaknya ketika hipotesis itu
benar adalah (tingkat signifikansi) yang dipilih sangat kecil.
(c) Hipotesis nol harus selalu merupakan hipotesis spesifik yaitu, tidak boleh menyatakan tentang atau
kira-kira nilai tertentu.
Umumnya, dalam pengujian hipotesis kami melanjutkan atas dasar hipotesis nol, menjaga alternatif
hipotesis dalam pandangan. Kenapa begitu? Jawabannya adalah bahwa dengan asumsi bahwa hipotesis
nol benar, satu dapat menetapkan probabilitas untuk kemungkinan hasil sampel yang berbeda, tetapi ini
tidak dapat dilakukan jika kita melanjutkan dengan hipotesis alternatif. Oleh karena itu penggunaan
hipotesis nol (kadang-kadang juga dikenal sebagai statistik) hipotesis) cukup sering.
(b) Tingkat signifikansi: Ini adalah konsep yang sangat penting dalam konteks pengujian hipotesis. Itu
selalu beberapa persentase (biasanya 5%) yang harus dipilih dengan sangat hati-hati, dipikirkan dan
alasan. Jika kita mengambil tingkat signifikansi 5 persen, maka ini berarti bahwa H0 akan ditolak ketika
hasil pengambilan sampel (yaitu, bukti yang diamati) memiliki probabilitas kurang dari 0,05 untuk
terjadi jika H0 adalah benar. Dengan kata lain, tingkat signifikansi 5 persen berarti bahwa peneliti
bersedia untuk mengambil sebagai sebanyak 5 persen risiko menolak hipotesis nol ketika (H0)
kebetulan benar. Jadi tingkat signifikansi adalah nilai maksimum dari probabilitas menolak H0 bila
benar dan biasanya ditentukan terlebih dahulu sebelum menguji hipotesis.
*Jika suatu hipotesis bertipe µ = 𝑯𝟎 , maka kita menyebut hipotesis tersebut sebagai hipotesis sederhana (atau
spesifik), tetapi jika hipotesis tersebut dari jenis µ ≠ µ𝑯𝟎 atau µ > µ𝑯𝟎 atau µ < µ𝑯𝟎 , maka kita menyebutnya
hipotesis komposit (atau nonspesifik).

(c) Aturan keputusan atau uji hipotesis: Diberikan hipotesis 𝑯𝟎 dan hipotesis alternatif 𝑯𝒂 , kami
membuat aturan yang dikenal sebagai aturan keputusan yang dengannya kami menerima 𝑯𝟎 (yaitu,
menolak 𝑯𝒂 ) atau menolak 𝑯𝟎 (yaitu, menerima 𝑯𝒂 ). Misalnya, jika (𝑯𝟎 adalah bahwa lot tertentu itu
bagus (ada sangat sedikit) barang cacat di dalamnya) terhadap 𝑯𝒂 ) yang kebanyakan nya tidak bagus
(terlalu banyak barang cacat di dalamnya), maka kita harus memutuskan jumlah item yang akan diuji
dan kriteria untuk menerima atau menolaknya hipotesa. Kami mungkin menguji 10 item dalam lot dan
merencanakan keputusan kami dengan mengatakan bahwa jika tidak ada atau hanya 1 item cacat di
antara 10, kami akan menerima 𝑯𝟎 jika tidak kami akan menolak 𝑯𝟎 (atau menerima 𝑯𝒂 ). Ini semacam
dasar dikenal sebagai aturan keputusan.
(d) Kesalahan Tipe I dan Tipe II: Dalam konteks pengujian hipotesis, pada dasarnya ada dua jenis:
kesalahan yang bisa kita buat. Kita dapat menolak 𝑯𝟎 ketika 𝑯𝟎 benar dan kita dapat menerima 𝑯𝟎
padahal sebenarnya 𝑯𝟎 adalah tidak benar. Yang pertama dikenal sebagai kesalahan Tipe I dan yang
terakhir sebagai kesalahan Tipe II. Dengan kata lain, Tipe I kesalahan berarti penolakan hipotesis yang
seharusnya diterima dan kesalahan Tipe II berarti menerima hipotesis yang seharusnya ditolak.
Kesalahan tipe I dilambangkan dengan α (alfa) dikenal sebagai kesalahan , juga disebut tingkat
signifikansi pengujian; dan kesalahan Tipe II dilambangkan dengan β (beta) yang dikenal sebagai
kesalahan . Dalam bentuk tabel, kedua kesalahan tersebut dapat disajikan sebagai berikut:
Table 9.2

Keputusan
Menerima 𝑯𝟎 Menolak 𝑯𝟎
𝑯𝟎 (benar) Keputusanyang benar Kesalahan tipe I
(Kesalahan α)

168
 𝑯𝟎 (salah) Kesalahan tpe II Keputusan yang benar
(Kesalahan β)

Probabilitas kesalahan Tipe I biasanya ditentukan terlebih dahulu dan dipahami sebagai tingkat
pentingnya pengujian hipotesis. Jika kesalahan tipe I diperbaiki sebesar 5 persen, itu berarti ada sekitar
5 peluang dalam 100 bahwa kita akan menolak 𝑯𝟎 ketika 𝑯𝟎 benar. Kita dapat mengontrol kesalahan
Tipe I hanya dengan memperbaikinya di tingkat yang lebih rendah. Misalnya, jika kita memperbaikinya
pada 1 persen, kita akan mengatakan bahwa maksimum probabilitas melakukan kesalahan Tipe I hanya
0,01.
Tetapi dengan ukuran sampel yang tetap, n, ketika kami mencoba untuk mengurangi kesalahan Tipe
I, kemungkinan melakukan Kesalahan tipe II meningkat. Kedua jenis kesalahan tidak dapat dikurangi
secara bersamaan. Ada trade-off antara dua jenis kesalahan yang berarti bahwa kemungkinan membuat
satu jenis kesalahan hanya dapat dikurangi jika kita ingin meningkatkan kemungkinan membuat jenis
kesalahan lainnya. Untuk menangani trade-off ini dalam situasi bisnis, pengambil keputusan
memutuskan tingkat kesalahan Tipe I yang sesuai dengan: memeriksa biaya atau penalti yang melekat
pada kedua jenis kesalahan. Jika kesalahan Tipe I melibatkan waktu dan kesulitan mengerjakan ulang
sejumlah bahan kimia yang seharusnya diterima, sedangkan kesalahan Tipe II berarti mengambil
kesempatan bahwa seluruh kelompok pengguna senyawa kimia ini akan diracuni, maka dalam situasi
seperti itu seseorang harus memilih kesalahan Tipe I daripada kesalahan Tipe II. Akibatnya seseorang
harus mengatur sangat tingkat tinggi untuk kesalahan Tipe I dalam teknik pengujian seseorang dari
hipotesis yang diberikan. Oleh karena itu, dalam pengujian hipotesis, seseorang harus melakukan semua
upaya yang mungkin untuk mencapai keseimbangan yang memadai antara Tipe I dan Tipe II kesalahan.
(e) Uji dua sisi dan satu sisi: Dalam konteks pengujian hipotesis, kedua istilah ini cukup penting dan
harus dipahami dengan jelas. Tes dua sisi menolak hipotesis nol jika, katakanlah, rata-rata sampel secara
signifikan lebih tinggi atau lebih rendah daripada nilai rata-rata populasi yang dihipotesiskan. Tes
semacam itu tepat ketika hipotesis nol adalah beberapa nilai tertentu dan alternatifnya hipotesis adalah
nilai yang tidak sama dengan nilai hipotesis nol yang ditentukan. Secara simbolis, uji dua sisi tepat bila
kita memiliki 𝑯𝟎 : µ = µ 𝑯 𝟎 dan 𝑯𝒂 ∶ µ ≠ µ 𝑯 𝟎 yang dapat berarti µ > µ 𝑯 𝟎 atau µ < µ 𝑯 𝟎 . Jadi,

169
dalam uji dua arah, ada dua daerah penolakan*, satu di setiap ekor kurva yang dapat digambarkan
seperti di bawah ini:
Richard I. Levin, Statistik Manajemen, hlm. 247–248. *Juga dikenal sebagai daerah kritis

Secara matematis kita dapat menyatakan:

Wilayah Penerimaan A IZI : ≤ 196 .
Wilayah Penolakan R IZI :≥196 .
Jika tingkat signifikansi adalah 5 persen dan uji dua sisi akan diterapkan, probabilitas area penolakan
akan menjadi 0,05 (terbagi sama pada kedua ekor kurva sebagai 0,025) dan wilayah penerimaan akan
menjadi 0,95 seperti yang ditunjukkan pada kurva di atas. Jika kita ambil µ = 100 dan jika sampel kita
mean menyimpang secara signifikan dari 100 di kedua arah, maka kita akan menolak hipotesis nol;
tetapi jika rata-rata sampel tidak menyimpang secara signifikan dari µ , dalam hal ini kita akan
menerima nol hipotesa.
Tetapi ada situasi ketika hanya uji satu sisi yang dianggap tepat. Tes satu sisi akan digunakan ketika
kita akan menguji, katakanlah, apakah rata-rata populasi lebih rendah dari atau lebih tinggi dari
beberapa nilai yang dihipotesiskan. Misalnya, jika 𝑯𝟎 : µ = µ 𝑯𝟎 dan 𝑯𝒂 : µ < µ 𝑯𝟎 , maka kita tertarik
pada apa yang dikenal sebagai uji arah kiri (di mana hanya ada satu daerah penolakan di sebelah kiri
ekor) yang dapat digambarkan seperti di bawah ini:

170
Secara matematis kita dapat menyatakan:
Wilayah Penerimaan A : Z > 1645
Wilayah Penolakan R : Z ≤ 1645
Jika µ = 100 dan jika mean sampel kami menyimpang secara signifikan dari 100 ke arah yang lebih
rendah, kami akan menolak 𝑯𝟎 , jika tidak maka kita akan menerima 𝑯𝟎 pada tingkat signifikansi
tertentu. Jika signifikansi level dalam kasus yang diberikan dijaga pada 5%, maka daerah penolakan
akan sama dengan 0,05 dari area di sebelah kiri ekor seperti yang telah ditunjukkan pada kurva di atas.

171
 Jika 𝑯𝟎 : µ = µ 𝑯𝟎 dan 𝑯𝒂 : µ > µ𝑯𝟎 , kita kemudian tertarik pada apa yang dikenal sebagai uji
satu arah (ekor kanan) dan daerah penolakan akan berada di ekor kanan kurva seperti yang ditunjukkan
di bawah ini:
Secara matematis kita dapat menyatakan:

Wilayah Penerimaan A : Z ≤ 1645 .

Wilayah Penolakan A : Z > 1645

Jika µ = 100 dan jika mean sampel kami menyimpang secara signifikan dari 100 ke arah atas, kami
akan menolak 𝑯𝟎 , jika tidak, kami akan menerima hal yang sama. Jika dalam kasus tertentu tingkat
signifikansi dipertahankan pada 5%, maka daerah penolakan akan sama dengan 0,05 daerah di ekor
kanan seperti yang ditunjukkan pada di atas kurva.
Harus selalu diingat bahwa menerima 𝑯𝟎 berdasarkan informasi sampel tidak merupakan bukti
bahwa 𝑯𝟎 benar. Kami hanya bermaksud bahwa tidak ada bukti statistik untuk menolaknya, tapi kita
tentu tidak mengatakan bahwa 𝑯𝟎 benar (walaupun kita berperilaku seolah-olah 𝑯𝟎 benar).
TATA CARA PENGUJIAN HIPOTESIS
Menguji hipotesis berarti memberi tahu (berdasarkan data yang telah dikumpulkan peneliti) apakah
atau tidak hipotesis tampaknya valid. Dalam pengujian hipotesis pertanyaan utamanya adalah: apakah
akan menerima hipotesis nol atau tidak menerima hipotesis nol? Prosedur pengujian hipotesis mengacu
pada semua langkah-langkah yang kita lakukan untuk membuat pilihan antara dua tindakan yaitu,
penolakan dan penerimaan hipotesis nol. Berbagai langkah yang terlibat dalam pengujian hipotesis
dinyatakan di bawah ini:
(i) Membuat pernyataan formal: Langkahnya terdiri dari membuat pernyataan formal dari hipotesis nol
(𝑯𝟎 ) dan juga hipotesis alternatif (𝑯𝒂). Ini berarti bahwa hipotesis harus dinyatakan dengan jelas,
mempertimbangkan sifat dari masalah penelitian. Misalnya, Tuan Mohan dari Teknik Sipil Departemen

172
ingin menguji daya dukung beban jembatan tua yang harus lebih dari 10 ton, dalam hal ini ia dapat
menyatakan hipotesisnya sebagai berikut:
Hipotesis nol 𝑯𝟎 : µ= 10 ton

Hipotesis Alternatif 𝑯𝒂 : µ > 10 ton

Ambil contoh lain. Nilai rata-rata dalam tes bakat yang diselenggarakan di tingkat nasional adalah 80.
Untuk mengevaluasi sistem pendidikan negara bagian, skor rata-rata 100 siswa negara bagian dipilih
pada basis acak adalah 75. Negara ingin mengetahui apakah ada perbedaan yang signifikan antara lokal
skor dan skor nasional. Dalam situasi seperti itu hipotesis dapat dinyatakan sebagai berikut:
Hipotesis nol 𝑯𝟎 : µ= 80

Hipotesis Alternatif 𝑯𝒂 : µ ≠ 80

Perumusan hipotesis merupakan langkah penting yang harus dilakukan dengan hati-hati dalam
sesuai dengan objek dan sifat masalah yang sedang dibahas. Ini juga menunjukkan apakah kita harus
menggunakan uji satu sisi atau uji dua sisi. Jika 𝑯𝒂 adalah tipe yang lebih besar dari (atau tipe lebih
kecil dari), kami menggunakan uji satu arah, tetapi ketika 𝑯𝒂 bertipe “apakah lebih besar atau lebih
kecil” maka kami menggunakan uji dua sisi.
(ii) Memilih tingkat signifikansi: Hipotesis diuji pada tingkat signifikansi yang telah ditentukan
sebelumnya dan karena itu hal yang sama harus ditentukan. Umumnya, dalam praktiknya, level 5% atau
level 1% adalah diadopsi untuk tujuan tersebut. Faktor-faktor yang mempengaruhi tingkat signifikansi
adalah: (a) besarnya perbedaan antara rata-rata sampel; (b) ukuran sampel; (c) variabilitas pengukuran
dalam sampel; dan (d) apakah hipotesis itu terarah atau tidak (Hipotesis terarah adalah salah satu yang
memprediksi arah perbedaan antara, katakanlah, berarti). Singkatnya, tingkat signifikansi harus
memadai dalam konteks tujuan dan sifat penyelidikan.
(iii) Memutuskan distribusi yang akan digunakan: Setelah menentukan tingkat signifikansi, langkah
selanjutnya adalah pengujian hipotesis adalah untuk menentukan distribusi sampling yang tepat.
Pilihannya umumnya tetap antara distribusi normal dan distribusi t. Aturan untuk memilih distribusi
yang benar adalah serupa dengan yang telah kami nyatakan sebelumnya dalam konteks estimasi.
(iv) Memilih sampel acak dan menghitung nilai yang sesuai: Langkah lain adalah memilih sampel acak
dan hitung nilai yang sesuai dari data sampel mengenai tes statistik menggunakan distribusi yang
relevan. Dengan kata lain, menarik sampel untuk memberikan data empiris.
(v) Perhitungan probabilitas: Seseorang kemudian harus menghitung probabilitas bahwa hasil sampel
akan menyimpang seluas dari harapan, jika hipotesis nol itu sebenarnya benar.
(vi) Membandingkan probabilitas: Langkah lain terdiri dari membandingkan probabilitas yang telah
dihitung dengan nilai yang ditentukan untuk α , tingkat signifikansi. Jika probabilitas yang dihitung
sama dengan atau lebih kecil dari nilai untuk uji satu sisi (α /2 untuk uji dua sisi), maka tolak hipotesis
nol (yaitu, menerima hipotesis alternatif), tetapi jika probabilitas yang dihitung lebih besar, kemudian
menerima hipotesis nol. Jika kita menolak 𝑯𝟎 , kita menghadapi risiko (paling banyak tingkat
signifikansi) melakukan kesalahan Tipe I, tetapi jika kita menerima 𝑯𝟎 , maka kita menjalankan
beberapa risiko (ukuran yang tidak dapat ditentukan selama 𝑯𝟎 kebetulan tidak jelas daripada spesifik)
melakukan kesalahan Tipe II.
DIAGRAM ALIRAN UNTUK PENGUJIAN HIPOTESIS
Prosedur umum yang disebutkan di atas untuk pengujian hipotesis juga dapat digambarkan dalam
diagram alir untuk pemahaman yang lebih baik seperti yang ditunjukkan pada Gambar 9.𝟒..𝟑

173
 Kedudukan 𝑯𝟎 Demikian juga 𝑯𝒂

Tentukan tingkat signifikansi (atau nilai)

Tentukan sampling yang benar distribusi

Sampel sampel acak dan latihan yang sesuai nilai

dari data sampel

Hitung peluang sampel tersebut hasilnya akan

berbeda seluas yang dimilikinya dari harapan, jika
𝑯𝟎 itu benar

Apakah peluang ini sama dengan atau lebih kecil dari

nilai dalam kasus uji satu sisi dan /2 dalam kasus uji dua
sisi

Ya Tidak
Menolak 𝑯𝟎 Menerima 𝑯𝟎

dengan demikian dengan demikian jalankan

menanggung risiko beberaparisiko melakukan
darimelakukan Kesalahan tipe II
Kesalahan
tipe I

Berdasarkan diagram alir dalam Metode Statistik William A. Chance untuk Pengambilan Keputusan, Richard D.
Irwin INC., Illinois, 1969, hal.48

174
MENGUKUR KEKUATAN UJI HIPOTESIS
Sebagaimana dinyatakan di atas, kita mungkin melakukan kesalahan Tipe I dan Tipe II saat menguji
hipotesis. Kemungkinan kesalahan Tipe I dilambangkan sebagai α(tingkat signifikansi pengujian) dan
probabilitas kesalahan Tipe II disebut sebagai β. Biasanya tingkat signifikansi suatu tes ditetapkan
terlebih dahulu dan setelah kita memutuskan itu, tidak ada lagi yang bisa kita lakukan tentang α. Tapi
apa yang bisa kita katakan tentang β? Kita semua tahu itu uji hipotesis tidak bisa sangat mudah; kadang-
kadang tes tidak menolak 𝑯𝟎 ketika itu adalah a salah satu dan dengan cara ini kesalahan Tipe II dibuat.
Tapi kita pasti menginginkan β (probabilitas menerima 𝑯𝟎 ketika 𝑯𝟎 tidak benar) menjadi sekecil
mungkin. Atau, kami ingin bahwa 1 – (probabilitas menolak 𝑯𝟎 padahal 𝑯𝟎 tidak benar) menjadi
sebesar mungkin. Jika 1 – β sangat banyak lebih dekat ke kesatuan (yaitu, lebih dekat ke 1.0), kita dapat
menyimpulkan bahwa tes ini bekerja cukup baik, yang berarti dengan demikian bahwa pengujian
menolak 𝑯𝟎 padahal tidak benar dan jika 1 – β sangat mendekati 0,0, maka kita simpulkan bahwa tes
tersebut bekerja dengan buruk, yang berarti bahwa tes tersebut tidak menolak 𝑯𝟎 ketika 𝑯𝟎 tidak benar.
Oleh karena itu 1 – β nilai adalah ukuran seberapa baik tes bekerja atau apa yang secara teknis
digambarkan sebagai kekuatan tes. Jika kita memplot nilai 1 – β untuk setiap nilai yang mungkin dari
parameter populasi (katakanlah µ , rata-rata populasi sebenarnya) di mana 𝑯𝟎 tidak benar (sebagai
alternatif Ha benar), kurva yang dihasilkan dikenal sebagai kurva daya yang terkait dengan tes yang
diberikan. Dengan demikian kurva daya uji hipotesis adalah kurva yang menunjukkan probabilitas
bersyarat untuk menolak 𝑯𝟎 sebagai fungsi dari parameter populasi dan ukuran sampel.
Fungsi yang mendefinisikan kurva ini dikenal sebagai fungsi daya. Dengan kata lain, kekuatan
fungsi tes adalah fungsi yang didefinisikan untuk semua nilai parameter yang menghasilkan probabilitas
itu H 0 ditolak dan nilai fungsi daya pada titik parameter tertentu disebut kekuatan tes pada saat itu.
Ketika parameter populasi semakin dekat dan mendekati hipotesis nilai parameter populasi, kekuatan
tes (yaitu, 1 – β ) harus semakin dekat probabilitas menolak H0 ketika parameter populasi sama persis
dengan nilai hipotesis parameternya. Kita tahu bahwa probabilitas ini hanyalah tingkat signifikansi tes,
dan karena itu kurva daya suatu pengujian berakhir pada suatu titik yang terletak pada ketinggian α
(tingkat signifikansi) langsung di atas parameter populasi.
Terkait erat dengan fungsi daya, ada fungsi lain yang dikenal sebagai operasi fungsi
karakteristik yang menunjukkan probabilitas bersyarat untuk menerima 𝑯𝟎 untuk semua nilai parameter
populasi untuk ukuran sampel tertentu, terlepas dari apakah keputusan itu benar atau tidak satu. Jika
fungsi daya direpresentasikan sebagai H dan fungsi karakteristik operasi sebagai L, maka kita memiliki
L = 1 – H. Namun, seseorang hanya membutuhkan satu dari dua fungsi ini untuk setiap aturan keputusan
dalam konteks dari menguji hipotesis. Cara menghitung kekuatan tes (yaitu, 1 –β ) dapat dijelaskan
melalui contoh.
Oleh karena itu 1 – β nilai adalah ukuran seberapa baik tes bekerja atau apa yang secara teknis
digambarkan sebagai kekuatan tes. Jika kita memplot nilai 1 – β untuk setiap nilai yang mungkin dari
parameter populasi (katakanlah µ , rata-rata populasi sebenarnya) di mana 𝑯𝟎 tidak benar (sebagai
alternatif Ha benar), kurva yang dihasilkan dikenal sebagai kurva daya yang terkait dengan tes yang
diberikan. Dengan demikian kurva daya uji hipotesis adalah kurva yang menunjukkan probabilitas
bersyarat untuk menolak 𝑯𝟎 sebagai fungsi dari parameter populasi dan ukuran sampel.
Fungsi yang mendefinisikan kurva ini dikenal sebagai fungsi daya. Dengan kata lain, kekuatan
fungsi tes adalah fungsi yang didefinisikan untuk semua nilai parameter yang menghasilkan probabilitas
itu H 0 ditolak dan nilai fungsi daya pada titik parameter tertentu disebut kekuatan tes pada saat itu.
Ketika parameter populasi semakin dekat dan mendekati hipotesis nilai parameter populasi, kekuatan
tes (yaitu, 1 – β ) harus semakin dekat probabilitas menolak H0 ketika parameter populasi sama persis
dengan nilai hipotesis parameternya. Kita tahu bahwa probabilitas ini hanyalah tingkat signifikansi tes,
dan karena itu kurva daya suatu pengujian berakhir pada suatu titik yang terletak pada ketinggian α
(tingkat signifikansi) langsung di atas parameter populasi.
Terkait erat dengan fungsi daya, ada fungsi lain yang dikenal sebagai operasi fungsi
karakteristik yang menunjukkan probabilitas bersyarat untuk menerima 𝑯𝟎 untuk semua nilai parameter

175
populasi untuk ukuran sampel tertentu, terlepas dari apakah keputusan itu benar atau tidak satu. Jika
fungsi daya direpresentasikan sebagai H dan fungsi karakteristik operasi sebagai L, maka kita memiliki
L = 1 – H. Namun, seseorang hanya membutuhkan satu dari dua fungsi ini untuk setiap aturan keputusan
dalam konteks dari menguji hipotesis. Cara menghitung kekuatan tes (yaitu, 1 –β ) dapat dijelaskan
melalui contoh.
Ilustrasi 1
Suatu proses kimia tertentu dikatakan telah menghasilkan 15 pon atau kurang bahan limbah untuk setiap
60 pon. batch dengan standar deviasi yang sesuai dari 5 lbs. Sampel acak 100 batch memberikan rata-
rata 16 lbs. limbah per batch. Uji pada tingkat 10 persen apakah jumlah rata-rata limbah per batch telah
meningkat. Hitunglah kekuatan tes untuk µ = 16 lbs. Jika kita menaikkan level signifikansinya menjadi
20 persen, maka berapakah kekuatan uji untuk µ = 16 lbs. akan terpengaruh?
Solusi: Seperti yang kita ingin menguji hipotesis bahwa jumlah rata-rata limbah per batch 60 lbs. adalah
15 pon atau kurang terhadap hipotesis bahwa kuantitas limbah lebih dari 15 pon, kita dapat menulis
seperti di bawah:
𝑯𝟎 : µ ≤ 15 pon.
𝑯𝟎 : µ > 15 pon.
Layaknya 𝑯𝒂 adalah satu sisi, kita akan menggunakan uji satu sisi (di sisi kanan karena 𝑯𝒂 lebih dari
tipe) pada tingkat 10% untuk menemukan nilai simpangan baku (z), sesuai dengan .4000 luas normal
kurva yang mencapai 1,28 sesuai tabel luas kurva normal.* Dari sini kita dapat menemukan batas untuk
µ menerima 𝑯𝟎 seperti di bawah:

Menerima
Atau
Atau
pada tingkat signifikansi 10% dinyatakan menerima 𝑯𝒂.

Tapi rata-rata sampel adalah 16 lbs. yang tidak masuk dalam wilayah penerimaan seperti di
atas. Kita, oleh karena itu, tolak 𝑯𝟎 dan simpulkan bahwa jumlah rata-rata limbah per batch telah
meningkat. Untuk menemukan kekuatan tes, pertama-tama kita menghitung β dan kemudian
menguranginya dari satu. Karena β bersyarat probabilitas yang tergantung pada nilai µ , kita anggap
sebagai 16 seperti yang diberikan dalam pertanyaan. Kita bisa sekarang tulis β = p (Terima 𝑯𝟎 : µ ≤ 15
Iµ < = 16) . Karena kita telah mengetahui bahwa 𝑯𝟎 diterima jika 𝑿 ̅ ≤ 15.64 . (pada taraf signifikansi
10%), maka β = p (𝑿 ̅ ≤ 16.64 Iµ = 16 ) . yang bisa digambarkan sebagai berikut:

176
* Tabel No. 1. diberikan dalam lampiran di akhir buku

Kita dapat mencari terlebih dahulu peluang daerah yang terletak antara 15.64 dan 16 pada kurva di atas
dengan mencari z dan kemudian menggunakan tabel luas untuk tujuan tersebut. Dalam kasus yang
diberikan z = (𝑿̅ -µ ) / ( 𝝈/ √𝒏) = (15.64 - 16) / (5/√𝟏𝟎𝟎 ) = - 0.72 . sesuai dengan luas yang 0,2642.
Jadi, β = 0,5000 – 0,2642 = 0,2358 dan pangkat = (1 – β) = (1 – .2358) = 0,7642 untuk µ = 16. Jika
tingkat signifikansi dinaikkan menjadi 20%, maka kita akan memiliki kriteria sebagai berikut:

Terima 𝐻0 jika 𝑋̅ ≤ 15 + (.84) (5√100)

Atau 𝑋̅ ≤ 15.42 jika tidak terima 𝐻𝑎
β = p (𝑋̅ ≤ 15.42 Iµ = 16)
Atau β = 1230, menggunakan tabel luas kurva normal seperti dijelaskan di atas.
Karenanya, (1- β) = (1-.1230) = .8770

UJI HIPOTESIS
Sebagaimana telah dikemukakan di atas bahwa pengujian hipotesis menentukan validitas asumsi
(secara teknis) digambarkan sebagai hipotesis nol) dengan maksud untuk memilih antara dua hipotesis
yang bertentangan tentang nilai parameter populasi. Pengujian hipotesis membantu untuk memutuskan
berdasarkan data sampel, apakah hipotesis tentang populasi mungkin benar atau salah. Ahli statistik
telah mengembangkan beberapa pengujian hipotesis (juga dikenal sebagai pengujian signifikansi) untuk
tujuan pengujian hipotesis yang dapat diklasifikasikan sebagai: (a) uji parametrik atau uji standar
hipotesis; dan (b) Uji non-parametrik atau uji hipotesis yang bebas distribusi.
Tes parametrik biasanya mengasumsikan sifat-sifat tertentu dari populasi induk dari mana kita
menggambar sampel. Asumsi seperti pengamatan berasal dari populasi normal, ukuran sampel besar,
asumsi tentang parameter populasi seperti mean, varians, dll., harus berlaku sebelum tes parametrik
dapat digunakan. Tetapi ada situasi ketika peneliti tidak bisa atau tidak mau untuk membuat asumsi
seperti itu. Dalam situasi seperti itu kami menggunakan metode statistik untuk menguji hipotesis yang:
disebut pengujian non-parametrik karena pengujian tersebut tidak bergantung pada asumsi apapun
tentang parameter populasi induk. Selain itu, sebagian besar tes non-parametrik hanya mengasumsikan
nilai nominal atau data ordinal, sedangkan tes parametrik membutuhkan pengukuran yang setara dengan
setidaknya skala interval. Akibatnya, tes non-parametrik membutuhkan lebih banyak pengamatan
daripada tes parametrik untuk mencapai hal yang sama ukuran kesalahan Tipe I dan Tipe II. Kami

177
mengambil dalam bab ini beberapa parametrik penting tes, sedangkan tes non-parametrik akan dibahas
dalam bab terpisah nanti dalam buku ini.
UJI PARAMETRIK PENTING
Tes parametrik yang penting adalah: (1) uji-z; (2) uji-t; (*3) 𝑋 2 -test, dan (4)F-test. Semua tes ini
didasarkan pada asumsi normalitas yaitu, sumber data dianggap terdistribusi normal.
4 Donald L. Harnett dan James L. Murphy, Analisis Statistik Pendahuluan, hal. 368. *

𝑋2 - tes juga digunakan sebagai tes kecocokan dan juga sebagai tes independensi dalam hal ini adalah non-
parametrik tes. Hal ini telah dijelaskan dalam Bab 10 berjudul 𝑋2 -test.

Dalam beberapa kasus populasi mungkin tidak terdistribusi secara normal, namun tes akan diterapkan
pada karena fakta bahwa kita kebanyakan berurusan dengan sampel dan distribusi pengambilan sampel
mendekati distribusi normal.
z-test didasarkan pada distribusi probabilitas normal dan digunakan untuk menilai signifikansi
dari beberapa ukuran statistik, terutama rata-rata. Statistik uji yang relevan*, z, dikerjakan dan
dibandingkan dengan nilai kemungkinannya (dibaca dari tabel yang menunjukkan area di bawah kurva
normal) pada a tingkat signifikansi tertentu untuk menilai signifikansi ukuran yang bersangkutan. Ini
adalah yang paling tes yang sering digunakan dalam studi penelitian. Tes ini digunakan bahkan ketika
distribusi binomial atau distribusi t dapat diterapkan dengan asumsi bahwa distribusi tersebut cenderung
mendekati normal distribusi sebagai 'n' menjadi lebih besar. z-test umumnya digunakan untuk
membandingkan rata-rata sampel dengan beberapa rata-rata hipotesis untuk populasi dalam kasus
sampel besar, atau ketika varians populasi adalah diketahui. z-test juga digunakan untuk menilai
signifikansi perbedaan antara rata-rata dua independen sampel dalam kasus sampel besar, atau ketika
varians populasi diketahui. z-test juga digunakan untuk membandingkan proporsi sampel dengan nilai
teoretis dari proporsi populasi atau untuk menilai perbedaan dalam proporsi dua sampel independen
ketika n kebetulan besar. Selain itu, tes ini dapat digunakan untuk menilai signifikansi median, modus,
koefisien korelasi dan beberapa ukuran lainnya.
Uji-t didasarkan pada distribusi-t dan dianggap sebagai uji yang tepat untuk menilai
signifikansinya rata-rata sampel atau untuk menilai signifikansi perbedaan antara rata-rata dua sampel
dalam kasus sampel kecil ketika varians populasi tidak diketahui (dalam hal ini kami menggunakan
varians dari sampel sebagai perkiraan varians populasi). Dalam hal dua sampel terkait, kami
menggunakan uji-t berpasangan (atau yang dikenal sebagai uji beda) untuk menilai signifikansi mean
dari perbedaan antara dua sampel terkait. Ini juga dapat digunakan untuk menilai pentingnya koefisien
korelasi sederhana dan parsial. Statistik uji yang relevan, t, dihitung dari sampel data dan kemudian
dibandingkan dengan nilai kemungkinannya berdasarkan t-distribusi (dibaca dari tabel yang
memberikan kemungkinan nilai t untuk tingkat signifikansi yang berbeda untuk derajat yang berbeda
kebebasan) pada tingkat signifikansi tertentu untuk derajat kebebasan untuk menerima atau menolak
hipotesis nol. Dapat dicatat bahwa uji-t hanya berlaku dalam kasus sampel kecil ketika varians populasi
tidak diketahui.
𝑋 2 -test didasarkan pada distribusi chi-kuadrat dan sebagai uji parametrik digunakan untuk
membandingkan a varians sampel ke varians populasi teoritis.

178
 Uji-F didasarkan pada distribusi-F dan digunakan untuk membandingkan varians dari dua-
independen sampel. Tes ini juga digunakan dalam konteks analisis varians (ANOVA) untuk menilai
signifikansi lebih dari dua sampel berarti pada satu dan waktu yang sama. Ini juga digunakan untuk
menilai signifikansi dari beberapa koefisien korelasi. Statistik uji, F, dihitung dan dibandingkan dengan
nilai kemungkinan (untuk dilihat dalam tabel rasio-F untuk derajat kebebasan yang berbeda untuk lebih
besar dan varians yang lebih kecil pada tingkat signifikansi tertentu) untuk menerima atau menolak
hipotesis nol.
Tabel di halaman 198–201 merangkum pengujian parametrik penting bersama dengan statistik
pengujian dan situasi uji untuk menguji hipotesis yang berkaitan dengan parameter penting (sering
digunakan dalam penelitian) studi) dalam konteks satu sampel dan juga dalam konteks dua sampel.
Sekarang kita dapat menjelaskan dan mengilustrasikan penggunaan statistik uji yang
disebutkan di atas dalam pengujian hipotesis.
* Statistik uji adalah nilai yang diperoleh dari data sampel yang sesuai dengan parameter yang diselidiki.

UJI HIPOTESIS SARANA

Rata-rata populasi dapat diuji dengan asumsi situasi yang berbeda seperti populasi mungkin normal
atau selain normal, mungkin terbatas atau tak terbatas, ukuran sampel mungkin besar atau kecil, varians
populasi dapat diketahui atau tidak diketahui dan hipotesis alternatif mungkin dua sisi atau satu sisi.
Teknik pengujian kami akan berbeda dalam situasi yang berbeda. Kami mungkin mempertimbangkan
beberapa yang penting situasi.
1. Populasi normal, populasi tak terbatas, ukuran sampel mungkin besar atau kecil tetapi varians dari
populasi diketahui, 𝐻𝑎 mungkin satu sisi atau dua sisi: Dalam situasi seperti itu z-test digunakan untuk
menguji hipotesis mean dan statistik uji z adalah bekerja kami seperti di bawah ini:

2. Populasi normal, populasi terbatas, ukuran sampel mungkin besar atau kecil tetapi varians dari populasi
diketahui, 𝐻𝑎 mungkin satu sisi atau dua sisi: Dalam situasi seperti itu z-test digunakan dan statistik uji
z dikerjakan seperti di bawah (menggunakan pengganda populasi terbatas):

3. Populasi normal, populasi tak terhingga, ukuran sampel kecil dan variansi populasi tidak diketahui, Ha
mungkin satu sisi atau dua sisi: Dalam situasi seperti itu, uji-t digunakan dan statistik uji t bekerja seperti
di bawah:

dan

179
 4. Populasi normal, populasi terbatas, ukuran sampel kecil dan varians populasi tidak diketahui, dan H a
mungkin satu sisi atau dua sisi: Dalam situasi seperti itu uji-t digunakan dan statistik uji 't' dikerjakan
seperti di bawah (menggunakan pengganda populasi terbatas):

dengan

Tabel 9.3: Nama Beberapa Uji Parametrik Beserta Situasi Uji dan Statistik Uji yang Digunakan
Dalam Rangka Pengujian Hipotesis

Parameter yang Situasi uji Nama tes dan statistik uji yang akan digunakan
tidak diketahui (Karakteristik
populasi dan
kondisi lainnya. Dua sampel
Pengambilan
sampel acak
diasumsikan dalam Satu sampel
semua situasi
bersama dengan
populasi tak
Mandiri Terkait
terbatas
1 2 3 4 5

Rata-rata (µ) Populasi normal uji-z dan statistik uji uji-z untuk perbedaan rata-rata dan statistik
atau Ukuran sampel uji
besar (yaitu n > 30)
atau varians
populasi diketahui dalam kasus 𝜎𝑝 tidak
diketahui, kami
menggunakan 𝜎𝑠 digunakan jika dua sampel diambil dari
sebagai gantinya populasi yang sama. Jika 𝜎𝑝 tidak
menghitung diketahui, kami menggunakan𝜎𝑠12
sebagai gantinya menghitung

Dimana

Atau

180
 digunakan ketika dua sampel diambil dari
populasi yang berbeda. Dalam kasus 𝜎𝑝1
dan 𝜎𝑝2 tidak diketahui. Kami
menggunakan 𝜎𝑠1 dan 𝜎𝑠2 masing-
masing di tempat mereka menghitung

Dan

Rata-rata (µ) Populasi normal uji-t dan uji statistik uji-t untuk perbedaan rata-rata dan statistik Uji-t berpasangan at
dan ukuran sampel uji uji beda dan uji stati
kecil (yaitu, n ≤ 30
) dan varians
populasi tidak Dengan
diketahui (tetapi Dengan
varians populasi Dimana Dengan
diasumsikan sama
di mana n = jum
dalam kasus uji Atau, t dapat dikerjakan seperti di bawah pasangan dalam
beda antara cara) ini: sampel.

𝐷𝑖 = perbedaan (yaitu
𝐷𝑖 = 𝑋𝑖 – 𝑌𝑖 )

Proporsi (p) Percobaan uji-z dan statistik uji uji-z untuk perbedaan proporsi dua sampel
independen dan statistik uji
berulang, ukuran
sampel besar
(dengan asumsi Jika p dan q tidak
perkiraan distribusi diketahui, maka kita
digunakan dalam kasus populasi
binomial normal) menggunakan 𝑝̅ dan
heterogen. Tetapi ketika populasi serupa
𝑞̅ sebagai gantinya
sehubungan dengan atribut yang
diberikan, kami mengerjakan perkiraan
181
 terbaik dari proporsi populasi seperti di
bawah:

𝑋 2 -tes dan statistik

uji dan 𝑞0 = 1 𝑝0 dalam hal ini kami
menghitung statistik uji

Uji-F dan uji statistik

Dengan

dimana 𝜎𝑠1 2 diperlakukan𝜎𝑠2 2

dengan
untuk varians yang lebih
besar dan
untuk variasi lebih kecil

Dalam tabel berbagai simbol berdiri seperti di bawah ini:

𝑋̅ = mean sampel, 𝑋̅1 = mean sampel satu, 𝑋̅2 = berarti sampel dua, n = Jumlah item dalam sampel, 𝑛1 =No. Jumlah item dalam sam
satu, 𝑛2 = Jumlah item dalam sampel dua,µ𝐻0 = Rata-rata hipotesis untuk populasi, 𝜎𝑝 = simpangan baku populasi, 𝜎𝑠 = simpangan
sampel, p = proporsi populasi, q = 1 p , 𝑝̂ = proporsi sampel, 𝑞̂ = 1 𝑝̂ .

Dan

5. Populasi mungkin tidak normal tetapi ukuran sampelnya besar, varians dari populasi dapat diketahui
atau tidak diketahui, dan 𝐻𝑎 mungkin satu sisi atau dua sisi: Dalam situasi seperti itu kami
menggunakan uji-z dan mengerjakan statistik uji z seperti di bawah:

(Ini berlaku dalam kasus populasi tak terbatas ketika varians populasi diketahui tetapi ketika varians
tidak diketahui, kami menggunakan 𝜎𝑠 sebagai pengganti 𝜎𝑝 dalam rumus ini.)
Atau

182
(Ini berlaku dalam kasus populasi terbatas ketika varians populasi diketahui tetapi ketika varians tidak
diketahui, kami menggunakan 𝜎𝑠 sebagai pengganti 𝜎𝑝 dalam rumus ini.)

Ilustrasi 2
Sebuah sampel dari 400 siswa laki-laki ditemukan memiliki tinggi rata-rata 67,47 inci. Bisakah itu
wajar? dianggap sebagai sampel dari populasi besar dengan tinggi rata-rata 67,39 inci dan standar
deviasi 1,30 inci? Uji pada taraf signifikansi 5%.
Solusi: Mengambil hipotesis nol bahwa tinggi rata-rata populasi sama dengan 67,39 inci, kita dapat
menulis:

dan informasi yang diberikan sebagai Dengan asumsi populasi

menjadi normal, kita dapat mengerjakan statistik uji z seperti di bawah:

Layaknya 𝐻𝑎 adalah dua sisi dalam pertanyaan yang diberikan, kami akan menerapkan tes dua sisi
untuk menentukan daerah penolakan pada taraf signifikansi 5% seperti di bawah ini, dengan
menggunakan tabel luas kurva normal:

Nilai z yang diamati adalah 1,231 yang berada di wilayah penerimaan karena
𝐻0 diterima. Kita dapat menyimpulkan bahwa sampel yang diberikan (dengan tinggi rata-rata = 67,47")
dapat dianggap diambil dari populasi dengan tinggi rata-rata 67,39" dan standar deviasi 1,30" pada 5%
tingkat signifikansi.
Ilustrasi 3
Misalkan kita tertarik pada populasi 20 unit industri dengan ukuran yang sama, yang semuanya adalah:
mengalami masalah perputaran tenaga kerja yang berlebihan. Catatan masa lalu menunjukkan bahwa
rata-rata dari distribusi omset tahunan adalah 320 karyawan, dengan standar deviasi 75 karyawan. A
sampel dari 5 unit industri ini diambil secara acak yang memberikan rata-rata omset tahunan sebagai
300 karyawan. Apakah mean sampel konsisten dengan mean populasi? Uji pada tingkat 5%.
Solusi: Mengambil hipotesis nol bahwa rata-rata populasi adalah 320 karyawan, kita dapat menulis:
karyawan
karyawan

dan informasi yang diberikan seperti di bawah ini:

𝑋̅ = 300 Karyawan, 𝜎𝑝 = 75 karyawan
𝑛 = 5 ; 𝑛 = 20

Dengan asumsi populasi normal, kita dapat mengerjakan statistik uji z seperti di bawah:

183
 Layaknya 𝐻𝑎 dua sisi dalam pertanyaan yang diberikan, kami akan menerapkan tes dua sisi
untuk menentukan daerah penolakan pada taraf signifikansi 5% seperti di bawah ini, dengan
menggunakan tabel luas kurva normal:

Nilai z yang diamati adalah -0,67 yang berada di wilayah penerimaan karena
dan dengan demikian, 𝐻0 diterima dan kita dapat menyimpulkan bahwa rata-rata sampel konsisten
dengan rata-rata populasi yaitu, rata-rata populasi 320 didukung oleh hasil sampel.
Ilustrasi 4
Rata-rata dari proses produksi tertentu diketahui 50 dengan standar deviasi 2,5. NS manajer produksi
dapat menyambut setiap perubahan adalah nilai rata-rata ke sisi yang lebih tinggi tetapi ingin
perlindungan terhadap penurunan nilai rata-rata. Dia mengambil sampel 12 item yang memberikan nilai
rata-rata dari 48.5. Kesimpulan apa yang harus diambil manajer untuk proses produksi berdasarkan
sampel? hasil? Gunakan tingkat signifikansi 5 persen untuk tujuan tersebut.
Solusi: Mengambil nilai rata-rata populasi menjadi 50, kita dapat menulis:

* Menjadi kasus populasi terbatas

(Karena manajer ingin melindungi dari penurunan nilai rata-rata.)

dan informasi yang diberikan sebagai dan n=12. Dengan asumsi populasi normal,
kita dapat mengerjakan statistik uji z seperti di bawah:

Layaknya 𝐻𝑎 adalah satu sisi dalam pertanyaan yang diberikan, kita akan menentukan daerah
penolakan menerapkan uji satu arah (di ekor kiri karena 𝐻𝑎 kurang dari jenis) pada tingkat signifikansi
5 persen dan itu menjadi seperti di bawah, menggunakan tabel luas kurva normal:

Nilai z yang diamati adalah – 2,0784 yang berada di daerah penolakan dan dengan demikian,
𝐻0 ditolak pada 5 persen tingkat signifikansi. Kita dapat menyimpulkan bahwa proses produksi
menunjukkan rata-rata yang secara signifikan kurang dari rata-rata populasi dan ini memerlukan
beberapa tindakan korektif mengenai kata proses.

184
Ilustrasi 5
Spesimen kawat tembaga yang ditarik membentuk banyak besar memiliki kekuatan putus sebagai
berikut (dalam kg. berat):
578, 572, 570, 568, 572, 578, 570, 572, 596, 544

Uji (menggunakan statistik t Student) apakah kekuatan putus rata-rata lot dapat diambil? 578kg.
bobot (Uji pada tingkat signifikansi 5 persen). Verifikasi kesimpulan yang ditarik dengan menggunakan
A-statistik Sandler juga.
Solusi: Mengambil hipotesis nol bahwa rata-rata populasi sama dengan rata-rata yang dihipotesiskan
578 kg., kita dapat menulis:

Karena ukuran sampelnya mal (karena n = 10) dan simpangan baku populasi tidak diketahui,
kita harus menggunakan uji-t dengan asumsi populasi normal dan akan mengerjakan statistik uji t
seperti di bawah:

Untuk mencari 𝑋̅ dan 𝜎𝑠 kita membuat perhitungan berikut:

Dan

Karenanya
185
 Derajat kebebasan = (n – 1) = (10 – 1) = 9
Sebagai 𝐻𝑎 adalah dua sisi, kita akan menentukan daerah penolakan dengan menerapkan uji
dua sisi pada 5 persen tingkat signifikansi, dan hasilnya seperti di bawah, menggunakan tabel distribusi-
t* untuk 9 d.f.:

Karena nilai t yang diamati (yaitu, – 1,488) berada di wilayah penerimaan, kami menerima 𝐻0
pada 5% tingkat dan menyimpulkan bahwa kekuatan putus rata-rata banyak kabel tembaga dapat
diambil sebagai 578 kg. berat.
Inferensi yang sama dapat ditarik menggunakan statistik A Sandler seperti yang ditunjukkan di
bawah ini:
Tabel 9.3: Perhitungan untuk A-Statistic

* Tabel No. 2 diberikan dalam lampiran di akhir buku.

Hipotesis nol
Hipotesis alternatif
Sebagi 𝐻𝑎 adalah dua sisi, nilai kritis A-statistik dari tabel A-statistik (Tabel No. 10 diberikan
dalam lampiran di akhir buku) untuk (n – 1) yaitu, 10 – 1 = 9 d.f. pada tingkat 5% adalah 0,276. dihitung
nilai A (0,5044), lebih besar dari 0,276 menunjukkan bahwa A-statistik tidak signifikan dalam kasus
yang diberikan dan dengan demikian kami menerima 𝐻0 dan menyimpulkan bahwa kekuatan putus
rata-rata dari banyak kawat tembaga mungkin diambil sebagai 578 kg. berat. Dengan demikian,
inferensi berdasarkan t-statistik tegakan diverifikasi oleh A-statistik.
Ilustrasi 6
Restoran Raju dekat stasiun kereta api di Falna telah memiliki penjualan rata-rata 500 cangkir teh per
hari. Karena pembangunan stand bus di dekatnya, diharapkan penjualannya bisa meningkat. Selama
yang pertama 12 hari setelah dimulainya halte bus, penjualan harian adalah sebagai berikut:
550, 570, 490, 615, 505, 580, 570, 460, 600, 580, 530, 526
Berdasarkan informasi sampel ini, dapatkah disimpulkan bahwa penjualan Restoran Raju meningkat?
Gunakan tingkat signifikansi 5 persen.
186
Solusi: Mengambil hipotesis nol bahwa penjualan rata-rata 500 cangkir teh per hari dan mereka belum
meningkat kecuali terbukti, kita dapat menulis:
cangkir per hari

(karena kami ingin menyimpulkan bahwa penjualan telah meningkat).

Karena ukuran sampel kecil dan simpangan baku populasi tidak diketahui, kita akan
menggunakan uji-t dengan asumsi populasi normal dan akan mengerjakan statistik uji t sebagai:

(Untuk mencari 𝑋̅ dan 𝜎𝑠 kita lakukan perhitungan berikut :)

Table 9.4

Dan

Karenanya
Derajat kebebasan = n – 1 = 12 – 1 = 11
Karena 𝐻𝑎 adalah satu sisi, kita akan menentukan daerah penolakan dengan menerapkan uji
satu sisi (di sebelah kanan ekor karena 𝐻𝑎 lebih dari jenis) pada tingkat signifikansi 5 persen dan
menjadi seperti di bawah, menggunakan tabel distribusi t untuk 11 derajat kebebasan:

187
 Nilai t yang diamati adalah 3,558 yang berada di daerah penolakan sehingga 𝐻0 ditolak pada 5
per persen tingkat signifikansi dan kita dapat menyimpulkan bahwa data sampel menunjukkan bahwa
restoran Raju penjualan mengalami peningkatan.
UJI HIPOTESIS PERBEDAAN ANTARA SARANA
Dalam banyak situasi keputusan, kita mungkin tertarik untuk mengetahui apakah parameter dua
populasi sama atau berbeda. Misalnya, kita mungkin tertarik untuk menguji apakah pekerja perempuan
berpenghasilan lebih rendah daripada pekerja laki-laki untuk pekerjaan yang sama. Kami akan
menjelaskan sekarang teknik pengujian hipotesis untuk perbedaan antara rata-rata. Hipotesis nol untuk
menguji perbedaan antara rata-rata umumnya dinyatakan sebagai: H0 : µ1 = µ2 ,dimana µ1 adalah rata-
rata
populasi dari satu populasi,sedangkan µ2 adalah rata-rata populasi dari populasi kedua, dengan asumsi
kedua populasi normal populasi. Hipotesis alternatif mungkin tidak sama dengan atau kurang dari atau
lebih besar dari jenis seperti yang dinyatakan sebelumnya dan karenanya kami akan menentukan daerah
penerimaan atau penolakan untuk menguji hipotesis. Mungkin ada situasi yang berbeda ketika kita
1.Varians populasi diketahui atau sampelnya merupakan sampel besar: Dalam situasi ini kami
menggunakan uji-z untuk perbedaan rata-rata dan mengerjakan statistik uji z seperti di bawah:

Dalam hal s P1 dan s P2 , tidak diketahui, kami menggunakan ss1 dan ss2 masing-masing di tempat
menggunakan ss sehingga menghitung menggunakan

2.Sampel kebetulan besar tetapi dianggap diambil dari populasi yang sama yang variansnya diketahui:
Dalam situasi ini kami menggunakan uji z untuk perbedaan rata-rata dan mengerjakan statistik uji z seperti
di bawah:

Dalam hal s P, tidak diketahui, kami (gabungan standar deviasi dari dua sampel) menggunakan ss
sehingga menghitung menggunakan

3.Sampel kebetulan adalah sampel kecil dan varians populasi tidak diketahui tetapi diasumsikan sama:
Dalam situasi ini kami menggunakan uji-t untuk perbedaan rata-rata dan mengerjakan statistik uji t
seperti di bawah:

188
dengan df = (n1 + n2 – 2) Atau, kita juga dapat menyatakan :

Ilustrasi 7
Rata-rata produksi gandum dari sampel 100 bidang dalam 200 pon. per acre dengan standar deviasi 10
lbs. Sampel lain dari 150 bidang memberikan rata-rata 220 lbs. dengan standar deviasi 12 lbs. Dapatkah
kedua sampel dianggap diambil dari populasi yang sama yang standar deviasinya 11 lbs? Gunakan
tingkat signifikansi 5 persen. Larutan: Mengambil hipotesis nol bahwa rata-rata dua populasi tidak
berbeda, kita dapat menulis H0 : 2 :HA : 1 2 dan informasi yang diberikan sebagai n1 = 100; n2 .
Dengan asumsi populasi normal, kita dapat mengerjakan statistik uji z seperti di bawah:

Karena Ha adalah dua sisi, kami akan menerapkan uji dua sisi untuk menentukan penolakan daerah
pada tingkat signifikansi 5 persen yang menjadi seperti di bawah, menggunakan tabel luas kurva
normal:
R : | z | > 1,96
Nilai z yang diamati adalah – 14,08 yang berada di daerah penolakan dan dengan demikian kita menolak
H0 dan menyimpulkan bahwa kedua sampel tidak dapat dianggap telah diambil pada tingkat
signifikansi 5 persen dari populasi yang sama yang standar deviasinya 11 lbs. Ini berarti bahwa
perbedaan antara rata-rata dua sampel signifikan secara statistik dan bukan karena fluktuasi
pengambilan sampel.
Ilustrasi 8
Sebuah survei sampel acak sederhana sehubungan dengan pendapatan bulanan pekerja semi-terampil
di dua kota memberikan informasi statistik berikut:
Tabel 9.5

KotaRata-rata penghasilanData sampel simpangan Ukuran sampel

bulanan (Rp) baku dari

penghasilan bulanan

(Rp)

A 695 40 200

B 710 60 175

189
Ujilah hipotesis pada tingkat 5 persen bahwa tidak ada perbedaan antara penghasilan bulanan pekerja
di kedua kota tersebut.
H0 : 1 2

HA : 1 2

Karena ukuran sampelnya besar, kita akan menggunakan uji-z untuk perbedaan rata-rata dengan asumsi
populasi menjadi normal dan harus mengerjakan statistik uji z seperti di bawah:

(Karena varians populasi tidak diketahui, kami telah menggunakan varians sampel, dengan
mempertimbangkan varians sampel sebagai estimasi varians populasi.)

Karena Ha adalah dua sisi, kita akan menerapkan uji dua sisi untuk menentukan daerah penolakan pada
tingkat signifikansi 5 persen yang menjadi seperti di bawah, dengan menggunakan tabel luas kurva
normal:
R : | z | > 1,96
Nilai z yang diamati adalah – 2,809 yang berada di daerah penolakan dan dengan demikian kami
menolak H0 pada tingkat 5 persen dan menyimpulkan bahwa penghasilan pekerja di kedua kota berbeda
secara signifikan.
Ilustrasi 9
Sampel penjualan di toko sejenis di dua kota diambil untuk produk baru dengan hasil sebagai berikut:
Kota Rata-rata penjualan Perbedaan Ukuran Sampel

A 57 5.3 5

B 61 4.8 7

Apakah ada bukti perbedaan penjualan di kedua kota tersebut? Gunakan tingkat signifikansi 5 persen
untuk menguji perbedaan antara rata-rata dua sampel ini.
Larutan: Mengambil hipotesis nol bahwa rata-rata dua populasi tidak berbeda, kita dapat menulis:
H0 : 1 2

HA : 1 2

dan informasi yang diberikan sebagai berikut:

Tabel 9.6
Sampel dari kota A sebagai
sampel satu
x 57 2 5.3 n1 = 5
1

190
 S1

Contoh dari kota B

Sebagai sampel dua x 61 2 4.8 n2 = 7

2
S2

Karena dalam pertanyaan yang diberikan varians dari populasi tidak diketahui dan ukuran sampelnya
kecil, kita akan menggunakan uji-t untuk perbedaan rata-rata, dengan asumsi populasi normal dan dapat
mengerjakan statistik uji t seperti di bawah:

191
Derajat kebebasan = (n1 + n2 – 2) = 5 + 7 – 2 = 10
Karena Ha adalah dua sisi, kami akan menerapkan uji dua sisi untuk menentukan daerah penolakan
pada tingkat 5 persen yang menjadi seperti di bawah, menggunakan tabel distribusi t untuk 10 derajat
kebebasan:
R : | t | > 2.228
Nilai t yang diamati adalah – 3,053 yang berada di daerah penolakan dan dengan demikian, kami
menolak H0 dan menyimpulkan bahwa perbedaan penjualan di kedua kota tersebut signifikan pada
tingkat 5 persen.

Ilustrasi 10
Sekelompok ayam berumur tujuh minggu yang dipelihara dengan diet tinggi protein memiliki berat
badan 12, 15, 11, 16, 14, 14, dan 16 ons; kelompok kedua terdiri dari lima ayam, diperlakukan sama
kecuali bahwa mereka menerima diet rendah protein, beratnya 8, 10, 14, 10 dan 13 ons. Uji pada tingkat
5 persen apakah ada bukti signifikan bahwa tambahan protein telah meningkatkan bobot ayam.
Gunakan asumsi mean (atau A1) = 10 untuk sampel 7 dan asumsi mean (atau A2) = 8 untuk sampel 5
ayam dalam perhitungan Anda.

Larutan: Mengambil hipotesis nol bahwa protein tambahan tidak meningkatkan berat ayam kita dapat
menulis:

H0 : 1 2

Ha : 1 2 (seperti yang ingin kami simpulkan bahwa tambahan protein telah meningkatkan bobot ayam)

Sejak diberikan varian pertanyaan dari populasi tidak diketahui dan ukuran sampel kecil, kita akan
menggunakan uji-t untuk perbedaan rata-rata, dengan asumsi populasi normal dan dengan demikian
menghasilkan statistik uji t seperti di bawah:

Dengan df = (n1 + n2 – 2)
Dari data sampel yang kami kerjakan x1 , x2 mengambil sampel diet protein tinggi sebagai 2 sampel
satu dan sampel diet rendah protein sebagai sampel dua) seperti yang ditunjukkan di bawah ini:
Tabel 9.7
Sampel satuSampel dua

S.Tidak. XX -A S.Tidak. XX -A
(x - A ) 2
(x - A ) 2

1i1 2i2

1i1i1 2i2i2

(A1 = 10) (A2 = 8)

1. 122 4 1. 80 0

2. 155 25 2. 102 4

192
 3. 111 1 3. 146 36

4. 166 36 4. 102 4

5. 144 16 5. 135 25

6. 144 16

7. 166 36

n = 7; n = 5;
( ) (
å x 1Saya - A1 = 28; å x - A ) 2
( )
å x 2i - A2 = 15; (
å x-A ) 2

1Saya 1 2Saya 2

1 2

= 134 = 69

Dengan :

Derajat kebebasan = (n1 + n2 – 2) = 10

Karena Ha adalah satu sisi, kita akan menerapkan uji satu sisi (di bagian kanan karena Ha lebih dari
tipe) untuk menentukan daerah penolakan pada tingkat 5 persen yang menjadi seperti di bawah,
menggunakan tabel distribusi-t untuk 10 derajat kebebasan:
R : t > 1,812

193
 Nilai t yang diamati adalah 2,381 yang jatuh di daerah penolakan dan dengan demikian, kami
menolak H0 dan menyimpulkan bahwa tambahan protein telah meningkatkan bobot ayam, pada tingkat
signifikansi 5 persen.

UJI HIPOTESIS UNTUK PEMBANDINGAN DUA SAMPEL TERKAIT

Paired t-test adalah suatu cara untuk menguji membandingkan dua sampel yang berhubungan, yang
melibatkan nilai n yang kecil yang tidak mengharuskan varians dari dua populasi menjadi sama, tetapi
asumsi bahwa kedua populasi tersebut normal harus terus diterapkan. Untuk uji-t berpasangan,
pengamatan dalam dua sampel perlu dikumpulkan dalam bentuk apa yang disebut pasangan
berpasangan yaitu, “setiap pengamatan dalam satu sampel harus dipasangkan dengan pengamatan di
sampel lain sedemikian rupa. cara pengamatan ini entah bagaimana "cocok" atau terkait, dalam upaya
untuk menghilangkan faktor asing yang tidak menarik dalam pengujian. Misalnya, kita dapat menguji
sekelompok siswa tertentu sebelum dan sesudah pelatihan untuk mengetahui apakah pelatihan itu
efektif, dalam situasi mana kita dapat menggunakan uji-t berpasangan. Untuk menerapkan tes ini,
pertama-tama kita menghitung skor perbedaan untuk setiap pasangan yang cocok, dan kemudian
mencari rata-rata perbedaan tersebut,D , bersama dengan varians sampel dari skor perbedaan. Jika nilai
dari dua sampel yang cocok dilambangkan sebagai Xi dan Yi dan selisihnya dengan Di (Di = Xi – Yi),
maka rata-rata perbedaannya yaitu. Dengan asumsi perbedaan tersebut terdistribusi normal dan
independen, kita dapat terapkan uji t berpasangan untuk menilai signifikansi rata-rata perbedaan dan
kerjakan statistik uji t seperti di bawah ini:

Nilai t yang dihitung ini dibandingkan dengan nilai tabelnya pada tingkat signifikansi tertentu seperti
biasa untuk tujuan pengujian. Kita juga dapat menggunakan uji-A Sandler untuk tujuan ini seperti yang
dinyatakan sebelumnya di Bab 8.
Ilustrasi 11
Kapasitas memori 9 siswa diuji sebelum dan sesudah pelatihan. Nyatakan pada tingkat signifikansi 5
persen apakah pelatihan itu efektif dari skor berikut:
Murid 1 2 3 4 5 6 7 8 9
Sebelum 10 15 9 3 7 12 16 17 4
Setelah 12 17 8 5 6 11 18 20 3
Gunakan uji-t berpasangan serta uji-A untuk jawaban Anda.
Larutan: Ambil skor sebelum pelatihan sebagai X dan skor setelah pelatihan sebagai Y dan kemudian
ambil hipotesis nol bahwa rata-rata perbedaan adalah nol, kita dapat menulis:
H0 : 1 2 yang setara dengan uji H0 : D 0 (karena kami ingin menyimpulkan bahwa pelatihan telah efektif)
Karena kami memiliki pasangan yang cocok, kami menggunakan uji t berpasangan dan mengerjakan
statistik uji t seperti di bawah

194
Untuk mencari nilai t, kita pertama-tama harus mencari mean dan standar deviasi dari perbedaan seperti
yang ditunjukkan di bawah ini:
Tabel 9.8
Murid Skor sebelum Skor setelah Perbedaan Squa yang ence merah
pelatihan pelatihan berbeda
2
xSaya kamuSaya DSaya
(dSaya = XSaya – YSaya )

1 10 12 –2 4

2 15 17 –2 4

3 9 8 1 1

4 3 5 –2 4

5 7 6 1 1

6 12 11 1 1

7 16 18 –2 4

8 17 20 –3 9

9 4 3 1 1

n=9 Di 7 D2 29

Saya

Dan standar deviasi sebagai berikut

Karena Ha adalah satu sisi, kami akan menerapkan uji satu sisi (di bagian kiri karena Ha adalah
kurang dari jenis) untuk menentukan daerah penolakan pada tingkat 5 persen seperti di bawah,
menggunakan tabel distribusi t untuk 8 derajat kebebasan:

R : t < – 1,860

195
 Nilai t yang diamati adalah -1,361 yang berada di wilayah penerimaan dan dengan demikian, kami
menerima H0 dan menyimpulkan bahwa perbedaan skor sebelum dan sesudah pelatihan tidak signifikan
yaitu hanya karena fluktuasi sampling. Sehingga dapat disimpulkan bahwa pelatihan tersebut tidak
efektif.

Solusi menggunakan A-test: Menggunakan A-test, kami melatih statistik uji untuk masalah yang
diberikan sebagai berikut:

Karena Ha dalam masalah yang diberikan adalah satu sisi, kami akan menerapkan uji satu sisi. Dengan
demikian, pada tingkat 5%signifikansi nilai tabel A-statistik untuk (n – 1) atau (9 – 1) = 8 df dalam
kasus yang diberikan adalah 0,368 (sesuai tabel A-statistik yang diberikan dalam lampiran). Nilai yang
dihitung dari A yaitu, 0,592 lebih tinggi dari nilai tabel ini dan dengan demikian A-statistik tidak
signifikan dan karenanya H0 harus diterima. Dengan kata lain, kita harus menyimpulkan bahwa
pelatihan itu tidak efektif. (Inferensi ini sama seperti yang ditarik sebelumnya menggunakan uji-t
berpasangan.)
Ilustrasi 12 Data penjualan suatu barang di enam toko sebelum dan sesudah kampanye promosi khusus
adalah:
Toko A B C D E F

Sebelum kampanye promosi 53 28 31 48 50 42

Setelah kampanye 58 29 30 55 56 45

Dapatkah kampanye tersebut dinilai berhasil? Uji pada tingkat signifikansi 5 persen. Gunakan
berpasangan T-test serta A-test.
Larutan: Biarkan penjualan sebelum kampanye direpresentasikan sebagai X dan penjualan setelah
kampanye sebagai Y dan kemudian mengambil hipotesis nol bahwa kampanye tidak membawa
peningkatan penjualan, kita dapat menulis: H0 : HA yang setara dengan tes H0 : D (karena kami ingin
menyimpulkan bahwa kampanye telah berhasil). Karena pasangan yang cocok, kami menggunakan uji-
t berpasangan dan mengerjakan statistik uji 't' seperti di bawah:

Toko Penjualan sebelum Penjualan Perbedaan Berbeda squaence merah

kampanye setelah
kampanye D2
xSaya
Saya
kamuSaya (dSaya = XSaya – YSaya )

A 53 58 –5 25

B 28 29 -1 1

C 31 30 1 1

D 48 55 –7 49

E 50 56 –6 36

196
 F 42 45 –3 9

n=6 DSaya 21D2 121

Saya

Tabel 9.9

197
Derajat Kebebasan = (n-1) = 6 – 1 = 5

Karena Ha adalah satu sisi, kami akan menerapkan uji satu sisi (di bagian kiri karena Ha kurang
dari jenis) untuk menentukan daerah penolakan pada tingkat signifikansi 5 persen yang seperti di
bawah, menggunakan tabel distribusi t untuk 5 derajat kebebasan:

R : t < – 2.015
Nilai t yang diamati adalah – 2,784 yang berada di daerah penolakan dan dengan demikian,
kami menolak H0 pada tingkat 5 persen dan menyimpulkan bahwa kampanye promosi penjualan telah
berhasil.

Larutan: Menggunakan uji-A: Menggunakan A-test, kami mengerjakan statistik uji untuk masalah yang
diberikan seperti di bawah ini:

Karena Ha dalam masalah yang diberikan adalah satu sisi, kami akan menerapkan uji satu sisi.
Dengan demikian, pada tingkat signifikansi 5% nilai tabel A-statistik untuk (n –1) atau (6 –1) = 5 df
dalam kasus yang diberikan adalah 0,372 (sesuai tabel A-statistik yang diberikan dalam lampiran). Nilai
A yang dihitung, menjadi 0,2744, lebih kecil dari nilai tabel ini dan dengan demikian A-statistik adalah
signifikan. Ini berarti kita harus menolak H0 (sebagai alternatif kita harus menerima Ha ) dan harus
menyimpulkan bahwa kampanye promosi penjualan telah berhasil.

UJI HIPOTESIS PROPORSI

Dalam kasus fenomena kualitatif, kami memiliki data berdasarkan ada atau tidak adanya
atribut. Dengan data tersebut distribusi sampling dapat berbentuk distribusi probabilitas binomial
yang rata-rata akan sama dengan n . p dan simpangan baku sama dengan
di mana p mewakili probabilitas sukses, q mewakili probabilitas kegagalan sedemikian rupa sehingga
p + q = 1 dan n, ukuran sampel. Alih-alih mengambil rata-rata jumlah keberhasilan dan standar
deviasi dari jumlah keberhasilan, kami dapat mencatat proporsi keberhasilan dalam setiap sampel
dalam hal ini rata-rata dan standar deviasi (atau kesalahan standar) dari distribusi sampling dapat
diperoleh sebagai berikut:
Rata-rata proporsi keberhasilan : (n . p) / n = p

𝑝 .𝑞
Dan standar deviasi dari proporsi keberhasilan √
𝑛

198
Dalam n besar, distribusi binomial cenderung menjadi distribusi normal, dan dengan demikian untuk
tujuan pengujian proporsi kami menggunakan statistik uji z seperti di bawah ini:

Dimana p adalah proporsi sampel.

Untuk pengujian proporsi, kami memformulasikan H0 dan Ha dan membangun daerah
penolakan, dengan asumsi pendekatan normal dari distribusi binomial, untuk tingkat signifikansi yang
telah ditentukan dan kemudian dapat menilai signifikansi hasil sampel yang diamati. Contoh berikut
membuat semua ini cukup jelas.

Ilustrasi 13
Sebuah survei sampel menunjukkan bahwa dari 3232 kelahiran, 1705 adalah anak laki-laki dan sisanya
adalah anak perempuan. Apakah angka-angka ini mengkonfirmasi hipotesis bahwa rasio
jenis kelamin adalah 50 : 50? Uji pada tingkat signifikansi 5 persen.
Larutan: Dimulai dari hipotesis nol bahwa rasio jenis kelamin adalah 50 : 50 kita dapat menulis:

Oleh karena itu probabilitas kelahiran anak laki-laki atau p = ½ dan probabilitas kelahiran anak
perempuan juga ½ . Mengingat kelahiran laki-laki sebagai keberhasilan dan kelahiran perempuan
sebagai kegagalan, kita dapat menulis seperti di bawah ini:

dan n = 3232 (diberikan).

Kesalahan standar proporsi keberhasilan.

Proporsi sampel yang diamati dari keberhasilan, atau

Karena Ha adalah dua sisi dalam pertanyaan yang diberikan, kami akan menerapkan uji dua sisi
untuk menentukan daerah penolakan pada tingkat 5 persen yang menjadi seperti di bawah,
menggunakan tabel luas kurva normal:

R : | z | > 1,96

199
 Nilai z yang teramati adalah 3,125 yang berada pada daerah penolakan karena R : | z | > 1,96 dan
dengan demikian, H0 ditolak demi Ha. Dengan demikian, kami menyimpulkan bahwa angka-angka
yang diberikan tidak sesuai dengan hipotesis rasio jenis kelamin adalah 50 : 50.

Ilustrasi 14
Hipotesis nol adalah bahwa 20 persen penumpang naik kelas satu, tetapi manajemen menyadari
kemungkinan bahwa persentase ini bisa lebih atau kurang. Sebuah sampel acak dari 400 penumpang
termasuk 70 penumpang yang memegang tiket kelas satu. Dapatkah hipotesis nol ditolak pada tingkat
signifikansi 10 persen?

Penyelesaian : Hipotesis nol adalah H0 : p = 20% atau 0,20 dan HA : P ¹ 20%

dan statistik uji z = = 1.25

Karena Ha adalah dua sisi, kita akan menentukan daerah penolakan dengan menerapkan uji dua
sisi pada tingkat 10 persen yang menjadi seperti di bawah, dengan menggunakan tabel luas kurva
normal:

R : | z | > 1,645
Nilai z yang diamati adalah -1,25 yang berada di wilayah penerimaan dan dengandemikian H0
diterima.

Dengan demikian hipotesis nol tidak dapat ditolak pada tingkat signifikansi 10 persen.

Ilustrasi 15
Proses tertentu menghasilkan 10 persen barang cacat. Pemasok bahan baku baru mengklaim bahwa
penggunaan bahannya akan mengurangi proporsi barang cacat. Sebuah sampel acak dari 400 unit yang
menggunakan bahan baru ini diambil dari mana 34 adalah unit yang rusak. Apakah klaim pemasok
dapat diterima? Uji pada tingkat signifikansi 1 persen. Larutan: Hipotesis nol dapat ditulis sebagai H0
: p = 10% atau 0,10 dan hipotesis alternatif Ha : p < 0,10 (karena pemasok mengklaim bahwa bahan
baru akan mengurangi proporsi cacat). Karenanya, Ha adalah satu sisi, kita akan menentukan daerah
penolakan dengan menerapkan uji satu sisi (di ekor kiri karena Ha kurang dari tipe) pada tingkat
signifikansi 1% dan menjadi seperti di bawah, menggunakan tabel luas kurva normal: R : z < – 2.32
Karena nilai z yang dihitung tidak termasuk dalam daerah penolakan, H0 diterima pada tingkat
signifikansi 1% dan kita dapat menyimpulkan bahwa berdasarkan informasi sampel, klaim pemasok
tidak dapat diterima pada tingkat 1%.

UJI HIPOTESIS PERBEDAAN ANTARA PROPORSI

Jika dua sampel diambil dari populasi yang berbeda, seseorang mungkin tertarik untuk mengetahui
apakah perbedaan antara proporsi keberhasilan itu signifikan atau tidak. Dalam kasus seperti itu, kita

mulai dengan hipotesis bahwa perbedaan antara proporsi keberhasilan dalam sampel satu (P1)
dan
proporsi keberhasilan dalam sampel dua (p2) disebabkan oleh fluktuasi pengambilan sampel acak.
Dengan kata lain, kami mengambil hipotesis nol sebagai H0 : P1 = P2 dan untuk menguji signifikansi
perbedaan, kami mengerjakan statistik uji seperti di bawah:

200
Dimana : P1 = proporsi keberhasilan dalam satu sampel

P2 = proporsi keberhasilan dalam dua sampel

q1 = 1 – P1

q2 = 1 – P2

n1 = ukuran sampel satu

n2 = ukuran sampel dua

dan

= kesalahan standar perbedaan antara dua proporsi sampel.*

Kemudian, kami membangun daerah penolakan tergantung pada Ha untuk tingkat signifikansi
tertentu dan atas dasar itu kami menilai signifikansi hasil sampel untuk menerima atau menolak H0 .
Kita sekarang dapat mengilustrasikan semua ini dengan contoh.
Ilustrasi 16

Kemudian, kami membangun daerah penolakan tergantung pada Ha untuk tingkat signifikansi
tertentudan atas dasar itu kita menilai signifikansi hasil sampel untuk menerima atau menolak H0.
Kita sekarang dapat mengilustrasikan semua ini dengan contoh. Ilustrasi 6 Sebuah unit percobaan
penelitian obat sedang menguji dua obat yang baru dikembangkan untuk mengurangi tingkat tekanan
darah. Obat-obatan tersebut diberikan kepada dua kelompok hewan yang berbeda. Dalam kelompok
satu, 350 dari 600 hewan yang diuji merespons obat satu dan di kelompok dua, 260 dari 500 hewan
yang diuji merespons obat dua. Unit penelitian ingin menguji apakah ada perbedaan antara
kemanjuran kedua obat tersebut pada tingkat signifikansi 5 persen. Bagaimana Anda akan menangani
masalah ini?
* Rumus ini digunakan ketika sampel diambil dari dua populasi heterogen di mana kita tidak dapat
memiliki estimasi terbaik dari nilai umum proporsi atribut dalam populasi dari informasi sampel yang
diberikan. Tetapi dengan asumsi bahwa populasinya serupa dalam hal atribut yang diberikan, kami
menggunakan rumus berikut untuk menghitung kesalahan standar perbedaan antara proporsi dua
sampel:

Dimana estimasi terbaik dari proporsi populasi.

Solusi: Kami mengambil hipotesis nol bahwa tidak ada perbedaan antara kedua obat yaitu, Ho : P1 =
P2.
Hipotesis alternatif dapat diambil karena ada perbedaan antara obat yaitu Ha : P1 P2 dan
201
informasi yang diberikan dapat dinyatakan sebagai:

Kita dapat mengerjakan statistik uji z sebagai berikut:

Karena Ha adalah dua sisi, kita akan menentukan daerah penolakan dengan menerapkan uji dua
sisi pada tingkat 5% seperti di bawah menggunakan tabel luas kurva normal:

R : | z | > 1,96
Nilai z yang diamati adalah 2,093 yang berada di daerah penolakan dan dengan demikian, H0 ditolak
demi Ha dan karena itu kami menyimpulkan bahwa perbedaan antara kemanjuran kedua obat tersebut
signifikan.

Ilustrasi 17
Pada tanggal tertentu di sebuah kota besar, 400 dari sampel acak 500 pria ditemukan sebagai perokok.
Setelah pajak tembakau sangat meningkat, sampel acak lain dari 600 pria di kota yang sama termasuk
400 perokok. Apakah penurunan proporsi perokok yang diamati signifikan? Uji pada tingkat
signifikansi 5 persen.

Larutan: Kita mulai dengan hipotesis nol bahwa proporsi perokok bahkan setelah pajak yang berat pada
tembakau tetap tidak berubah yaitu H0 : P̂1

Dengan anggapan bahwa populasi yang diberikan serupa dalam hal atribut yang diberikan, kami
menghitung perkiraan terbaik dari proporsi perokok (p0) dalam populasi seperti di bawah, dengan
menggunakan informasi yang diberikan:

202
Karena Ha adalah satu sisi, kita akan menentukan daerah penolakan dengan menerapkan uji satu sisi
(di sisi kanan karena Ha lebih besar dari tipe) pada tingkat 5 persen dan hal yang sama seperti di bawah,
menggunakan tabel luas kurva normal: R : z > 1,645 Nilai z yang diamati adalah 4,926 yang berada di
daerah penolakan sehingga kami menolak H0 demi Ha dan menyimpulkan bahwa proporsi perokok
setelah pajak telah menurun secara signifikan. Menguji perbedaan antara proporsi berdasarkan sampel
dan proporsi yang diberikan untuk seluruh populasi: Dalam situasi seperti itu, kami menghitung
kesalahan standar perbedaan antara proporsi orang yang memiliki atribut dalam sampel dan proporsi
yang diberikan untuk populasi seperti di bawah:

statistik uji z dapat dikerjakan seperti di bawah:

z=

Semua langkah lainnya tetap sama seperti yang dijelaskan di atas dalam konteks pengujian proporsi.
Kami mengambil contoh untuk menggambarkan hal yang sama.

Ilustrasi 18
Ada 100 siswa di sebuah perguruan tinggi universitas dan di seluruh universitas, termasuk perguruan
tinggi ini, the jumlah siswa adalah 2000. Dalam studi sampel acak 20 ditemukan perokok di perguruan
tinggi dan proporsi perokok di universitas adalah 0,05. Apakah ada perbedaan yang signifikan antara
proporsi perokok di perguruan tinggi dan universitas? Uji pada tingkat 5 persen.

Penyelesaian : Berdasarkan informasi yang diberikan, statistik uji z dapat dikerjakan seperti di bawah:

Karena Ha adalah dua sisi, kita akan menentukan daerah penolakan dengan menerapkan uji dua sisi
pada tingkat 5 persen dan hal yang sama seperti di bawah, menggunakan tabel luas kurva normal: R : |
z | > 1,96
Nilai z yang diamati adalah 7,143 yang berada di daerah penolakan dan dengan demikian kami menolak
H0 dan menyimpulkan bahwa ada perbedaan yang signifikan antara proporsi perokok di perguruan
tinggi dan universitas.

203
PENGUJIAN HIPOTESIS UNTUK MEMBANDINGKAN VARIANS DENGAN
BEBERAPA VARIANS POPULASI YANG DIHIPOTESIS
Tes yang kami gunakan untuk membandingkan varians sampel dengan beberapa varians teoritis
atau hipotesis populasi berbeda dari uji-z atau uji-t. Tes yang kami gunakan untuk tujuan .ini dikenal
sebagai uji chi-kuadrat dan statistik uji dikenal sebagai nilai chi-kuadrat, diselesaikan.

Kemudian dengan membandingkan nilai yang dihitung dari dengan nilai tabelnya untuk (n – 1)
derajat kebebasan pada tingkat signifikansi tertentu, kita dapat menerima H0 atau menolaknya. Jika
dihitung nilai sama dengan atau lebih kecil dari nilai tabel, hipotesis nol diterima; jika tidak, hipotesis
nol ditolak. Pengujian ini didasarkan pada distribusi chi-kuadrat yang tidak simetris dan semuanya.
nilainya kebetulan positif; seseorang hanya harus mengetahui derajat kebebasan untuk menggunakan
distribusi seperti itu.
PENGUJIAN KESETARAAN VARIANSI DUA POPULASI NORMAL
Ketika kita ingin menguji kesetaraan varians dari dua populasi normal, kita menggunakan F-
test berdasarkan distribusi F. Dalam situasi seperti itu, hipotesis nol terjadi menjadi data sampel dan
statistik uji F ditemukan, menggunakan perkiraan sampel dimana :

Ketika kami menggunakan uji-F, kami menganggap bahwa

(i) populasinya normal;
(ii) sampel telah diambil secara acak;
(iii) pengamatan bersifat independen; dan
(iv) tidak ada kesalahan pengukuran. Objek uji F adalah untuk menguji hipotesis apakah kedua
sampel berasal dari populasi normal yang sama dengan varians yang sama atau dari dua populasi normal
dengan varians yang sama. Uji-F awalnya digunakan untuk memverifikasi hipotesis kesetaraan antara
dua varians, tetapi sekarang sebagian besar digunakan dalam konteks analisis varians. Contoh berikut
mengilustrasikan penggunaan uji-F untuk menguji kesetaraan varians dua populasi normal.
Ilustrasi 19
Dua sampel acak yang diambil dari dua populasi normal adalah:

Contoh 1 20 16 26 27 23 22 18 24 25 19

Contoh 2 27 33 42 35 32 34 38 28 41 43 30 37

Uji dengan menggunakan rasio varians pada tingkat signifikansi 5 persen dan 1 persen apakah
kedua populasi memiliki varians yang sama.

Larutan: Kami mengambil hipotesis nol bahwa dua populasi dari mana sampel telah ditarik memiliki
varians yang sama.

Tabel 9.10
204
 Sampel 1Sampel 2

x1Saya ( x 1Saya - x1 ) ( x 1Saya - x1 ) x2Saya ( x 2Saya - x 2 )( x 2Saya - x 2 )

22

20 –2 4 2 –8 64
7

16 –6 36 3 –2 4
3

26 4 16 4 7 49
2

27 5 25 3 0 0
5

23 1 1 3 –3 9
2

22 0 0 3 -1 1
4

18 –4 16 3 3 9
8

24 2 4 2 –7 49
8

25 3 9 4 6 36
1

19 –3 9 4 8 64
3

3 –5 25
0

3 2 4
7

X1i 220 å ( x 1Saya - x1 ) = 120 X 420 å( x 2

- x ) = 314
2i 2
2
i
2

205
 n1 = 10 n2 = 12

Derajat kebebasan dalam sampel 1 = (n1 – 1) = 10 – 1 = 9 Derajat kebebasan dalam sampel 2 = (n2 –
1) = 12 – 1 = 11 Karena varians sampel 2 adalah varians yang lebih besar, maka v1 = 11; v2 = 9 Nilai
tabel F pada taraf signifikansi 5 persen untuk v1 = 11 dan v2 = 9 adalah 3,11 dan tabel nilai F pada
tingkat signifikansi 1 persen untuk v1 = 11 dan v2 = 9 adalah 5,20. Karena nilai yang dihitung dari F =
2,14 yang kurang dari 3,11 dan juga kurang dari 5,20, rasio F tidak signifikan pada 5 persen serta pada
tingkat signifikansi 1 persen dan dengan demikian kami menerima hipotesis nol dan menyimpulkan
bahwa sampel diambil dari dua populasi yang memiliki varians yang sama.

Ilustrasi 20
Diketahui n1 = 9; n2 = 8

Penyelesaian :

Nilai tabel F pada tingkat 5 persen untuk v1 = 8 dan v2= 7 adalah 3,73. Karena nilai F yang dihitung
lebih besar dari nilai tabel, rasio F signifikan pada tingkat 5 persen. Dengan demikian kami menolak
H0 dan menyimpulkan bahwa perbedaannya signifikan.
PENGUJIAN HIPOTESIS KOEFISIEN KORELASI
Kita mungkin tertarik untuk mengetahui apakah koefisien korelasi yang kita hitung berdasarkan
data sampel menunjukkan korelasi yang signifikan. Untuk tujuan ini kita dapat menggunakan (dalam
konteks sampel kecil) biasanya baik uji-t atau uji-F tergantung pada jenis koefisien korelasi. Kami
menggunakan tes berikut untuk tujuan: (a) Dalam kasus koefisien korelasi sederhana: Kami
menggunakan uji-t dan menghitung statistik uji seperti di bawah:

dengan (n – 2) derajat kebebasan ryx adalah koefisien korelasi sederhana antara x dan y. Nilai t yang
dihitung ini kemudian dibandingkan dengan nilai tabelnya dan jika nilai yang dihitung lebih kecil dari
nilai tabel, kita menerima hipotesis nol pada tingkat signifikansi tertentu dan dapat menyimpulkan
bahwa tidak ada hubungan signifikansi statistik antara kedua variabel .
(b) Dalam hal koefisien korelasi parsial: Kami menggunakan uji-t dan menghitung statistik uji seperti
di bawah:

206
dengan (n – k) derajat kebebasan, n adalah jumlah pengamatan berpasangan dan k adalah jumlah
variabel yang terlibat, rp adalah koefisien korelasi parsial. Jika nilai t dalam tabel lebih besar dari nilai
yang dihitung, kita dapat menerima hipotesis nol dan menyimpulkan bahwa tidak ada korelasi.
(c) Dalam kasus koefisien korelasi berganda: Kami menggunakan uji-F dan mengerjakan statistik uji
seperti di bawah ini:

di mana R adalah koefisien korelasi berganda, k adalah jumlah variabel yang terlibat dan n adalah
jumlah pengamatan berpasangan.
Pengujian dilakukan dengan memasukkan tabel distribusi-F dengan v1 = k – 1 = derajat kebebasan
varians pada pembilang. v2 = n – k = derajat kebebasan untuk varians dalam penyebut. Jika nilai F yang
dihitung lebih kecil dari nilai tabel, maka kita dapat menyimpulkan bahwa tidak ada bukti statistik dari
korelasi yang signifikan.
KETERBATASAN UJI HIPOTESIS
Kami telah menjelaskan di atas beberapa tes penting yang sering digunakan untuk menguji
hipotesis atas dasar keputusan penting yang mungkin didasarkan. Tetapi ada beberapa keterbatasan dari
tes tersebut yang harus selalu diingat oleh seorang peneliti. Batasan penting adalah sebagai berikut:
(i) Tes tidak boleh digunakan secara mekanis. Harus diingat bahwa pengujian bukanlah
pengambilan keputusan itu sendiri; tes hanya alat bantu yang berguna untuk pengambilan keputusan.
Oleh karena itu "interpretasi yang tepat dari bukti statistik penting untuk keputusan yang cerdas.
(ii) Tes tidak menjelaskan alasan mengapa ada perbedaan, katakanlah antara rata-rata kedua
sampel. Mereka hanya menunjukkan apakah perbedaan tersebut disebabkan oleh fluktuasi pengambilan
sampel atau karena alasan lain, tetapi pengujian tersebut tidak memberi tahu kami apa alasan lain yang
menyebabkan perbedaan tersebut.
(iii) Hasil uji signifikansi didasarkan pada probabilitas dan dengan demikian tidak dapat
diungkapkan dengan kepastian penuh. Ketika tes menunjukkan bahwa perbedaan signifikan secara
statistik, maka itu hanya menunjukkan bahwa perbedaan itu mungkin bukan karena kebetulan.
(iv) Inferensi statistik berdasarkan uji signifikansi tidak dapat dikatakan sebagai bukti yang
sepenuhnya benar mengenai kebenaran hipotesis.
Hal ini khususnya terjadi dalam kasus sampel kecil di mana kemungkinan penarikan
kesimpulan yang salah umumnya lebih tinggi. Untuk keandalan yang lebih besar, ukuran sampel cukup
diperbesar. Semua keterbatasan ini menunjukkan bahwa dalam masalah signifikansi statistik, inferensi
teknik (atau tes) harus dikombinasikan dengan pengetahuan yang memadai tentang materi pelajaran
bersama dengan kemampuan penilaian yang baik.

Pertanyaan

1. Bedakan antara berikut ini:

(i) Hipotesis sederhana dan hipotesis komposit;
(ii) Hipotesis nol dan hipotesis alternatif;
(iii) Uji satu sisi dan uji dua sisi;
207
(iv) kesalahan Tipe I dan kesalahan Tipe II;
(v) wilayah penerimaan dan wilayah penolakan;
(vi) Fungsi daya dan fungsi karakteristik operasi.
2. Apa itu hipotesis? Karakteristik apa yang harus dimiliki untuk menjadi hipotesis penelitian
yang baik? Seorang pabrikan menganggap proses produksinya berjalan dengan baik jika
panjang rata-rata batang yang diproduksi adalah 8,5". Standar deviasi batang selalu berjalan
sekitar 0,26". Misalkan sampel 64 batang diambil dan ini memberikan panjang rata-rata batang
sama dengan 8,6". Apa hipotesis nol dan alternatif untuk masalah ini? Dapatkah Anda
menyimpulkan pada tingkat signifikansi 5% bahwa proses tersebut bekerja dengan baik?
3. Prosedur pengujian hipotesis mengharuskan seorang peneliti untuk mengadopsi beberapa
langkah. Jelaskan secara singkat semua langkah tersebut.
4. Apakah yang Anda maksud: kekuatan uji hipotesis Bagaimana itu bisa diukur? Jelaskan dan
ilustrasikan dengan contoh.
5. Jelaskan secara singkat tes parametrik penting yang digunakan dalam konteks pengujian hipotesis.
Bagaimana tes tersebut berbeda dari tes non-parametrik? Menjelaskan.
6. Jelaskan dengan jelas bagaimana Anda akan menguji kesetaraan varians dari dua populasi normal.
(a) Apa yang dimaksud dengan uji-t? Kapan digunakan dan untuk tujuan apa? Jelaskan melalui contoh-
contoh.
(b) Tulislah ringkasan catatan tentang "Uji-A Sandler" yang menjelaskan keunggulannya atas uji-t.
7. Tunjukkan keterbatasan penting dari pengujian hipotesis. Tindakan pencegahan apa yang harus
dilakukan peneliti saat menarik kesimpulan sesuai dengan hasil tes tersebut?
8.Sebuah koin dilempar 10.000 kali dan kepala muncul 5.195 kali. Apakah koin itu tidak bias?
9. Dalam beberapa percobaan lempar dadu, A melempar dadu 41952 kali dan di antaranya 25145
menghasilkan 4 atau 5 atau 6. Apakah ini konsisten dengan hipotesis bahwa dadu tidak bias?
10.Sebuah mesin mengeluarkan 16 artikel tidak sempurna dalam sampel 500. Setelah mesin dirombak, ia
mengeluarkan tigaartikel yang tidak sempurna dalam jumlah 100. Apakah mesin sudah membaik? Uji
pada taraf signifikansi 5%.
11. Dalam dua populasi besar, ada 35% dan 30% masing-masing orang berambut pirang. Apakah
perbedaan ini mungkin diungkapkan oleh sampel sederhana masing-masing 1500 dan 1000 dari dua
populasi?
12. Dalam tabel asosiasi tertentu diperoleh frekuensi berikut: (AB) = 309, (Ab) = 214, (aB) = 132, (ab)
= 119.
Apakah hubungan antara AB menurut data di atas dapat dikatakan timbul sebagai fluktuasi sampling
sederhana?
13.Sebuah sampel dari 900 anggota ditemukan memiliki rata-rata 3,47 cm. Apakah sampel tersebut
dapat dianggap sebagai sampel sederhana dari populasi besar dengan rata-rata 3,23 cm. dan simpangan
baku 2,31 cm.?
14.Rerata dari dua sampel acak 1000 dan 2000 masing-masing adalah 67,5 dan 68,0 inci. Dapatkah
sampel dianggap diambil dari populasi yang sama dengan standar deviasi 9,5 inci? Uji pada taraf
signifikansi 5%.

208
15.Sebuah perusahaan besar menggunakan ribuan bola lampu setiap tahun. Merek yang telah digunakan
di masa lalu memiliki umur rata-rata 1000 jam dengan standar deviasi 100 jam. Sebuah merek baru
ditawarkan kepada perusahaan dengan harga yang jauh lebih rendah daripada yang mereka bayarkan
untuk merek lama. Diputuskan bahwa mereka akan beralih ke merek baru kecuali terbukti dengan
tingkat signifikansi 5% bahwa merek baru memiliki umur rata-rata yang lebih kecil daripada merek
lama. Sebuah sampel acak dari 100 bohlam merek baru diuji menghasilkan rata-rata sampel yang
diamati selama 985 jam. Dengan asumsi standar deviasi merek baru sama dengan standar deviasi merek
lama,
A.Kesimpulan apa yang harus diambil dan keputusan apa yang harus diambil?
B. Berapa probabilitas menerima merek baru jika memiliki umur rata-rata 950 jam?
16.Sepuluh siswa adalah dipilih secara acak dari sebuah sekolah dan tinggi mereka ditemukan, dalam
inci, 50, 52, 52, 53, 55, 56, 57, 58, 58 dan 59. Berdasarkan data ini, diskusikan saran bahwa mean tinggi
siswa sekolah tersebut adalah 54 cm. Anda dapat menggunakan tingkat signifikansi 5% (Terapkan uji-
t dan uji-A).
17.Dalam tes yang diberikan kepada dua kelompok siswa, nilai yang diperoleh adalah sebagai berikut:

Grup 18 20 36 50 49 36 34 49 41
Pertama

Grup Kedua 29 28 26 35 30 44 46

Periksa signifikansi perbedaan antara nilai rata-rata yang diperoleh siswa dari dua kelompok di atas.
Uji pada tingkat signifikansi lima persen.
18. Ketinggian enam pelaut yang dipilih secara acak adalah, dalam inci, 63, 65, 58, 69, 71 dan 72.
Ketinggian 10 prajurit yang dipilih secara acak adalah, dalam inci, 61, 62, 65, 66, 69, 69, 70, 71, 72 dan
73.
Apakah angka-angka ini menunjukkan bahwa tentara rata-rata lebih pendek dari pelaut? Uji pada taraf
signifikansi 5%.
19.Ketinggian enam pelaut yang dipilih secara acak adalah, dalam inci, 63, 65, 58, 69, 71 dan 72.
Ketinggian 10 prajurit yang dipilih secara acak adalah, dalam inci, 61, 62, 65, 66, 69, 69, 70, 71, 72 dan
73. Apakah angka-angka ini menunjukkan bahwa tentara rata-rata lebih pendek dari pelaut? Uji pada
taraf signifikansi 5%.
20. Sepuluh rekrutan muda menjalani program pelatihan fisik yang berat oleh tentara. Berat badan
mereka(dalam kg) dicatat sebelum dan sesudah dengan hasil sebagai berikut:

Rekrut 1 2 3 4 5 6 7 8 9 10

Berat 127 195 162 170 143 205 168 175 197 136
sebelum

Berat setelah 135 200 160 182 147 200 172 186 194 141

Dengan menggunakan tingkat signifikansi 5%, haruskah kita menyimpulkan bahwa program
mempengaruhi rata-rata bobot rekrutan muda (Jawab menggunakan uji-t dan uji-A)? 21.Misalkan
pengujian pada hipotesis H := 200 melawan H > 200 dilakukan dengan taraf signifikansi 1%= 40 dan n
= 16.

209
(a) Berapa probabilitas bahwa hipotesis nol dapat diterima ketika rata-rata sebenarnya benar-benar
210? Apa kekuatan tes untuk 210? Bagaimana nilai-nilai berubah jika tes telah menggunakan tingkat
signifikansi 5%?
(b) Mana yang lebih serius, kesalahan Tipe I dan Tipe II? 22. Sembilan pengamatan
berikut diambil dari populasi normal: 27 19 20 24 23 29 21 17 27
(i) Uji hipotesis nol H = 26 terhadap hipotesis alternatif H 26. Pada tingkat signifikansi berapa H0
ditolak?
(ii) Pada tingkat signifikansi berapa H= 26 ditolak ketika diuji terhadap H <26? 0\ A
23.Misalkan sebuah perusahaan publik telah setuju untuk beriklan melalui surat kabar lokal jika dapat
didirikan bahwa sirkulasi surat kabar mencapai lebih dari 60% pelanggan korporasi. Apa H0 dan HA
harus ditetapkan untuk masalah ini sambil memutuskan berdasarkan sampel pelanggan apakah
perusahaan harus beriklan di surat kabar lokal atau tidak? Jika sampel berukuran 100 dikumpulkan dan
tingkat signifikansi 1% diambil, berapa nilai kritis untuk membuat keputusan apakah akan beriklan atau
tidak? Apakah ada bedanya jika kita mengambil sampel 25 sebagai ganti 100 untuk tujuan kita? Jika
demikian, jelaskan. 24.Jawab dengan menggunakan uji-F apakah dua sampel berikut berasal dari
populasi yang sama: Sampel 1 17 27 18 25 27 29 27 23 17 Sampel 2 16 16 20 16 20 17 15 21
Gunakan tingkat signifikansi 5%.
25.NS Tabel berikut memberikan jumlah unit yang diproduksi per hari oleh dua pekerja A dan B selama
beberapa hari: A 40 30 38 41 38 35 B 39 38 41 33 32 49 49 34 Haruskah hasil ini diterima sebagai bukti
bahwa B adalah pekerja yang lebih stabil? Gunakan uji-F pada taraf 5%.
26.Sebuah sampel dari 600 orang yang dipilih secara acak dari sebuah kota besar memberikan hasil
bahwa laki-laki adalah 53%.
Apakah ada alasan untuk meragukan hipotesis bahwa laki-laki dan perempuan berada dalam jumlah
yang sama di kota? Gunakan tingkat signifikansi 1%.
27. 12 siswa diberikan pembinaan intensif dan 5 tes dilakukan dalam sebulan. Skor tes 1 dan 5 diberikan
di bawah ini. Apakah skor dari Tes 1 ke Tes 5 menunjukkan peningkatan? Gunakan tingkat signifikansi
5%. jumlah siswa
jumlah siswa 1 2 3 4 5 6 7 8 9 10 11 12

Nilai dalam Tes 50 42 51 26 35 42 60 41 70 55 62 38

Pertama

Nilai dalam tes ke- 62 40 61 35 30 52 68 51 84 63 72 50

5

28.(i) Sampel acak dari 200 desa diambil dari distrik Kanpur dan rata-rata populasi per desa adalah 420
dengan standar deviasi 50. Sampel acak lain dari 200 desa dari distrik yang sama menghasilkan rata-
rata populasi 480 per desa dengan standar deviasi 60. Apakah perbedaan antara rata-rata dua sampel
signifikan secara statistik? Ambil 1% tingkat signifikansi.
(ii) Rerata sampel acak ukuran 9 dan 7 masing-masing adalah 196.42 dan 198.42. Jumlahnyakuadrat
deviasi dari mean masing-masing adalah 26,94 dan 18,73. Dapatkah sampel dianggap telah diambil dari
populasi normal yang sama? Gunakan tingkat signifikansi 5%.
29.Seorang petani bercocok tanam di dua ladang A dan B. Di A dia menaruh Rs. 10 pupuk kandangper
acre dan di B senilai Rs 20. Pengembalian bersih per acre tidak termasuk biaya pupuk kandang di dua
ladang dalam lima tahun adalah:
Tahun 1 2 3 4 5

210
 Lapangan A, Rs per 34 28 42 37 44
acre

Lapangan B, Rs per 36 33 48 38 50
acre

Hal-hal lain dianggap sama, diskusikan pertanyaan apakah mungkin membayar petani untuk
melanjutkan pembalut yang lebih mahal. Uji pada taraf signifikansi 5%.
30.ABC Perusahaan sedang mempertimbangkan lokasi untuk lokasi pabrik mereka yang lain.
Perusahaan bersikeras bahwa setiap lokasi yang mereka pilih harus memiliki lalu lintas mobil rata-rata
lebih dari 2000 truk per hari yang melewati lokasi tersebut. Mereka mengambil sampel lalu lintas 20
hari dan menemukan volume rata-rata per hari 2140 dengan standar deviasi sama dengan 100 truk.

Jawab pertanyaan dibawah ini:

(i) Jika = 0,5, haruskah mereka membeli situs tersebut?
(ii) Jika kita asumsikan populasi berarti 2140, berapakah kesalahan?

211
 10. Uji Chi-Square
Uji chi-square merupakan uji penting di antara beberapa uji signifikansi yang dikembangkanoleh
ahli statistik. Chi-square, secara simbolis ditulis sebagai χ2 (Diucapkan sebagai Ki-kuadrat), adalah
ukuran statistik yang digunakan dalam konteks analisis pengambilan sampel untuk membandingkan
varians dengan varians teoritis. Sebagai pengujian non-parametrik, ini “dapat digunakan untuk
menentukan apakah data kategorikal menunjukkan ketergantungan atau kedua klasifikasi independen.
Ini juga dapat digunakan untuk membuat perbandingan antara populasi teoretis dan data aktual ketika
kategori digunakan.”1 Dengan demikian, uji chi-kuadrat dapat

diterapkan dalam sejumlah besar masalah. Tes tersebut, pada kenyataannya, adalah suatu teknik yang
melalui penggunaannya memungkinkan bagi semua peneliti untuk (i) menguji kebaikan kecocokan; (ii)
menguji signifikansi hubungan antara dua atribut, dan (iii) menguji homogenitas atau signifikansi
varians populasi.

CHI-SQUARE SEBAGAI UJI UNTUK MEMBANDINGKAN VARIANSI

Nilai chi-square sering digunakan untuk menilai signifikansi varians populasi yaitu, kita dapat
menggunakan tes untuk menilai apakah sampel acak telah diambil dari populasi normal dengan mean
(µ) dan dengan varian tertentu (σ2 ) Tes didasarkan pada χ2 - distribusi. Distribusi seperti itu kita temui
ketika kita berurusan dengan kumpulan nilai yang melibatkan penjumlahan kuadrat. Varians sampel
membutuhkankami untuk menambahkan kumpulan jumlah kuadrat dan, dengan demikian, memiliki
distribusi yang terkait dengan χ2 - distribusi. Jika kita mengambil masing-masing dari kumpulan varians
sampel, membaginya dengan varians populasi yang diketahui dan mengalikan hasil bagi ini dengan (n –
1), di mana n berarti jumlah item dalam sampel,

kita akan mendapatkan χ2 - distribusi. Dengan demikian, (df) akan memiliki

hal yang sama distribusi sebagai χ2 – distribusi dengan (n – 1) derajat kebebasan.

χ2 – distribusi tidak simetris dan semua nilainya positif. Untuk menggunakan distribusi ini, kita
perlu mengetahui derajat kebebasan karena untuk derajat kebebasan yang berbeda kita memiliki kurva
yang berbeda. Semakin kecil jumlah derajat kebebasan, semakin miring distribusi yang diilustrasikan
pada Gambar 10.1:

Tabel yang diberikan dalam Lampiran memberikan nilai kritis yang dipilih dari χ2 untuk berbagai
212
derajat kebebasan. χ2 -nilai adalah jumlah yang ditunjukkan pada sumbu x dari diagram di atas dan
dalam tabel adalah area di bawah nilai itu.

Singkatnya, ketika kita harus menggunakan chi-kuadrat sebagai uji varians populasi, kita harus

menyelesaikannya nilai dari  untuk menguji hipotesis nol (yaitu, ) seperti di bawahini:

Dimana: σ2 = varians sampel;

σ2 = varians dari populasi;

(n – 1) = derajat kebebasan, n adalah jumlah item dalam sampel.

Kemudian dengan membandingkan nilai yang dihitung dengan nilai table χ2 untuk (n – 1)
derajat kebebasan pada tingkat signifikansi tertentu, kita dapat menerima atau menolak hipotesis nol.
Jika nilai yang dihitung dari χ2 kurang dari nilai tabel, hipotesis nol diterima, tetapi jika dihitung
nilainya sama atau lebih besar dari nilai tabel, hipotesis ditolak. Semua ini dapat diperjelas dengansebuah
contoh.

Ilustrasi 1
Berat badan 10 siswa adalah sebagai berikut:

Dapatkah kita mengatakan bahwa varians dari distribusi berat semua siswa dari sampel 10siswa di
atas adalah sama dengan 20 kg? Uji ini pada tingkat signifikansi 5 persen dan 1 persen.

Larutan: Pertama-tama kita harus menghitung varians dari data sampel atau σ2s dan samamemiliki

213
telah dikerjakan seperti di bawah in

Biarkan hipotesis nol menjadi Untuk menguji hipotesis ini, kami mengerjakan χ2
nilai seperti dibawah ini:

Derajat kebebasan dalam kasus yang diberikan adalah (n – 1) = (10 – 1) = 9. Pada tingkat
signifikansi 5 persen nilai tabel dari χ2 = 16,92 dan pada tingkat signifikansi 1 persen adalah 21,67untuk
9 df dan keduanya nilai-nilai ini lebih besar dari nilai yang dihitung dari χ2 yaitu 13.999. Oleh karena
itu kami menerima hipotesis nol dan menyimpulkan bahwa varians dari distribusi yangdiberikan dapat
diambil sebagai 20 kg pada 5 persen dan juga pada tingkat signifikansi 1 persen. Dengan kata lain,
sampel dapat dikatakan diambil dari suatu populasi dengan variansi 20 kg.

214
Ilustrasi 2
Sebuah sampel dari 10 diambil secara acak dari populasi tertentu. Jumlah kuadratpenyimpangan dari
rata-rata sampel yang diberikan adalah 50. Uji hipotesis bahwa varians populasi adalah 5 padatingkat
signifikansi 5 persen.

Larutan: Informasi yang diberikan adalah

Ambil hipotesis nol menjadi Untuk menguji hipotesis ini, kami mengerjakan χ2 nilai
seperti dibawah ini:

Derajat kebebasan = (10 – 1) = 9.

Nilai tabel dari χ2 pada tingkat 5 persen untuk 9 df adalah 16,92. Nilai yang dihitung dariχ2
kurang dari nilai tabel ini, jadi kami menerima hipotesis nol dan menyimpulkan bahwa varians dari
populasi adalah 5 seperti yang diberikan dalam pertanyaan.

CHI-SQUARE SEBAGAI UJI NON-PARAMETRIK

Chi-kuadrat adalah tes non-parametrik yang penting dan karena itu tidak ada asumsi kaku yang
diperlukan sehubungan dengan jenis populasi. Kami hanya membutuhkan derajat kebebasan (secara
implisit tentu saja ukuran sampel) untuk menggunakan tes ini. Sebagai uji non parametrik, chi-square
dapat digunakan (i) sebagai uji goodness of fit dan (ii) sebagai uji independensi.

Sebagai ujian kecocokan, χ2 pengujian memungkinkan kita untuk melihat seberapa baik distribusi
teoretis yang diasumsikan (seperti distribusi Binomial, distribusi Poisson atau distribusi Normal) cocok
dengan data yang diamati. Ketika beberapa distribusi teoretis dipasang pada data yang diberikan, kami
selalu tertarik pada mengetahui seberapa baik distribusi ini cocok dengan datayang diamati. Tes chi-
kuadrat dapat memberikan jawaban untuk ini. Jika dihitung nilai χ2 kurang

dari nilai tabel pada tingkat signifikansi tertentu, kecocokan dianggap baik yang berarti bahwa
perbedaan antara frekuensi yang diamati dan yang diharapkan disebabkan oleh fluktuasi pengambilan
sampel. Tetapi jika dihitung nilai χ2 lebih besar dari nilai tabelnya, kecocokannya tidak dianggap baik.

Sebagai ujian kemerdekaan, χ2 test memungkinkan kita untuk menjelaskan apakah dua atribut
terkait atau tidak. Misalnya, kita mungkin tertarik untuk mengetahui apakah obat baru efektif dalam
mengendalikan demam atau tidak, χ2 tes akan membantu kita dalam memutuskan masalah ini.

215
Dalam situasi seperti itu, kami melanjutkan dengan hipotesis nol bahwa dua atribut (yaitu, obat

baru dan pengendalian demam) adalah independen yang berarti bahwa obat baru tidak efektif dalam
mengendalikan demam. Atas dasar ini pertama-tama kita menghitung frekuensi yang diharapkan dan
kemudian menghitung nilai χ2 . Jika dihitung nilai χ2 kurang dari nilai tabel pada tingkat signifikansi
tertentu untuk derajat kebebasan tertentu, kami menyimpulkan bahwa hipotesis nol

berlaku yang berarti bahwa kedua atribut independen atau tidak terkait (yaitu, obat baru tidak

efektif dalam mengendalikan demam). Tetapi jika dihitung nilai χ2 lebih besar dari pada nilai tabelnya,
kesimpulan kami adalah bahwa hipotesis nol tidak berlaku baik yang berarti kedua atributtersebut terkait
dan asosiasi tersebut bukan karena beberapa faktor kebetulan tetapi ada dalam kenyataan (yaitu, obat
baru efektif dalam mengendalikan demam dan karena itu dapat diresepkan).

Namun, dapat dinyatakan di sini bahwa χ2 bukan ukuran derajat hubungan atau bentuk hubungan antara
dua atribut, tetapi hanyalah teknik menilai signifikansinya asosiasi atau hubungan antara dua atribut
tersebut.

Agar kita dapat menerapkan uji chi-kuadrat baik sebagai uji kesesuaian atau sebagai uji untuk menilai
signifikansi hubungan antar atribut, frekuensi yang diamati serta teoritis atau yang diharapkan harus
dikelompokkan dalam dengan cara yang sama dan distribusi teoritis harus disesuaikan untuk
memberikan frekuensi total yang sama seperti yang kita temukan dalam kasus distribusi yang diamati.

χ2 kemudian dihitung sebagai berikut:

Dimana : Oij = frekuensi pengamatan sel pada baris ke-i dan kolom ke-j.

Eij = frekuensi harapan sel pada baris ke-i dan kolom ke-j.

Jika dua distribusi (diamati dan teoritis) persis sama, χ2 = 0; tetapi umumnya karena kesalahan
pengambilan sampel, χ2 tidak sama dengan nol dan karena itu kita harus mengetahui

distribusi sampling dari χ2 sehingga kita dapat menemukan probabilitas yang diamati χ2 diberikan oleh
sampel acak dari alam semesta hipotetis. Alih-alih mengerjakan probabilitas, kita dapat menggunakan
tabel siap pakai yang memberikan probabilitas untuk nilai yang diberikan dari χ2 . Apakah atau tidak
nilai yang dihitung dari χ2 signifikan dapat dipastikan dengan melihat nilai

tabulasi dari χ2 untuk derajat kebebasan tertentu pada tingkat signifikansi tertentu. Jika dihitung nilai χ2
sama dengan atau melebihi nilai tabel, selisihnya antara frekuensi yang diamati dan yang diharapkan
dianggap signifikan, tetapi jika nilai tabel lebih dari nilai yang dihitung χ 2 , maka perbedaan tersebut
dianggap tidak signifikan yaitu, dianggap muncul sebagai akibat kebetulan dandengan demikian dapat
diabaikan.

216
 Seperti yang telah dinyatakan, derajat kebebasan* memainkan peran penting dalam
menggunakan chi-kuadrat distribusi dan pengujian berdasarkan itu, seseorang harus benar menentukan
derajat kebebasan. Jika terdapat 10 kelas frekuensi dan terdapat satu kendala bebas, maka terdapat (10
– 1) = 9 derajat kebebasan. Jadi, jika 'n' adalah jumlah grup dan satu kendala ditempatkan dengan
membuat total frekuensi yang diamati dan yang diharapkan sama, df akan sama dengan (n – 1). Dalam
kasus tabel kontingensi (yaitu, tabel dengan 2 kolom dan 2 baris atau tabel dengan dua kolom dan lebih
dari dua baris atau tabel dengan dua baris tetapi lebih dari dua kolom atau tabel dengan lebih dari dua
baris dan lebih dari dua kolom), df dikerjakan sebagai berikut:

df = (c – 1) (r – 1)

di mana 'c' berarti jumlah kolom dan 'r' berarti jumlah baris.

2
SYARAT UNTUK APLIKASI X TES
Kondisi berikut harus dipenuhi sebelum: χ2 tes dapat diterapkan:

(i) Pengamatan yang direkam dan digunakan dikumpulkan secara acak.

(ii) Semua item dalam sampel harus independen.
(iii) Tidak ada grup yang berisi item yang sangat sedikit, katakanlah kurang dari 10. Jika
frekuensinya kurang dari 10, pengelompokan ulang dilakukan dengan menggabungkan
frekuensi grup yang berdampingan sehingga frekuensi baru menjadi lebih besar dari 10.
Beberapa ahli statistik menganggap angka ini sebagai 5 , tetapi 10 dianggap lebih baik oleh
sebagian besar ahli statistik.
(iv) Jumlah keseluruhan item juga harus cukup besar. Biasanya harus setidaknya 50, betapapun
kecilnya jumlah kelompok.
(v) Batasannya harus linier. Batasan yang melibatkan persamaan linier dalam frekuensi sel dari
tabel kontingensi (yaitu, persamaan yang tidak mengandung kuadrat atau pangkat frekuensi
yang lebih tinggi) dikenal sebagai kendala linier.

LANGKAH-LANGKAH TERLIBAT DALAM MENERAPKAN TES CHI-SQUARE

Berbagai langkah yang dilakukan adalah sebagai berikut:

Untuk lebih besar dari 30, ditribusi mendekati distribusi normal dimana rata – rata dari
distribusi adalah dan standar deviasi = 1. Dengan demikian

217
ketika d.f. melebihi 30, kuantitas dapat digunakan sebagai
varian normal dengan varian unit, yaitu:

(i) Pertama-tama hitung frekuensi yang diharapkan berdasarkan hipotesis yang diberikan
atau berdasarkan hipotesis nol. Biasanya dalam kasus 2 × 2 atau tabel kontingensi apa
pun, frekuensi yang diharapkan untuk setiap sel yang diberikan bekerja seperti di
bawah:

Frekuensi yang diharapkan dari setiap sel =

(ii) Dapatkan perbedaan antara frekuensi yang diamati dan yang diharapkan dan cari tahu

kuadratnyaperbedaan tersebut yaitu, hitung

(iii) Bagilah jumlahnya diperoleh seperti yang dinyatakan di atas oleh

yang
sesuai yang diharapkan frekuensi untuk mendapatkan dan
ini harus

dilakukan untuk semua frekuensi sel atau frekuensi kelompok.

(iv) Carilah penjumlahan dari nilai atau apa yang kita sebut

ini adalah nilai χ2 yang dibutuhkan.

χ2 nilai yang diperoleh seperti itu harus dibandingkan dengan nilai tabel yang relevan dari
χ2 dank emudian ditarik kesimpulan seperti yang dinyatakan di atas.

Kami sekarang memberikan beberapa contoh untuk menggambarkan penggunaan χ2 tes.

Ilustrasi 3
Sebuah dadu dilempar sebanyak 132 kali dengan hasil sebagai berikut:

Nomor muncul 1 2 3 4 56

Frekuensi 16 20 25 14 2928

Apakah dadu itu tidak bias?

218
219
Larutan: Mari kita ambil hipotesis bahwa dadu itu tidak bias. Jika demikian, peluang memperoleh
salah satu dari enam angka adalah 1/6 dan dengan demikian frekuensi yang diharapkan dari salah
satu angka yang naik adalah 132 × 1/6 = 22. Sekarang kita dapat menulis frekuensi yang diamati

bersama dengan frekuensi yang diharapkan. frekuensi dan tentukan nilai χ2 sebagai berikut:

Tabel 10.2

Oleh karena itu, nilai yang dihitung dari  = 9.

Q Derajat kebebasan pada soal yang diberikan adala

(n – 1) = (6 – 1) = 5.

Nilai tabel* dari χ2 untuk 5 derajat kebebasan pada tingkat signifikansi 5 persen adalah 11,071.
Membandingkan nilai yang dihitung dan tabel dari χ2 , kami menemukan bahwa nilai yang dihitung
lebih kecil dari nilai tabel dan karena itu dapat muncul karena fluktuasi pengambilan sampel.
Hasilnya, dengan demikian, mendukung hipotesis dan dapat disimpulkan bahwa dadu itu tidak bias.

Ilustrasi 4
Carilah nilai dari χ2 untuk informasi berikut:

Kelas A B C DE

Frekuensi yang diamati 8 29 44 154

Frekuensi teoretis (atau yang diharapkan) 7 24 38 247

Larutan: Karena beberapa frekuensi kurang dari 10, pertama-tama kita akan mengelompokkan
kembali data

220
yang diberikan sebagai berikut dan kemudian akan mencari nilai dari χ2 :

Ilustrasi 5

Teori genetik menyatakan bahwa anak-anak yang memiliki salah satu orang tua bergolongan
darah A dan yang lainnya bergolongan darah B akan selalu menjadi salah satu dari tiga jenis, A,
AB, B dan proporsi ketiga tipe tersebut rata-rata adalah 1 : 2 : 1. Sebuah laporan menyatakan
bahwa dari 300 anak yang memiliki satu orang tua A dan orang tua B, 30 persen ditemukan

bertipe A, 45 persen bertipe AB, dan sisanya bertipe B hipotesis oleh χ2 tes.

Larutan: Frekuensi pengamatan tipe A, AB, dan B yang diberikan pada soal masing-masing
adalah 90, 135 dan 75.

Frekuensi yang diharapkan dari tipe A, AB dan B (sesuai teori genetik) seharusnya masing-
masing 75, 150 dan 75.

Sekarang kita hitung nilai χ2 sebagai berikut:

Tabel 10.4

221
Nilai tabel dari χ2 untuk χ2 df pada taraf signifikansi 5 persen adalah 5,991.

Nilai yang dihitung dari χ2 adalah 4,5 yang lebih kecil dari nilai tabel dan karenanya dapat
dianggap terjadi karena kebetulan. Hal ini mendukung hipotesis teoretis teori genetika bahwa rata-
rata tipe A, AB dan B memiliki proporsi 1 : 2 : 1.

Ilustrasi 6

Tabel di bawah ini menunjukkan data yang diperoleh selama wabah cacar:

Terserang Tidak diserang Total

Divaksinasi 31 469 500

Tidak divaksinasi 185 1315 1500

Total 216 1784 2000

Uji efektivitas vaksinasi dalam mencegah serangan penyakit cacar. Uji hasil Anda dengan
bantuan χ2 pada tingkat signifikansi 5 persen.

Larutan: Mari kita ambil hipotesis bahwa vaksinasi tidak efektif dalam mencegah serangan dari
cacar yaitu, vaksinasi dan serangan adalah independen. Berdasarkan hipotesis ini, frekuensi yang
diharapkan sesuai dengan jumlah orang yang divaksinasi dan diserang adalah:

ketika A mewakili vaksinasi dan B mewakili serangan.

(A) = 500

(B) = 216

n = 2000
Harapan dari ( AB) = 500 216 54

2000

Sekarang dengan menggunakan ekspektasi (AB), kita dapat menulis tabel nilai ekspektasi
sebagaiberikut:

Diserang:
TidakBdiserang:b Total

Divaksinasi: A (AB) = 54 (Ab) = 446 500

Tidak divaksinasi: a (aB) = 162 (ab) = 1338 1500

222
 Total 216 1784 2000

Tabel 10.5: Perhitungan Chi-Square

Q Derajat kebebasan dalam hal ini = (r – 1) (c – 1) = (2 – 1) (2 – 1) = 1.

Nilai tabel dari  untuk 1 derajat kebebasan pada tingkat signifikansi 5 persen adalah 3,841. NS

nilai yang dihitung dari  jauh lebih tinggi dari nilai tabel ini dan karenanya hasil percobaan tidak
mendukung hipotesis. Dengan demikian, kita dapat menyimpulkan bahwa vaksinasi efektif dalam
mencegah serangan cacar.

Ilustrasi 7

Dua pekerja penelitian mengklasifikasikan beberapa orang dalam kelompok pendapatan

berdasarkanstudi sampling. Hasil mereka adalah sebagai berikut:

Tunjukkan bahwa teknik pengambilan sampel dari setidaknya satu pekerja penelitian rusak.

Larutan: Mari kita ambil hipotesis bahwa teknik pengambilan sampel yang diadopsi oleh pekerja
penelitian serupa (yaitu, tidak ada perbedaan antara teknik yang diadopsi oleh pekerja penelitian).
Dengan demikian, harapan penyelidik mengklasifikasikan orang-orang di:

Kelompok pendapatan miskin = 200 x 300/500 = 120

(ii) Kelompok berpenghasilan menengah = 200 x 150/500 = 60
Kelompok berpenghasilan kaya = 200 x 50/500 = 20
Demikian pula harapan penyelidik B yang mengklasifikasikan orang-orang di:

223
Kelompok pendapatan miskin = 300 x 300/500 = 180

224
Kelompok berpenghasilan menengah = 300 x 150/500 = 190
Kelompok berpenghasilan kaya = 300 x 50/500= 30
Sekarang kita dapat menghitung nilai χ2 sebagai berikut:

Karenanya,

Q Derajat kebebasan = (c – 1) (r – 1) = (3 – 1) (2 – 1) = 2.

Nilai tabel dari χ2 untuk dua derajat kebebasan pada tingkat signifikansi 5 persen adalah 5,991.

Nilai yang dihitung dari  jauh lebih tinggi dari nilai tabel ini yang berarti bahwa nilai yang dihitung
tidak dapat dikatakan muncul hanya karena kebetulan. Hal ini signifikan. Oleh karena itu, hipotesis
tidak berlaku. Ini berarti bahwa teknik pengambilan sampel yang diadopsi oleh dua peneliti berbeda
dan tidak mirip. Secara alami, maka teknik yang satu harus lebih unggul dari yang lain.

Ilustrasi 8

Delapan koin dilempar 256 kali dan diperoleh hasil sebagai berikut:

Jumlah kepala 0 1 2 3 4 5 6 7 8

Frekuensi 2 6 30 52 67 56 32 10 1

Apakah koinnya bias? Menggunakan χ2 tes.

Larutan: Mari kita ambil hipotesis bahwa koin tidak bias. Jika demikian, peluang satu koin jatuh
dengan kepala ke atas adalah 1/2 dan dengan ekor ke atas adalah 1/2 dan tetap sama berapa pun
jumlah lemparannya. Dalam kasus seperti itu, nilai yang diharapkan untuk mendapatkan 0, 1, 2,
…kepala dalam satu lemparan dalam 256 lemparan delapan koin akan dihitung sebagai berikut*.

225
* Probabilitas variabel acak yaitu, berbagai peristiwa yang mungkin telah dikerjakan pada
prinsip binomial yaitu, melalui perluasan (p + q)n di mana p = 1/2 dan q = 1/2 dan n

= 8 dalam kasus yang diberikan. Perluasan istilahnCR PR Qn–r telah memberikan probabilitas
yang diperlukan yang telah dikalikan dengan 256 untuk mendapatkan frekuensi yang diharapkan.

226
Nilai dari  dapat dikerjakan sebagai berikut:

Derajat kebebasan = (n – 1) = (9 – 1) = 8

Nilai tabel dari χ2 untuk delapan derajat kebebasan pada tingkat signifikansi 5 persen adalah
15,507.

Nilai yang dihitung dari χ2 jauh lebih kecil dari tabel ini dan karenanya tidak signifikan dan dapat
dianggap berasal dari fluktuasi pengambilan sampel. Hasilnya, dengan demikian, mendukung
hipotesis dan kita dapat mengatakan bahwa koin tidak bias.

FORMULA ALTERNATIF
Ada metode alternatif untuk menghitung nilai χ2 dalam kasus tabel (2 × 2). Jika kita menulis
frekuensi sel dan total marjinal dalam kasus tabel (2 × 2) demikian,

maka rumus untuk menghitung nilai χ2 akan dinyatakan sebagai berikut:

di mana N berarti frekuensi total, ad berarti hasil kali silang yang lebih besar, bc berarti hasil
kali silang yang lebih kecil dan (a + c), (b + d), (a + b), dan (c + d) adalah total marjinal. Rumus
alternatifjarang digunakan dalam mencari nilai chi-kuadrat karena tidak dapat diterapkan secara
seragam di semua kasus tetapi hanya dapat digunakan dalam tabel kontingensi (2 × 2).

227
KOREKSI YATES
F. Yates telah menyarankan koreksi untuk kontinuitas dalam χ2 nilai yang dihitung sehubungan
dengan tabel (2 × 2), terutama ketika frekuensi sel kecil (karena tidak ada frekuensi sel yang boleh
kurang dari 5 in. Bagaimana pun, melalui 10 lebih baik seperti yang dinyatakan sebelumnya) dan

χ2 hanya pada tingkat signifikansi. Koreksi disarankan oleh Yates dikenal sebagai koreksi Yates.
Ini melibatkan pengurangan deviasi dari yang diamati dari frekuensi yang diharapkan yang tentu

saja mengurangi nilai χ2 . Aturan untuk koreksi adalah untuk menyesuaikan frekuensi yang diamati
di setiap sel dari tabel (2 × 2) sedemikian rupa untuk mengurangi penyimpangan yang diamati dari
frekuensi yang diharapkan untuk sel itu sebesar 0,5, tetapi ini penyesuaian dibuat di semua sel tanpa

mengganggu total marjinal. Rumusnyauntuk menemukan Nilai dari χ2 setelah menerapkan koreksi
Yates dapat dinyatakan sebagai berikut:

Jika kita menggunakan rumus biasa untuk menghitung nilai chi-kuadrat yaitu,

maka koreksi Yates dapat diterapkan seperti di bawah ini:

Sekali lagi dapat ditekankan bahwa koreksi Yates dibuat hanya dalam kasus tabel (2 × 2)
danitu juga ketika frekuensi sel kecil.

228
Ilustrasi 9
Informasi berikut diperoleh mengenai penyelidikan terhadap 50 toko biasa berukuran kecil:

Dapatkah disimpulkan bahwa toko yang dikelola oleh perempuan relatif lebih banyak di desa
dari pada di kota? Menggunakan χ2 tes.

Larutan: Ambil hipotesis bahwa tidak ada perbedaan sejauh toko yang dijalankan oleh pria dan
wanita di kota dan desa. Dengan hipotesis ini harapan toko yang dijalankan oleh laki-laki di
kotaadalah:

Harapan dari : ( A x B) / N

dimana A = toko yang dijalankan oleh laki-laki

B = toko di kota

(A) = 35; (B) = 20 dan N = 50

Dengan demikian, harapan dari ( AB) = 35 x 20 / 50= 14

Oleh karena itu, tabel frekuensi yang diharapkan adalah

229
 Toko di kota Toko di desa Total

Dijalankan olehpria 14 (AB) 21 (Ab) 35

Dijalankan olehwanita 6 (aB) 9 (ab) 15

Total 20 30 50

Perhitungan  nilai:

Karena satu frekuensi sel hanya 3 dalam tabel 2 × 2 yang diberikan, kami juga bekerja χ2 nilai
menerapkan koreksi Yates dan ini adalah seperti di bawah:

Q Derajat kebebasan = (c – 1) (r – 1) = (2 – 1) (2 – 1) = 1

Nilai tabel dari χ2 untuk satu derajat kebebasan pada tingkat signifikansi 5 persen adalah 3,841.
Nilaiyang dihitung dari χ2 oleh kedua metode (yaitu, sebelum koreksi dan setelah koreksi Yates)
kurang dari nilai tabelnya. Oleh karena itu hipotesis berdiri. Kita dapat menyimpulkan bahwa
tidak ada perbedaan antara toko yang dijalankan oleh pria dan wanita di desa dan kota.

230
Properti aditif: Properti penting dari χ2 adalah sifat aditifnya. Ini berarti bahwa beberapa nilai dari
χ2 dapat dijumlahkan dan jika derajat kebebasan juga dijumlahkan, bilangan ini memberikan derajat
kebebasan dari nilai total χ2 . Jadi, jika sejumlah χ2 nilai telah diperoleh dari sejumlah sampel data
yang sejenis, maka karena dari sifat aditif χ2 kita dapat menggabungkan berbagai nilai χ2 dengan
hanya hanya menambahkan mereka. Penambahan berbagai nilai χ2 memberi satu nilai dari χ2 yang
membantu dalam membentuk ide yang lebih baik tentang pentingnya masalah yang sedang
dipertimbangkan. Contoh berikut mengilustrasikan sifat aditif dari χ2 

Ilustrasi 10
Nilai berikut dari χ2 dari berbagai penyelidikan yang dilakukan untuk menguji keefektifan obat
yang baru ditemukan untuk memeriksa malaria diperoleh:

Penyelidikan 2 df

1 2.5 1

2 3.2 1

3 4.1 1

4 3.7 1

5 4,5 1

Kesimpulan apa yang akan Anda tarik tentang keefektifan obat baru berdasarkan lima penyelidikan
yang dilakukan bersama-sama?

Larutan: Dengan menjumlahkan semua nilai χ2 , kita memperoleh nilai sama dengan 18.0.
Jugadengan menambahkan berbagai df, seperti yang diberikan dalam pertanyaan, kita
memperoleh nilai

5. Sekarang kita dapat menyatakan bahwa nilai dari χ2 untuk 5 derajat kebebasan (ketika
semualima penyelidikan diambil bersama-sama) adalah 18,0.

Mari kita ambil hipotesis bahwa obat baru itu tidak efektif. Nilai tabel dari χ2 untuk 5 derajat
kebebasan pada tingkat signifikansi 5 persen adalah 11.070. Tetapi nilai yang kami hitung lebih
tinggi dari nilai tabel ini yang berarti perbedaannya signifikan dan bukan karena kebetulan. Dengan
demikian hipotesis ditolak dan dapat disimpulkan bahwa obat baru tersebut efektif dalam
pemeriksaan

malaria.

KONVERSI CHI-SQUARE MENJADI KOEFISIEN PHI ( )

Sejak χ2 tidak dengan sendirinya memberikan perkiraan besarnya hubungan antara dua atribut,
apapun

diperoleh χ2 nilai dapat diubah menjadi koefisien Phi (dilambangkan sebagai  ) untuk tujuan.
Dengankata lain, chi-kuadrat memberitahu kita tentang pentingnya hubungan antar variabel; itu
tidak memberikan jawaban mengenai besarnya hubungan. Ini dapat dicapai dengan menghitung

231
koefisien Phi, yang merupakan ukuran non-parametrik dari koefisien korelasi, seperti di bawah:

232
 KONVERSI CHI-SQUARE MENJADI KOEFISIEN KONTINGENSI (C )
Nilai chi-kuadrat juga dapat diubah menjadi koefisien kontingensi, terutama dalam kasus tabel
kontingensi yang lebih tinggi dari tabel 2 × 2 untuk mempelajari besarnya hubungan atau derajat
hubungan antara dua atribut, seperti yang ditunjukkan di bawah ini:

C=

Saat mencari nilai C, kami melanjutkan dengan asumsi hipotesis nol bahwa kedua atribut adalah
independen dan tidak menunjukkan hubungan. Koefisien kontingensi juga dikenal sebagai
koefisien kontingensi Mean Square. Ukuran ini juga termasuk dalam kategori ukuran hubungan
nonparametrik.

2
KARAKTERISTIK PENTING X TES
(i) Tes ini (sebagai tes non-parametrik) didasarkan pada frekuensi dan bukan pada
parameter seperti mean dan standar deviasi.
(ii) Tes digunakan untuk menguji hipotesis dan tidak berguna untuk estimasi.
(iii) Tes ini memiliki sifat aditif seperti yang telah dijelaskan.
(iv) Tes ini juga dapat diterapkan pada tabel kontingensi yang kompleks dengan beberapa
kelas dan dengan demikian merupakan tes yang sangat berguna dalam pekerjaan
penelitian.
(v) Tes ini merupakan tes non-parametrik yang penting karena tidak ada asumsi kaku yang
diperlukan sehubungan dengan jenis populasi, tidak perlu nilai parameter dan detail
matematis yang relatif lebih sedikit yang terlibat.

2
PERHATIAN DALAM MENGGUNAKAN X TES
Tes chi-kuadrat tidak diragukan lagi merupakan tes yang paling sering digunakan, tetapi
penerapannya yang benar juga merupakan tugas yang berat. Harus diingat bahwa pengujian akan
diterapkan hanya ketika pengamatan individu sampel adalah independen yang berarti bahwa
terjadinya satu pengamatan (peristiwa) individu tidak berpengaruh pada terjadinya pengamatan
(peristiwa) lainnya dalam sampel. Dalam pertimbangan. Frekuensi teoretis kecil, jika ini terjadi
pada kelompok tertentu, harus ditangani dengan perhatian khusus. Alasan lain yang mungkin
mengenai penerapan yang tidak tepat atau penyalahgunaan tes ini dapat berupa (i) pengabaian
frekuensi non- kejadian; (ii) kegagalan untuk menyamakan jumlah yang diamati dan jumlah
frekuensi yang diharapkan; (iii) penentuan derajat kebebasan yang salah; (iv) salah perhitungan,
dan sejenisnya.

Pertanyaan
1. Apa itu teks Chi-kuadrat? Jelaskan signifikansinya dalam analisis statistik.
2. Tulislah catatan singkat tentang hal-hal berikut:
i. Properti aditif dari Chi-square;
ii. Chi-square sebagai tes 'goodness of fit';
iii. Kehati-hatian dalam menerapkan uji Chi-square;
iv. Kondisi untuk menerapkan uji Chi-kuadrat.

233
3. Percobaan dilakukan untuk menguji kemanjuran chloromycetin dalam pemeriksaan tifus. Di rumah sakit
tertentu chloromycetin diberikan kepada 285 dari 392 pasien yang menderita tifus. Adapun jumlahkasus tifus
adalah sebagai berikut:

Penyakit tipus Tidak Ada Tifus Total

Chloromycetin 35 250 285

Tidak ada chloromycetin 50 57 107

Total 85 307 392

Dengan bantuan dari χ2 , uji efektivitas chloromycetin dalam pemeriksaan tifus. (χ2 nilai pada tingkat

]signifikansi 5 persen untuk satu derajat kebebasan adalah

3,841).

(M.Com., Universitas Rajasthan, 1966)

4. Berdasarkan informasi yang diberikan di bawah ini tentang pengobatan 200 pasien yang menderita suatu
penyakit, nyatakan apakah pengobatan baru tersebut secara komparatif lebih unggul dari pengobatan
konvensional.

Tidakdari pasien

Perlakuan BaikTanggapan Tidak Tanggapan

Baru 60 20

Konvensional 70 50

Untuk menggambarkan inferensi Anda, gunakan nilai X2 untuk satu derajat kebebasan pada tingkat
signifikansi 5 persen, yaitu 3,84.

5. 200 digit dipilih secara acak dari satu set tabel. Frekuensi angka tersebut adalah:

Angka 0 1 2 3 4 5 6 7 8 9

Frekuensi 18 19 23 21 16 25 22 20 21 15

Menghitung χ2

6. Lima dadu dilempar sebanyak 96 kali dan jumlah pelemparan 4, 5, atau 6 kali adalah Jumlah pelemparan
dadu

234
 7. Temukan Chi-kuadrat dari informasi berikut:

Nyatakan apakah kedua atribut yaitu, kondisi rumah dan kondisi anak independen (Gunakan uji Chi-
kuadrat untuk tujuan tersebut).
8. Pada persilangan tertentu tipe yang diwakili oleh XY, Xy, xY dan xy diharapkan terjadi dalam rasio 9 : 5

: 4 : 2. NS frekuensi sebenarnya adalah:

XY Xy xY xy

180 110 60 50

Uji kesesuaian pengamatan dengan teori.

9. Tingkat normal infeksi untuk penyakit tertentu pada sapi diketahui 50 persen. Dalam percobaan dengantujuh
hewan yang disuntik dengan vaksin baru, ditemukan bahwa tidak ada hewan yang tertangkapinfeksi.
Dapatkah bukti dianggap konklusif (pada tingkat signifikansi 1 persen) untuk membuktikan nilai vaksin
baru?
10. Hasil pelemparan dadu dicatat sebagai berikut:

Angka jatuh ke atas 1 2 3 4 5 6

Frekuensi 27 33 31 29 30 24

Apakah dadu itu tidak bias? Jawaban atas dasar uji Chi-kuadrat.

11. Teori memprediksi proporsi biji, dalam empat kelompok A, B, C dan D harus 9 : 3 : 3 : 1. Dalam suatu
percobaan pada 1600 biji, jumlah keempat kelompok tersebut adalah 882, 313, 287 dan 118.

hasil eksperimen mendukung teori? Berlaku χ2 tes.

235
12. Anda diberikan sampel 150 pengamatan yang diklasifikasikan oleh dua atribut A dan B sebagai berikut:

A1 A2 A3 Total

B1 40 25 15 80

B2 11 26 8 45

B3 9 9 7 25

Total 60 60 30 150

Menggunakan χ2 menguji apakah A dan B berhubungan.

13. Sebuah survei terhadap 320 keluarga dengan masing-masing lima anak mengungkapkan distribusi berikut:

jumlah anak laki- 5 4 3 2 1 0

laki

jumlah gadis 0 1 2 3 4 5

Jumlah keluarga 14 56 110 88 40 12

Apakah distribusi ini konsisten dengan hipotesis bahwa kelahiran laki-laki dan perempuan sama-sama
mungkin? Terapkan uji Chi-kuadrat.
14. Apa koreksi Yates? Tentukan nilai Chi-kuadrat dengan menerapkan koreksi Yates pada data berikut:

Lulus Gagal Total

Kelas siang 10 20 30

Kelas malam 4 66 70

Total 14 86 100

Nyatakan juga apakah hubungan, jika ada, antara lulus dalam ujian dan belajar di kelas harian adalah
signifikan dengan menggunakan uji Chi-kuadrat.
15. (a) 1000 bayi lahir selama minggu tertentu di sebuah kota di mana 600 anak laki-laki dan 400 anak
perempuan. Menggunakan χ2

uji untuk menguji kebenaran hipotesis bahwa rasio jenis kelamin adalah 1 : 1 pada bayi yang baru lahir.

(b) Persentase perokok di kota tertentu adalah 90. Sebuah sampel acak dari 100 orang dipilih di mana 85
orang ditemukan sebagai perokok. Apakah proporsi sampel berbeda secara signifikan dengan proporsi
perokok di kota? Jawaban atas dasar uji Chi-kuadrat.

236
16. Sebuah perguruan tinggi menyelenggarakan kelas pasca sarjana dalam lima mata pelajaran dengan jumlah
siswa yang sama. Jumlah total ketidakhadiran pada kelima kelas tersebut adalah 75. Ujilah hipotesis bahwa
kelas-kelas ini sama dalam ketidakhadiran jika tingkat absensi sebenarnya pada masing-masing kelas
adalah sebagai berikut:

Sejarah= 19

Filsafat = 18

Ekonomi = 15

Perdagangan = 12

Kimia = 11

17. Jumlah kecelakaan mobil per minggu di komunitas tertentu adalah sebagai berikut:

12, 8, 20, 2, 14, 10, 15, 6, 9, 4

Apakah frekuensi ini sesuai dengan keyakinan bahwa kondisi kecelakaan adalah sama selama periode 10
minggu yang sedang dipertimbangkan?
18. Bahan kimia tertentu tanaman memproses air laut untuk mengumpulkan natrium klorida dan magnesium.
Dari analisis ilmiah, air laut diketahui mengandung natrium klorida, magnesium, dan unsur-unsur lain
dengan perbandingan 62 : 4: 34. Sampel air laut 200 ton menghasilkan 130 ton natrium klorida dan 6 ton
magnesium. Apakah data ini konsisten dengan model ilmiah pada tingkat signifikansi 5 persen?
19. Sebuah perusahaan minyak telah menjelajahi tiga wilayah yang berbeda untuk kemungkinan cadangan
minyak. Hasil dari tes tersebut adalah seperti di bawah ini:

20.
Apakah ketiga bidang tersebut memiliki potensi yang sama, pada tingkat signifikansi 10 persen?

21. Saat melakukan studi lalu lintas udara, catatan dibuat dari jumlah kedatangan pesawat, di bandara tertentu,
selama interval waktu 250 setengah jam. Tabel berikut memberikan jumlah periode yang diamati di mana
ada 0, 1, 2, 3, 4, atau lebih kedatangan serta jumlah yang diharapkan dari periode tersebut jika kedatangan
per

setengah jam memiliki distribusi Poisson = 2. Apakah distribusi Poisson ini menggambarkan kedatangan
yang diamati pada tingkat signifikansi 5 persen.

237
 22. Seorang peneliti pemasaran yang tertarik dengan kebiasaan membaca publikasi bisnis dari agen pembelian
telah mengumpulkan data berikut:

Preferensi Publikasi Bisnis (Sebutan Pilihan Pertama)

(i) Uji hipotesis nol ( = 0,05) bahwa tidak ada perbedaan antara frekuensi pilihan pertama publikasi yang
diuji.
(ii) Jika pilihan A dan C dan pilihan B dan D digabungkan, uji hipotesis nol pada = 0,05 bahwa tidakada
perbedaan.
23. Sekelompok 150 mahasiswa diminta untuk menunjukkan bintang film yang paling mereka sukai dari enam
yang berbedaaktor film terkenal yaitu, A, B, C, D, E dan F untuk memastikan popularitas relatif mereka.
Data frekuensi yang diamati adalah sebagai berikut:

Aktor A B C D E F Total

Frekuensi 24 20 32 25 28 21 150

Uji pada 5 persen apakah semua aktor sama-sama populer.

1. Untuk data pada pertanyaan 12, carilah koefisien kontingensi untuk mengukur besarnya hubungan antara

A dan B.

2. (a) Apa tujuan yang dicapai dengan menghitung koefisien Phi ( )? Menjelaskan.

(b) Jika = 16 dan N = 4, carilah nilai koefisien Phi.

238
 11. Analisis Varian dan Co-Varian
ANALISIS VARIANSI (ANOVA)
Analisis varians (disingkat ANOVA) adalah teknik yang sangat berguna mengenai penelitian Di
bidang ekonomi, biologi, pendidikan, psikologi, sosiologi, bisnis/industri dan dalam penelitian
Dari beberapa disiplin ilmu lainnya. Teknik ini digunakan ketika beberapa kasus sampel yang
terlibat. Sebagai Dinyatakan sebelumnya, signifikansi perbedaan antara rata-rata dua sampel
dapat dinilai Baik melalui uji-z atau uji-t, tetapi kesulitan muncul ketika kita menguji
signifikansinya Perbedaan antara lebih dari dua rata-rata sampel pada waktu yang sama. Teknik
ANOVA Memungkinkan kita untuk melakukan tes simultan ini dan karena itu dianggap sebagai
alat penting dari Analisis di tangan seorang peneliti. Dengan menggunakan teknik ini, seseorang
dapat menarik kesimpulan tentang apakah Sampel diambil dari populasi yang memiliki rata-rata
yang sama. Teknik ANOVA penting dalam konteks semua situasi di mana kita ingin
Membandingkan lebih dari dua populasi seperti membandingkan hasil panen dari beberapa
varietas Benih, jarak tempuh bensin empat mobil, kebiasaan merokok lima kelompok universitas
Siswa dan sebagainya. Dalam keadaan seperti itu, seseorang umumnya tidak ingin
mempertimbangkan semua kemungkinan Kombinasi dari dua populasi sekaligus untuk itu akan
membutuhkan sejumlah besar tes sebelum kita Akan dapat mengambil keputusan. Ini juga akan
menghabiskan banyak waktu dan uang, dan itupun Hubungan tertentu dapat dibiarkan tidak
teridentifikasi (terutama efek interaksi). Oleh karena itu, satu Cukup sering menggunakan teknik
ANOVA dan melalui itu menyelidiki perbedaan antara Rata-rata dari semua populasi secara
bersamaan.

APA ITU ANOVA?

Profesor R.A. Fisher adalah orang pertama yang menggunakan istilah ‘Variance’* Dan, pada
kenyataannya, dialah yang Mengembangkan teori yang sangat rumit tentang ANOVA,
menjelaskan kegunaannya di bidang praktis.

Varians adalah ukuran statistik yang penting dan digambarkan sebagai rata-rata kuadrat deviasi
yang diambil dari Rata-rata dari rangkaian data yang diberikan. Ini adalah ukuran variasi yang
sering digunakan. Akar kuadratnya dikenal sebagai simpangan baku, Yaitu, Standar deviasi =
Varians. Kemudian Profesor Snedecor dan banyak lainnya berkontribusi pada pengembangan
teknik ini. ANOVA pada dasarnya adalah prosedur untuk menguji perbedaan antara kelompok
data yang berbeda untuk Homogenitas. “Inti dari ANOVA adalah bahwa jumlah total variasi
dalam satu set data rusak Menjadi dua jenis, yaitu jumlah yang dapat dikaitkan dengan kebetulan
dan jumlah yang dapat Dikaitkan dengan penyebab ada variasi antara sampel dan juga dalam
sampel Item. ANOVA terdiri dari pemisahan varians untuk tujuan analitis. Oleh karena itu, ini
adalah metode Menganalisis varians yang menjadi sasaran respons ke dalam berbagai
komponennya yang sesuai dengan Berbagai sumber variasi. Melalui teknik ini seseorang dapat
menjelaskan apakah berbagai jenis Benih atau pupuk atau tanah berbeda secara signifikan
sehingga keputusan kebijakan dapat diambil sesuai, Tentang varietas tertentu dalam konteks
penelitian pertanian. Demikian pula perbedaan Berbagai jenis pakan yang disiapkan untuk kelas
hewan tertentu atau berbagai jenis obat yang diproduksi Untuk menyembuhkan penyakit tertentu
dapat dipelajari dan dinilai signifikan atau tidak melalui aplikasi Dari teknik ANOVA. Demikian
juga, seorang manajer yang menjadi perhatian besar dapat menganalisis kinerja perusahaan
Berbagai salesman yang menjadi perhatiannya untuk mengetahui apakah kinerja mereka berbeda
secara signifikan. Jadi, melalui teknik ANOVA seseorang dapat, secara umum, menyelidiki
sejumlah faktor yang: Dihipotesiskan atau dikatakan mempengaruhi variabel terikat. Seseorang
mungkin juga menyelidiki

239
Perbedaan di antara berbagai kategori dalam masing-masing faktor ini yang mungkin memiliki
jumlah besar Dari nilai-nilai yang mungkin. Jika kita hanya mengambil satu faktor dan
menyelidiki perbedaan di antara berbagai faktornya Kategori yang memiliki banyak kemungkinan
nilai, kita dikatakan menggunakan ANOVA satu arah dan jika kita Menyelidiki dua faktor pada
saat yang sama, maka kami menggunakan ANOVA dua arah. Dengan dua cara atau lebih
ANOVA, interaksi (yaitu, hubungan antara dua variabel/faktor independen), jika ada, antara Dua
variabel independen yang mempengaruhi variabel dependen juga dapat dipelajari untuk
keputusan yang lebih baik.

PRINSIP DASAR ANOVA

Prinsip dasar ANOVA adalah menguji perbedaan rata-rata populasi dengan Memeriksa jumlah
variasi dalam masing-masing sampel ini, relatif terhadap jumlah variasi Antara sampel. Dalam
hal variasi dalam populasi tertentu, diasumsikan bahwa nilai-nilai Dari (Xij) berbeda dari rata-
rata populasi ini hanya karena efek acak yaitu, ada pengaruh Pada (Xij) yang tidak dapat
dijelaskan, sedangkan dalam memeriksa perbedaan antara populasi kita asumsikan Bahwa
perbedaan antara rata-rata populasi ke-j dan rata-rata besar disebabkan oleh apa Disebut ‘faktor
spesifik’ atau yang secara teknis digambarkan sebagai efek pengobatan. Jadi saat menggunakan
ANOVA, kita asumsikan bahwa setiap sampel diambil dari populasi normal dan masing-masing
dari Populasi tersebut memiliki varian yang sama. Kami juga mengasumsikan bahwa semua
faktor selain satu atau lebih Sedang diuji dikendalikan secara efektif. Ini, dengan kata lain, berarti
bahwa kita mengasumsikan tidak adanya Banyak faktor yang mungkin mempengaruhi
kesimpulan kita mengenai faktor-faktor yang akan dipelajari.

Singkatnya, kita harus membuat dua perkiraan varians populasi yaitu, satu berdasarkan antara
Varians sampel dan yang lainnya berdasarkan varians dalam sampel. Kemudian dua perkiraan
tersebut dari Varians populasi dibandingkan dengan uji-F, di mana kami bekerja.

F = Estimasi varians populasi berdasarkan varians antar sampel/Estimasi varians populasi

berdasarkan varians dalam sampel

Nilai F ini akan dibandingkan dengan batas-F untuk derajat kebebasan tertentu. Jika nilai F kita
Latihan sama atau melebihi* Nilai batas-F (dilihat dari F tabel No. 4(a) dan 4(b) diberikan pada
(Lampiran), kita dapat mengatakan bahwa ada perbedaan yang signifikan antara rata-rata sampel.

TEKNIK ANOVA
ANOVA satu arah (atau faktor tunggal): Di bawah ANOVA satu arah, kami hanya
mempertimbangkan satu faktor Dan kemudian amati bahwa alasan faktor tersebut menjadi
penting adalah bahwa beberapa kemungkinan jenis Sampel dapat terjadi dalam faktor itu. Kami
kemudian menentukan apakah ada perbedaan dalam faktor itu.

Teknik ini melibatkan langkah-langkah berikut:

(i) Dapatkan rata-rata dari setiap sampel yaitu, dapatkan

Ketika ada k sampel.

(ii) Hitung rata-rata mean sampel sebagai berikut:

240
(iii) Ambil penyimpangan rata-rata sampel dari rata-rata rata-rata sampel dan hitung Kuadrat
dari penyimpangan tersebut yang dapat dikalikan dengan jumlah item dalam
Sampel yang sesuai, dan kemudian mendapatkan totalnya. Ini dikenal sebagai jumlah
kuadrat untuk Varians antara sampel (atau SS antara). Secara simbolis, ini dapat ditulis:

(iv) Bagilah hasil langkah (iii) dengan derajat kebebasan antara sampel untuk mendapatkan
Varians atau mean square (MS) antar sampel. Secara simbolis, ini dapat ditulis:

Dimana (k – 1) mewakili derajat kebebasan (d.f.) antar sampel.

(v) Dapatkan penyimpangan nilai item sampel untuk semua sampel dari yang sesuai Rata-
rata sampel dan hitung kuadrat dari penyimpangan tersebut dan kemudian dapatkan Total.
Total ini dikenal sebagai jumlah kuadrat untuk varians dalam sampel (atau SS di dalam).
Secara simbolis ini dapat ditulis:

(vi) Bagi hasil (v) langkah dengan derajat kebebasan dalam sampel untuk mendapatkan
varians Atau mean square (MS) dalam sampel. Secara simbolis, ini dapat ditulis:

Harus diingat bahwa uji ANOVA selalu merupakan uji satu arah, karena nilai F yang
dihitung rendah dari sampel data akan berarti bahwa kecocokan sampel berarti hipotesis
nol (fiz...,x1 = ×2.....= Xk) adalah kecocokan yang sangat baik.

Di mana (n – k) mewakili derajat kebebasan dalam sampel,

N = jumlah total item dalam semua sampel yaitu, n1 + n2 + … + nk

K = jumlah sampel.

(vii) Untuk pemeriksaan, jumlah kuadrat deviasi untuk varians total juga dapat
dikerjakan dengan menambahkan kuadrat deviasi ketika deviasi untuk masing-masing
item di semua sampel telah diambil dari rata-rata sarana sampel. Secara simbolis, ini bisa
menjadi tertulis:

Jumlah ini harus sama dengan jumlah hasil (iii) dan (v) langkah yang dijelaskan
di atas yaitu., SS untuk varians total = SS antara + SS di dalam. Derajat kebebasan untuk
varians total akan sama dengan jumlah item dalam semua sampel dikurangi satu yaitu, (n
– 1). Derajat kebebasan antara dan di dalam harus ditambah hingga derajat kebebasan
untuk varians total yaitu,(n – 1) = (k – 1) + (n – k)

241
 Fakta ini menjelaskan sifat aditif dari teknik ANOVA.

(viii) Akhirnya, rasio-F dapat dikerjakan seperti di bawah ini:

Rasio ini digunakan untuk menilai apakah perbedaan antara beberapa rata-rata
sampel signifikan atau hanya masalah fluktuasi sampling. Untuk tujuan ini kita melihat
ke dalam tabel*, memberi nilai F untuk derajat kebebasan tertentu pada tingkat
signifikansi yang berbeda. Jika nilai F yang dikerjakan, seperti yang dinyatakan di atas,
lebih kecil dari nilai tabel F, selisihnya adalah diambil sebagai tidak signifikan yaitu,
karena kebetulan dan hipotesis nol tidak ada perbedaan antara sampel berarti berdiri. Jika
nilai F yang dihitung kebetulan sama atau lebih dari nilai tabelnya, perbedaannya
dianggap signifikan (yang berarti sampel tidak mungkin datang dari alam semesta yang
sama) dan dengan demikian kesimpulannya mungkin digambar. Semakin tinggi nilai F
hitung di atas nilai tabel, semakin pasti dan yakin seseorang bisa tentang kesimpulannya.

MENYIAPKAN ANALISIS TABEL VARIANSI

Demi kenyamanan informasi yang diperoleh melalui berbagai langkah yang disebutkan di atas
dapat diletakkan Seperti di bawah:

Ekstrak tabel yang memberikan nilai-F telah diberikan pada Lampiran di akhir buku pada Tabel
4 (a) dan 4 (b).

Tabel 11.1: Tabel Analisis Varians untuk Anova Satu Arah(Ada k sampel yang memiliki semua

n item)

METODE JALAN PINTAS UNTUK ANOVA SATU ARAH

ANOVA dapat dilakukan dengan mengikuti metode jalan pintas yang biasanya digunakan dalam
praktek karena: Hal yang sama merupakan metode yang sangat nyaman, terutama ketika sarana
sampel dan/atau Rata-rata rata-rata sampel kebetulan merupakan nilai non-integer. Berbagai
langkah yang terlibat dalam short-Metode pemotongan adalah sebagai berikut:

i. Ambil total nilai item individual dalam semua sampel yaitu, kerjakan Xij

242
 Saya = 1, 2, 3, …
J = 1, 2, 3, …

Dan menyebutnya sebagai T.

ii. Tentukan faktor koreksi seperti di bawah ini:

iii. Temukan kuadrat dari semua nilai item satu per satu dan kemudian ambil totalnya.
Kurangi Faktor koreksi dari total ini dan hasilnya adalah jumlah kuadrat untuk varians
total. Secara simbolis, kita dapat menulis:

iv. Dapatkan kuadrat dari setiap total sampel (Tj) 2 dan bagilah nilai kuadrat dari setiap
sampel dengan jumlah item dalam sampel yang bersangkutan dan ambil total hasilnya
sebagai berikut diperoleh. Kurangi faktor koreksi dari total ini dan hasilnya adalah jumlah
kuadrat untuk varians antar sampel. Secara simbolis, kita dapat menulis:

di mana subskrip j mewakili sampel atau kategori yang berbeda.

v. Jumlah kuadrat dalam sampel dapat diketahui dengan mengurangkan hasil dari (iv)
langkah dari hasil (iii) langkah tersebut di atas dan dapat dituliskan sebagai berikut:
Setelah melakukan semua ini, tabel ANOVA dapat diatur dengan cara yang sama seperti
yang dijelaskanlebih awal.

METODE KODE
Metode pengkodean merupakan kelanjutan dari metode jalan pintas. Ini didasarkan pada properti
penting dari F-ratio yang nilainya tidak berubah jika semua n nilai item dikalikan atau dibagi a.
Angka umum atau jika angka umum ditambahkan atau dikurangkan dari masing-masing n item
yang diberikan Nilai-nilai. Melalui metode ini angka-angka besar dikurangi besarnya dengan
pembagian atau pengurangan dan Pekerjaan komputasi disederhanakan tanpa gangguan pada
rasio-F. Metode ini harus digunakan Khususnya ketika angka yang diberikan besar atau tidak
nyaman. Setelah angka yang diberikan dikonversi Dengan bantuan beberapa angka umum, maka
semua langkah dari metode jalan pintas yang disebutkan di atas dapat Diadopsi untuk memperoleh
dan menafsirkan rasio-F.

Ilustrasi 1
Siapkan tabel analisis varians untuk data produksi per hektar berikut untuk tiga varietas Gandum,
masing-masing ditanam pada 4 petak dan nyatakan perbedaan varietasnya nyata.

243
Solusi: Kita dapat memecahkan masalah dengan metode langsung atau dengan metode jalan
pintas, tetapi dalam setiap kasus Kita akan mendapatkan hasil yang sama. Kami mencoba di
bawah kedua metode tersebut.

Solusi melalui metode langsung: Pertama kita menghitung rata-rata dari masing-masing sampel
ini:

Atau, itu (SS untuk varians total) juga dapat diselesaikan sebagai berikut:

SS untuk total = SS antara + SS dalam = 8 + 24 = 32

Kami sekarang dapat mengatur tabel ANOVA untuk masalah ini:

Tabel 11.2

244
 Tabel di atas menunjukkan bahwa nilai F hitung adalah 1,5 yang lebih kecil dari nilai
tabel 4,26 pada tingkat 5% dengan d.f. menjadi v1 = 2 dan v2 = 9 dan karenanya bisa muncul
karena kebetulan. Ini Analisis mendukung hipotesis nol tidak ada perbedaan berarti sampel. Oleh
karena itu, kami dapat menyimpulkan Bahwa perbedaan hasil gandum karena varietas tidak
signifikan dan hanya masalah kebetulan.

Solusi melalui metode jalan pintas: Dalam hal ini pertama-tama kita ambil total semua
individu Nilai dari n item dan menyebutnya sebagai T.

T dalam kasus yang diberikan = 60 Dan n = 12

Oleh karena itu, faktor koreksi = (T)²/n = 60 × 60/12 = 300. Sekarang total SS, SS antara dan SS
Dalam dapat dikerjakan seperti di bawah ini:

Dapat dicatat bahwa kita mendapatkan hasil yang persis sama seperti yang kita peroleh dalam
kasus direct Metode. Mulai sekarang dan seterusnya kita dapat mengatur tabel ANOVA dan
menginterpretasikan rasio-F dengan cara yang sama Seperti yang telah kita lakukan di bawah
metode langsung.

ANOVA DUA ARAH

Teknik ANOVA dua arah digunakan ketika data diklasifikasikan berdasarkan dua faktor. Untuk
Misalnya, hasil pertanian dapat diklasifikasikan berdasarkan varietas benih yang berbeda dan juga
Berdasarkan jenis pupuk yang digunakan. Sebuah perusahaan bisnis mungkin memiliki data
penjualan yang diklasifikasikan Atas dasar penjual yang berbeda dan juga atas dasar penjualan di
berbagai daerah. Di sebuah pabrik, Berbagai unit produk yang diproduksi selama periode tertentu
dapat diklasifikasikan berdasarkan perbedaan Jenis mesin yang digunakan dan juga atas dasar
kelas tenaga kerja yang berbeda. Desain dua arah seperti itu Mungkin memiliki pengukuran
berulang dari setiap faktor atau mungkin tidak memiliki nilai berulang. ANOVA Teknik ini
sedikit berbeda dalam hal pengukuran berulang di mana kami juga menghitung interaksi Variasi.
Kami sekarang akan menjelaskan teknik ANOVA dua arah dalam konteks keduanya Desain
dengan bantuan contoh.

245
(a) Teknik ANOVA dalam konteks desain dua arah ketika nilai berulang tidak ada: Seperti yang kita
tidak memiliki nilai berulang, kita tidak dapat langsung menghitung jumlah kuadrat dalam sampel
karena kita Telah dilakukan dalam kasus ANOVA satu arah. Oleh karena itu, kita harus
menghitung sisa atau kesalahan ini Variasi dengan pengurangan, setelah kami menghitung (hanya
pada baris yang sama seperti yang kami lakukan dalam kasus satu- Way ANOVA) jumlah kuadrat
varians total dan varians antarvarietas satu Perlakuan serta untuk varians antar varietas perlakuan
lainnya.
Berbagai langkah yang dilakukan adalah sebagai berikut:
i. Gunakan perangkat pengkodean, jika hal yang sama menyederhanakan tugas.
ii. Ambil total nilai masing-masing item (atau nilai kodenya sesuai dengan kasusnya)
Di semua sampel dan menyebutnya T.
iii. Hitung faktor koreksi seperti di bawah ini:

iv. Temukan kuadrat dari semua nilai item (atau nilai kodenya sesuai dengan kasusnya)
satu per satu Satu dan kemudian ambil totalnya. Kurangi faktor koreksi dari total ini
untuk mendapatkan jumlah Kuadrat deviasi untuk varians total. Secara simbolis, kita
dapat menuliskannya sebagai: Jumlah kuadrat deviasi untuk varians total atau total

SS.
v. Ambil total kolom yang berbeda dan kemudian dapatkan kuadrat dari setiap total
kolom dan bagilah nilai kuadrat seperti itu dari setiap kolom dengan jumlah item
dalam soal kolom dan ambil total dari hasil yang diperoleh. Akhirnya, kurangi faktor
koreksi dari total ini untuk mendapatkan jumlah kuadrat deviasi untuk varians antar
kolom atau (SS antar kolom).
vi. Ambil total baris yang berbeda dan kemudian dapatkan kuadrat dari setiap total baris
dan bagi Nilai kuadrat dari setiap baris dengan jumlah item di baris yang sesuai dan
ambil Total hasil yang diperoleh. Akhirnya, kurangi faktor koreksi dari total ini
menjadi Dapatkan jumlah kuadrat deviasi untuk varians antar baris (atau SS antar
baris).
vii. Jumlah kuadrat deviasi untuk varians residual atau error dapat diselesaikan dengan
mengurangkan Hasil penjumlahan langkah (v) dan (vi) dari hasil (iv) langkah di atas.
Di dalam Kata lain,Total SS – (SS antar kolom + SS antar baris) = SS untuk varians
residual atau error.
viii. Derajat kebebasan (d.f.) dapat dikerjakan sebagai berikut:
d.f. untuk varians total = (c .r – 1)
d.f. untuk varians antar kolom = (c – 1)
d.f. untuk varians antar baris = (r – 1)
d.f. untuk varians residual = (c – 1) (r – 1)
dimana : c = jumlah kolom
r = jumlah baris
ix. Tabel ANOVA dapat diatur dengan cara biasa seperti yang ditunjukkan di bawah ini:

246
 Tabel 11.3: Tabel Analisis Varians untuk Anova Dua Arah

Pada tabel c = jumlah kolom

r = jumlah baris

SS residual = Total SS – (SS antar kolom + SS antar baris).

Jadi, residu MS atau varians residual memberikan dasar untuk rasio-F mengenai
Variasi antara perlakuan kolom dan perlakuan antar baris. Sisa MS selalu Karena
fluktuasi pengambilan sampel, dan karenanya berfungsi sebagai dasar untuk uji
signifikansi. Kedua rasio-F dibandingkan dengan nilai tabel yang sesuai, untuk derajat
yang diberikan Kebebasan pada tingkat signifikansi tertentu, seperti biasa dan jika
ditemukan F-ratio tentang variasi antar kolom sama dengan atau lebih besar dari nilai
tabelnya, Maka selisih rata-rata antar kolom dianggap signifikan. Demikian pula, rasio-F
Mengenai variasi antar baris dapat diinterpretasikan.

Ilustrasi 2
Buatlah tabel analisis varians untuk hasil desain dua arah berikut ini:

Data Produksi Gandum Per Acre

Nyatakan juga apakah perbedaan varietas nyata pada taraf 5%.

Solusi: Karena masalah yang diberikan adalah desain eksperimen dua arah tanpa nilai berulang,
kita akan Mengadopsi semua langkah yang disebutkan di atas saat menyiapkan tabel ANOVA
seperti yang diilustrasikan berikut ini: Halaman.

Tabel ANOVA dapat diatur untuk masalah yang diberikan seperti yang ditunjukkan pada
Tabel 11.5.

247
 Dari tabel ANOVA tersebut, kami menemukan bahwa perbedaan mengenai varietas
benih tidak signifikan Pada tingkat 5% karena F-ratio hitung 4 lebih kecil dari nilai tabel 5,14,
tetapi variasinya berbeda Tentang pupuk signifikan karena F-ratio hitung 6 lebih besar dari nilai
tabelnya sebesar 4,76.

(b) Teknik ANOVA dalam konteks desain dua arah ketika ada nilai berulang: Dalam kasus desain
dua arah dengan pengukuran berulang untuk semua kategori, kita dapat memperoleh yang terpisah
Ukuran independen dari variasi yang melekat atau terkecil. Untuk ukuran ini kita dapat
menghitung jumlah Kuadrat dan derajat kebebasan dengan cara yang sama seperti kita
menghitung jumlah kuadrat untuk Varians dalam sampel dalam kasus ANOVA satu arah. Total
SS, SS antar kolom dan SS Antar baris juga dapat dikerjakan seperti yang dinyatakan di atas.
Kami kemudian menemukan sisa jumlah kuadrat dan Derajat kebebasan yang tersisa yang
digunakan untuk apa yang dikenal sebagai ‘variasi interaksi’ (Interaksi Adalah ukuran hubungan
antar dua klasifikasi yang berbeda). Setelah membuat semua ini Perhitungan, tabel ANOVA dapat
diatur untuk menggambar kesimpulan. Kami mengilustrasikan hal yang sama dengan contoh.

Tabel 11.4: Perhitungan untuk Anova Dua Arah (dalam desain tanpa nilai berulang)

Tabel 11.5: Tabel Anova

Ilustrasi 3
Siapkan tabel ANOVA untuk informasi berikut yang berkaitan dengan tiga pengujian obat untuk
menilai: Efektivitas dalam mengurangi tekanan darah untuk tiga kelompok orang yang berbeda:

248
 Jumlah Penurunan Tekanan Darah dalam Milimeter Merkuri

Apakah obat bekerja secara berbeda?

Apakah kelompok orang yang berbeda terpengaruh secara berbeda?

Apakah istilah interaksi itu signifikan?

Jawablah pertanyaan di atas dengan mengambil taraf signifikan 5%.

Solusi: Pertama-tama kita membuat semua perhitungan yang diperlukan seperti yang ditunjukkan
di bawah ini:

Kita dapat mengatur tabel ANOVA yang ditunjukkan pada Tabel 11.7 (Halaman 269).

249
Tabel 11.6: Perhitungan untuk Anova Dua Arah (dalam desain dengan nilai berulang)

Tabel 11.7: Tabel Anova

250
• Angka-angka ini adalah angka-angka sisa dan diperoleh dengan mengurangkan dari total kolom
total semua lainnya

Nilai pada kolom tersebut. Jadi, interaksi SS = (76,28) – (28,77 + 14,78 + 3,50) = 29,23 dan
derajat kebebasan interaksi = (17) – (2 + 2 + 9) = 4.

Tabel di atas menunjukkan bahwa ketiga F-rasio signifikan pada taraf 5% yang berarti
bahwa Obat bertindak secara berbeda, kelompok orang yang berbeda terpengaruh secara
berbeda dan istilah interaksi Signifikan. Faktanya, jika istilah interaksi itu signifikan, tidak ada
gunanya berbicara tentang Perbedaan antara berbagai perawatan yaitu, perbedaan antara
obat atau perbedaan antara Sekelompok orang dalam kasus tertentu. Metode grafis
mempelajari interaksi dalam desain dua arah: Interaksi dapat dipelajari dalam a Desain dua arah
dengan pengukuran berulang melalui metode grafis juga.
grafik seperti itu kita Harus memilih salah satu faktor yang akan digunakan sebagai sumbu X.
Kemudian kami memplot rata-rata untuk semua sampel Pada grafik dan hubungkan rata-rata
untuk setiap variasi faktor lainnya dengan tanda yang berbeda (atau a Garis berwarna). Jika
garis penghubung tidak saling bersilangan, maka grafik menunjukkan bahwa ada Tidak ada
interaksi, tetapi jika garis-garis itu bersilangan, mereka menunjukkan interaksi atau hubungan
yang pasti antara Kedua faktor tersebut. Mari kita menggambar grafik seperti itu untuk data
ilustrasi 3 bab ini untuk melihat apakah Ada interaksi antara dua faktor yaitu, obat-obatan dan

kelompok orang.
Gambar 11.1

251
• Atau, grafik dapat dibuat dengan mengambil kelompok orang yang berbeda pada sumbu X dan
menggambar garis untuk berbagai obat Melalui rata-rata.

Grafik tersebut menunjukkan bahwa terdapat interaksi yang signifikan karena garis
penghubung yang berbeda Untuk kelompok orang melakukan menyeberang satu sama lain. Kami
menemukan bahwa A dan B terpengaruh sangat mirip, tetapi C dipengaruhi secara berbeda.
Penurunan tekanan darah tertinggi pada kasus C adalah dengan obat Y dan Pengurangan terendah
adalah dengan obat Z, sedangkan penurunan tekanan darah tertinggi pada kasus A dan B Adalah
dengan obat X dan reduksi terendah adalah dengan obat Y. Jadi, ada hubungan timbal balik yang
pasti antara Obat-obatan dan kelompok orang dan seseorang tidak dapat membuat pernyataan
yang kuat tentang narkoba kecuali dia Juga memenuhi syarat kesimpulannya dengan menyatakan
kelompok orang mana yang dia hadapi. Dalam situasi seperti itu, Melakukan F-tes tidak ada
artinya. Tetapi jika garis tidak saling bersilangan (dan tetap lebih atau Kurang identik), maka tidak
ada interaksi atau interaksi tersebut dianggap tidak signifikan Nilai, dalam hal ini peneliti harus
melanjutkan untuk menguji efek utama, obat-obatan dan orang-orang di Kasus yang diberikan,
seperti yang dinyatakan sebelumnya.

ANOVA DALAM DESAIN KOTAK LATIN

Desain bujur sangkar Latin adalah desain eksperimental yang sering digunakan dalam penelitian
pertanian. Seperti Desain perawatan dialokasikan sedemikian rupa di antara plot sehingga tidak
ada perawatan yang terjadi, lebih dari sekali dalam Salah satu baris atau salah satu kolom. Teknik
ANOVA dalam hal desain persegi Latin tetap ada Kurang lebih sama seperti yang telah kami
nyatakan dalam kasus desain dua arah, kecuali fakta bahwa

Varians dibagi menjadi empat bagian seperti di bawah ini:

i. Varians antar kolom;

ii. Varians antar baris;
iii. Varians antar varietas;
iv. Varians residual.

Semua varians yang disebutkan di atas ini dikerjakan seperti di bawah:

252
 Tabel 11.8

• Di tempat c kita juga dapat menulis r atau v karena dalam desain bujur sangkar latin c = r = v.

Ilustrasi 4
Analisis dan tafsirkan statistik berikut mengenai output gandum per ladang yang diperoleh
sebagai: hasil percobaan yang dilakukan untuk menguji empat varietas gandum yaitu, A, B, C dan
D di bawah desain persegi.

Solusi: Dengan menggunakan metode pengkodean, kami mengurangi 20 dari angka yang
diberikan di masing-masing kecil Kotak dan mendapatkan angka kode seperti di bawah ini:

253
 Gambar 11.2 (a)
Mengkuadratkan angka-angka berkode ini dalam berbagai kolom dan baris yang kita miliki:

254
SS untuk varians antar varietas akan dikerjakan seperti di bawah:

255
 Untuk menemukan SS untuk varians antar varietas, pertama-tama kita akan mengatur ulang data
yang dikodekan dalam Bentuk berikut:

Tabel 11. 9

Sekarang kita dapat menghitung SS untuk varians antar varietas seperti di bawah ini:

• Jumlah kuadrat untuk varians residual akan menghasilkan

113 – (7,5 + 46,5 + 48,5) = 10,50

d.f. untuk varians antar kolom = (c – 1) = (4 – 1) = 3

d.f. untuk varians antar baris = (r – 1) = (4 – 1) = 3

d.f. untuk varians antar varietas = (v – 1) = (4 – 1) = 3

d.f. untuk varians total = (n – 1) = (16 – 1) = 15

d.f. untuk varians residual = (c – 1) (c – 2) = (4 – 1) (4 – 2) = 6

Tabel ANOVA sekarang dapat diatur seperti yang ditunjukkan di bawah ini:

Tabel 11. 10: Tabel Anova dalam Desain Persegi Latin

256
 Tabel di atas menunjukkan bahwa varians antar baris dan varians antar varietas signifikan
Dan bukan karena faktor kebetulan pada taraf signifikansi 5% seperti nilai yang dihitung dari
kedua hal tersebut Varians masing-masing adalah 8,85 dan 9,24 yang lebih besar dari nilai tabel
4,76. Tapi varians Antar kolom tidak signifikan dan karena kebetulan karena nilai hitung 1,43
lebih kecil Dari nilai tabel sebesar 4,76.

ANALISIS CO-VARIANS (ANOCOVA)

MENGAPA ANOCOVA?
Objek desain eksperimental pada umumnya adalah untuk memastikan bahwa hasil yang
diamati dapat Dikaitkan dengan variabel pengobatan dan tidak ada keadaan kausal lainnya.
Misalnya, Peneliti mempelajari satu variabel independen, X, mungkin ingin mengontrol pengaruh
dari beberapa variabel yang tidak terkontrol Variabel (kadang-kadang disebut kovariat atau
variabel penyerta), Z, yang dikenal sebagai Berkorelasi dengan variabel terikat, Y, maka ia harus
menggunakan teknik analisis kovarians Untuk evaluasi yang valid dari hasil percobaan. “Dalam
psikologi dan pendidikan dasar Minat dalam analisis kovarians terletak pada penggunaannya
sebagai prosedur untuk kontrol statistik suatu Variabel yang tidak terkontrol.”2

TEKNIK ANOCOVA
Saat menerapkan teknik ANOCOVA, pengaruh variabel yang tidak terkontrol biasanya
dihilangkan Dengan metode regresi linier sederhana dan jumlah sisa kuadrat digunakan untuk
memberikan varians Perkiraan yang pada gilirannya digunakan untuk membuat tes signifikansi.
Dengan kata lain, analisis kovarians Terdiri dari pengurangan dari setiap skor individu (Yi) bagian
itu Yi Yang dapat diprediksi dari Variabel tak terkendali (Zi) dan kemudian menghitung analisis
varians yang biasa pada hasil (Y – Y´), tentu saja membuat penyesuaian derajat kebebasan karena
fakta bahwa Estimasi dengan menggunakan metode regresi membutuhkan kehilangan derajat
kebebasan.*

2 George A-Ferguson, Analisis Statistik dalam Psikologi dan Pendidikan, edisi ke-4, hal. 347.

• Derajat kebebasan yang terkait dengan jumlah kuadrat yang disesuaikan akan seperti di

bawah:

ASUMSI DALAM ANOCOVA

Teknik ANOCOVA mengharuskan seseorang untuk mengasumsikan bahwa ada semacam
hubungan antara Variabel terikat dan variabel tidak terkendali. Kami juga berasumsi bahwa
bentuk hubungan ini adalah

Sama pada berbagai kelompok perlakuan. Asumsi lainnya adalah:

i. Berbagai kelompok perlakuan dipilih secara acak dari populasi.

ii. Kelompok-kelompok tersebut homogen dalam variabilitasnya.
iii. Regresi linier dan sama dari kelompok ke kelompok.

257
Metode jalan pintas untuk ANOCOVA dapat dijelaskan melalui contoh seperti yang ditunjukkan:
di bawah:

Ilustrasi 5
Berikut ini adalah pengamatan berpasangan untuk tiga kelompok eksperimen:

SS dalam untuk X = (SS total untuk X) – (SS antara untuk X)

= (1859.73) – (1588.13) = 271.60

258
 Demikian pula kami mengerjakan nilai-nilai berikut sehubungan dengan Y

SS dalam untuk Y = (total SS untuk Y) – (SS antara untuk Y)

= (794) – (519.6) = 274.4

Kemudian, kami menghitung nilai-nilai berikut sehubungan dengan X dan Y

SS dalam untuk XY = (Jumlah total produk) – (SS antara untuk XY)

= (1106) – (908) = 198

Tabel ANOVA untuk X, Y dan XY sekarang dapat diatur seperti yang ditunjukkan di bawah ini:

Tabel Anova untuk X, Y dan XY

SS yang disesuaikan antar grup = (SS total yang disesuaikan) – (SS yang disesuaikan dalam grup)

= (319.13 – 128.73)

= 190,40

259
 Tabel Anova untuk X yang Disesuaikan

tingkat 5%, nilai tabel F untuk v1 = 2 dan v2 = 11 adalah 3,98 dan pada taraf 1%
nilai tabel F adalah 7.21. Kedua nilai ini kurang dari nilai yang dihitung (yaitu, nilai yang dihitung
dari 8,14 lebih besarDari nilai tabel) dan karenanya kami menyimpulkan bahwa rasio-F signifikan
pada kedua tingkat yang berarti Perbedaan rata-rata kelompok adalah signifikan.

Cara yang disesuaikan pada X akan dikerjakan sebagai berikut:

Rata-rata grup yang disesuaikan dalam X = (Rata-rata akhir) – b (deviasi rata-rata awal dari rata-
rata kasus Y)

Karenanya,

Rata-rata yang disesuaikan untuk Grup I = (9,80) – 0,7216 (–7.4) = 15,14

Rata-rata yang disesuaikan untuk Grup II = (22,80) – 0,7216 (0,40) = 22,51

Rata-rata yang diselsuaikan untuk Grup III = (35,00) – 0,7216 (7,00) = 29,95

Pertanyaan
1.(a) Jelaskan pengertian analisis varians. Jelaskan secara singkat teknik analisis varians untuk

Klasifikasi satu arah dan dua arah.

(b) Nyatakan asumsi dasar analisis varians.

2. Apa yang dimaksud dengan sifat aditif dari teknik analisis varians? Jelaskan bagaimana

Teknik ini lebih unggul dibandingkan dengan sampling.

3. Tulislah catatan singkat tentang hal-hal berikut:

260
(i) Desain bujur sangkar Latin.

(ii) Pengkodean dalam konteks analisis varians.

(iii)-ratio dan interpretasinya.

(iv) Signifikansi analisis varians.

4. Di bawah ini diberikan hasil panen per hektar gandum untuk enam petak yang mengikuti
kompetisi panen, ada petak-petak itu

Ditaburkan dengan gandum varietas A dan tiga dengan B.

Buatlah tabel analisis varians dan hitung F. Nyatakan apakah selisih antara hasil Dua varietas
signifikan mengambil 7,71 sebagai nilai tabel F pada taraf 5% untuk v1 = 1 dan v2 = 4.

(Ujian EAFM Semester II M.Com., Universitas Rajasthan,

1976)

5. Pupuk kandang tertentu digunakan pada empat petak lahan A, B, C dan D. Empat bedengan
disiapkan di setiap petak dan Pupuk kandang yang digunakan. Output tanaman di bedengan plot
A, B, C dan D diberikan di bawah ini:

Keluaran pada Plot

Cari tahu apakah perbedaan sarana produksi tanaman di petak-petak itu signifikan atau tidak.

6. Sampaikan kesimpulan Anda setelah melakukan analisis varians pada hasil kuadrat Latin
berikut ini Eksperimen desain yang dilakukan terhadap lima pupuk yang digunakan pada petak-
petak dengan tingkat kesuburan yang berbeda

261
7. Uji hipotesis pada taraf signifikansi 0,05 bahwa 123 = = untuk data berikut: sampel

8. Tiga varietas gandum W1, W2 Dan W3 Diperlakukan dengan empat pupuk yang berbeda yaitu,
f

1, F2, F3 Dan f4. NS Hasil gandum per hektar adalah sebagai berikut:

Buatlah tabel untuk analisis varians dan kerjakan rasio-F sehubungan dengan hal di atas. Apakah
F-rasio signifikan?

262
9. Tabel berikut menunjukkan penjualan bulanan (dalam ribuan rupee) dari sebuah perusahaan
tertentu di tiga negara bagian berdasarkan: empat penjual:

Siapkan tabel analisis varians untuk informasi di atas. Hitung koefisien-F dan nyatakan apakah
Perbedaan antara penjualan yang dipengaruhi oleh empat penjual dan perbedaan antara penjualan
yang dipengaruhi oleh tiga Negara adalah signifikan.

10. Tabel berikut menggambarkan sampel peringkat kesehatan psikologis eksekutif perusahaan
di lapangan: Perbankan. Manufaktur dan Ritel Fashion:

Bisakah kita menganggap kesehatan psikologis eksekutif perusahaan di tiga bidang yang
diberikan sama?Tingkat signifikansi 5%?

11. Tabel berikut menunjukkan masa pakai lampu listrik dalam jam yang dipilih secara acak dari
empat kelompok:

Lakukan analisis varians dari data ini dan tunjukkan bahwa uji signifikansi tidak menolaknya
Homogenitas. (M.Phil. (EAFM) Ujian., Universitas Raj., 1979)

12. Apakah variasi interaksi signifikan dalam hal informasi berikut mengenai jarak tempuh
berdasarkan Berbagai merek bensin dan mobil?

263
13. Berikut ini adalah pengamatan berpasangan untuk tiga kelompok eksperimen mengenai
eksperimen yang melibatkan: tiga metode pengajaran yang dilakukan pada satu kelas.

X mewakili pengukuran awal pencapaian dalam suatu mata pelajaran dan Y pengukuran akhir
setelah mata pelajaran Telah diajarkan. 12 murid ditugaskan secara acak ke 3 kelompok yang
masing-masing terdiri dari 4 murid, satu kelompok dari satu Metode seperti yang ditunjukkan
pada tabel. Menerapkan teknik analisis kovarians untuk menganalisis hasil eksperimen dan
kemudian menyatakan Apakah metode pengajaran berbeda secara signifikan pada tingkat 5%.
Hitung juga rata-rata yang disesuaikan pada Y. [Jawab: F-rasio tidak signifikan dan karenanya
tidak ada perbedaan karena metode pengajaran.

Sarana yang disesuaikan pada Y akan seperti di bawah ini:

Untuk Grup I 20,70

Untuk Grup II 24.70

Untuk Golongan III 22.60]

264
 12. Pengujian Hipotesis-II
(Pengujian Nonparametrik atau Bebas Distribusi)

Telah dinyatakan dalam bab-bab sebelumnya bahwa uji statistik adalah teknik formal,
berdasarkan beberapa distribusi probabilitas, untuk sampai pada keputusan tentang kewajaran
suatu pernyataan atau hipotesis. Teknik pengujian menggunakan satu atau lebih nilai yang
diperoleh dari data sampel (sering disebut statistik uji) untuk sampai pada pernyataan probabilitas
tentang hipotesis. Tetapi teknik pengujian semacam itu juga menggunakan beberapa pernyataan
lagi tentang populasi dari mana sampel diambil. Misalnya, diasumsikan bahwa populasi
terdistribusi normal, sampel yang diambil adalah sampel acak dan asumsi serupa lainnya.
Normalitas distribusi populasi membentuk dasar untuk membuat kesimpulan statistik tentang
sampel yang diambil dari populasi. Tetapi tidak ada asumsi seperti itu yang dibuat dalam kasus
pengujian non-parametrik. Dalam uji statistik, dua
jenis asersi terlibat yaitu asersi yang berhubungan langsung dengan tujuan investigasi dan asersi
lain untuk membuat pernyataan probabilitas. Yang pertama adalah pernyataan yang akan diuji
dan secara teknis disebut hipotesis, sedangkan himpunan semua pernyataan lainnya disebut
model. Ketika kita menerapkan tes (untuk menguji hipotesis) tanpa model, itu dikenal sebagai uji
bebas distribusi, atau uji nonparametrik. Tes non-parametrik tidak membuat asumsi tentang
parameter populasi dan dengan demikian tidak menggunakan parameter distribusi. Dengan kata
lain, di bawah pengujian non-parametrik atau bebas distribusi, kami tidak berasumsi bahwa
distribusi tertentu dapat diterapkan, atau bahwa nilai tertentu melekat pada parameter populasi.
Misalnya, saat menguji dua metode pelatihan, katakana A dan B, untuk menentukan keunggulan
satu di atas yang lain, jika kita tidak mengasumsikan bahwa skor peserta pelatihan berdistribusi
normal atau bahwa skor rata-rata semua peserta pelatihan mengambil metode A akan menjadi
nilai tertentu, maka metode pengujiannya dikenal sebagai metode bebas distribusi atau
nonparametrik. Faktanya, ada peningkatan penggunaan tes semacam itu dalam situasi ketika
asumsi normalitas terbuka untuk diragukan. Akibatnya banyak tes bebas distribusi telah
dikembangkan yang tidak bergantung pada bentuk distribusi atau berurusan dengan parameter
populasi yang mendasarinya. Bab ini membahas beberapa tes tersebut.
TES NONPARAMETRIK PENTING ATAU BEBAS DISTRIBUSI
Pengujian hipotesis dengan 'statistik urutan' atau 'statistik nonparametrik' atau statistik 'bebas
distribusi' dikenal sebagai uji nonparametrik atau bebas distribusi. Tes bebas distribusi berikut ini
penting dan umumnya digunakan :
(i) Uji hipotesis mengenai beberapa nilai tunggal untuk data yang diberikan (seperti uji tanda
satu sampel).
(ii) Uji hipotesis mengenai tidak ada perbedaan antara dua atau lebih kumpulan data
(seperti uji tanda dua sampel, uji Fisher-Irwin, uji jumlah peringkat, dll.).
(iii) Uji hipotesis hubungan antarvariabel (seperti korelasi Rank, Koefisien konkordansi Kendall
dan tes lain untuk ketergantungan.
(iv) Uji hipotesis mengenai variasi dalam data yang diberikan yaitu, uji analog dengan ANOVA
yaitu, Kruskal-Wallistest.
(v) Tes keacakan sampel berdasarkan teori run yaitu, satu sampel uji run.
(vi) Uji hipotesis untuk menentukan apakah data kategorikal menunjukkan ketergantungan atau
jika dua klasifikasi independen yaitu, uji chi-kuadrat. (Uji chi-kuadrat telah dibahas dalam
Bab 10.) Uji chi-kuadrat juga dapat digunakan untuk membuat perbandingan antara populasi
teoretis dan data aktual ketika kategori digunakan.

265
Mari kita jelaskan dan ilustrasikan beberapa tes yang disebutkan di atas yang sering digunakan
dalam praktik.
1. Tanda Tes
Tes Tanda adalah salah satu tes parametric yang paling mudah. Namanya bersasal dari fakta
bahwa itu didasarkan pada arah tanda plus atau minus pengamatan dalam sampel dan bukan pada
bedsaran numeriknya. Tes tanda mungkin salah satu dari dua jenis berikut :
a) Satu sampel uji tanda;
b) Uji tanda dua sampel.
a) satu sampel uji tanda: uji satu sampel tanda adalah uji non-parametrik yang sangat sederhana
yang berlaku ketika kita mengambil sampel populasi simetris kontinu dimana probabilitas
mendapatkan nilai sampel kurang dari rata-rata adalah ½ dan Probabilitas mendapatkan nilai
sampel lebih besar dari rata-rata adalah juga ½ . untuk menguji hipotesis H terhadap
alternatif yang tepat berdasarkan sampel acak ukuran ‘n’, kita ganti nilai setiap item sampel
dengan plus (+) tanda jika lebih besar dari H , dan dengan tanda minus(-) jika lebih kecil H.
tetapi jika nilainya terjadi menjadi sama dengan H, maka kita buang saja. Setelah melakukan
ini, kami menguji hipotesis H bahwa ini tanda + dan – adalah nilai dari variabel acak, memiliki
distribusi binomial dengan p=1/2’. untuk melakukan satu uji tanda sampel ketika sampelnya kecil,
kita dapat menggunakan tabel probabilitas binomial, tetapi ketika sampelnya besar, kami
menggunakan pendekatan normal untuk distribusi binomial. Mari kita ambil ilustrasi untuk
menerapkan satu contoh uji tanda.
*Jika karena satu dan lain alasan tidak mungkin untuk mengamsumsikan populasi yang simetris,
maka kita dapat menggunakan satu sampel uji tanda, tetapi kita kemudian akan menguji hipotesis
~ ~ adalah median populasi.
H0. Dimana

Ilustrasi 1
Misalkan bermain golf empat putaran di CityClub11 profesional berjumlah 280, 282, 290, 273,
283, 283, 275, 284, 282, 279, dan 281. Gunakan uji tanda pada taraf signifikansi 5% untuk
menguji hipotesis nol rata-rata pegolf profesional itu H 0 = 284 untuk empat putaran melawan
hipotesis alternative 0 < 284.

Penyelesaian:
Untuk menguji hipotesis H0 = 284 melawan hipotesis alternatif H < 284 pada 5% (atau 0,05)
tingkat signifikansi, pertama-tama kita ganti setiap nilai lebih besar dari 284 dengan tanda plus
dan setiap nilai kurang dari 284 dengan tanda minus dan membuang satu nilai yang sebenarnya
sama dengan 284. Jika kita melakukan ini, kita dapatkan
–,–,+,–,–,–,–,–,–,–.

266
Sekarang kita dapat memeriksa apakah satu tanda plus yang diamati dalam 10 percobaan
mendukung hipotesis nol P = 1/2 atau hipotesis alternatif P < 1/2. Probabilitas satu atau lebih
sedikit keberhasilan dengan n = 10 dan P = 1/2 dapat dikerjakan seperti di bawah ini :

Nilai-nilai ini juga dapat dilihat dari tabel probabilitas binomial*Kapan P = 1/2 dan n = 10) =
0,011.
Karena nilai ini kurang dari = 0,05, hipotesis nol harus ditolak. Dengan kata lain, kita
menyimpulkan bahwa rata-rata pegolf profesional kurang dari 284 untuk empat putaran golf.
Atau, kita juga dapat menggunakan pendekatan normal untuk distribusi binomial. Jika
kita melakukan itu, kita menemukan proporsi keberhasilan yang diamati, berdasarkan tanda-tanda
yang kita peroleh, adalah 1/10 dan proporsi kegagalan adalah 9/10. kesalahan standar proporsi
dengan asumsi hipotesis nolP = 1/2 adalah seperti di bawah ini :

Untuk menguji hipotesis nol yaitu, P = 1/2 melawan hipotesis alternatif P < 1/2, uji satu sisi sesuai
yang dapat ditunjukkan seperti yang ditunjukkan pada Gambar. 12.1. Dengan
menggunakan tabel luas di bawah kurva normal, kami menemukan yang sesuai z nilai untuk 0,45
dari area di bawah kurva normal dan itu adalah 1,64. Dengan menggunakan ini, kami sekarang
menentukan batas (di sisi bawah karena hipotesis alternatif adalah < jenis) dari wilayah
penerimaan seperti di bawah :

Karena proporsi keberhasilan yang diamati hanya 1/10 atau 0,1 yang datang di wilayah penolakan,
kami menolak hipotesis nol pada tingkat signifikansi 5% dan menerima hipotesis alternatif. Jadi,

267
kami menyimpulkan bahwa rata-rata pegolf profesional kurang dari 284 untuk empat putaran
golf.
(b) Dua sampel uji tanda (atau uji tanda untuk data berpasangan) : Tes tanda memiliki aplikasi
penting dalam masalah di mana kita berurusan dengan data berpasangan. Dalam masalah seperti
itu, setiap pasangan nilai dapat diganti dengan tanda plus (+) jika nilai pertama dari sampel
pertama (katakanlah X) lebih besar dari nilai pertama dari sampel kedua (katakanlah kamu) dan
kita ambil tanda minus (–) jika nilai pertama dari x lebih kecil dari nilai pertama dari Y. Jika
kedua nilai sama, pasangan yang bersangkutan dibuang. (Jika dua sampel tidak memiliki ukuran
yang sama, maka beberapa nilai sampel yang lebih besar yang tersisa setelah pengacakan harus
dibuang.) Teknik pengujian tetap sama seperti yang dimulai dalam kasus satu uji tanda sampel.
Sebuah contoh dapat diambil untuk menjelaskan dan menggambarkan uji tanda dua sampel.
Ilustrasi 2
Berikut ini adalah jumlah artefak yang digali oleh dua arkeolog di tempat tinggal tebing kuno
pada 30 hari.

Gunakan uji tanda pada tingkat signifikansi 1% untuk menguji hipotesis nol bahwa kedua
arkeolog, x dan kamu, sama-sama pandai menemukan artefak melawan hipotesis alternatif bahwa
x lebih baik.
Penyelesaian :
Pertama-tama nilai pasangan yang diberikan diubah menjadi tanda (+ atau –) seperti di bawah :

Jumlah total tanda + = 20

Jumlah total tanda – = 6
Jadi, ukuran sampel = 26
(Karena ada 4 nol di baris tanda dan karena empat pasangan tersebut dibuang, kita akan
mendapatkan 30 – 4 = 26.)
Jadi proporsi yang diamati dari kelebihan (atau keberhasilan) dalam sampel adalah = 20/26 =
0,7692 dan proporsi yang diamati dari kekurangan (atau kegagalan) dalam sampel adalah = 6/26
= 0,2308.
Saat kita menguji hipotesis nol bahwa kedua arkeolog x dan kamu sama-sama baik dan
jika demikian, jumlah plus dan minus harus sama dan karena itu P = 1/2 dan q = 1/2. Oleh karena
itu, kesalahan standar proporsi keberhasilan, mengingat hipotesis nol dan ukuran sampel, kami
memiliki :

268
 Karena hipotesis alternatifnya adalah bahwa para arkeolog x lebih baik (atau P > 1/2),
kami menemukan satu tes berekor sesuai. Ini dapat ditunjukkan seperti di bawah, menerapkan
pendekatan normal ke binomial distribusi dalam kasus yang diberikan :

Dengan menggunakan tabel luas di bawah kurva normal, kami menemukan yang sesuai z nilai
untuk 0,49 dari area di bawah kurva normal dan itu adalah 2,32. Dengan menggunakan ini, kami
sekarang menentukan batas (di sisi atas karena hipotesis alternatif adalah tipe >) dari wilayah
penerimaan seperti di bawah :

dan kami sekarang menemukan proporsi keberhasilan yang diamati adalah 0,7692 dan ini
datang di wilayah penolakan dan dengan demikian kami menolak hipotesis nol, pada tingkat
signifikansi 1%, bahwa dua arkeolog x dan kamu sama-sama baik. Dengan kata lain, kami
menerima hipotesis alternatif, dan dengan demikian menyimpulkan bahwa arkeolog x lebih baik.
Tes tanda, seperti dijelaskan di atas, cukup sederhana dan dapat diterapkan dalam konteks
tes satu sisi dan dua sisi. Mereka umumnya didasarkan pada distribusi binomial, tetapi ketika
ukuran sampel kebetulan cukup besar (sehingga n P dan n Q keduanya lebih besar dari5), kita
juga dapat menggunakan pendekatan normal untuk distribusi binomial.
2. Tes Fisher-Iwin
Uji Fisher-Irwin adalah uji bebas distribusi yang digunakan dalam menguji hipotesis
mengenai tidak ada perbedaan antara dua set data. Ini digunakan untuk menentukan apakah
seseorang dapat secara wajar berasumsi, misalnya, bahwa dua perlakuan yang dianggap berbeda
ternyata berbeda dalam hal hasil yang mereka hasilkan. Misalkan manajemen unit bisnis telah
merancang program pelatihan baru yang sekarang sudah siap dan karena itu ingin menguji
kinerjanya terhadap program pelatihan lama. Untuk tujuan ini, tes dilakukan sebagai berikut:
Dua belas pekerja baru dipilih untuk eksperimen melalui prosedur seleksi standar
sehingga kami menganggap bahwa mereka memiliki kemampuan yang sama sebelum
eksperimen. Kelompok yang terdiri dari dua belas orang ini kemudian dibagi menjadi dua
kelompok yang masing-masing beranggotakan enam orang, satu kelompok untuk setiap program
pelatihan. Pekerja secara acak ditugaskan ke dua kelompok. Setelah pelatihan selesai, semua
pekerja diberikan pemeriksaan yang sama dan hasilnya Dibawah :

269
 Tampilan kasual dari hasil di atas menunjukkan bahwa program pelatihan baru lebih
unggul. Tetapi muncul pertanyaan: Benarkah demikian? Hanya saja kemungkinan perbedaan
hasil kedua kelompok tersebut disebabkan oleh faktor kebetulan. Hasil seperti itu mungkin terjadi
meskipun kedua program pelatihan itu sama-sama bagus. Lalu bagaimana keputusan bisa
diambil? Kita dapat menguji hipotesis untuk tujuan tersebut. Hipotesisnya adalah kedua program
tersebut sama-sama bagus. Sebelum pengujian, tingkat signifikansi (atau nilai) harus ditentukan
dan seandainya manajemen memperbaiki tingkat 5% untuk tujuan tersebut, yang harus selalu
dihormati setelah pengujian untuk menjaga terhadap bias yang masuk ke dalam hasil dan untuk
menghindari kemungkinan ketidakstabilan bagian dari pembuat keputusan. Probabilitas yang
diperlukan bahwa hasil tertentu atau yang lebih baik untukA Kelompok akan terjadi jika kedua
program pelatihan tersebut, di fakta, sama baiknya, (sebagai alternatif kemungkinan bahwa hasil
tertentu atau lebih buruk untuk B kelompok akan terjadi) dikerjakan. Ini harus dilakukan dengan
tetap memperhatikan prinsip-prinsip probabilitas. Untuk kasus yang diberikan, probabilitas
bahwa GrupA memiliki hasil tertentu atau lebih baik, dengan hipotesis nol bahwa kedua program
sama-sama baik, adalah sebagai berikut :

Sekarang kita harus membandingkan probabilitas yang dihitung ini dengan tingkat signifikansi
5% atau 0,05 yang telah ditentukan oleh manajemen. Jika kita melakukannya, kita perhatikan
bahwa nilai yang dihitung lebih besar dari 0,05 dan karenanya, kita harus menerima hipotesis nol.
Artinya pada taraf signifikansi 5% hasil yang diperoleh pada tabel di atas tidak signifikan. Oleh
karena itu, kita dapat menyimpulkan bahwa kedua program pelatihan sama-sama baik.
Tes ini (Uji Fisher-Irwin), diilustrasikan di atas, berlaku untuk situasi di mana hasil yang
diamati untuk setiap item dalam sampel dapat diklasifikasikan ke dalam salah satu dari dua
kategori yang saling eksklusif. Misalnya, dalam contoh yang diberikan kinerja pekerja
diklasifikasikan sebagai gagal atau lulus dan oleh karena itu diperoleh angka gagal dan lulus di
setiap kelompok. Tetapi seandainya skor setiap pekerja juga diberikan dan kami hanya
menerapkan tes Fisher-Irwin seperti di atas, maka tentu saja kami membuang informasi yang
berguna mengenai seberapa baik skor seorang pekerja. Ini sebenarnya adalah batasan tes Fisher-
Irwin yang dapat dihilangkan jika kita menerapkan beberapa tes lain, katakanlah, tes Wilcoxon
seperti yang dinyatakan di halaman-halaman berikutnya.

3. Tes McNemer
Tes McNemer adalah salah satu tes nonparametrik penting yang sering digunakan ketika
data kebetulan nominal dan berhubungan dengan dua sampel terkait. Dengan demikian tes ini
secara khusus berguna dengan pengukuran sebelum-sesudah subjek yang sama. Eksperimen ini

270
dirancang untuk penggunaan tes ini sedemikian rupa sehingga subjek awalnya dibagi menjadi
kelompok-kelompok yang sama untuk pandangan mereka yang menguntungkan dan tidak
menguntungkan tentang, katakanlah, sistem apa pun. Setelah beberapa perlakuan, sejumlah
subjek yang sama diminta untuk mengungkapkan pandangan mereka tentang sistem yang
diberikan apakah mereka menyukai atau tidak menyukainya. Melalui tes McNemer, kami
sebenarnya mencoba menilai signifikansi dari setiap perubahan yang diamati dalam pandangan
subjek yang sama sebelumnya dan setelah perawatan dengan menyiapkan tabel dalam bentuk
berikut sehubungan dengan yang pertama dan kedua kumpulan tanggapan :

Sejak A + D menunjukkan perubahan dalam tanggapan orang (B + C menunjukkan tidak ada

perubahan dalam tanggapan), harapan di bawah hipotesis nol H Apakah itu (A + D)/2 kasus
berubah dalam satu arah dan H0 proporsi yang sama dalam arah lain. Statistik uji di bawah Uji
McNemer dikerjakan seperti di bawah (karena menggunakan transformasi uji Chi-kuadrat yang
disebutkan di bawah) :

Minus 1 dalam persamaan di atas adalah koreksi untuk kontinuitas karena uji Chi-kuadrat terjadi
sebagai distribusi kontinu, sedangkan data yang diamati mewakili distribusi diskrit. Kami
mengilustrasikan tes ini dengan contoh yang diberikan di bawah ini :

Ilustrasi 3
Dalam percobaan sebelum-sesudah tertentu tanggapan yang diperoleh dari 1000 responden,
ketika diklasifikasikan, memberikan informasi berikut :

Uji pada taraf signifikansi 5%, apakah telah terjadi perubahan sikap masyarakat yang signifikan
sebelum dan sesudah percobaan yang bersangkutan.
Penyelesaian : Dalam pertanyaan yang diberikan kami memiliki data nominal dan penelitian
melibatkan pengukuran sebelum-sesudah dari dua sampel terkait, kami dapat menggunakan uji
McNemer dengan tepat.
Kami mengambil hipotesis nol (H0 ) bahwa tidak ada perubahan sikap orang sebelum dan
sesudah percobaan. dengan kata lain, berarti bahwa probabilitas respons yang menguntungkan
sebelum dan respons yang tidak menguntungkan setelah sama dengan probabilitas respons yang
tidak menguntungkan sebelum dan respons yang menguntungkan setelah yaitu,

271
Statistik uji, menggunakan uji McNemer, dapat dikerjakan seperti di bawah ini :

Derajat kebebasan = 1.
Dari tabel distribusi Chi-kuadrat, nilai 2 untuk 1 derajat kebebasan pada tingkat 5% dari
signifikansi adalah 3,84. Nilai yang dihitung dari 2 adalah 32,67 yang lebih besar dari nilai tabel,
menunjukkan bahwa kita harus menolak hipotesis nol. Dengan demikian kami menyimpulkan
bahwa perubahan sikap orang sebelum dan sesudah eksperimen adalah signifikan.

4. Tes Pasangan Cocok Wilcoxon ( atau tes peringkat tertanda)

Dalam berbagai situasi penelitian dalam konteks dua sampel yang terkait (yaitu, kasus
pasangan yang cocok seperti studi di mana suami dan istri dicocokkan atau ketika kita
membandingkan output dari dua mesin serupa atau di mana beberapa subjek dipelajari dalam
konteks sebelumnya- setelah percobaan) ketika kita dapat menentukan arah dan besarnya
perbedaan antara nilai yang cocok, kita dapat menggunakan uji non-parametrik yang penting
yaitu, uji pasangan yang cocok Wilcoxon. Saat menerapkan tes ini, pertama-tama kita carilah
perbedaannya (D Saya) antara setiap pasangan nilai dan berikan peringkat pada perbedaan dari
yang terkecil hingga yang terbesar tanpa memperhatikan tanda. Tanda-tanda sebenarnya dari
setiap perbedaan kemudian dimasukkan ke peringkat yang sesuai dan statistik uji T dihitung yang
kebetulan lebih kecil dari dua jumlah yaitu, jumlah peringkat negatif dan jumlah peringkat positif.

Saat menggunakan tes ini, kita mungkin menemukan dua jenis situasi dasi. Satu situasi
muncul ketika dua nilai dari beberapa pasangan yang cocok adalah sama yaitu, perbedaan antara
nilai adalah nol dalam hal ini kita mengeluarkan pasangan dari perhitungan kita. Situasi lain
muncul ketika dua atau lebih pasangan memiliki nilai perbedaan yang sama dalam hal ini kami
menetapkan peringkat untuk pasangan tersebut dengan rata-rata posisi peringkat mereka.
Misalnya, jika dua pasangan memiliki skor peringkat 5, kami menetapkan peringkat 5,5 yaitu, (5
+ 6)/2 = 5,5 untuk setiap pasangan dan memberi peringkat perbedaan terbesar berikutnya sebagai
7.
Ketika jumlah pasangan yang cocok setelah mempertimbangkan jumlah pasangan yang
putus, jika ada, seperti yang dinyatakan di atas sama dengan atau kurang dari 25, kami
menggunakan tabel nilai kritis dari T ( Tabel No. 7 diberikan dalam lampiran di akhir buku) untuk
tujuan menerima atau menolak hipotesis nol tentang perbedaan antara nilai-nilai pasangan
pengamatan yang diberikan pada tingkat signifikansi yang diinginkan. Untuk pengujian ini, nilai
yang dihitung dariT harus sama dengan atau lebih kecil dari nilai tabel untuk menolak hipotesis
nol. Dalam hal jumlahnya melebihi 25, distribusi sampling dariT diambil sebagai kira-kira normal
dengan mean kamuT = n(n + 1)/4 dan simpangan baku

di mana n = [(jumlah pasangan cocok yang diberikan) – (jumlah pasangan putus sekolah, jika
ada)] dan dalam situasi seperti itu statistik uji z dikerjakan seperti di bawah ini :

272
Kami sekarang dapat menjelaskan penggunaan tes ini dengan sebuah contoh
Ilustrasi 4
Eksperimen dilakukan untuk menilai pengaruh nama merek terhadap persepsi kualitas.
16 subjek direkrut untuk tujuan tersebut dan diminta untuk mencicipi dan
membandingkan dua sampel produk pada satu set item skala yang dinilai ordinal. Berikut
data yang didapat :

Ujilah hipotesis dengan menggunakan uji pasangan-pasangan Wilcoxon, bahwa tidak ada
perbedaan persepsi kualitas antara kedua sampel. Gunakan tingkat signifikansi 5%.
Penyelesaian: Mari kita menulis hipotesis nol dan alternatif seperti di bawah ini:
H0: Tidak ada perbedaan antara persepsi kualitas dari dua sampel.
HA: Ada perbedaan persepsi kualitas dari kedua sampel. Menggunakan uji pasangan cocok
Wilcoxon, kami menghitung nilai statistik ujiT seperti di bawah :

273
Kami mengeluarkan pasangan 8 sebagai 'D' nilai untuk ini adalah nol dan dengan demikian kami
n = (16 – 1) = 15 dalam soal yang diberikan. Nilai
tabel dari T pada tingkat signifikansi lima persen ketika n = 15 adalah 25 (menggunakan uji dua
sisi karena hipotesis alternatif kami adalah bahwa ada perbedaan antara kualitas yang dirasakan
dari dua sampel). Nilai yang dihitung dariT adalah 18,5 yang lebih kecil dari nilai tabel 25.
Dengan demikian kami menolak hipotesis nol dan menyimpulkan bahwa ada perbedaan antara
kualitas yang dirasakan dari dua sampel.

5. Tes Jumlah Peringkat

Tes jumlah peringkat adalah seluruh keluarga tes, tetapi kami hanya akan menjelaskan
dua tes seperti itu yang biasa digunakan yaitu, kamu tes dan H tes. kamu uji ini dikenal sebagai
uji Wilcoxon-Mann-Whitney, sedangkan H Tes ini juga dikenal sebagai tes Kruskal-Wallis.
Penjelasan singkat dari kedua tes tersebut diberikan di bawah ini:
(a) Uji Wilcoxon-Mann-Whitney (atau uji U): Ini adalah tes yang sangat populer di antara tes
jumlah peringkat. Tes ini digunakan untuk menentukan apakah dua sampel independen telah
diambil dari populasi yang sama. Ini menggunakan lebih banyak informasi daripada tes tanda atau
tes Fisher-Irwin. Tes ini berlaku di bawah kondisi yang sangat umum dan hanya membutuhkan
populasi sampel yang kontinu. Namun, dalam praktiknya, bahkan pelanggaran asumsi ini tidak
terlalu mempengaruhi hasil.

Untuk melakukan pengujian ini, pertama-tama kita mengurutkan data secara bersama-
sama, menganggapnya sebagai milik satu sampel dalam urutan besaran yang meningkat atau
menurun. Kami biasanya mengadopsi proses peringkat rendah ke tinggi yang berarti kami
menetapkan peringkat 1 ke item dengan nilai terendah, peringkat 2 ke item berikutnya yang lebih
tinggi dan seterusnya. Jika ada ikatan, maka kami akan menetapkan setiap pengamatan terikat
rata-rata peringkat yang mereka tempati bersama. Misalnya, jika nilai keenam, ketujuh, dan
kedelapan identik, kami akan menetapkan masing-masing peringkat (6 + 7 + 8)/3 = 7. Setelah ini,
kami menemukan jumlah peringkat yang ditetapkan untuk nilai sampel pertama (dan
menyebutnya R1) dan juga jumlah peringkat yang ditetapkan untuk nilai-nilai sampel kedua (dan
sebut saja R2). Kemudian kami mengerjakan statistik uji yaitu,kamu, yang merupakan
pengukuran perbedaan antara pengamatan peringkat dari dua sampel seperti di bawah :

di mana n1, dan n2 adalah ukuran sampel dan R1 adalah jumlah peringkat yang ditetapkan untuk
nilai-nilai yang pertama Sampel. (Dalam praktiknya, jumlah peringkat mana pun yang dapat
diperoleh dengan mudah dapat dianggap sebagai R1, karena tidak material sampel mana yang
disebut sampel pertama. Dalam melamarkamu-testwe mengambil hipotesis nol bahwa dua sampel
berasal dari populasi yang identik. Jika
hipotesis ini benar, tampaknya masuk akal untuk menganggap bahwa rata-rata peringkat yang
ditetapkan untuk nilai kedua sampel harus kurang lebih sama. Di bawah hipotesis alternatif, rata-
rata dari dua populasi tidak sama dan jika demikian, maka sebagian besar peringkat yang lebih
kecil akan menuju ke nilai satu sampel sementara sebagian besar peringkat yang lebih tinggi akan
menuju ke nilai sampel lainnya. Jika hipotesis nol bahwa n1 + n2 pengamatan berasal dari
populasi yang identik adalah benar, kata 'kamu ' statistik memiliki distribusi sampling dengan

274
Jika n1 dan n2 cukup besar (yaitu, keduanya lebih besar dari 8), distribusi sampling kamu dapat
didekati dengan distribusi normal dan batas-batas wilayah penerimaan dapat ditentukan dengan
cara biasa pada tingkat signifikansi tertentu. Tapi jika jugan1 atau n2 sangat kecil sehingga
pendekatan kurva normal terhadap distribusi sampling kamu tidak dapat digunakan, maka tes
eksak dapat didasarkan pada tabel khusus seperti yang diberikan dalam, lampiran,* menunjukkan
nilai yang dipilih dari distribusi Wilcoxon (tidak berpasangan). Kita sekarang dapat mengambil
contoh untuk menjelaskan operasi darikamu tes.
Ilustrasi 5
Nilai dalam satu sampel adalah 53, 38, 69, 57, 46, 39, 73, 48, 73, 74, 60 dan 78. Dalam sampel
lain adalah 44, 40, 61, 52, 32, 44, 70, 41 , 67, 72, 53 dan 72. Uji pada tingkat 10% hipotesis bahwa
mereka berasal dari populasi dengan rata-rata yang sama. Berlaku U-tes.
Penyelesaian: Pertama-tama kami menetapkan peringkat untuk semua pengamatan, mengadopsi
proses peringkat rendah ke tinggi dengan anggapan bahwa semua item yang diberikan milik satu
sampel. Dengan melakukan itu kita mendapatkan yang berikut :

Dari soal di atas kita temukan bahwa jumlah pangkat yang ditetapkan untuk sampel satu item atau
R1 = 2 + 3 + 8+ 9 + 11.5 + 13 + 14 + 17 + 21,5 + 21,5 + 23 + 24 = 167,5 dan dengan cara yang
sama kita menemukan bahwa jumlah peringkat ditugaskan untuk sampel dua item atau R2 = 1 +
4 + 5 + 6,5 + 6,5 + 10 + 11,5 + 15 + 16 + 18 + 19,5 + 19,5 = 132,5 dan kami memiliki n1 = 12
dan n2 = 12

275
Karena dalam masalah yang diberikan n dan n keduanya lebih besar dari 8, sehingga distribusi
sampling u mendekati kurva normal. Dengan mengingat hal ini, kami mengerjakan mean dan
standar deviasi dengan mengambil hipotesis nol bahwa kedua sampel berasal dari populasi yang
identik seperti di bawah :

Karena hipotesis alternatifnya adalah bahwa rata-rata dari dua populasi tidak sama, uji dua sisi
adalah tepat. Dengan demikian batas wilayah penerimaan, dengan memperhatikan tingkat
signifikansi 10% seperti yang diberikan, dapat dikerjakan sebagai berikut:

sebagai z nilai untuk 0,45 dari area di bawah kurva normal adalah 1,64, kami memiliki batas
wilayah penerimaan berikut :

Sebagai nilai yang diamati darikamuadalah 54.5 yang berada di wilayah penerimaan, terima
hipotesis nol dan simpulkan bahwa kedua sampel berasal dari populasi yang identik (atau bahwa
kedua populasi memiliki rata-rata yang sama) pada tingkat 10%.
Kita juga bisa menghitung u statistik seperti di bawah menggunakan R2 nilai:

276
Nilai dari U juga terletak di wilayah penerimaan dan dengan demikian kesimpulan kami tetap
sama, bahkan jika kami mengadopsi cara pencarian alternatif ini U.
Kita dapat mengambil satu contoh lagi mengenai kamu tes dimana n dan n keduanya kurang dari
8 dan dengan demikian kita melihat penggunaan tabel yang diberikan dalam lampiran mengenai
nilai-nilai distribusi Wilcoxon (distribusi tidak berpasangan).

Ilustrasi 6
Dua sampel dengan nilai 90, 94, 36 dan 44 dalam satu kasus dan yang lainnya dengan nilai 53,
39, 6, 24, dan 33 diberikan. Uji dengan menggunakan uji Wilcoxon apakah kedua sampel tersebut
berasal dari populasi dengan mean yang sama pada taraf 10% terhadap hipotesis alternatif bahwa
sampel tersebut berasal dari populasi dengan mean yang berbeda.
Penyelesaian : Mari kita pertama-tama menetapkan peringkat seperti yang dinyatakan
sebelumnya dan kita mendapatkan :

Jumlah peringkat yang ditetapkan untuk item sampel satu = 4 + 6 + 8 + 9 = 27

Jumlah item dalam sampel ini = 4
Jumlah peringkat yang ditetapkan untuk item sampel dua = 1 + 2 + 3 + 5 + 7 = 18
Jumlah item dalam sampel ini = 5
Karena jumlah item dalam dua sampel kurang dari 8, kita tidak dapat menggunakan teknik
aproksimasi kurva normal seperti yang dinyatakan di atas dan akan menggunakan tabel yang
memberikan nilai distribusi Wilcoxon. Untuk menggunakan tabel ini, kami menyatakan 'WS'
sebagai yang lebih kecil dari dua jumlah dan 'Waku' yang lebih besar. Juga, mari'S' menjadi
jumlah item dalam sampel dengan jumlah yang lebih kecil dan biarkan 'aku' menjadi jumlah item
dalam sampel dengan jumlah yang lebih besar. Mengambil notasi ini, kami memiliki untuk
pertanyaan kami nilai-nilai berikut:
Ws = 18; s = 5; Wl = 27; l = 4

277
Nilai dari WS adalah 18 untuk sampel dua yang memiliki lima item dan dengan demikian s = 5.
Sekarang kita menemukan perbedaan antaraWS dan nilai minimum yang mungkin diambil,
mengingat nilaiS. Nilai minimum yang WS bisa diambil, mengingat itu s = 5, adalah jumlah dari
peringkat 1 sampai 5 dan ini datang sebagai sama dengan 1 + 2 + 3 + 4 + 5 = 15. Jadi, (WS -
MinimumWS) =18 – 15 = 3. Untuk menentukan peluang terjadinya hasil yang ekstrim seperti ini
atau lebih, kita cari sel dari tabel yang ada di kolom yang dikepalai oleh angka 3 dan berturut-
turut untuk s = 5 dan aku = 4 (nilai yang ditentukan dari aku diberikan di kolom kedua tabel).
Entri dalam sel ini adalah 0,056 yang merupakan probabilitas yang diperlukan untuk
mendapatkan nilai sekecil atau lebih kecil dari 3 dan sekarang kita harus membandingkannya
dengan tingkat signifikansi 10%. Karena hipotesis alternatifnya adalah bahwa dua sampel berasal
dari populasi dengan rata-rata yang berbeda, uji dua sisi sesuai dan karenanya tingkat signifikansi
10% akan berarti 5% di ekor kiri dan 5% di ekor kanan. Dengan kata lain, kita harus
membandingkan probabilitas yang dihitung dengan probabilitas 0,05, dengan hipotesis nol dan
tingkat signifikansi. Jika probabilitas yang dihitung lebih besar dari 0,05 (yang sebenarnya
demikian dalam kasus yang diberikan sebagai 0,056 > 0,05), maka kita harus menerima hipotesis
nol. Oleh karena itu, dalam masalah yang diberikan, kita harus menyimpulkan bahwa dua sampel
berasal dari populasi dengan mean yang sama. (Hasil yang sama dapat kita peroleh dengan
menggunakan nilai Waku. Satu-satunya perbedaan adalah bahwa nilainya maksimum Waku –
Waku diperlukan. Karena untuk masalah ini, nilai maksimum dariWaku (diberikan s = 5 dan aku
= 4) adalah jumlah dari 6 sampai 9 yaitu, 6 + 7 + 8 + 9 = 30, kami memiliki Max. Waku – Waku
= 30 – 27 = 3 yang adalah nilai yang sama dengan yang kita kerjakan sebelumnya sebagai WS, –
Minimal WS. Semua hal lain kemudian tetap sama seperti yang telah kami nyatakan di atas).
Tes Kruskal-Wallis (atau uji H): Tes ini dilakukan
dengan cara yang mirip dengan kamu tes yang dijelaskan di atas. Tes ini digunakan untuk menguji
hipotesis nol bahwa 'k' sampel acak independen berasal dari alam semesta identik melawan
hipotesis alternatif bahwa sarana alam semesta ini tidak sama. Tes ini analog dengan analisis
varians satu arah, tetapi tidak seperti yang terakhir, tes ini tidak memerlukan asumsi bahwa
sampel berasal dari populasi yang mendekati normal atau alam semesta yang memiliki standar
deviasi yang sama. Dalam tes ini, seperti kamu pengujian, data diurutkan bersama-
sama dari rendah ke tinggi atau tinggi ke rendah seolah-olah mereka merupakan sampel tunggal.
Statistik ujinya adalahH untuk tes ini yang terpecahkan :

di mana n = n1 + n2 + ... + nk dan RSaya menjadi jumlah dari peringkat yang ditugaskan untuk n
Saya pengamatan di Saya sampel.
Jika hipotesis nol benar bahwa tidak ada perbedaan antara rata-rata sampel dan setiap
sampel memiliki setidaknya lima item*, maka distribusi sampling dari H dapat didekati dengan
distribusi chikuadrat dengan (k- 1) derajat kebebasan. Dengan demikian kita dapat menolak
hipotesis nol pada tingkat signifikansi tertentu jikaH nilai yang dihitung, sebagaimana dinyatakan
di atas, melebihi nilai tabel chi-kuadrat yang bersangkutan. Mari kita ambil contoh untuk
menjelaskan operasi tes ini :
Ilustrasi 7
Gunakan uji Kruskal-Wallis pada tingkat signifikansi 5% untuk menguji hipotesis nol
bahwa seorang pemain bowling profesional memiliki performa yang sama baiknya dengan
keempat bola bowling, dengan hasil sebagai berikut :

278
Penyelesaian : Untuk menerapkan H tes atau tes Kruskal-Wallis untuk masalah ini, kita mulai
dengan memberi peringkat semua angka yang diberikan dari yang tertinggi hingga yang terendah,
yang menunjukkan selain masing-masing nama bola seperti di bawah:

Untuk mencari nilai Ri, kami menyusun tabel di atas seperti di bawah ini :

Sekarang kita hitung H statistik seperti di bawah ini:

Karena empat sampel memiliki lima item* masing-masing, distribusi sampling dari H mendekati
dengan 2 distribusi. Sekarang dengan mengambil hipotesis nol bahwa bowler tampil sama
baiknya dengan keempat bola, kita memiliki nilai 2 = 7,815 untuk (k- 1) atau 4 – 1 = 3 derajat
kebebasan pada tingkat 5% penting. Karena nilai yang dihitung dariH hanya 4,51 dan tidak
melebihi 2 Nilai dari 7.815, jadi kami menerima hipotesis nol dan menyimpulkan bahwa bowler
tampil sama baiknya dengan empat bola bowling.

279
6. Uji Coba Satu Sampel
Tes satu sampel berjalan adalah tes yang digunakan untuk menilai keacakan sampel
berdasarkan urutan pengamatan yang diambil. Ada banyak aplikasi di mana sulit untuk
memutuskan apakah sampel yang digunakan adalah sampel acak atau tidak. Hal ini terutama
benar ketika kita memiliki sedikit atau tidak ada kontrol atas pemilihan data. Misalnya, jika kita
ingin memprediksi volume penjualan toko ritel untuk bulan tertentu, kita tidak punya pilihan
selain menggunakan data penjualan masa lalu dan mungkin kondisi yang berlaku secara umum.
Tak satu pun dari informasi ini merupakan sampel acak dalam arti sempit. Untuk memungkinkan
kita menguji sampel untuk keacakan urutannya, ahli statistik telah mengembangkan teori lari. Run
adalah deretan huruf yang identik (atau jenis simbol lainnya) yang diikuti dan didahului oleh huruf
yang berbeda atau tidak ada huruf sama sekali. Menggambarkan,H, dan sakit, D, pohon mangga
yang ditanam bertahun-tahun yang lalu di sepanjang jalan tertentu:

Menggunakan garis bawah untuk menggabungkan huruf-huruf yang membentuk run, kita
menemukan bahwa pertama ada run dari dua H'S, lalu lari dua D'S, lalu lari lima H'S, lalu lari
tiga D'S, lalu lari empat H'S, lalu lari lima D' S dan akhirnya lari sembilan H'S. Dengan cara ini
ada 7 run semuanya atauR = 7. Jika run terlalu sedikit, kita mungkin menduga pengelompokan
atau tren tertentu; jika ada terlalu banyak run, kita mungkin mencurigai semacam pola bolak-balik
yang berulang. Dalam kasus yang diberikan tampaknya ada beberapa pengelompokan yaitu,
pohon-pohon yang sakit tampaknya datang berkelompok. Melalui tes satu sampel berjalan yang
didasarkan pada gagasan bahwa terlalu sedikit atau terlalu banyak berjalan menunjukkan bahwa
item tidak dipilih secara acak, kita dapat mengatakan apakah pengelompokan yang tampak terlihat
signifikan atau apakah itu dapat dikaitkan dengan kebetulan. Kami akan menggunakan simbol
berikut untuk uji lari:
n1 = jumlah kemunculan tipe 1 (katakanlah H dalam kasus yang diberikan)
n2 = jumlah kemunculan tipe 2 (katakanlah D dalam kasus yang diberikan)
R = jumlah lari.
Dalam kasus yang diberikan nilai n1, n2 dan R akan menjadi sebagai berikut :
n1 = 20; n2 = 10; r = 7
distribusi sampling dari 'R' statistik, jumlah run, yang akan digunakan dan distribusi ini memiliki
artinya

280
 Untuk menguji hipotesis nol mengenai keacakan pohon yang ditanam, kita seharusnya
diberi tingkat signifikansi. Misalkan 1% atau 0,01. Karena terlalu banyak atau terlalu sedikit lari
akan menunjukkan bahwa proses penanaman pohon tidak acak, uji dua sisi sesuai yang dapat
ditunjukkan sebagai berikut dengan asumsi* bahwa distribusi sampling dari R dapat didekati
dengan distribusi normal.

Asumsi ini dapat diterapkan ketika n dan n cukup besar yaitu, mereka tidak boleh kurang
dari 10. Tetapi dalam kasus n1 atau n2 sangat kecil sehingga asumsi aproksimasi kurva normal
tidak dapat digunakan, maka pengujian eksak dapat didasarkan pada tabel khusus yang dapat
dilihat di buku Statistik Non-parametrik untuk Ilmu Perilaku oleh S.Siegel.
Dengan menggunakan tabel luas di bawah kurva normal, kami menemukan yang sesuai z nilai
untuk 0,495 dari area di bawah kurva dan itu adalah 2,58. Dengan menggunakan ini, kami
sekarang menghitung batas wilayah penerimaan:

Kami sekarang menemukan bahwa jumlah run yang diamati (yaitu, R = 7) terletak di luar wilayah
penerimaan yaitu, di daerah penolakan. Oleh karena itu, kami tidak dapat menerima hipotesis nol
keacakan pada tingkat signifikansi yang diberikan yaitu, = 0,01. Dengan demikian kami
menyimpulkan bahwa ada indikasi kuat bahwa pohon yang sakit datang dalam pengelompokan
non-acak. One sample run test, seperti yang telah dijelaskan di atas, tidak terbatas hanya untuk
menguji keacakan rangkaian atribut. Bahkan sampel yang terdiri dari nilai numerik dapat
diperlakukan sama dengan menggunakan huruf yang mengatakan 'A' dan 'B' untuk masing-
masing menunjukkan nilai yang jatuh di atas dan di bawah median sampel. Angka yang sama
dengan median dihilangkan. Rangkaian yang dihasilkan dariA'pasir B's (mewakili data dalam
urutan aslinya) dapat diuji keacakan berdasarkan jumlah total run di atas dan di bawah median,
sesuai prosedur yang dijelaskan di atas. (Metode berjalan di
atas dan di bawah median sangat membantu dalam menguji tren atau pola siklus mengenai data
ekonomi. Dalam kasus tren naik, sebagian besar akan ada B's dan kemudian sebagian besar A's,
tetapi dalam kasus tren menurun, sebagian besar akan ada yang pertama A's dan kemudian
sebagian besar B'S. Dalam kasus pola siklus, akan ada pergantian sistematis dariA'pasir B's dan
mungkin banyak run.)
7. Tombak Korelasi Peringkat

281
 Ketika data tidak tersedia untuk digunakan dalam bentuk numerik untuk melakukan
analisis korelasi tetapi ketika informasi cukup untuk membuat peringkat data sebagai pertama,
kedua, ketiga, dan seterusnya, kita cukup sering menggunakan metode korelasi peringkat dan
menghitung koefisien korelasi peringkat. Faktanya, koefisien korelasi peringkat adalah ukuran
korelasi yang ada antara dua set peringkat. Dengan kata lain, ini adalah ukuran asosiasi yang
didasarkan pada peringkat pengamatan dan bukan pada nilai numerik data. Ini dikembangkan oleh
ahli statistik terkenal Charles Spearman pada awal 1900-an dan karena itu juga dikenal sebagai
koefisien korelasi peringkat Spearman. Untuk menghitung koefisien korelasi peringkat, pertama-
tama pengamatan aktual diganti dengan peringkat mereka, memberikan peringkat 1 ke nilai
tertinggi, peringkat 2 ke nilai tertinggi berikutnya dan mengikuti urutan ini peringkat ditugaskan
untuk semua nilai. Jika dua atau lebih nilai kebetulan sama, maka rata-rata peringkat yang
seharusnya diberikan pada nilai-nilai tersebut seandainya semuanya berbeda, diambil dan
peringkat yang sama (sama dengan rata-rata tersebut) diberikan untuk nilai-nilai yang
bersangkutan. Langkah kedua adalah mencatat perbedaan antara peringkat (atau 'D') untuk setiap
pasangan pengamatan, maka kuadratkan perbedaan ini menjadi memperoleh total perbedaan yang
secara simbolis dapat dinyatakan sebagai D2. Akhirnya, koefisien korelasi peringkat
Spearman,R*, dikerjakan seperti di bawah ini :

di mana n = jumlah pengamatan berpasangan.

Nilai koefisien korelasi rank Spearman akan selalu bervariasi antara 1 , +1, menunjukkan korelasi
positif sempurna dan -1 menunjukkan korelasi negatif sempurna antara dua variabel. Semua nilai
koefisien korelasi lainnya akan menunjukkan derajat korelasi yang berbeda. Misalkan kita
mendapatkan R = 0,756 yang menunjukkan hubungan positif yang substansial antara dua variabel.
Tapi bagaimana kita harus menguji nilai 0,756 ini? Perangkat pengujian tergantung pada nilain.
Untuk nilai kecil dari n (yaitu, n kurang dari 30), distribusi R tidak normal dan karena itu kami
menggunakan tabel yang menunjukkan nilai korelasi Peringkat Spearman (No. Tabel 5 diberikan
dalam Lampiran di akhir buku ini) untuk menentukan daerah penerimaan dan penolakan.
Misalkan kita mendapatkanR = 0,756 untuk masalah di mana n= 15 dan ingin menguji pada
tingkat signifikansi 5% hipotesis nol bahwa tidak ada korelasi nol dalam data peringkat yang
bersangkutan. Dalam hal ini masalah kita direduksi untuk menguji hipotesis nol bahwa tidak ada
korelasi yaitu,kamu = 0 terhadap hipotesis alternatif bahwa ada R korelasi yaitu, R 0 pada tingkat
5%. Dalam hal ini uji dua sisi sesuai dan kami melihat tabel tersebut secara berurutan untukn =
15 dan kolom untuk tingkat signifikansi 0,05 dan temukan bahwa kritis nilai untuk R adalah
0.5179 yaitu, batas atas wilayah penerimaan adalah 0,5179 dan batas bawah wilayah penerimaan
adalah -0,5179. Dan karena perhitungan kamiR = 0,756 berada di luar batas wilayah penerimaan,
kami menolak hipotesis nol dan menerima hipotesis alternatif bahwa ada korelasi dalam data
peringkat.
Dalam hal sampel terdiri lebih dari 30 item, maka distribusi samplingnya R adalah mendekati
normal dengan rata-rata nol dan simpangan baku 1/n 1 dan dengan demikian, kesalahan standar
dari R adalah :

282
Kita dapat menggunakan tabel luas di bawah kurva normal untuk menemukan yang sesuai z nilai
untuk menguji hipotesis tentang korelasi peringkat populasi dan menarik kesimpulan seperti
biasa. Kita dapat mengilustrasikannya, dengan sebuah contoh.
Ilustrasi 8

Manajer personalia dari suatu perusahaan ingin mempekerjakan 30 programmer tambahan untuk
perusahaannya. Di masa lalu, keputusan perekrutan telah dibuat atas dasar wawancara dan juga
atas dasar tes bakat. Agensi yang melakukan tes bakat telah membebankan Rs. 100 untuk setiap
tes, tetapi sekarang menginginkan Rs. 200 untuk ujian. Kinerja pada tes telah menjadi prediktor
yang baik dari kemampuan programmer dan Rs. 100 untuk tes adalah harga yang wajar. Tapi
sekarang manajer personalia tidak yakin bahwa hasil tes bernilai Rs. 200. Namun, selama
beberapa tahun terakhir, ia telah menyimpan catatan nilai yang diberikan kepada pelamar untuk
posisi pemrograman berdasarkan wawancara yang dilakukan olehnya. Jika dia menjadi yakin
(menggunakan tingkat signifikansi 0,01) bahwa korelasi peringkat antara skor wawancaranya dan
skor pelamar pada tes bakat adalah positif, maka dia akan merasa dibenarkan untuk menghentikan
tes bakat mengingat biaya tes yang meningkat. Keputusan apa yang harus dia ambil berdasarkan
data sampel berikut mengenai 35 pelamar?

Penyelesaian : Untuk mengatasi masalah ini, pertama-tama kita harus mencari nilai dari
Spearman's R seperti di bawah:

283
Sejak n = 35 distribusi sampling R mendekati normal dengan rata-rata nol dan simpangan baku
1/ n 1 . Oleh karena itu kesalahan standar dariR adalah
Sejak n = 35 distribusi sampling R mendekati normal dengan rata-rata nol dan simpangan baku
1/ n 1 . Oleh karena itu kesalahan standar dari R adalah

Karena manajer personalia ingin menguji hipotesisnya pada tingkat signifikansi 0,01, masalahnya
dapat dinyatakan:
Hipotesis nol bahwa tidak ada hubungan antara skor wawancara dengan skor tes bakat yaitu,
R = 0.

284
Hipotesis alternatif bahwa ada korelasi positif antara skor wawancara dan bakat skor tes yaitu, R
> 0. Dengan demikian uji satu sisi sesuai yang dapat ditunjukkan seperti di bawah dalam kasus
yang diberikan :

Dengan menggunakan tabel luas di bawah kurva normal, kami menemukan yang sesuai z nilai
untuk 0,49 dari area di bawah kurva normal dan itu adalah 2,32. Dengan menggunakan ini, kami
sekarang menentukan batas (di sisi atas karena hipotesis alternatif adalah tipe >) dari wilayah
penerimaan seperti di bawah :
R + (2,32) (0,1715)
0 + 0,3978
0,3978
Kami sekarang menemukan yang diamati r = 0,498 dan karena itu datang di wilayah penolakan
dan, oleh karena itu, kami menolak hipotesis nol pada tingkat 1% dan menerima hipotesis
alternatif. Oleh karena itu kami menyimpulkan bahwa korelasi antara skor wawancara dan skor
tes bakat adalah positif. Oleh karena itu, manajer personalia harus memutuskan bahwa tes bakat
dihentikan.
8. Koefsien Konkordasi Kendall
Koefisien konkordansi Kendall, dilambangkan dengan simbol W, adalah ukuran
hubungan non-parametrik yang penting. Digunakan untuk menentukan derajat asosiasi antara
beberapak) set peringkat dari n benda atau individu. Ketika hanya ada dua set peringkatn objek,
kita biasanya menghitung koefisien korelasi Spearman, tetapi koefisien konkordansi Kendall (W)
dianggap sebagai ukuran yang tepat untuk mempelajari derajat hubungan antara tiga atau lebih
rangkaian peringkat. Ukuran deskriptif kesepakatan ini memiliki aplikasi khusus dalam
menyediakan metode standar untuk mengurutkan objek menurut konsensus ketika kita tidak
memiliki urutan objek yang objektif.
Dasar dari koefisien kesesuaian Kendall adalah membayangkan bagaimana data yang
diberikan akan terlihat jika tidak ada kesepakatan di antara beberapa set peringkat, dan kemudian
membayangkan bagaimana tampilannya jika ada kesepakatan yang sempurna di antara beberapa
set. Misalnya, dalam kasus, katakanlah, empat pewawancara mewawancarai, katakanlah, enam
pelamar kerja dan menetapkan urutan peringkat pada kesesuaian untuk pekerjaan, jika ada
kesepakatan yang sempurna di antara pewawancara, maka satu pelamar akan diberi peringkat 1
oleh keempatnya dan jumlah nya peringkat akan menjadi 1 + 1 + 1 + 1=4. Pemohon lain akan
diberi peringkat 2 oleh keempatnya dan jumlah peringkatnya adalah 2 + 2 + 2 + 2 = 8. Jumlah
peringkat untuk enam pelamar adalah 4, 8, 12, 16, 20 dan 24 (tidak harus dalam urutan ini). Secara

285
umum, ketika ada kesepakatan yang sempurna di antara peringkat yang ditetapkan olehk hakim
untuk n benda, jumlah pangkatnya adalah k, 2k, 3k, …Nk. Jumlah total darin peringkat untuk k
hakim adalah kn(N + 1)/2 dan jumlah peringkat rata-rata adalah k(N + 1)/ Derajat kesepakatan
antara hakim mencerminkan dirinya dalam variasi jumlah pangkat. Ketika semua hakim setuju,
jumlah ini adalah maksimum. Ketidaksepakatan antara hakim mencerminkan dirinya dalam
pengurangan variasi jumlah peringkat. Untuk ketidaksepakatan maksimum, jumlah peringkat
akan cenderung kurang lebih sama. Ini memberikan dasar untuk definisi koefisien konkordansi.
Ketika kesepakatan yang sempurna ada di antara para hakim,W sama dengan 1. Ketika
ketidaksepakatan maksimum ada, W sama dengan Dapat dicatat bahwa W tidak mengambil nilai
negatif karena fakta bahwa dengan lebih dari dua hakim, ketidaksepakatan yang lengkap tidak
dapat terjadi. Jadi, koefisien kesesuaian (W) adalah indeks divergensi dari kesepakatan aktual
yang ditunjukkan dalam data dari kesepakatan sempurna.
Prosedur untuk menghitung dan menafsirkan koefisien konkordansi Kendall (W) adalah sebagai
berikut: Semua benda, n, harus diberi peringkat oleh semua k hakim dengan cara biasa dan
informasi ini dapat dimasukkan dalam bentuk a k oleh n matriks Untuk setiap benda tentukan
jumlah pangkat (R ) ditugaskanJ oleh semua k hakim; Tentukan RJ lalu dapatkan nilai S seperti
di bawah :

Tentukan nilai dari W menggunakan rumus berikut:

Kasus Peringkat Terikat

Dimana peringkat terikat terjadi, metode rata-rata menetapkan peringkat diadopsi yaitu,
menetapkan setiap anggota peringkat rata-rata yang menempati pengamatan terikat. Jika
ikatannya tidak banyak, kita dapat menghitung 'W' sebagaimana dinyatakan di atas tanpa
membuat penyesuaian apa pun dalam formula; tetapi jika ikatannya banyak, faktor koreksi
dihitung untuk setiap rangkaian peringkat. Fakta koreksi ini adalah

di mana T = jumlah pengamatan dalam kelompok terikat untuk peringkat tertentu.

Misalnya, jika peringkat pada x adalah 1, 2, 3.5, 5, 6, 3.5, 8, 10, 8, 8, kami memiliki dua kelompok
seri, satu dari dua peringkat dan satu dari tiga peringkat. Faktor koreksi untuk rangkaian peringkat
ini untukx akan menjadi

286
Faktor koreksi T dihitung untuk masing-masing k set peringkat dan ini ditambahkan bersama di
atas k set untuk mendapatkan T . Kami kemudian menggunakan rumus untuk mencari nilai 'W'
seperti di bawah:

Penerapan koreksi pada rumus ini cenderung memperbesar ukuran W, tetapi faktor koreksi
memiliki efek yang sangat terbatas kecuali ikatannya cukup banyak.
Metode untuk menilai apakah nilai yang dihitung dari W berbeda secara signifikan dari nol
tergantung pada ukuran n seperti yang dinyatakan di bawah ini:
Jika n adalah 7 atau lebih kecil, Tabel No. 9 diberikan dalam lampiran di akhir buku ini
memberikan nilai kritis dari S berkaitan dengan W'S signifikansi pada tingkat 5% dan 1%. Jika
diamatiS sama dengan atau lebih besar dari yang ditunjukkan dalam tabel untuk tingkat
signifikansi tertentu, kemudian H0 T (yaitu, k set peringkat independen) dapat ditolak pada
tingkat signifikansi tersebut.
Jika n lebih besar dari 7, kita dapat menggunakan 2 nilai yang akan dikerjakan sebagai: 2 = k(n -
1). Wdengan df = (N - 1) untuk menilai W's signifikansi pada tingkat tertentu dengan cara biasa
menggunakan 2 nilai-nilai. Nilai signifikan dari W dapat ditafsirkan dan dipahami seolah-olah
para hakim pada dasarnya menerapkan standar yang sama dalam menentukan peringkat n objek
yang sedang dipertimbangkan, tetapi ini tidak boleh berarti bahwa urutan yang diamati benar
karena alasan sederhana bahwa semua hakim dapat setuju dalam memesan objek karena mereka
semua mungkin menggunakan kriteria 'salah'. Kendall, oleh karena itu, menyarankan bahwa
perkiraan terbaik dari peringkat 'benar' darin objek disediakan, Kapan W signifikan, dengan
urutan berbagai jumlah peringkat, RJ. Jika seseorang menerima kriteria yang telah disepakati oleh
berbagai hakim, maka perkiraan terbaik dari yang 'benar' peringkat disediakan oleh urutan jumlah
peringkat. Estimasi terbaik terkait dengan nilai terendah yang diamati di antara RJ. Ini dapat
diilustrasikan dengan bantuan sebuah contoh.

Ilustrasi 9
Tujuh individu telah diberi peringkat oleh empat juri pada kompetisi musik tertentu seperti yang
ditunjukkan dalam matriks berikut:

287
Apakah ada kesepakatan yang signifikan dalam peringkat yang diberikan oleh juri yang berbeda?
Uji pada tingkat 5%. Juga tunjukkan perkiraan terbaik dari peringkat sebenarnya.
Penyelesaian : Karena ada empat set peringkat, kita dapat menghitung koefisien konkordansi (W)
untuk menilai kesepakatan yang signifikan dalam peringkat oleh juri yang berbeda. Untuk tujuan
ini, pertama-tama kami mengembangkan diberikan matriks terpecah:

Untuk menilai pentingnya ini W, kita melihat ke Tabel No. 9 diberikan dalam lampiran untuk
mencari nilai S pada tingkat 5% untuk k = 4 dan N = 7. Nilai ini adalah 217.0 dan dengan demikian
untuk menerima null hipotesis (H0) itu k set peringkat independen) nilai yang kami hitung dari S
harus kurang dari Tetapi nilai yang berhasil dari S adalah 332 yang lebih tinggi dari nilai tabel
yang fakta menunjukkan bahwa W = 0,741 signifikan. Oleh karena itu, kami menolak hipotesis
nol dan menyimpulkan bahwa para hakim pada dasarnya menerapkan standar yang sama dalam
menentukan peringkatn objek yaitu, ada kesepakatan yang signifikan dalam peringkat oleh hakim
yang berbeda pada tingkat 5% dalam kasus tertentu. Nilai terendah yang diamati di antaraRJ
adalah 7 dan dengan demikian perkiraan terbaik dari peringkat sebenarnya adalah dalam kasus
individu A yaitu, semua hakim di seluruh tempat individu A sebagai yang pertama dalam
kompetisi musik tersebut.

Ilustrasi 10
Diberikan adalah informasi berikut:
k = 13
N = 20
W = 0,577
Tentukan pentingnya W pada tingkat 5%.

288
Penyelesaian : Sebagai n lebih besar dari 7, kita akan melatih nilai 2 untuk menentukan W'S
makna seperti di bawah:

Nilai tabel dari 2 pada tingkat 5% untuk N - 1 = 20 – 1 = 19 df adalah 30,144 tetapi nilai yang
dihitung dari 2 adalah 142,52dan ini jauh lebih tinggi dari nilai tabel. Ini tidak mendukung
hipotesis nol tentang independensi dan dengan demikian kita dapat menyimpulkan bahwaW
signifikan pada tingkat 5%.

HUBUNGAN ANTARA SPEARMANS’S DAN KENDALL’S

Sebagaimana disebutkan di atas, W adalah ukuran yang tepat untuk mempelajari tingkat asosiasi
di antara tiga atau lebih set peringkat, tetapi kita juga dapat menentukan tingkat asosiasi di antara
k set peringkat dengan rata-rata koefisien korelasi Spearman (R's) antara semua pasangan yang
mungkin (yaitu, kC atau k (k - 1)/2) peringkat dengan mempertimbangkan bahwa W menanggung
hubungan linier dengan rata-rata Rdiambil alih semua pasangan yang mungkin. Hubungan antara
rata-rata Spearman'sRdan Kendall W dapat dituangkan dalam bentuk berikut:
rata-rata R's = (kW - 1)/(k- 1)
Tapi metode menemukan W menggunakan rata-rata Spearman's R's antara semua pasangan yang
mungkin cukup membosankan, terutama ketika k kebetulan menjadi tokoh besar dan karena itu
metode ini jarang digunakan dalam praktik untuk menemukan W.

Ilustrasi 11
Dengan menggunakan data ilustrasi No. 9 di atas, carilah W menggunakan rata-rata Spearman's
R'S.
Penyeelsaian:
Bertanya = 4 dalam pertanyaan yang diberikan, pasangan yang mungkin sama dengan k(k – 1)/2
= 4(4 – 1)/2 = 6 dan kita mencari rumus Spearman R untuk masing-masing pasangan ini seperti
yang ditunjukkan pada Tabel 12.10. Sekarang kita dapat menemukan W menggunakan rumus
hubungan berikut antara Rrata-rata dan W

[Catatan: Nilai ini dari W persis sama dengan yang kita kerjakan dengan menggunakan rumus:
W = s/[(1/12) (k2) (n3 - n)]

289
KARAKTERISTIK TES BEBAS DISTRIBUSI ATAU NON-PARAMETRIK
Dari apa yang telah dinyatakan di atas sehubungan dengan tes non-parametrik yang penting, kita
dapat mengatakan bahwa tes ini memiliki karakteristik utama sebagai berikut:
1) Mereka tidak mengandaikan distribusi tertentu dan asumsi konsekuensial.
2) Mereka agak cepat dan mudah digunakan yaitu, mereka tidak memerlukan perhitungan
yang melelahkan karena dalam banyak kasus pengamatan diganti dengan urutan
peringkat mereka dan di banyak lainnya kita hanya menggunakan tanda.
3) Sering kali tidak seefisien atau 'tajam' seperti uji signifikansi atau uji parametrik.
Perkiraan interval dengan kepercayaan 95% mungkin dua kali lebih besar dengan
penggunaan tes nonparametrik seperti dengan metode standar biasa. Alasannya karena
tes ini tidak menggunakan semua informasi yang tersedia melainkan menggunakan
pengelompokan atau peringkat dan harga yang kami bayarkan adalah kerugian efisiensi.
Faktanya, ketika kami menggunakan tes non-parametrik, kami membuat trade-off: kami
kehilangan ketajaman dalam memperkirakan interval, tetapi kami memperoleh
kemampuan untuk menggunakan lebih sedikit informasi dan menghitung lebih cepat.
4) Ketika pengukuran kami tidak seakurat yang diperlukan untuk uji signifikansi standar,
maka metode non-parametrik datang untuk menyelamatkan kami yang dapat digunakan
dengan cukup memuaskan.
5) Tes parametrik tidak dapat diterapkan pada data skala ordinal atau nominal tetapi tes non-
parametrik tidak memiliki batasan seperti itu.
6) Uji parametrik perbedaan seperti 'T' atau 'F' membuat asumsi tentang homogenitas
varians sedangkan ini tidak diperlukan untuk uji perbedaan non-parametrik.

KESIMPULAN
Ada banyak situasi di mana berbagai asumsi yang diperlukan untuk uji signifikansi standar
(seperti populasi normal, sampel independen, deviasi standar diketahui, dll.) tidak dapat dipenuhi,
maka kita dapat menggunakan metode non-parametrik. Selain itu, mereka lebih mudah dijelaskan
dan lebih mudah dipahami. Inilah alasan mengapa tes semacam itu menjadi populer. Tetapi orang
tidak boleh melupakan fakta bahwa mereka biasanya kurang efisien/kuat karena tidak didasarkan

290
pada asumsi (atau hampir tidak ada asumsi) dan kita semua tahu bahwa semakin sedikit asumsi,
semakin sedikit yang dapat disimpulkan dari sekumpulan data. Tetapi kemudian pihak lain juga
harus tetap mengingat bahwa semakin banyak orang berasumsi, semakin membatasi penerapan
metode seseorang.

Pertanyaan

1. Berikan pemahaman Anda tentang metode non-parametrik atau distribusi gratis yang
menjelaskan karakteristik penting mereka.
2. Ceritakan berbagai keuntungan menggunakan tes non-parametrik. Tunjukkan juga
keterbatasan mereka.
3. Jelaskan secara singkat berbagai tes non-parametrik yang menjelaskan pentingnya setiap
tes tersebut.
4. Pada 15 kesempatan Tn. Kalicharan harus menunggu 4, 8, 2, 7, 7, 5, 8, 6, 1, 9, 6, 6, 5, 9,
dan 5 menit untuk bus yang ia ambil untuk mencapai kantornya. Gunakan uji tanda pada
taraf signifikansi 5% untuk menguji klaim perusahaan bus bahwa rata-rata Pak
Kalicharan tidak perlu menunggu lebih dari 5 menit untuk mendapatkan bus.
5. Berikut ini adalah jumlah tiket yang dikeluarkan oleh dua polisi selama 20 hari:
Oleh polisi pertama: 7, 10, 14, 12, 6, 9, 11, 13, 7, 6, 10, 8, 14, 8, 12, 11, 9, 8, 10 dan 15.
Oleh polisi kedua: 10, 13, 14, 11, 10, 7, 15, 11, 10, 9, 8, 12, 16, 10, 10, 14, 10, 12, 8 dan 14.
6. Gunakan uji tanda pada tingkat signifikansi 1% untuk menguji hipotesis nol bahwa rata-
rata dua polisi mengeluarkan jumlah tiket yang sama terhadap hipotesis alternatif bahwa
rata-rata polisi kedua mengeluarkan lebih banyak tiket daripada yang pertama.
(a) Dalam keadaan apa uji Fisher-Irwin digunakan? Menjelaskan. Apa batasan utama dari tes ini?
(b) Seorang kontraktor perumahan berencana untuk membangun sejumlah besar rumah bata di
tahun mendatang. Dua masalah manufaktur batu bata telah memberinya harga yang hampir sama
untuk memasok batu bata. Tetapi sebelum menempatkan pesanannya, dia ingin menerapkan tes
pada tingkat signifikansi 5%. Sifat dari pengujian ini adalah untuk membuat masing-masing
sampel batu bata diberi gaya sebesar 900 pon. Tes dilakukan pada 8 batu bata yang dipilih secara
acak dari produksi hari yang menjadi perhatianA dan pada jumlah batu bata yang sama dipilih
secara acak dari produksi hari yang menjadi perhatian B. Hasilnya adalah sebagai berikut:
Dari 8 batu bata dari perhatianA, dua rusak dan dari 8 batu bata dari perhatianB, lima rusak.
Berdasarkan hasil pengujian ini, tentukan apakah kontraktor harus melakukan pemesanan dengan
memperhatikan A atau dengan perhatian B jika dia lebih suka batu bata yang jauh lebih kuat.
7. Misalkan uji patah yang dijelaskan pada masalah 6(b) di atas dimodifikasi sehingga setiap
batu bata dikenai gaya yang meningkat hingga batu bata tersebut pecah. Gaya yang
diterapkan pada saat batu bata itu pecah (menyebutnya sebagai pemecahan titik) dicatat
sebagai berikut:

291
 Berdasarkan hasil pengujian di atas, tentukan apakah kontraktor harus memesan batu bata
dengan perhatian A atau dengan perhatian B (Anda harus menjawab menggunakan kamu uji
atau uji Wilcoxon-Mann-Whitney).
8. Berikut ini adalah kilometer per galon yang didapat oleh seorang test driver untuk sepuluh
tangki penuh masing-masing dari tiga jenis:
bensin:

Gunakan uji Kruskal-Wallis pada tingkat = 0,05 untuk menguji hipotesis nol bahwa signifikansi
tidak ada perbedaan rata-rata rendemen kilometer ketiga jenis bensin
9. (a) Berikut adalah jumlah mahasiswa yang tidak masuk kuliah selama 24 hari berturut-
turut:
29, 25, 31, 28, 30, 28, 33, 31, 35, 29, 31, 33, 35, 28, 36, 30, 33, 26, 30, 28, 32, 31, 38 dan 27. Uji
untuk keacakan pada tingkat signifikansi 1%.
Susunan berikut menunjukkan apakah 25 orang berturut-turut yang diwawancarai oleh seorang
ilmuwan sosial adalah untuk (F) atau melawan (A) peningkatan jumlah kejahatan di wilayah
tertentu:
F, F, F, F, F, F, A, F, F, F, F, F, A, F, F, F, F, A, A, F, F, F, F, F, F.
Uji apakah pengaturan iniA'S danF'Smungkin dianggap sebagai acak pada 5% serta pada tingkat
signifikansi 10%.
10. Gunakan korelasi peringkat pada tingkat signifikansi 1% dan tentukan apakah ada
korelasi positif yang signifikan antara dua sampel berdasarkan informasi berikut:

11. Tiga pewawancara mengurutkan kelompok 10 pelamar sebagai berikut:

Hitung koefisien konkordansi (W) dan verifikasi dengan menggunakan hubungan antara rata-rata
dari Spearman's R's dan koefisien konkordansi. Uji signifikansi dariW pada tingkat signifikansi
5% dan 1% dan nyatakan apa yang harus disimpulkan dari hal yang sama. Juga tunjukkan
perkiraan terbaik dari peringkat sebenarnya.

292
 12. Diberikan adalah nilai-nilai Spearman's Rseperti di bawah ini:
rab = 0.607
rac = 0.429
rbc = 0.393

Hitung koefisien konkordansi Kendall Wdari informasi di atas dan uji signifikansinya pada taraf
5%.

293
 13. Teknik Analisis Multivariat
Semua teknik statistik yang secara simultan menganalisis lebih dari dua variabel pada
sampel pengamatan dapat dikategorikan sebagai teknik multivariat. Kita mungkin juga
menggunakan istilah 'analisis multivariat' yang merupakan kumpulan metode untuk menganalisis
data di mana sejumlah pengamatan tersedia untuk setiap objek. Dalam analisis banyak masalah,
akan sangat membantu jika memiliki sejumlah skor untuk setiap objek. Misalnya, di bidang
pengujian kecerdasan jika kita mulai dengan teori bahwa kecerdasan umum tercermin dalam
berbagai ukuran kinerja khusus, maka untuk mempelajari kecerdasan dalam konteks teori ini,
seseorang harus melakukan banyak tes keterampilan mental, seperti kosa kata. , kecepatan
mengingat, aritmatika mental, analogi verbal dan sebagainya. Skor pada setiap tes adalah satu
variabel, Xi, dan ada beberapa, k, dari skor tersebut untuk setiap objek, direpresentasikan sebagai
X1, X2 …Xk.
Sebagian besar studi penelitian melibatkan lebih dari dua variabel di mana analisis situasi
diinginkan dari hubungan antara satu (kadang banyak) variabel kriteria dan beberapa variabel
independen, atau kita mungkin diminta untuk mempelajari hubungan antara variabel yang tidak
memiliki hubungan ketergantungan. Semua analisis tersebut disebut sebagai analisis multivariat
atau teknik multivariat. Singkatnya, teknik yang memperhitungkan berbagai hubungan antar
variabel disebut analisis multivariat atau teknik multivariat. atau kita mungkin diminta untuk
mempelajari hubungan antara variabel yang tidak memiliki hubungan ketergantungan.
Semua analisis tersebut disebut sebagai analisis multivariat atau teknik multivariat.
Singkatnya, teknik yang memperhitungkan berbagai hubungan antar variabel disebut analisis
multivariat atau teknik multivariat. atau kita mungkin diminta untuk mempelajari hubungan
antara variabel yang tidak memiliki hubungan ketergantungan. Semua analisis tersebut disebut
sebagai analisis multivariat atau teknik multivariat. Singkatnya, teknik yang memperhitungkan
berbagai hubungan antar variabel disebut analisis multivariat atau teknik multivariat.
PERTUMBUHAN TEKNIK MULTIVARIAT
Akhir-akhir ini, teknik multivariat telah muncul sebagai alat yang ampuh untuk
menganalisis data yang direpresentasikan dalam banyak variabel. Alasan utamanya adalah bahwa
serangkaian analisis univariat yang dilakukan secara terpisah untuk setiap variabel terkadang
dapat menyebabkan interpretasi hasil yang salah. Hal ini terjadi karena analisis univariat tidak
mempertimbangkan korelasi atau ketergantungan antar variabel. Akibatnya, selama lima puluh
tahun terakhir, sejumlah ahli statistik telah berkontribusi pada pengembangan beberapa teknik
multivariat. Saat ini, teknik ini diterapkan di berbagai bidang seperti ekonomi, sosiologi,
psikologi, pertanian, antropologi, biologi, dan kedokteran. Teknik-teknik ini digunakan dalam
menganalisis data sosial, psikologis, medis dan ekonomi, khususnya ketika variabel-variabel
mengenai studi penelitian bidang-bidang ini seharusnya berkorelasi satu sama lain dan ketika
model probabilistik yang ketat tidak dapat digunakan dengan tepat. Penerapan teknik multivariat
dalam praktik telah dipercepat di zaman modern karena munculnya komputer elektronik
berkecepatan tinggi.
KARAKTERISTIK DAN APLIKASI
Teknik multivariat sebagian besar empiris dan berurusan dengan kenyataan; mereka
memiliki kemampuan untuk menganalisis data yang kompleks. Oleh karena itu di sebagian besar
penelitian terapan dan perilaku, kami umumnya menggunakan teknik analisis multivariat untuk
hasil yang realistis. Selain sebagai alat untuk menganalisis data, teknik multivariat juga membantu
dalam berbagai jenis pengambilan keputusan. Misalnya, ambil kasus ujian masuk perguruan
tinggi di mana sejumlah tes diberikan kepada kandidat, dan kandidat yang mendapat nilai total

294
tinggi berdasarkan banyak mata pelajaran diterima. Sistem ini, meskipun tampaknya adil, kadang-
kadang bias mendukung beberapa mata pelajaran dengan standar deviasi yang lebih besar.
Teknik multivariat dapat digunakan dengan tepat dalam situasi seperti itu untuk
mengembangkan norma tentang siapa yang harus diterima di perguruan tinggi. Kami juga dapat
mengutip contoh dari bidang medis. Banyak pemeriksaan medis seperti tes tekanan darah dan
kolesterol yang diberikan kepada pasien. Masing-masing hasil pemeriksaan tersebut memiliki arti
tersendiri, tetapi penting juga untuk mempertimbangkan hubungan antara hasil tes yang berbeda
atau hasil tes yang sama pada kesempatan yang berbeda untuk menarik kesimpulan diagnostik
yang tepat dan untuk menentukan terapi yang tepat.
Teknik multivariat dapat membantu kita dalam situasi seperti itu. Mengingat semua ini,
kita dapat menyatakan bahwa “jika peneliti tertarik untuk membuat pernyataan probabilitas
berdasarkan beberapa pengukuran sampel, maka strategi terbaik dari analisis data adalah dengan
menggunakan beberapa teknik statistik multivariat yang sesuai.”Banyak pemeriksaan medis
seperti tes tekanan darah dan kolesterol yang diberikan kepada pasien. Masing-masing hasil
pemeriksaan tersebut memiliki arti tersendiri, tetapi penting juga untuk mempertimbangkan
hubungan antara hasil tes yang berbeda atau hasil tes yang sama pada kesempatan yang berbeda
untuk menarik kesimpulan diagnostik yang tepat dan untuk menentukan terapi yang tepat. Teknik
multivariat dapat membantu kita dalam situasi seperti itu.
Mengingat semua ini, kita dapat menyatakan bahwa “jika peneliti tertarik untuk membuat
pernyataan probabilitas berdasarkan beberapa pengukuran sampel, maka strategi terbaik dari
analisis data adalah dengan menggunakan beberapa teknik statistik multivariat yang sesuai.”1
Banyak pemeriksaan medis seperti tes tekanan darah dan kolesterol yang diberikan kepada pasien.
Masing-masing hasil pemeriksaan tersebut memiliki arti tersendiri, tetapi penting juga untuk
mempertimbangkan hubungan antara hasil tes yang berbeda atau hasil tes yang sama pada
kesempatan yang berbeda untuk menarik kesimpulan diagnostik yang tepat dan untuk
menentukan terapi yang tepat. Teknik multivariat dapat membantu kita dalam situasi seperti itu.
Mengingat semua ini, kita dapat menyatakan bahwa “jika peneliti tertarik untuk membuat
pernyataan probabilitas berdasarkan beberapa pengukuran sampel, maka strategi terbaik dari
analisis data adalah dengan menggunakan beberapa teknik statistik multivariat yang sesuai.”1
tetapi penting juga untuk mempertimbangkan hubungan antara hasil tes yang berbeda atau hasil
tes yang sama pada kesempatan yang berbeda untuk menarik kesimpulan diagnostik yang tepat
dan untuk menentukan terapi yang tepat.
Teknik multivariat dapat membantu kita dalam situasi seperti itu. Mengingat semua ini,
kita dapat menyatakan bahwa “jika peneliti tertarik untuk membuat pernyataan probabilitas
berdasarkan beberapa pengukuran sampel, maka strategi terbaik dari analisis data adalah dengan
menggunakan beberapa teknik statistik multivariat yang sesuai.”1 tetapi penting juga untuk
mempertimbangkan hubungan antara hasil tes yang berbeda atau hasil tes yang sama pada
kesempatan yang berbeda untuk menarik kesimpulan diagnostik yang tepat dan untuk
menentukan terapi yang tepat. Teknik multivariat dapat membantu kita dalam situasi seperti itu.
Mengingat semua ini, kita dapat menyatakan bahwa “jika peneliti tertarik untuk membuat
pernyataan probabilitas berdasarkan beberapa pengukuran sampel, maka strategi terbaik dari
analisis data adalah dengan menggunakan beberapa teknik statistik multivariat yang sesuai.”1
Tujuan dasar yang mendasari teknik multivariat adalah untuk mewakili kumpulan data besar
dengan cara yang disederhanakan.
Dengan kata lain, teknik multivariat mengubah massa pengamatan menjadi sejumlah
kecil skor komposit sedemikian rupa sehingga mereka dapat mencerminkan informasi sebanyak
mungkin yang terkandung dalam data mentah yang diperoleh mengenai studi penelitian. Dengan
demikian, kontribusi utama dari teknik ini adalah dalam mengatur sejumlah besar informasi
kompleks yang terlibat dalam data nyata ke dalam bentuk yang terlihat disederhanakan. Secara

295
matematis, teknik multivariat terdiri dari "membentuk vektor komposit linier dalam subruang
vektor, yang dapat direpresentasikan dalam bentuk proyeksi vektor ke subruang tertentu yang
ditentukan."
Untuk apresiasi dan pemahaman yang lebih baik tentang teknik multivariat, seseorang
harus terbiasa dengan konsep dasar aljabar linier, ruang vektor, proyeksi ortogonal dan miring,
serta analisis univariat. Bahkan sebelum menerapkan teknik multivariat untuk hasil yang
bermakna, kita harus mempertimbangkan sifat dan struktur data dan tujuan sebenarnya dari
analisis. Kita juga tidak boleh lupa bahwa teknik multivariat melibatkan beberapa perhitungan
matematis yang kompleks dan dengan demikian dapat dimanfaatkan sebagian besar dengan
ketersediaan fasilitas komputer.
KLASIFIKASI TEKNIK MULTIVARIAT
Saat ini, terdapat berbagai macam teknik multivariat yang dapat dengan mudah
diklasifikasikan menjadi: dua kategori besar yaitu, metode ketergantungan dan metode saling
ketergantungan. Klasifikasi semacam ini tergantung pada pertanyaan: Apakah beberapa variabel
yang terlibat bergantung pada yang lain? Jika jawabannya 'ya', kami memiliki metode
ketergantungan; tetapi jika jawabannya 'tidak', kami memiliki metode saling ketergantungan. Dua
pertanyaan lagi relevan untuk memahami sifat teknik multivariat. Pertama, jika beberapa variabel
dependen, pertanyaannya adalah berapa banyak variabel dependen? Pertanyaan lainnya adalah,
apakah data tersebut metrik atau non-metrik? Ini berarti apakah datanya kuantitatif, dikumpulkan
pada skala interval atau rasio, atau apakah datanya kualitatif, dikumpulkan dalam skala nominal
atau ordinal. Teknik yang akan digunakan untuk situasi tertentu tergantung pada jawaban atas
semua pertanyaan ini.
Jadish N. Sheth dalam artikelnya tentang “Revolusi multivariat dalam riset pemasaran”
telah memberikan diagram alir yang secara jelas menunjukkan sifat beberapa teknik multivariat
penting seperti yang ditunjukkan pada Gambar 13.1. Jadi, kami memiliki dua jenis teknik
multivariat: satu jenis untuk data yang mengandung baik variabel dependen maupun independen,
dan tipe lainnya untuk data yang berisi beberapa variabel tanpa hubungan ketergantungan. Dalam
kategori sebelumnya termasuk teknik seperti analisis regresi berganda, analisis diskriminan
berganda, analisis varians multivariat dan analisis kanonik, sedangkan dalam kategori terakhir
kami menempatkan teknik seperti analisis faktor, analisis cluster, penskalaan multidimensi atau
MDS (baik metrik maupun non-metrik) dan analisis struktur laten.

296
 Semua metode
multivariat

Apakah
beberapa
variabel
tergantung?

Ya Tid
ak

Metode Metode saling

ketergantu ketergantun
ngan gan

Berapa banyak
variabel? Apakah input
metrik?
tergantung?

Sat Bebera
u Ya Tid
pa
ak

Apakah Faktor kluster Metrik

Apakah itu analisis analisis MDS
metrik? mereka
metrik?

Ya Tidak iya Tid

ak

Analisis
Analisis Multivariasi MDS non-
Regresi struktur
diskriminan analisis dari metrik
berganda laten
ganda perbedaan

Analisis kanonik

Gambar 13.1
VARIABEL DALAM ANALISIS MULTIVARIAT
Sebelum kita menjelaskan berbagai teknik multivariat, tampaknya tepat untuk memiliki
gagasan yang jelas tentang istilah, 'variabel' yang digunakan dalam konteks analisis multivariat.
Banyak variabel yang digunakan dalam analisis multivariat dapat diklasifikasikan ke dalam
kategori yang berbeda dari beberapa sudut pandang. Yang penting adalah seperti di bawah ini: (i)
Variabel penjelas dan variabel kriteria: Jika X dapat dianggap sebagai penyebab Y, maka
X digambarkan sebagai variabel penjelas (juga disebut sebagai variabel kausal atau independen)
dan Y digambarkan sebagai variabel kriteria (juga disebut sebagai variabel resultan atau
dependen). Dalam beberapa kasus, baik variabel penjelas maupun variabel kriteria dapat terdiri
dari sekumpulan banyak variabel di mana himpunan kasus (X1, X2, X3, …., XP) dapat disebut
himpunan variabel penjelas dan himpunan (Y1, Y2, Y3, …., YuQ) dapat disebut satu set variabel
kriteria jika variasi yang pertama mungkin dianggap menyebabkan variasi yang terakhir secara
keseluruhan. Dalam ilmu ekonomi, variabel penjelas disebut variabel eksternal atau eksogen dan
variabel kriteria disebut variabel endogen. Beberapa orang menggunakan istilah kriteria eksternal
untuk variabel penjelas dan istilah kriteria internal untuk variabel kriteria.

297
(ii) Variabel yang dapat diamati dan variabel laten: Variabel penjelas yang dijelaskan di atas
adalah seharusnya dapat diamati secara langsung dalam beberapa situasi, dan jika demikian, hal
yang sama disebut sebagai variabel yang dapat diamati. Namun, ada beberapa variabel yang tidak
dapat diamati yang dapat mempengaruhi variabel kriteria. Kami menyebut variabel yang tidak
dapat diamati seperti itu sebagai variabel laten.
(iii) Variabel diskrit dan variabel kontinu: Variabel diskrit adalah variabel yang bila diukur
hanya dapat mengambil nilai integer sedangkan variabel kontinu adalah variabel yang bila diukur
dapat mengasumsikan nilai riil apa pun (bahkan dalam titik desimal).
(iv) Variabel boneka (atau variabel Pseudo): Istilah ini digunakan dalam pengertian teknis
dan berguna dalam manipulasi aljabar dalam konteks analisis multivariat. Kami memanggil
XSaya ( i = 1, …., m) variabel dummy, jika hanya salah satu dari XSaya adalah 1 dan yang lainnya
semuanya nol.
TEKNIK MULTIVARIAT PENTING
Penjelasan singkat tentang berbagai teknik multivariat yang disebutkan di atas (dengan
penekanan khusus pada analisis faktor) adalah sebagai berikut:
(i) Regresi berganda
Dalam regresi berganda kami membentuk komposit linier dari variabel penjelas
sedemikian rupa sehingga memiliki korelasi maksimum dengan variabel kriteria. Teknik ini
tepat ketika peneliti memiliki variabel kriteria metrik tunggal. Yang seharusnya menjadi fungsi
dari variabel penjelas lainnya. Tujuan utama dalam menggunakan teknik ini adalah untuk
memprediksi variabilitas variabel dependen berdasarkan kovariansnya dengan semua variabel
independen. Seseorang dapat memprediksi tingkat fenomena dependen melalui model analisis
regresi berganda, mengingat level variabel independen. Mengingat variabel dependen, masalah
regresi linier berganda adalah untuk memperkirakan konstanta B1, B2, ... Bk dan A sedemikian
rupa sehingga ekspresi Y = B1x1 + B2x2 + ... + Bkxk + A menyediakan perkiraan yang baik
dari skor Y individu berdasarkan skor X-nya. Dalam praktiknya, variabel Y dan beberapa
variabel X diubah menjadi skor standar; zy, zl, z2, ... zk; setiap z memiliki mean 0 dan standar
deviasi 1. Maka masalahnya adalah memperkirakan konstanta.
z
di mana z'y mewakili nilai prediksi skor Y standar, zy. Ekspresi di sisi kanan persamaan di atas
adalah kombinasi linier dari variabel penjelas. Konstanta A dihilangkan dalam proses pengubahan
X ke z. Metode kuadrat terkecil digunakan, untuk memperkirakan bobot beta sedemikian rupa

sehingga jumlah kesalahan prediksi kuadrat dijaga sekecil mungkin yaitu ekspresi (z z
2
) diminimalkan. Kecukupan prediktif dari satu set bobot beta adalah ditunjukkan oleh ukuran
koefisien korelasi rzy antara yang diprediksi z skor dan skor zy yang sebenarnya.
Koefisien korelasi khusus dari Karl Pearson ini disebut koefisien korelasi berganda (R). Korelasi
berganda kuadrat, R2, mewakili proporsi varians kriteria (z )dipertanggungjawabkan oleh
variabel penjelas, yaitu proporsi varians total yang Umum Perbedaan.
Kadang-kadang peneliti dapat menggunakan teknik regresi bertahap untuk memiliki
gagasan yang lebih baik tentang kontribusi independen dari setiap variabel penjelas. Di bawah
teknik ini, penyelidik menambahkan kontribusi independen dari setiap variabel penjelas ke dalam
persamaan prediksi satu per satu, menghitung beta dan R2 pada setiap langkah. Teknik

298
komputerisasi formal tersedia untuk tujuan tersebut dan hal yang sama dapat digunakan dalam
konteks masalah tertentu yang sedang dipelajari oleh peneliti.
(ii) Analisis diskriminan ganda
Melalui teknik analisis diskriminan, peneliti dapat mengklasifikasikan individu atau
objek ke dalam salah satu dari dua atau lebih kelompok yang saling eksklusif dan lengkap atas
dasar satu set variabel bebas. Analisis diskriminan membutuhkan variabel independen interval
dan variabel dependen nominal. Misalnya, misalkan preferensi merek (katakanlah merek x atau
y) adalah variabel dependen minat dan hubungannya dengan pendapatan, usia, pendidikan, dll.
sedang diselidiki, maka kita harus menggunakan teknik analisis diskriminan. Analisis regresi
dalam situasi seperti itu tidak cocok karena variabel dependen tidak berskala secara interval. Jadi
analisis diskriminan dianggap sebagai teknik yang tepat ketika variabel terikat tunggal kebetulan
non-metrik dan harus diklasifikasikan ke dalam dua atau lebih kelompok, tergantung pada
hubungannya dengan beberapa variabel bebas yang semuanya metrik. Tujuan dalam analisis
diskriminan adalah untuk memprediksi kemungkinan objek milik kelompok tertentu berdasarkan
beberapa variabel independen.
Jika kita mengklasifikasikan variabel dependen lebih dari dua kelompok, maka kita
menggunakan nama analisis diskriminan berganda; tetapi jika hanya dua kelompok yang akan
dibentuk, kita cukup menggunakan istilah analisis diskriminan. Secara singkat kami dapat
merujuk pada aspek teknis yang berkaitan dengan analisis diskriminan.
(i) Kebetulan ada sistem penilaian sederhana yang memberikan skor untuk setiap individu atau
objek. Skor ini adalah rata-rata tertimbang dari nilai numerik individu dari variabel
independennya. Atas dasar skor ini, individu tersebut dimasukkan ke dalam kategori 'paling
mungkin'. Misalnya, seorang individu berusia 20 tahun, memiliki pendapatan tahunan Rs 12.000,
dan memiliki 10 tahun pendidikan formal. Misalkan b1, b2, dan b3 masing-masing merupakan
bobot yang dilampirkan pada variabel bebas umur, pendapatan dan pendidikan. Skor individu (z),
dengan asumsi skor linier, adalah:
z = b1 (20) + b2 (12000) + b3 (10)

adalah pengguna awal, pengguna akhir, atau bukan pengguna produk konsumen yang baru
dipasarkan (di sini kita membuat tiga kategori yaitu pengguna awal, pengguna akhir atau non-
pengguna pengguna).
(ii) Nilai-nilai numerik dan tanda-tanda b menunjukkan pentingnya variabel-variabel independen
dalam kemampuannya untuk membedakan antara kelas-kelas individu yang berbeda. Dengan
demikian, melalui analisis diskriminan, peneliti juga dapat menentukan variabel independen mana
yang paling berguna dalam memprediksi apakah responden akan dimasukkan ke dalam satu
kelompok atau yang lain. Dengan kata lain, analisis diskriminan mengungkapkan variabel
spesifik mana dalam profil yang menyumbang proporsi terbesar perbedaan antarkelompok.
(iii) Jika hanya dua kelompok individu yang akan dibentuk berdasarkan beberapa variabel bebas,
maka kita dapat memiliki model seperti ini zSaya = b0 + b1x1i + b2x2i + ... + bnxni dimana Xji
= nilai individu ke-i dari variabel bebas ke-j; bj = koefisien diskriminan variabel ke-j; zi = individu
ke-i skor diskriminan; zkritik. = nilai kritis untuk skor diskriminan. Prosedur klasifikasi dalam
kasus seperti itu adalah Jika zSaya > zkritik., klasifikasikan individu i sebagai milik Grup I Jika
zSaya < zkritik, mengklasifikasikan individu i sebagai milik Grup II. Ketika n (jumlah variabel
bebas) sama dengan 2, kita memiliki batas klasifikasi garis lurus. Setiap individu di satu sisi garis
diklasifikasikan sebagai Grup I dan di sisi lain, setiap orang diklasifikasikan sebagai milik Grup

299
II. Ketika n = 3, batas klasifikasi adalah bidang dua dimensi dalam ruang 3 dan secara umum
batas klasifikasi adalah bidang hiper n – 1 dimensi dalam ruang n.
(iv) Dalam analisis diskriminan n-kelompok, fungsi diskriminan dibentuk untuk masing-masing
pasangan kelompok. Jika ada 6 grup yang akan dibentuk, kita akan memiliki 6(6 – 1)/2 = 15
pasang grup, dan karenanya 15 fungsi diskriminan. Nilai b untuk setiap fungsi menunjukkan
variabel mana yang penting untuk membedakan antara pasangan kelompok tertentu. Skor z untuk
setiap fungsi diskriminan menunjukkan di mana dari dua kelompok ini individu lebih mungkin
menjadi anggota. Kemudian digunakan transitivitas hubungan "lebih mungkin dari". Misalnya,
jika grup II lebih mungkin daripada grup I dan grup III lebih mungkin daripada grup II, maka
grup III juga lebih mungkin daripada grup I. Dengan cara ini semua perbandingan yang diperlukan
dibuat dan individu ditugaskan ke yang paling mungkin dari semua kelompok. Dengan demikian,
(v) Untuk menilai signifikansi statistik antara dua kelompok, kami mengerjakan statistik
Mahalanobis, D2, yang merupakan jarak umum antara dua kelompok, di mana setiap kelompok
dicirikan oleh himpunan n variabel yang sama dan di mana diasumsikan bahwa struktur varians-
kovarians identik untuk kedua kelompok. Dikerjakan demikian:

D2 (kamu 1 ) (kamu
kamu 2 v 1
1 kamu 2 )
di mana U1 = vektor rata-rata untuk grup I
v = matriks varians umum
Dengan prosedur transformasi, statistik D2 ini menjadi statistik F yang dapat digunakan untuk
melihat apakah kedua kelompok secara statistik berbeda satu sama lain. Dari semua ini, kita dapat
menyimpulkan bahwa analisis diskriminan memberikan persamaan prediksi, mengukur
kepentingan relatif dari setiap variabel dan juga merupakan ukuran kemampuan persamaan untuk
memprediksi kelompok kelas yang sebenarnya (dua atau lebih) mengenai variabel terikat. (iii)
Analisis varians multivariate
Analisis varians multivariat adalah perpanjangan dari analisis varians bivariat di mana
rasio varians antar-kelompok terhadap varians dalam-kelompok dihitung pada satu set variabel,
bukan variabel tunggal. Teknik ini dianggap tepat ketika beberapa variabel dependen metrik
terlibat dalam studi penelitian bersama dengan banyak variabel penjelas non-metrik. (Tetapi jika
penelitian hanya memiliki satu variabel dependen metrik dan beberapa variabel penjelas
nonmetrik, maka kami menggunakan teknik ANOVA seperti yang dijelaskan sebelumnya dalam
buku ini.) Dengan kata lain, analisis varians multivariat diterapkan secara khusus setiap kali
peneliti ingin menguji hipotesis mengenai perbedaan multivariat dalam tanggapan kelompok
untuk manipulasi eksperimental. Contohnya, peneliti pasar mungkin tertarik untuk menggunakan
satu pasar uji dan satu pasar kontrol untuk menguji pengaruh kampanye iklan terhadap penjualan
serta kesadaran, pengetahuan, dan sikap. Dalam hal ini ia harus menggunakan teknik analisis
varians multivariat untuk memenuhi tujuannya.
(iv) Analisis korelasi kanonik
Teknik ini pertama kali dikembangkan oleh Hotelling dimana upaya dilakukan untuk
secara simultan memprediksi satu set variabel kriteria dari kovarians bersama mereka dengan satu
set variabel penjelas. Baik data metrik maupun non-metrik dapat digunakan dalam konteks teknik
multivariat ini. Prosedur yang diikuti adalah untuk mendapatkan sekumpulan bobot untuk
variabel dependen dan independen sedemikian rupa sehingga komposit linier dari variabel kriteria
memiliki korelasi maksimum dengan komposit linier dari variabel penjelas. Misalnya, jika kita

300
ingin menghubungkan penyesuaian sekolah dasar dengan kesehatan dan kematangan fisik anak,
maka kita dapat menggunakan analisis korelasi kanonik, asalkan kita memiliki sejumlah nilai
penyesuaian untuk setiap anak (seperti tes, peringkat guru, peringkat orang tua dan sebagainya)
dan juga kami memiliki untuk setiap anak sejumlah skor kesehatan dan kematangan fisik (seperti
detak jantung, tinggi badan, berat badan, indeks intensitas penyakit, dan sebagainya). Tujuan
utama dari analisis korelasi kanonik adalah untuk menemukan faktor-faktor secara terpisah dalam
dua set variabel sedemikian rupa sehingga korelasi ganda antara set faktor akan menjadi
semaksimal mungkin. Secara matematis, dalam analisis korelasi kanonik, bobot dari dua
himpunan yaitu, a1, a2, … ak dan kamuaku, kamu2, kamu3, ... kamuJ ditentukan sedemikian rupa
sehingga variabel X = a1x1 + a2x2 +... + akxk + a dan Y = y1kamu1 + kamu2kamu2 + … yjYj
+ y memiliki varians persekutuan maksimum. Proses mencari bobot memerlukan analisis faktor
dengan dua matriks.* Solusi korelasi kanonik yang dihasilkan kemudian memberikan gambaran
menyeluruh tentang ada atau tidaknya hubungan antara dua set variabel.
(v) Analisis factor
Analisis faktor sejauh ini merupakan teknik studi penelitian multivariat yang paling
sering digunakan, khususnya yang berkaitan dengan ilmu sosial dan perilaku. Ini adalah teknik
yang berlaku ketika ada saling ketergantungan sistematis antara satu set variabel yang diamati
atau variabel nyata dan peneliti tertarik untuk menemukan sesuatu yang lebih mendasar atau laten
yang menciptakan kesamaan ini. Misalnya, kita mungkin memiliki data, katakanlah, tentang
pendapatan, pendidikan, pekerjaan, dan tempat tinggal seseorang area dan ingin menyimpulkan
dari beberapa faktor ini (seperti kelas sosial) yang merangkum kesamaan dari keempat variabel
tersebut.
Teknik yang digunakan untuk tujuan tersebut umumnya digambarkan sebagai analisis
faktor. Analisis faktor, dengan demikian, berusaha untuk menyelesaikan satu set besar variabel
terukur dalam hal kategori yang relatif sedikit, yang dikenal sebagai faktor. Teknik ini
memungkinkan peneliti untuk mengelompokkan variabel menjadi faktor-faktor (berdasarkan
korelasi antar variabel) dan faktor-faktor yang diturunkan dapat diperlakukan sebagai variabel
baru (sering disebut sebagai variabel laten) dan nilainya diturunkan dengan menjumlahkan nilai-
nilai variabel asli yang telah dikelompokkan ke dalam faktor Arti dan nama variabel baru tersebut
ditentukan secara subjektif oleh peneliti. Karena faktor-faktor tersebut merupakan kombinasi
linier data, koordinat setiap pengamatan atau variabel diukur untuk mendapatkan apa yang disebut
pemuatan faktor.
Dasar matematis dari analisis faktor menyangkut matriks data* (juga disebut sebagai
matriks skor), dilambangkan sebagai S. Matriks tersebut berisi skor N orang dari k ukuran. Jadi
a1 adalah skor orang 1 pada ukuran a, a2 adalah skor orang 2 pada ukuran a, dan kN adalah skor
orang N pada ukuran k. Matriks skor kemudian mengambil bentuk seperti yang ditunjukkan
berikut:
MATRIKS SKOR (atau Matriks S)
Ukuran (variabel)
A B C k

1 A1 B1 C1 k1
2 A2 B2 C2 k2

301
 3 A3 B3 C3 k3
orang (objek). . . . .
. . . . .

. . . . .

n An Bn Cn kn

Diasumsikan bahwa skor pada setiap ukuran adalah standar [yaitu, xi ( X Xi )2 /i ]. Inidengan
demikian, jumlah skor dalam setiap kolom matriks, S, adalah nol dan varians skor dalam setiap
kolom adalah 1,0. Kemudian faktor (faktor adalah kombinasi linear dari variabel dalam matriks
data dan dapat dinyatakan secara umum seperti: A = Waa + Wbb + … + Wkk) diperoleh (dengan
metode pemfaktoran apa saja). Setelah ini, kami menghitung beban faktor (yaitu, korelasi faktor-
variabel). Kemudian kebersamaan, dilambangkan sebagai h2, nilai eigen dan jumlah total kuadrat
diperoleh dan hasilnya ditafsirkan. Untuk hasil yang realistis, kami menggunakan teknik rotasi,
karena rotasi tersebut mengungkapkan struktur yang berbeda dalam data. Akhirnya, skor faktor
diperoleh yang membantu menjelaskan apa arti faktor tersebut. Mereka juga memfasilitasi
perbandingan antara kelompok item sebagai kelompok. Dengan skor faktor, seseorang juga dapat
melakukan beberapa analisis multivariat lainnya seperti regresi berganda, analisis klaster, analisis
diskriminan berganda, dll.

METODE PENTING ANALISIS FAKTOR

Ada beberapa metode analisis faktor, tetapi tidak selalu memberikan hasil yang sama.
Karena itu, analisis faktor bukanlah metode unik tunggal, tetapi seperangkat teknik. Metode
penting dari analisis faktor adalah:
(i) metode pusat;
(ii) metode komponen utama;
(iii) metode kemungkinan maksimum
Sebelum kami menjelaskan metode analisis faktor yang berbeda ini, tampaknya tepat
bahwa beberapa istilah dasar yang berkaitan dengan analisis faktor harus dipahami dengan baik.
(i) Faktor
Faktor adalah dimensi dasar yang menjelaskan beberapa variabel yang diamati. Mungkin
ada satu atau lebih faktor, tergantung pada sifat penelitian dan jumlah variabel yang terlibat di
dalamnya.
(ii) Pemuatan factor
Faktor-loading adalah nilai-nilai yang menjelaskan seberapa dekat variabel terkait
dengan masing-masing faktor yang ditemukan. Mereka juga dikenal sebagai korelasi faktor-
variabel. Faktanya, pemuatan faktor berfungsi sebagai kunci untuk memahami apa arti faktor
tersebut. Ini adalah ukuran absolut (bukan tanda, plus atau minus) dari beban yang penting
dalam interpretasi suatu faktor.
(iii) Keguyuban (H2)
Komunitas, dilambangkan sebagai h2, menunjukkan seberapa banyak setiap variabel
diperhitungkan oleh faktor yang mendasarinya secara bersama-sama. Nilai komunalitas yang

302
tinggi berarti tidak banyak variabel yang tersisa setelah apa pun yang diwakili oleh faktor-faktor
tersebut dipertimbangkan. Ini dikerjakan sehubungan dengan setiap variabel seperti di bawah:
H2 dari variabel ke-i = (pembebanan faktor ke-i dari faktor A)2 + (pembebanan faktor ke-i dari
faktor B)2 + …
(iv) nilai eigen (atau akar laten)
Ketika kita mengambil jumlah dari nilai kuadrat dari beban faktor yang berkaitan
dengan suatu faktor, maka jumlah tersebut disebut sebagai Nilai Eigen atau akar laten. Nilai
eigen menunjukkan kepentingan relatif dari setiap faktor dalam menghitung kumpulan variabel
tertentu yang dianalisis.
(v) Jumlah total kuadrat
Ketika nilai eigen dari semua faktor dijumlahkan, nilai yang dihasilkan disebut sebagai
jumlah kuadrat total. Nilai ini, bila dibagi dengan jumlah variabel (terlibat dalam penelitian),
menghasilkan indeks yang menunjukkan bagaimana solusi tertentu menjelaskan apa yang
diwakili oleh semua variabel. Jika semua variabel sangat berbeda satu sama lain, indeks ini akan
rendah. Jika mereka jatuh ke dalam satu atau lebih kelompok yang sangat berlebihan, dan jika
faktor-faktor yang diekstraksi mencakup semua kelompok, maka indeks akan mendekati
kesatuan.
(vi) Rotasi
Rotasi, dalam konteks analisis faktor, adalah sesuatu seperti pewarnaan slide
mikroskop. Sama seperti noda yang berbeda di atasnya mengungkapkan struktur yang berbeda
dalam jaringan, rotasi yang berbeda mengungkapkan struktur yang berbeda dalam data.
Meskipun rotasi yang berbeda memberikan hasil yang tampak sama sekali berbeda, tetapi dari
sudut pandang statistik, semua hasil dianggap sama, tidak ada yang lebih unggul atau lebih
rendah dari yang lain. Namun, dari sudut pandang memahami hasil analisis faktor, seseorang
harus memilih rotasi yang tepat. Jika faktor-faktornya independen dilakukan rotasi ortogonal
dan jika faktor-faktornya berkorelasi, maka dilakukan rotasi miring. Komunalitas untuk setiap
variabel akan tetap tidak terganggu terlepas dari rotasi tetapi nilai eigen akan berubah sebagai
akibat dari rotasi.
(vii) Skor factor
Skor faktor mewakili sejauh mana setiap responden mendapat skor tinggi pada kelompok
item yang memuat tinggi pada setiap faktor. Skor faktor dapat membantu menjelaskan apa arti
faktor tersebut. Dengan skor seperti itu, beberapa analisis multivariat lainnya dapat dilakukan.
Sekarang kita dapat mengambil metode penting dari analisis faktor.
(A) Metode Centroid Analisis Faktor
Metode analisis faktor ini, yang dikembangkan oleh LL Thurstone, cukup sering
digunakan sampai sekitar tahun 1950 sebelum munculnya komputer berkecepatan tinggi
berkapasitas besar.* Metode centroid cenderung memaksimalkan jumlah beban, mengabaikan
tanda; itu adalah metode yang mengekstrak jumlah terbesar dari beban absolut untuk setiap faktor
secara bergantian. Ini didefinisikan oleh kombinasi linier di mana semua bobot adalah + 1.0 atau
– 1.0. Kelebihan utama dari metode ini adalah relatif sederhana, dapat dengan mudah dipahami
dan melibatkan perhitungan yang lebih sederhana. Jika seseorang memahami metode ini, menjadi
mudah untuk memahami mekanisme yang terlibat dalam metode lain dari analisis faktor.
Berbagai langkah** yang terlibat dalam metode ini adalah sebagai berikut:

303
(i) Metode ini dimulai dengan perhitungan matriks korelasi, R, di mana kesatuan
ditempatkan pada ruang-ruang diagonal. Rumus momen produk digunakan untuk menghitung
koefisien korelasi.
(ii) Jika korelasinya matriks yang diperoleh kebetulan berlipat ganda (yaitu, dengan
mengabaikan elemen diagonal, setiap variabel memiliki jumlah korelasi positif yang lebih besar
daripada korelasi negatif), metode centroid mengharuskan bobot untuk semua variabel menjadi
+1.0. Dengan kata lain, variabel tidak berbobot; mereka hanya dijumlahkan. Tetapi jika matriks
korelasi tidak berlipat ganda, maka refleksi harus dilakukan sebelum faktor centroid pertama
diperoleh.
(iii) Faktor centroid pertama ditentukan sebagai berikut:
(a) Jumlah koefisien (termasuk kesatuan diagonal) di setiap kolom korelasi matriks
dikerjakan.
(b) Kemudian jumlah jumlah kolom ini (T) diperoleh.
(c) Jumlah setiap kolom yang diperoleh seperti (a) di atas dibagi dengan akar kuadrat dari T
yang diperoleh pada (b) di atas, menghasilkan apa yang disebut pembebanan centroid. Dengan
cara ini setiap pemuatan centroid (satu pemuatan untuk satu variabel) dihitung. Set lengkap dari
pembebanan yang diperoleh merupakan faktor centroid pertama (katakanlah A).
(iv) Untuk mendapatkan faktor centroid kedua (misalnya B), pertama-tama harus diperoleh
matriks koefisien residual. Untuk tujuan ini, beban untuk dua variabel pada faktor centroid
pertama dikalikan. Ini dilakukan untuk semua kemungkinan pasangan variabel (di setiap ruang
diagonal adalah kuadrat dari pemuatan faktor tertentu). Matriks yang dihasilkan dari produk
silang faktor dapat disebut sebagai Q1. Kemudian Q1 dikurangi clement oleh elemen dari matriks
asli korelasi, R, dan hasilnya adalah matriks pertama dari koefisien residual, R .* Setelah
diperoleh R1, seseorang harus mencerminkan beberapa variabel di dalamnya, artinya dengan
demikian beberapa variabel diberi tanda negatif dalam penjumlahan [Hal ini biasanya dilakukan
dengan inspeksi. Tujuan dalam melakukan ini adalah untuk mendapatkan matriks yang
direfleksikan, R'1, yang akan memiliki jumlah koefisien (T) tertinggi yang mungkin. Untuk
setiap variabel yang direfleksikan, tanda-tanda semua koefisien dalam kolom dan baris matriks
residual tersebut diubah. Bila hal ini dilakukan, matriks tersebut dinamakan sebagai bentuk
'matriks yang direfleksikan' yang pembebanannya diperoleh dengan cara biasa (sudah dijelaskan
dalam konteks faktor centroid pertama), tetapi pembebanan dari variabel-variabel yang
direfleksikan harus diberi tanda negatif. . Set lengkap dari pembebanan yang diperoleh merupakan
faktor centroid kedua (katakanlah B). Dengan demikian pembebanan pada faktor centroid kedua
diperoleh dari R'1.
(v) Untuk faktor-faktor berikutnya (C, D, dll.) proses yang sama yang diuraikan di atas
diulang. Setelah faktor centroid kedua diperoleh, produk silang dihitung membentuk, matriks,
Q2. Ini kemudian dikurangi dari R1 (dan bukan dari R'1) menghasilkan R2. Untuk mendapatkan
faktor ketiga (C), seseorang harus beroperasi pada R2 dengan cara yang sama seperti pada R1.
Pertama, beberapa variabel harus direfleksikan untuk memaksimalkan jumlah pembebanan, yang
akan menghasilkan R'2 . Pembebanan akan dihitung dari R'2 seperti dari R'1. Sekali lagi, perlu
memberi tanda negatif pada beban variabel yang direfleksikan yang akan menghasilkan faktor
centroid ketiga (C). Sekarang kita dapat mengilustrasikan metode ini dengan sebuah contoh.
Ilustrasi 1 Diberikan matriks korelasi berikut, R, yang berkaitan dengan delapan variabel dengan
kesatuan dalam ruang diagonal :

304
 1 2 3 4 5 6 7 8

1 1.000 0,709 .204 .081 .626 .113 .155 0,774

2 0,70 1.000 .051 .089 .581 0,09 .083 0,652

9 8

3 .204 .051 1.000 0,671 .123 .689 0,58 .072

2

Variabel 4 .081 .089 0,67 1.000 .022 .798 .613 .111

1

5 .626 .581 .123 .022 1.000 .047 .201 .724

6 .113 0,098 .689 .798 .047 1.000 .801 .120

7 .155 .083 0,58 .613 .201 .801 1.000 .152

2

8 0,77 0,652 .072 .111 .724 .120 .152 1.000

4

Dengan menggunakan metode analisis faktor centroid, tentukan faktor centroid pertama dan
kedua dari informasi di atas.
* Seseorang harus memahami sifat elemen dalam matriks R. Setiap elemen diagonal adalah
varians parsial yaitu varians yang tersisa setelah pengaruh faktor pertama diparsialkan. Setiap
elemen off-diagonal adalah kovarians parsial yaitu, kovarians antara dua variabel setelah
pengaruh faktor pertama dihilangkan. Ini dapat diverifikasi dengan melihat koefisien korelasi
parsial antara dua variabel, katakanlah 1 dan 2 ketika faktor A dianggap konstan
R12 R12 1A 2A

(Pembilang dalam rumus di atas adalah apa yang ditemukan di R1 yang sesuai dengan entri untuk
variabel 1 dan 2. Dalam penyebut, kuadrat dari suku di sebelah kiri adalah persis apa yang
ditemukan di elemen diagonal untuk variabel 1 di R1. Demikian juga varians parsial untuk 2
ditemukan di ruang diagonal untuk variabel itu di residual matriks.)
Larutan: Diberikan matriks korelasi, R, adalah manifold positif dan dengan demikian bobotnya
untuk semua variabel menjadi +1.0. Dengan demikian, kami menghitung faktor centroid pertama
(A) seperti di bawah:
Tabel 13.1 (a)
Variabel

1 2 3 4 5 6 7 8

1 1.000 0,709 .204 .081 .626 .113 .155 0,774

2 0,709 1.000 .051 .089 .581 0,098 .083 0,652

3 .204 .051 1.000 0,671 .123 .689 0,582 .072

Variabel 4 .081 .089 0,671 1.000 .022 .798 .613 .111

305
 5 .626 .581 .123 .022 1.000 .047 .201 .724

6 .113 0,098 .689 .798 .047 1.000 .801 .120

7 .155 .083 0,582 .613 .201 .801 1.000 .152

8 0,774 0,652 .072 .111 .724 .120 .152 1.000

Jumlah kolom 3.662 3.263 3.392 3.385 3.324 3.666 3.587 3.605

Jumlah jumlah kolom (T) = 27,884 T

3.662 , 3.263 , 3.392 , 3.385 , 3.324 , 3.666 , 3.587 , 3.605

Faktor centroid pertama A
5.281 5.281 5.281 5.281 5.281 5.281 5.281 5.281
= .693, .618, .642, .641, .629, .694, .679, .683

Kami juga dapat menyatakan informasi ini seperti di bawah ini:

Tabel 13.1 (b)

Variabel Pembebanan faktor

mengenai

Faktor centroid pertama A

1 .693

2 .618

3 .642

4 .641

5 .629

6 0,694

7 .679

8 .683

Untuk mendapatkan faktor pusat massa kedua B, pertama-tama kita mengembangkan (seperti
yang ditunjukkan pada halaman berikutnya) matriks pertama perkalian silang faktor, Q1: Karena
dalam R1 suku-suku diagonal adalah varians parsial dan suku-suku di luar diagonal adalah
kovarians parsial, maka mudah untuk mengubahnyaseluruh tabel ke matriks korelasi parsial.
Untuk tujuan ini, kita harus membagi elemen di setiap baris dengan akar kuadrat dari elemen
diagonal untuk baris itu dan kemudian membagi elemen di setiap kolom dengan akar kuadrat dari
elemen diagonal untuk kolom itu.
Matriks pertama perkalian silang factor (Q1)
Titik tengah .693 .618 .642 .641 .629 0,69 .679 .683
pertama 4
faktor A

306
 .693 .480 .428 .445 .444 .436 .481 .471 .473

.618 .428 .382 .397 .396 .389 .429 .420 .422

.642 .445 .397 .412 .412 .404 .446 .436 .438

.641 .444 .396 .412 .411 .403 .445 .435 .438

.629 .436 .389 .404 .403 .396 .437 .427 .430

0,694 .481 .429 .446 .445 .437 0,48 .471 .474

2

.679 .471 .420 .436 .435 .427 .471 .461 .464

.683 .473 .422 .438 .438 .430 .474 .464 .466

Sekarang kita mendapatkan matriks pertama koefisien residual (R1) dengan mengurangkan Q1
dari R seperti yang ditunjukkan di bawah ini:
Matriks Pertama Koefisien Residual (R1) Variabel
1 2 3 4 5 6 7 8

1 .520 .281 – .241 – .363 .190 – .368 – .316 .301

2 .281 .618 –.346 –.307 .192 – .331 – .337 .230

3 –.241 –.346 .588 .259 – .281 .243 .146 – .366

Variabel 4 – .363 – .307 .259 .589 – .381 .353 .178 – .327

5 .190 .192 – .281 - .381 .604 – .390 – .217 .294

6 – .368 – .331 .243 .353 – .390 .518 .330 – .354

7 –.316 – .337 .146 .178 – .226 .330 .539 – .312

8 .301 .230 – .366 - .327 .294 – .354 – .312 .534

Mencerminkan variabel 3, 4, 6 dan 7, kita memperoleh matriks refleksi koefisien residual (R'1)
seperti di bawah dan kemudian kita dapat mengekstrak faktor centroid kedua (B) darinya seperti
yang ditunjukkan pada halaman berikutnya.
Matriks Tercermin dari Koefisien Residual (R'1) dan Ekstraksi Faktor Centroid ke-2 (B)
Variabel

1 2 3* 4* 5 6* 7* 8

1 .520 .281 .241 .363 .190 .368 .316 .301

2 .281 .618 .346 .307 .192 .331 .337 .230

3* .241 .346 .588 .259 .281 .243 .146 .366

Variabel 4* .363 .307 .259 .589 .381 .353 .178 .327

5 .190 .192 .281 .381 .604 .390 .217 .294

307
 6* .368 .331 .243 .353 .390 .518 .330 .354

7* .316 .337 .146 .178 .226 .330 .539 .312

1 2 3* 4* 5 6* 7* 8

8 .301 .230 .366 .327 .294 .354 .312 .534

Jumlah kolom: 2.580 2,642 2.470 2,757 2.558 2.887 2.375 2,718

Jumlah jumlah kolom (T) = T

20,987

Faktor centroid kedua B = .563 .577 –.539 –.602 .558 –.630 –.518 .593

Sekarang kita dapat menulis matriks pembebanan faktor seperti di bawah ini:

Variabel Pemuatan faktor

Faktor Pusat A Faktor Pusat B

1 .693 .563

2 .618 .577

3 .642 –.539

4 .641 –.602

5 .629 .558

6 0,694 –.630

7 .679 –.518

8 .683 .593

Ilustrasi 2 Kerjakan nilai komunalitas dan eigen dari hasil akhir yang diperoleh pada ilustrasi No.
1 ini! Bab. Jelaskan juga apa yang mereka (bersama dengan dua faktor tersebut) tunjukkan.
Larutan: Kami mengerjakan nilai komunalitas dan eigen untuk masalah yang diberikan seperti di
bawah ini:

Variabel Faktor pemuatan Komunitas (h2)

Faktor Pusat A Faktor Pusat B

1 .693 .563 (.693)2 + (.563)2 = .797

2 .618 .577 (.618)2 + (.577)2 = .715

3 .642 –.539 (.642)2 + (–.539)2 = .703

4 .641 –.602 (.641)2 + (–.602)2 = .773

5 .629 .558 (.629)2 + (.558)2 = .707

6 0,694 –.630 (.694)2 + (–.630)2 = .879

308
7 .679 –.518 (.679)2 + (–.518)2 = .729

8 .683 .593 (.683)2 + (.593)2 = .818

309
 Variabel Pemuatan faktor Komunitas (h2)

Faktor Pusat A Faktor Pusat B

nilai eigen

(Perbedaan

diperhitungkan 3.490 2.631 6.121

yaitu

varians umum)

Proporsi total .44 .33 .77

perbedaan (44%) (33%) (77%)

Proporsi dari .57 .43 1.00

varians umum (57%) (43%) (100%)

Setiap komunalitas pada tabel di atas mewakili proporsi varians dalam variabel (baris) yang sesuai
dan diperhitungkan oleh dua faktor (A dan B). Misalnya, 79,7% varians dalam variabel satu
diperhitungkan oleh faktor pusat A dan B dan 20,3% sisanya dari total varians dalam skor variabel
satu dianggap terdiri dari dua bagian: faktor khusus untuk atribut diwakili oleh variabel satu, dan
sebagian karena kesalahan pengukuran yang terlibat dalam penilaian variabel satu (tetapi tidak
disebutkan bagian-bagian ini dalam tabel di atas karena kami biasanya berkonsentrasi pada
varians umum dalam analisis faktor). Sudah menjadi kebiasaan dalam literatur analisis faktor
untuk pemuatan 0,33 menjadi nilai absolut minimum untuk diinterpretasikan.
Porsi varians variabel yang diperhitungkan oleh pembebanan minimum ini kira-kira 10%.
Kriteria ini, meskipun arbitrer, sedang digunakan lebih atau kurang dengan cara konvensi, dan
dengan demikian harus tetap diperhatikan ketika seseorang membaca dan menafsirkan hasil
penelitian multivariat. Dalam contoh kita, faktor A memuat lebih dari 0,33 pada semua variabel;
faktor seperti itu biasanya disebut "faktor umum" dan diambil untuk mewakili apa pun yang
dimiliki semua variabel. Kita mungkin menganggap kedelapan variabel tersebut sebagai produk
dari beberapa variabel yang tidak teramati (yang dapat dinamai secara subyektif oleh peneliti
dengan mempertimbangkan sifat penelitiannya). Nama faktor dipilih sedemikian rupa sehingga
menunjukkan kesamaan yang dimiliki oleh semua variabel yang berkorelasi dengannya (yang
"memuat di atasnya").
Faktor B dalam contoh kita memiliki semua pembebanan lebih dari 0,33, tetapi
setengahnya bertanda negatif. Faktor seperti itu disebut "faktor bipolar" dan dianggap mewakili
satu dimensi dengan dua kutub. Masing-masing kutub ini didefinisikan oleh sekelompok variabel
— satu kutub oleh mereka dengan beban positif dan kutub lainnya dengan beban negatif. Kita
dapat memberikan nama yang berbeda untuk kedua kelompok tersebut untuk membantu kita
menafsirkan dan memberi nama faktor B.
Baris di bagian bawah tabel di atas memberi kita informasi lebih lanjut tentang kegunaan
kedua faktor tersebut dalam menjelaskan hubungan antara delapan variabel. Varians total (V)
dalam analisis diambil sama dengan jumlah variabel yang terlibat (dengan anggapan bahwa
variabel terstandarisasi). Dalam contoh ini, maka V = 8.0. Baris berlabel "Nilai Eigen" atau

310
"Varians umum" memberikan nilai numerik dari bagian varians yang dikaitkan dengan faktor
dalam kolom terkait di atasnya. Ini ditemukan dengan menjumlahkan nilai kuadrat dari beban
faktor yang sesuai. Dengan demikian nilai total 8.0 dipartisi menjadi 3,490 sebagai nilai eigen
untuk faktor A dan 2,631 sebagai nilai eigen untuk faktor B dan total 6. 121 sebagai jumlah nilai
eigen untuk kedua faktor ini.
Proporsi yang sesuai dari total varians, 8.0, ditunjukkan pada baris berikutnya; di sana
kita dapat melihat bahwa 77% dari total varians terkait dengan dua faktor ini, yaitu sekitar 77%
dari total varians adalah varians umum sedangkan 23% sisanya terdiri dari bagian-bagian yang
unik untuk variabel individu dan teknik yang digunakan untuk mengukurnya. Baris terakhir
menunjukkan bahwa dari varians umum sekitar 57% dicatat oleh faktor A dan 43% lainnya oleh
faktor B. Dengan demikian dapat disimpulkan bahwa kedua faktor bersama-sama "menjelaskan"
varians umum.
(B) Metode Komponen Utama
Analisis Faktor Metode komponen utama (atau hanya metode PC) dari analisis faktor,
yang dikembangkan oleh H. Hotelling, berusaha untuk memaksimalkan jumlah beban kuadrat
dari setiap faktor yang diekstraksi secara bergantian. Oleh karena itu, faktor PC menjelaskan lebih
banyak varians daripada beban yang diperoleh dari metode pemfaktoran lainnya. Tujuan dari
metode komponen utama adalah konstruksi dari himpunan variabel Xj (j = 1, 2, …, k) dari
variabel baru (pi), yang disebut komponen utama yang merupakan kombinasi linier dari Xs

P1 =11 x1 + a12 x2 + ... + a1k xk

P2 =21 x1 + a22 x2 + … + a2k xk

.....
.....
Pk =k1 x1 + ak2 x2 + … + akk xk

2
Metode ini sebagian besar diterapkan dengan menggunakan variabel standar, yaitu z (x x )
/

Aij disebut pembebanan dan dikerjakan sedemikian rupa sehingga komponen utama yang
diekstraksi memenuhi dua kondisi: (i) komponen utama tidak berkorelasi (ortogonal) dan (ii)
komponen utama pertama (p1) memiliki varians maksimum, yang kedua komponen utama (p2)
memiliki varians maksimum berikutnya dan seterusnya
Langkah-langkah berikut biasanya terlibat dalam metode komponen utama:
(i) Perkiraanaku j's diperoleh dengan mana X's ditransformasikan ke dalam variabel
ortogonal yaitu, komponen utama. Sebuah keputusan juga diambil sehubungan dengan
pertanyaan: berapa banyak komponen yang harus dipertahankan ke dalam analisis?
(ii) Kami kemudian melanjutkan dengan regresi Y pada komponen utama ini yaitu,

kamu kamu1 P1 kamu2 P2 ... yM PM M ( k )

(iii) mondar-mandir saya AˆSayaJ NSD kamuˆSayaJ , kita mungkin menemukan baku j dari
model asli, mentransfer kembali dari p's ke dalam X standar.

311
Metode alternatif untuk mencari pembebanan faktor adalah sebagai berikut:
(i) Koefisien korelasi (dengan metode product moment) antara pasangan variabel k
dikerjakan dan dapat disusun dalam bentuk matriks korelasi, R, seperti di bawah:
Matriks Kolerasi R
Variabel

x1 x2 x3 …. xk

x1 R11 R1 R1 …. R1k
2 3

x2 R21 R2 R2 …. R3k
2 3

Variabel x3 R31 R3 R3 …. R3k

2 3

. . . .
. . . .

xk Rk1 Rk2 Rk3 …. Rkk

Ruang-ruang diagonal utama termasuk kesatuan karena elemen-elemen tersebut adalah korelasi
diri. Matriks korelasi kebetulan merupakan matriks simetris.
(ii) Menganggap matriks korelasi berlipat ganda positif (jika tidak demikian, maka
refleksikan sebagaidisebutkan dalam kasus metode centroid harus dibuat), langkah pertama
adalah untuk mendapatkan jumlah koefisien di setiap kolom, termasuk elemen diagonal. Vektor
jumlah kolom disebut sebagai UA1 dan ketika UA1 dinormalisasi, kita menyebutnya VA1. Ini
dilakukan dengan mengkuadratkan dan menjumlahkan jumlah kolom dalam UA1 dan kemudian
membagi setiap elemen dalam UA1 dengan akar kuadrat dari jumlah kuadrat (yang dapat disebut
sebagai faktor normalisasi). Maka elemen dalam VA1 dikalikan secara akumulatif dengan baris
pertama R untuk mendapatkan elemen pertama dalam vektor baru UA2. Misalnya, dalam
mengalikan VA1 oleh baris pertama R, elemen pertama dalam VA1 akan dikalikan dengan nilai
r11 dan ini akan ditambahkan ke produk elemen kedua dalam VA1 dikalikan dengan r12 nilai,
yang akan ditambahkan ke produk elemen ketiga di VA1 dikalikan dengan r13 nilai, dan
seterusnya untuk semua elemen yang bersesuaian di VA1 dan baris pertama dari R. Untuk
mendapatkan elemen kedua dari UA2, proses yang sama akan diulang yaitu, unsur-unsur dalam
VA1 secara akumulatif dikalikan dengan baris ke-2 dari R. Proses yang sama akan diulang untuk
setiap baris R dan hasilnya akan menjadi vektor baru UA2. Lalu UA2 dinormalisasi untuk
mendapatkan VA2. Seseorang kemudian akan membandingkan VA1 dan VA2. Jika mereka
hampir identik, maka konvergensi dikatakan telah terjadi (Jika konvergensi tidak terjadi, kita
harus terus menggunakan vektor percobaan ini lagi dan lagi sampai konvergensi terjadi).
Misalkan konvergensi terjadi ketika kita menghitung VA8 dalam hal ini VA7 akan diambil
sebagai VA (vektor karakteristik) yang dapat diubah menjadi beban pada komponen utama
pertama ketika kita mengalikan vektor tersebut (yaitu, setiap elemen dari VA) dengan akar
kuadrat dari angka yang kita peroleh untuk menormalkan UA8.
(iii) Untuk mendapatkan faktor B, dicari solusi untuk VB, dan pembebanan faktor aktual
untuk faktor komponen kedua, B. Prosedur yang sama digunakan seperti yang telah kita adopsi
untuk menemukan yang pertama faktor, kecuali yang satu beroperasi dari matriks residual
pertama, R1 daripada matriks korelasi asli R (Kami beroperasi pada R1 dengan cara yang sama
seperti yang kami lakukan dalam kasus metode centroid yang disebutkan sebelumnya).

312
(iv) Prosedur ini diulang berulang-ulang untuk mendapatkan faktor PC yang berurutan (yaitu
C, D, dll.).
Langkah-langkah lain yang terlibat dalam analisis faktor
(a) Selanjutnya pertanyaannya adalah: Berapa banyak komponen utama yang harus
dipertahankan dalam studi tertentu? Bermacam-macamkriteria untuk tujuan ini telah diusulkan,
tetapi salah satu yang sering digunakan adalah kriteria Kaiser. Menurut kriteria ini hanya
komponen utama, yang memiliki akar laten lebih besar dari satu, yang dianggap esensial dan
harus dipertahankan.
(b) Komponen utama yang diekstraksi dan dipertahankan kemudian diputar dari posisi
awalnya untuk meningkatkan kemampuan interpretasi faktor.
(c) Komunitas, dilambangkan, h2, kemudian dikerjakan yang menunjukkan seberapa banyak
setiap variabel diperhitungkan oleh faktor-faktor yang mendasarinya secara bersama-sama.
Angka komunalitas yang tinggi berarti bahwa tidak banyak variabel yang tersisa setelah apa pun
yang diwakili oleh faktor-faktor tersebut dipertimbangkan. Ini dikerjakan sehubungan dengan
setiap variabel seperti di bawah:
H2 dari variabel ke-i = (pembebanan faktor ke-i dari faktor A)2
+ (pembebanan faktor ke-i dari faktor B)2 + …
Kemudian ikuti tugas interpretasi. Jumlah varians yang dijelaskan (jumlah beban kuadrat) oleh
setiap faktor PC sama dengan akar karakteristik yang sesuai. Ketika akar-akar ini dibagi dengan
jumlah variabel, mereka menunjukkan akar karakteristik sebagai proporsi varians total yang
dijelaskan.
(d) Variabel-variabel tersebut kemudian diregresi terhadap setiap pemuatan faktor dan
koefisien regresi yang dihasilkan digunakan untuk menghasilkan apa yang dikenal sebagai skor
faktor yang kemudian digunakan dalam analisis lebih lanjut dan juga dapat digunakan sebagai
masukan dalam beberapa analisis multivariat lainnya.
Ilustrasi 3
Ambil matriks korelasi, R, untuk delapan variabel ilustrasi 1 bab ini dan kemudian hitung:
(i) dua faktor komponen utama yang pertama;
(ii) komunalitas untuk setiap variabel berdasarkan dua faktor komponen tersebut;
(iii) proporsi varians total serta proporsi varians umum dijelaskan oleh masing-masing dari
dua faktor komponen. Larutan: Karena matriks korelasi yang diberikan adalah manifold positif,
kami mengerjakan faktor komponen utama pertama (menggunakan vektor percobaan) seperti di
bawah:
Tabel 13.3
Variabel

1 2 3 4 5 6 7 8

1 1.000 0,70 .204 .081 .626 .113 .155 0,774

9

313
 2 0,709 1.000 .051 .089 .581 0,098 .083 0,652

3 .204 .051 1.000 0,67 .123 .689 0,58 .072

1 2

4 .081 .089 0,671 1.000 .022 .798 .613 .111

Variabel 5 .626 .581 .123 .022 1.000 .047 .201 .724

6 .113 0,09 .689 .798 .047 1.000 .801 .120

8

1 2 3 4 5 6 7 8

7 .155 .083 0,582 .613 .201 .801 1.000 .152

8 0,774 0,652 .072 .111 .724 .120 .152 1.000

Jumlah 3.662 3.263 3.392 3.385 3.324 3.666 3.587 3.605

kolom
UA1

Normalisasi
kamuA1 kita
peroleh VA1

yaitu, VA1 =

kamuA /Juga .371 .331 .344 .343 .337 .372 .363 .365
bukan-

merusak
faktor*
*
Faktor normalisasi =

97.37
2
Kemudian kita peroleh Ua2 dengan mengalikan Va1 baris demi baris secara akumulatif menjadi
R dan hasilnya seperti di bawah ini:
Ua2 : [1.296, 1.143, 1.201, 1.201, 1.165, 1.308, 1.280, 1.275]
Normalisasi itu kita peroleh (faktor normalisasi untuk Ua2 akan dikerjakan seperti di atas dan
akan menjadi = 3,493):
Va2 : [.371, .327, .344, .344, .334, .374, .366, .365]
Membandingkan Va1 dan Va2, kami menemukan dua vektor hampir sama dan ini menunjukkan
konvergensi telah terjadi. Oleh karena itu Va1 diambil sebagai vektor karakteristik, Va. Akhirnya,
kami menghitung beban pada komponen utama pertama dengan mengalikan Va dengan akar
kuadrat dari angka yang kami peroleh untuk menormalkan Ua2. Hasilnya seperti di bawah ini :

314
 Variabel (Vektor × faktor normalisasi dari Ua2 = Kompone
karakteristik VA n Utama Saya
)

1 .371 × 1,868 = .69

2 .331 × 1,868 = .62

3 .344 × 1,868 = .64

4 .343 × 1,868 = .64

5 .337 × 1,868 = .63

6 .372 × 1,868 = .70

7 .363 × 1,868 = .68

8 .365 × 1,868 = .68

Untuk menemukan komponen utama II, kita harus melanjutkan pada baris yang sama
(sebagaimana dinyatakan dalam konteks memperoleh faktor pusat massa B sebelumnya dalam
bab ini) untuk mendapatkan hasil berikut

Variabel Komponen Utama II

1 +.57

2 +.59

3 –.52

4 –.59

5 +.57

6 –.61

7 –.49

8 –.61

Bagian lain dari pertanyaan sekarang dapat diselesaikan (setelah terlebih dahulu meletakkan
informasi di atas dalam bentuk matriks) seperti yang diberikan di bawah ini:

Variabel Komponen Utama Komunitas, h2

Saya II

315
 1 .69 +.57 (.69)2 + (.57)2 = .801

2 .62 +.59 (.62)2 + (.59)2 = .733

3 .64 –.52 (.64)2 + (–.52)2 = .680

4 .64 –.59 (.64)2 + (–.59)2 = .758

5 .63 +.57 (.63)2 + (.57)2 = .722

6 .70 –.61 (.70)2 + (–.61)2 = .862

7 .68 –.49 (.68)2 + (–.49)2 = .703

8 .68 –.61 (.68)2 + (–.61)2 = .835

nilai eigen
yaitu,
varians 3.4914 2.6007 6.0921
umum

Proporsi .436 .325 .761

dari total
(43.6%) (32,5%) (76%)
varians

Proporsi .573 .427 1.000

umum (57%) (43%) (100%)

perbedaan

Semua nilai ini dapat ditafsirkan dengan cara yang sama seperti yang dinyatakan sebelumnya.

(C) Metode Analisis Faktor

Kemungkinan Maksimum (ML) Metode ML terdiri dalam memperoleh set pembebanan
faktor berturut-turut sedemikian rupa sehingga masing-masing, pada gilirannya, menjelaskan
sebanyak mungkin matriks korelasi populasi seperti yang diperkirakan dari matriks korelasi
sampel. Jika Rs adalah matriks korelasi yang sebenarnya diperoleh dari data dalam sampel, Rp
adalah matriks korelasi yang akan diperoleh jika seluruh populasi diuji, maka metode ML
berusaha mengekstrapolasi apa yang diketahui dari Rs dengan cara terbaik. untuk memperkirakan
Rp (tetapi metode PC hanya memaksimalkan varians yang dijelaskan dalam Rs).
Dengan demikian, metode ML adalah pendekatan statistik di mana seseorang
memaksimalkan beberapa hubungan antara sampel data dan populasi dari mana sampel itu
diambil. Aritmatika yang mendasari metode ML relatif sulit dibandingkan dengan itu terlibat
dalam metode PC dan dengan demikian dapat dimengerti ketika seseorang memiliki landasan
yang memadai dalam kalkulus, aljabar yang lebih tinggi dan aljabar matriks pada khususnya.
Pendekatan berulang digunakan dalam metode ML juga untuk menemukan setiap faktor, tetapi
prosedur berulang terbukti jauh lebih sulit daripada yang kita temukan dalam kasus metode PC.
Oleh karena itu, metode ML umumnya tidak digunakan untuk analisis faktor dalam praktik.*
Pembebanan yang diperoleh pada faktor pertama digunakan dengan cara biasa untuk
mendapatkan matriks koefisien residual.
Uji signifikansi kemudian diterapkan untuk menunjukkan apakah masuk akal untuk
mengekstrak faktor kedua. Ini berlangsung berulang kali untuk mencari satu faktor demi satu.

316
Satu berhenti memfaktorkan setelah uji signifikansi gagal menolak hipotesis nol untuk matriks
residual. Produk akhir adalah matriks beban faktor. Pemuatan faktor ML dapat diinterpretasikan
dengan cara yang sama seperti yang telah kami jelaskan dalam kasus metode centroid atau PC.
ROTASI DALAM ANALISIS FAKTOR
Orang sering berbicara tentang solusi yang dirotasi dalam konteks analisis faktor. Ini
adalahdilakukan (yaitu, matriks faktor dikenakan rotasi) untuk mencapai apa yang secara teknis
disebut "struktur sederhana" dalam data. Struktur sederhana menurut LL Thurstone diperoleh
dengan memutar sumbu hingga:
(i) Setiap baris matriks faktor memiliki satu nol.
(ii) Setiap kolom matriks faktor memiliki p nol, di mana p adalah jumlah faktor.
(iii) Untuk setiap pasangan faktor, ada beberapa variabel yang memuat satu hampir nol dan
pemuatan di sisi lain cukup besar.
(iv) Jika ada banyak faktor, maka untuk setiap pasangan faktor ada banyak variabel yang
kedua bebannya nol.
(v) Untuk setiap pasangan faktor, jumlah variabel dengan non-vanishing loadings pada
keduanya kecil.
Semua kriteria ini hanya menyiratkan bahwa analisis faktor harus mengurangi kompleksitas
semua variabel.
Ada beberapa metode untuk memutar matriks faktor awal (diperoleh oleh sembarang
metode analisis faktor) untuk mencapai struktur sederhana ini. Rotasi varimax adalah salah satu
metode yang memaksimalkan (secara bersamaan untuk semua faktor) varians dari beban dalam
setiap faktor. Varians suatu faktor paling besar bila pembebanan terkecilnya cenderung ke nol
dan pembebanan terbesarnya cenderung ke arah kesatuan. Pada intinya, solusi yang diperoleh
melalui rotasi varimax menghasilkan faktor-faktor yang dicirikan oleh beban yang besar pada
variabel yang relatif sedikit.
Metode rotasi lainnya dikenal sebagai rotasi kuartimaks dimana pembebanan faktor
ditransformasikan sampai varians dari pembebanan faktor kuadrat di seluruh matriks
dimaksimalkan. Akibatnya, solusi yang diperoleh melalui metode ini memungkinkan munculnya
faktor umum, sedangkan dalam kasus solusi varimax hal seperti itu tidak mungkin. Tetapi kedua
solusi menghasilkan faktor ortogonal yaitu faktor yang tidak berkorelasi. Akan tetapi, harus
ditekankan bahwa rotasi kanan harus dipilih untuk memahami hasil analisis faktor.

ANALISIS FAKTOR R-TYPE DAN Q-TYPE

Analisis faktor dapat berupa analisis faktor tipe-R atau analisis faktor tipe-Q. Dalam
analisis faktor tipe R, korelasi tinggi terjadi ketika responden yang mendapat skor tinggi pada
variabel 1 juga mendapat skor tinggi pada variabel 2 dan responden yang mendapat skor rendah
pada variabel 1 juga mendapat skor rendah pada variabel 2. Faktor muncul ketika ada korelasi
tinggi dalam kelompok variabel .
Dalam analisis faktor tipe-Q, korelasi dihitung antara pasangan responden, bukan
pasangan variabel. Korelasi tinggi terjadi ketika pola tanggapan responden 1 pada semua variabel
mirip dengan pola tanggapan responden 2. Faktor muncul ketika ada korelasi yang tinggi dalam
kelompok orang. Analisis tipe-Q berguna ketika objeknya adalah untuk memilah orang-orang ke
dalam kelompok-kelompok berdasarkan tanggapan simultan mereka terhadap semua variabel.
Analisis faktor telah terutama digunakan dalam mengembangkan tes psikologis (seperti tes IQ,

317
kepribadian) tes, dan sejenisnya) dalam ranah psikologi. Dalam pemasaran, teknik ini telah
digunakan untuk melihat profil pembaca media orang. Kelebihan: Manfaat utama dari analisis
faktor dapat dinyatakan sebagai berikut:
(i) Teknik analisis faktor cukup berguna ketika kita ingin menyingkat dan menyederhanakan
data multivariat.
(ii) Teknik ini sangat membantu dalam menunjukkan hubungan yang penting dan menarik di
antara data yang diamati yang ada sepanjang waktu, tetapi tidak mudah untuk dilihat dari data
saja.
(iii) Teknik ini dapat mengungkapkan faktor-faktor laten (yaitu, faktor-faktor yang mendasari
tidak diamati secara langsung) yang menentukan hubungan antara beberapa variabel mengenai
studi penelitian.Misalnya, jika orang diminta untuk menilai minuman dingin yang berbeda
(misalnya, Limca, Nova-cola, Gold Spot, dan sebagainya) menurut preferensi, analisis faktor
dapat mengungkapkan beberapa karakteristik menonjol dari minuman dingin yang mendasari
preferensi relatif.
(iv) Teknik ini dapat digunakan dalam konteks pengelompokan empiris produk, media atau
orang yaitu, untuk menyediakan skema klasifikasi ketika data yang dicetak pada berbagai skala
penilaian harus dikelompokkan bersama.
(v) Analisis faktor, seperti semua teknik multivariat, melibatkan perhitungan yang
melelahkan yang melibatkanbeban biaya yang berat. Dengan fasilitas komputer yang tersedia saat
ini, tidak diragukan lagi bahwa analisis faktor menjadi relatif lebih cepat dan lebih mudah, tetapi
faktor biaya tetap sama, yaitu analisis faktor yang besar masih cukup mahal.
(vi) Hasil analisis faktor tunggal umumnya dianggap kurang dapat diandalkan dan diandalkan
untuk sangat sering analisis faktor dimulai dengan satu set data yang tidak sempurna. “Faktor-
faktornya tidak lain adalah rata-rata yang kabur, sulit untuk diidentifikasi.”4 Untuk mengatasi
kesulitan ini, disadari bahwa analisis setidaknya harus dilakukan dua kali. Jika kita mendapatkan
hasil yang kurang lebih serupa dari semua putaran analisis, kepercayaan diri kita tentang hasil
tersebut meningkat.
(vii) Analisis faktor adalah alat keputusan yang rumit yang hanya dapat digunakan ketika:
seseorang memiliki pengetahuan menyeluruh dan pengalaman yang cukup dalam menangani alat
ini. Meski begitu, terkadang itu mungkin tidak berfungsi dengan baik dan bahkan mengecewakan
pengguna. Untuk menyimpulkan, kita dapat menyatakan bahwa terlepas dari semua keterbatasan
tersebut “ketika bekerja dengan baik, analisis faktor membantu penyelidik memahami kumpulan
besar data yang saling terkait. Ketika bekerja dengan sangat baik, ini juga menunjukkan beberapa
hubungan menarik yang mungkin tidak terlihat jelas dari pemeriksaan data masukan saja.
Untuk menyimpulkan, kita dapat menyatakan bahwa terlepas dari semua keterbatasan
tersebut “ketika bekerja dengan baik, analisis faktor membantu penyelidik memahami kumpulan
besar data yang saling terkait. Ketika bekerja dengan sangat baik, ini juga menunjukkan beberapa
hubungan menarik yang mungkin tidak terlihat jelas dari pemeriksaan data masukan saja.
Analisis Cluster
Analisis klaster terdiri dari metode untuk mengklasifikasikan variabel ke dalam klaster.
Secara teknis, sebuah cluster terdiri dari variabel-variabel yang berkorelasi tinggi satu sama lain
dan memiliki korelasi yang relatif rendah dengan variabel-variabel di cluster lain. Tujuan dasar
dari analisis klaster adalah untuk menentukan berapa banyak kelompok atau klaster yang saling
melengkapi dan lengkap, berdasarkan kesamaan profil antar entitas, benar-benar ada dalam
populasi dan kemudian menyatakan komposisi kelompok tersebut. Berbagai kelompok yang akan

318
ditentukan dalam analisis klaster tidak ditentukan sebelumnya seperti yang terjadi dalam analisis
diskriminan.
Langkah: Secara umum, analisis klaster berisi langkah-langkah berikut yang harus dilakukan:
(i) Pertama-tama, jika beberapa variabel memiliki jumlah korelasi negatif dalam matriks
korelasi, variabel tersebut harus mencerminkan variabel sehingga diperoleh jumlah korelasi
positif maksimum untuk matriks secara keseluruhan.
(ii) Langkah kedua adalah menemukan korelasi tertinggi dalam korelasi matriks dan dua
variabel yang terlibat (yaitu, memiliki korelasi tertinggi dalam matriks) membentuk inti dari
cluster pertama.
(iii) Kemudian dicari variabel-variabel yang berkorelasi tinggi dengan kedua variabel tersebut
dan memasukkannya ke dalam cluster. Ini adalah bagaimana cluster pertama terbentuk. (iv)
Untuk mendapatkan inti dari cluster kedua, kami menemukan dua variabel yang
berkorelasi tinggi tetapi memiliki korelasi rendah dengan anggota cluster pertama. Variabel yang
berkorelasi tinggi dengan kedua variabel tersebut kemudian ditemukan. Variabel-variabel
tersebut di sepanjang kedua variabel tersebut dengan demikian merupakan klaster kedua.
(v) Satu melanjutkan pada baris yang sama untuk mencari cluster ketiga dan seterusnya.
Dari uraian di atas kami menemukan bahwa metode pengelompokan pada umumnya bersifat
menghakimi dan tidak memiliki kesimpulan statistik. Untuk masalah mengenai sejumlah besar
variabel, berbagai metode cut-and-try telah diusulkan untuk menemukan cluster. McQuitty telah
secara khusus mengembangkan sejumlah rutinitas komputasi yang agak rumit* untuk tujuan itu.
Terlepas dari batasan yang disebutkan di atas, analisis klaster telah ditemukan berguna dalam
konteks studi riset pasar. Melalui penggunaan teknik ini kita dapat membuat segmen pasar suatu
produk berdasarkan beberapa karakteristik pelanggan seperti kepribadian, pertimbangan sosial
ekonomi, faktor psikologis, kebiasaan pembelian dan sejenisnya.
Penskalaan Multidimensi
Penskalaan multidimensi (MDS) memungkinkan peneliti untuk mengukur item dalam
lebih dari satu dimensi pada satu waktu. Asumsi dasarnya adalah bahwa orang mempersepsikan
sekumpulan objek sebagai lebih atau kurang mirip satu sama lain pada sejumlah dimensi
(biasanya tidak berkorelasi satu sama lain) dan bukan hanya satu. Ada beberapa teknik MDS (juga
dikenal sebagai teknik untuk pengurangan dimensi) yang sering digunakan untuk tujuan
mengungkapkan pola dari satu jenis atau lainnya dalam struktur data yang saling bergantung. Jika
data kebetulan non-metrik, MDS melibatkan urutan peringkat setiap pasangan objek dalam hal
kesamaan.
Kemudian kesamaan yang dinilai ditransformasikan menjadi jarak melalui manipulasi
statistik dan akibatnya ditampilkan dalam ruang n-dimensi sedemikian rupa sehingga jarak
antartitik paling baik mempertahankan kedekatan antartitik asli. Setelah pemetaan semacam ini
dilakukan, dimensi biasanya ditafsirkan dan diberi label oleh peneliti. Signifikansi MDS terletak
pada kenyataan bahwa hal itu memungkinkan peneliti untuk mempelajari "Struktur persepsi dari
serangkaian rangsangan dan proses kognitif yang mendasari perkembangan struktur ini.... MDS
menyediakan mekanisme untuk menentukan atribut yang benar-benar menonjol tanpa memaksa
hakim untuk tampil irasional.” Dengan MDS, seseorang dapat mengukur objek, individu, atau
keduanya dengan informasi yang minimal. Analisis MDS akan mengungkapkan atribut yang
paling menonjol yang kebetulan menjadi penentu utama untuk membuat keputusan tertentu.
Analisis Struktur Laten
Jenis analisis ini berbagi kedua tujuan analisis faktor yaitu, untuk mengekstrak faktor
laten dan mengungkapkan hubungan variabel yang diamati (manifest) dengan faktor-faktor ini

319
sebagai indikatornya dan untuk mengklasifikasikan populasi responden ke dalam tipe murni. Jenis
analisis ini sesuai ketika variabel yang terlibat dalam penelitian tidak memiliki hubungan
ketergantungan dan kebetulan non-metrik. Sebagai tambahan teknik multivariat yang disebutkan
di atas, kami juga dapat menggambarkan fitur yang menonjol dari apa yang dikenal sebagai
"Analisis jalur", teknik yang berguna untuk menguraikan korelasi total antara dua variabel dalam
sistem kausal.
ANALISIS JALUR
Istilah 'analisis jalur' pertama kali diperkenalkan oleh ahli biologi Sewall Wright pada
tahun 1934 sehubungan dengan menguraikan korelasi total antara dua variabel dalam sistem
kausal. Teknik analisis jalur didasarkan pada serangkaian analisis regresi berganda dengan asumsi
tambahan hubungan sebab akibat antara variabel independen dan dependen. Teknik ini
memberikan penekanan yang relatif lebih berat pada penggunaan heuristik diagram visual, yang
secara teknis digambarkan sebagai diagram jalur. Diagram jalur ilustratif yang menunjukkan
hubungan timbal balik antara pendidikan Ayah, pekerjaan Ayah, pendidikan Putra, pekerjaan
pertama Putra dan saat ini Putra dapat ditunjukkan pada Gambar 13.2.
Analisis jalur menggunakan koefisien regresi parsial standar (dikenal sebagai bobot beta)
sebagai koefisien efek. Dalam efek aditif linier diasumsikan, kemudian melalui analisis jalur satu
set persamaan sederhana dapat dibangun menunjukkan bagaimana setiap variabel tergantung pada
variabel sebelumnya. “Prinsip utama analisis jalur adalah bahwa setiap koefisien korelasi antara
dua variabel, atau ukuran kasar atau keseluruhan hubungan empiris dapat didekomposisi menjadi
serangkaian bagian: jalur pengaruh yang terpisah yang mengarah melalui variabel antara secara
kronologis yang dimiliki oleh kedua variabel yang berkorelasi. tautan.”
Kelebihan analisis jalur dibandingkan dengan analisis korelasional adalah
memungkinkan penilaian pengaruh relatif dari setiap variabel pendahulu atau variabel penjelas
pada variabel konsekuensi atau kriteria dengan terlebih dahulu membuat asumsi yang mendasari
hubungan sebab akibat dan kemudian dengan menjelaskan efek tidak langsung. dari variabel
penjelas.

Gbr. 13.2
“Penggunaan teknik analisis jalur membutuhkan asumsi bahwa ada aditif linier, hubungan
simetris antara satu set variabel yang dapat diukur setidaknya pada skala interval semu. Setiap
variabel dependen dianggap ditentukan oleh variabel sebelumnya dalam diagram jalur, dan
variabel residual, yang didefinisikan sebagai tidak berkorelasi dengan variabel lain,

320
dipostulasikan untuk menjelaskan bagian varians yang tidak dapat dijelaskan dalam variabel
dependen. Variabel penentu diasumsikan untuk analisis yang akan diberikan (eksogen dalam
model).
Kami dapat menggambarkan teknik analisis jalur sehubungan dengan masalah sederhana
pengujian model kausal dengan tiga variabel eksplisit seperti yang ditunjukkan pada diagram.
Pada analisis jalur koefisien beta menunjukkan pengaruh langsung Xj (j = 1, 2, 3, ..., p) terhadap
variabel terikat. Mengkuadratkan pengaruh langsung menghasilkan proporsi varians pada
variabel dependen Y yang disebabkan oleh masing-masing p jumlah variabel independen Xj (i =
1, 2, 3, ..., p). Setelah menghitung efek langsung, seseorang kemudian dapat memperoleh ukuran
ringkasan dari pengaruh tidak langsung total Xj pada variabel dependen Y dengan mengurangkan
dari koefisien korelasi nol ryxj, koefisien beta bj yaitu,
Y = cjy = ryxj – BJ

Pada akhirnya, sekali lagi dapat ditekankan bahwa keutamaan utama dari analisis jalur terletak
pada membuat eksplisit asumsi yang mendasari hubungan sebab akibat dan dalam menjelaskan
efek tidak langsung karena variabel anteseden dari sistem yang diberikan.
KESIMPULAN
Dari penjelasan singkat tentang teknik multivariat yang disajikan di atas, kita dapat
menyimpulkan bahwa teknik tersebut penting karena memungkinkan untuk mencakup
semua data dari penyelidikan dalam satu analisis. Mereka sebenarnya menghasilkan
penjelasan yang lebih jelas dan lebih baik dari upaya penelitian daripada melakukan
analisis sedikit demi sedikit dari bagian-bagian data. Teknik-teknik ini menghasilkan
pernyataan probabilitas yang lebih realistis dalam pengujian hipotesis dan studi estimasi
interval.
Analisis multivariat (akibatnya penggunaan teknik multivariat) secara khusus
penting dalam ilmu perilaku dan penelitian terapan karena sebagian besar studi semacam
itu melibatkan masalah di mana beberapa variabel respons diamati secara bersamaan.
Sumber umum dari setiap pengamatan individu umumnya menghasilkan ketergantungan
atau korelasi di antara dimensi dan fitur inilah yang membedakan data dan teknik
multivariat dari prototipe univariatnya. Terlepas dari semua ini, teknik multivariat mahal
dan melibatkan perhitungan yang melelahkan. Dengan demikian aplikasi mereka dalam
konteks studi penelitian telah dipercepat hanya dengan munculnya komputer elektronik
berkecepatan tinggi sejak tahun 1950-an.

Pertanyaan
1. Apakah yang Anda maksud: teknik multivariat Jelaskan signifikansi mereka dalam konteks
studi penelitian.
2. Tulis esai singkat tentang "Analisis faktor" yang secara khusus menunjukkan kelebihan dan
keterbatasannya.
3. Sebutkan yang penting teknik multivariat dan menjelaskan karakteristik penting dari masing-
masing teknik tersebut.
4. Hitung langkah-langkah yang terlibat dalam metode centroid Thurstone dari analisis faktor.
5. Tulislah catatan singkat tentang 'rotasi' dalam konteks analisis faktor.

321
6. Kerjakan dua faktor centroid pertama serta dua komponen utama pertama dari matriks
korelasi berikut, R, yang berkaitan dengan enam variabel:

1 1.00 .55 .43 .32 .28 .36

2 1.00 .50 .25 .31 .32

Variabel 3 1.00 .39 .25 .33

4 1.00 .43 .49

5 1.00 .44

6 1.00

JAWABAN

Variabel pusat faktor Kepala Komponen

Sekola
Saya II II
hI

1 .71 .40 .71 .39

2 .70 .46 .71 .48

3 .70 .37 .70 .32

4 .69 –.41 .69 –.42

5 .65 –.43 .64 –.45

6 .71 –.39 .71 –.38

7. Hitung komunalitas untuk masing-masing variabel berdasarkan dua faktor centroid pertama
dalam pertanyaan enam di atas dan nyatakan apa yang ditunjukkannya
8. Hitung proporsi varians total yang dijelaskan oleh dua faktor yang dikerjakan dalam
pertanyaan enam di atas dengan metode komponen utama. Juga tunjukkan proporsi varians
umum yang dijelaskan oleh masing-masing dari dua faktor. '
9. Apa pentingnya menggunakan analisis diskriminan berganda? Jelaskan secara singkat rincian
teknis yang terlibat dalam teknik tersebut.
10. Tulis catatan singkat tentang:
(i) Gugus analisis;
(ii) penskalaan multidimensi;
(iii) Refleksi dalam konteks analisis faktor;
(iv) Metode kemungkinan maksimum faktor analisis;
(v) Analisis jalur.
LAMPIRAN
Bagan Ringkasan: Memperlihatkan Ketepatan Teknik Multivariat Tertentu

322
Teknik analisis Jumlah
multivariat
Variabel penjelas Variabel kriteria

1. Analisis regresi
berganda (bersama
dengan analisis
jalur)
banyak satu

2. Beberapa diskriminan satu (untuk

analisis diklasifikasikan ke
banyak dalam banyak
kelompok)

3. Analisis varians
multivariat
banyak banyak

4. Analisis korelasi
kanonik
banyak banyak * 1 banyak
*2

5. Analisis faktor banyak

6. Analisis klaster banyak

7. Penskalaan
multidimensi
(MDS) banyak banyak

8. Analisis struktur
laten
banyak

T T T T
Sifat data Non-metrik metrik Non-metrik metrik

323
 14. Interpretasi dan Penulisan Laporan
Setelah mengumpulkan dan menganalisis data, peneliti harus menyelesaikan tugas
menggambar kesimpulan diikuti dengan penulisan laporan.Ini harus dilakukan dengan sangat
hati-hati, kesimpulan yang menyesatkan dapat ditarik dan seluruh tujuan melakukan penelitian
dapat diusidasikan.Hanya melalui interpretasi peneliti dapat mengekspos hubungan dan proses
yang mendasari temuannya.Dalam kasus studi pengujian hipotesis, jika hipotesis diuji dan
ditegakkan beberapa kali, peneliti dapat sampai pada generalisasi.Tetapi jika peneliti tidak
memiliki hipotesis untuk memulai, dia akan mencoba menjelaskan temuannya berdasarkan
beberapa teori.Ini kadang-kadang dapat menghasilkan pertanyaan baru, yang mengarah ke
penelitian lebih lanjut.Semua informasi analitis dan kesimpulan konsekuensial ini dapat
dikomunikasikan dengan baik, sebaiknya melalui laporan penelitian, kepada konsumen hasil
penelitian yang mungkin merupakan individu atau sekelompok individu atau beberapa organisasi
publik / swasta.

MAKNA INTERPRETASI
Interpretasi mengacu pada tugas menggambar kesimpulan dari fakta yang dikumpulkan
setelah studi analitis dan / atau eksperimental. Padahal, itu adalah pencarian makna yang lebih
luas dari temuan penelitian. Tugas interpretasi memiliki dua aspek utama yaitu, (i) upaya untuk
membangun kesinambungan dalam penelitian melalui menghubungkan hasil studi tertentu
dengan yang lain, dan (ii) pembentukan beberapa konsep penjelas. “Di satu sisi, interpretasi
berkaitan dengan hubungan dalam data yang dikumpulkan, sebagian analisis tumpang tindih.
Interpretasi juga melampaui data penelitian untuk memasukkan hasil penelitian lain, teori dan
hipotesis. Dengan demikian, interpretasi adalah perangkat perangkat yang melaluinya faktor-
faktor yang tampaknya menjelaskan apa yang telah diamati oleh peneliti selama penelitian dapat
lebih dipahami dan juga memberikan konsepsi teoritis yang dapat menjadi panduan untuk
penelitian lebih lanjut.

MENGAPA INTERPRETASI?
Interpretasi sangat penting karena alasan sederhana bahwa kegunaan dan kegunaan
temuan penelitian terletak pada interpretasi yang tepat. Ini dianggap sebagai komponen dasar dari
proses penelitian karena alasan berikut:
(i) Melalui interpretasi, peneliti dapat memahami dengan baik prinsip abstrak yang bekerja
di bawah temuannya. Melalui ini ia dapat menghubungkan temuannya dengan penelitian
lain, memiliki prinsip abstrak yang sama, dan dengan demikian dapat memprediksi
tentang dunia nyata peristiwa. Pertanyaan baru dapat menguji prediksi ini nanti. Dengan
cara ini kesinambungan dalam penelitian dapat dipertahankan.
(ii) Interpretasi mengarah pada pembentukan konsep penjelasan yang dapat berfungsi
sebagai panduan untuk studi penelitian masa depan; itu membuka jalan baru petualangan
intelektual dan merangsang pencarian lebih banyak pengetahuan.
(iii) Peneliti dapat lebih menghargai hanya melalui interpretasi mengapa temuannya seperti
apa adanya dan dapat membuat orang lain memahami arti sebenarnya dari temuan
penelitiannya.
(iv) Penafsiran temuan-temuan studi penelitian eksplorasi sering kali menghasilkan hipotesis
untuk penelitian eksperimental dan dengan demikian interpretasi tersebut terlibat dalam
transisi dari penelitian eksplorasi ke penelitian eksperimental. Karena studi eksplorasi

324
 tidak memiliki hipotesis untuk memulai, Temuan penelitian semacam itu harus
ditafsirkan berdasarkan post-factum dalam hal ini interpretasi secara teknis digambarkan
sebagai interpretasi 'post factum'.

TEKNIK INTERPRETASI
Tugas interpretasi bukanlah pekerjaan yang mudah, melainkan membutuhkan
keterampilan dan ketangkasan yang tinggi dari pihak peneliti. Interpretasi adalah seni yang
dipelajari seseorang melalui praktik dan pengalaman. Peneliti mungkin, kadang-kadang, mencari
bimbingan dari para ahli untuk menyelesaikan tugas interpretasi.
Teknik interpretasi sering melibatkan langkah-langkah berikut:
(i) Peneliti harus memberikan penjelasan yang masuk akal tentang hubungan yang
ditemukannya dan dia harus menafsirkan garis hubungan dalam hal proses yang
mendasarinya dan harus mencoba menemukan benang keseragaman yang terletak di
bawah lapisan permukaan temuan penelitiannya yang beragam. . Sebenarnya, ini adalah
teknik bagaimana generalisasi harus dilakukan dan konsep dirumuskan.
(ii) Informasi asing, jika dikumpulkan selama penelitian, harus dipertimbangkan saat
menafsirkan hasil akhir penelitian, karena mungkin terbukti menjadi faktor kunci dalam
memahami masalah yang sedang dipertimbangkan.
(iii) Disarankan, sebelum memulai interpretasi akhir, untuk berkonsultasi dengan seseorang
yang memiliki wawasan tentang penelitian dan yang jujur dan tidak ragu-ragu untuk
menunjukkan kekurangan dan kesalahan dalam argumentasi logis. Konsultasi semacam
itu akan menghasilkan interpretasi yang benar dan, dengan demikian, akan meningkatkan
kegunaan hasil penelitian.
(iv) Peneliti harus menyelesaikan tugas interpretasi hanya setelah mempertimbangkan semua
faktor relevan yang mempengaruhi masalah untuk menghindari generalisasi yang salah.
Dia tidak boleh terburu-buru saat menafsirkan hasil, karena cukup sering kesimpulan,
yang tampak baik-baik saja di awal, mungkin sama sekali tidak akurat.

PERHATIAN DALAM INTERPRETASI

Kita harus selalu ingat bahwa bahkan jika data dikumpulkan dan dianalisis dengan benar,
interpretasi yang salah akan mengarah pada kesimpulan yang tidak akurat. Oleh karena itu, sangat
penting bahwa tugas
interpretasi dicapai dengan kesabaran dalam cara yang tidak memihak dan juga dalam perspektif
yang benar. Peneliti harus memperhatikan poin-poin berikut untuk interpretasi yang benar:
(i) Pada awalnya, peneliti harus selalu meyakinkan dirinya sendiri bahwa (a) data tersebut
tepat, dapat dipercaya dan memadai untuk menarik kesimpulan; (b) data mencerminkan
homogenitas yang baik; dan bahwa (c) analisis yang tepat telah dilakukan melalui metode
statistik.
(ii) Peneliti harus tetap berhati-hati terhadap kesalahan yang mungkin timbul dalam proses
interpretasi hasil. Kesalahan dapat timbul karena generalisasi yang salah dan/atau karena
interpretasi yang salah dari ukuran statistik, seperti penerapan temuan di luar jangkauan
pengamatan, identifikasi korelasi dengan sebab-akibat dan sejenisnya. Perangkap besar
lainnya adalah kecenderungan untuk menegaskan bahwa hubungan yang pasti ada atas
dasar konfirmasi hipotesis tertentu. Faktanya, hasil tes positif yang menerima hipotesis
harus ditafsirkan sebagai "sesuai" dengan hipotesis, bukan sebagai "mengkonfirmasi

325
 validitas hipotesis". Peneliti harus tetap waspada terhadap semua hal tersebut sehingga
generalisasi yang salah tidak terjadi.
(iii) Ia harus selalu mengingat bahwa tugas penafsiran sangat terkait dengan analisis dan tidak
dapat dipisahkan secara jelas. Dengan demikian ia harus mengambil tugas interpretasi
sebagai aspek khusus dari analisis dan karenanya harus mengambil semua tindakan
pencegahan yang biasanya diamati saat menjalani proses analisis yaitu, tindakan
pencegahan mengenai keandalan data, pemeriksaan komputasi, validasi dan
perbandingan data. hasil.
(iv) Dia tidak boleh melupakan fakta bahwa tugasnya bukan hanya untuk membuat
pengamatan yang sensitif terhadap kejadian-kejadian yang relevan, tetapi juga untuk
mengidentifikasi dan melepaskan faktor-faktor yang awalnya tersembunyi dari mata. Hal
ini akan memungkinkan dia untuk melakukan tugasnya interpretasi pada baris yang tepat.
Generalisasi yang luas harus dihindari karena sebagian besar penelitian tidak dapat
diterima karena cakupannya mungkin terbatas pada waktu tertentu, area tertentu, dan
kondisi tertentu. Pembatasan tersebut, jika ada, harus selalu ditentukan dan hasilnya harus
dibingkai dalam batas-batasnya.
(v) Peneliti harus ingat bahwa “idealnya dalam studi penelitian, harus ada interaksi yang
konstan antara hipotesis awal, pengamatan empiris dan konsepsi teoritis.

SIGNIFIKANSI PENULISAN LAPORAN

Laporan penelitian dianggap sebagai komponen utama dari studi penelitian karena tugas
penelitian tetap tidak lengkap sampai laporan tersebut disajikan dan/atau ditulis. Faktanya,
bahkan hipotesis yang paling cemerlang, studi penelitian yang dirancang dan dilakukan dengan
sangat baik, dan generalisasi serta temuan yang paling mencolok hanya memiliki sedikit nilai
kecuali jika dikomunikasikan secara efektif kepada orang lain. Tujuan penelitian tidak terlayani
dengan baik kecuali temuannya diketahui orang lain. Hasil penelitian harus selalu masuk ke
gudang pengetahuan umum. Semua ini menjelaskan pentingnya menulis laporan penelitian. Ada
pihak yang tidak menganggap penulisan laporan sebagai bagian integral dari proses penelitian.
Tetapi pendapat umum lebih memilih untuk memperlakukan penyajian hasil penelitian atau
penulisan laporan sebagai bagian tak terpisahkan dari proyek penelitian. Penulisan laporan adalah
langkah terakhir dalam studi penelitian dan membutuhkan seperangkat keterampilan yang agak
berbeda dari yang diminta sehubungan dengan tahap awal penelitian. Tugas ini harus diselesaikan
oleh peneliti dengan sangat hati- hati; ia dapat meminta bantuan dan bimbingan para ahli untuk
tujuan tersebut.

LANGKAH-LANGKAH BERBEDA PENULISAN LAPORAN

Laporan penelitian adalah produk dari pekerjaan induktif yang lambat, telaten, dan
akurat. Langkah-langkah yang biasa dilakukan dalam menulis laporan adalah: (a) analisis logis
dari materi pelajaran; (b) penyusunan garis akhir; (c) penyusunan draft kasar; (d) menulis ulang
dan memoles; (c) penyusunan daftar pustaka akhir; dan (f) penulisan draf akhir. Meskipun semua
langkah ini cukup jelas, namun penyebutan singkat dari masing-masing langkah ini akan sesuai
untuk pemahaman yang lebih baik.
Analisis logis dari materi pelajaran: Ini adalah langkah pertama yang terutama berkaitan
dengan perkembangan subjek.Ada dua cara untuk mengembangkan subjek (a) secara logis dan
(b) kronologis.Perkembangan logis dibuat atas dasar hubungan mental dan hubungan antara satu
hal dan yang lain melalui analisis.Perawatan logis sering terdiri dari mengembangkan bahan dari
yang sederhana hingga struktur yang paling kompleks.Perkembangan kronologis didasarkan pada

326
koneksi atau urutan dalam waktu atau kejadian.Petunjuk untuk melakukan atau membuat sesuatu
biasanya mengikuti urutan kronologis.
Penyusunan garis besar akhir: Ini adalah langkah selanjutnya dalam menulis laporan
penelitian "Garis besar adalah kerangka kerja di mana karya tulis panjang dibangun.Mereka
adalah bantuan untuk organisasi logis dari materi dan pengingat dari poin-poin yang harus
ditekankan dalam laporan."
Persiapan draf kasar: Ini mengikuti analisis logis subjek dan penyusunan garis besar
akhir.Langkah seperti itu sangat penting bagi peneliti sekarang duduk untuk menuliskan apa yang
telah dia lakukan dalam konteks studi penelitiannya.Dia akan menuliskan prosedur yang diadopsi
olehnya dalam mengumpulkan materi untuk studinya bersama dengan berbagai keterbatasan yang
dihadapi olehnya, teknik analisis yang diadopsi olehnya, temuan dan generalisasi yang luas dan
berbagai saran yang ingin dia tawarkan mengenai masalah yang bersangkutan.
Menulis ulang dan memperhalus draf kasar: Langkah ini merupakan bagian paling sulit
dari semua penulisan formal.Biasanya langkah ini membutuhkan lebih banyak waktu daripada
penulisan draf kasar.Revisi yang cermat membuat perbedaan antara tulisan yang biasa-biasa saja
dan bagus.Saat menulis ulang dan memoles, seseorang harus memeriksa laporan untuk kelemahan
dalam pengembangan atau presentasi logis.Peneliti juga harus "melihat apakah materi, seperti
yang disajikan, memiliki kesatuan dan kohesi; Apakah laporan berdiri tegak dan tegas dan
menunjukkan pola yang pasti, seperti lengkungan marmer?Atau apakah itu menyerupai dinding
tua semen moldering dan batu bata longgar. " Selain itu peneliti harus memberikan perhatian pada
fakta bahwa dalam draf kasarnya dia konsisten atau tidak.Dia harus memeriksa mekanisme
penulisan - tata bahasa, ejaan dan penggunaan.
Persiapan bibliografi akhir: Selanjutnya dalam rangka datang tugas persiapan bibliografi
akhir.Bibliografi, yang umumnya ditambahkan ke laporan penelitian, adalah daftar buku dalam
beberapa hal berkaitan dengan penelitian yang telah dilakukan.Ini harus berisi semua karya yang
telah dikonsultasikan oleh peneliti.Bibliografi harus disusun menurut abjad dan dapat dibagi
menjadi dua bagian; Bagian pertama mungkin berisi nama-nama buku dan pamflet, dan bagian
kedua mungkin berisi nama-nama majalah dan artikel surat kabar.Umumnya, pola bibliografi ini
dianggap nyaman dan memuaskan dari sudut pandang pembaca, meskipun itu bukan satu-satunya
cara untuk menyajikan bibliografi. Entri dalam bibliografi harus dibuat mengadopsi urutan
berikut:
Untuk buku dan pamflet urutan mungkin seperti di bawah:
1. Nama penulis, nama belakang first.
2. Judul, digaris bawahi untuk menunjukkan huruf miring.
3. Tempat, penerbit, dan tanggal publikasi.
4. Jumlah volume.
Contoh:
Kothari, C.R., Quantitative Techniques, New Delhi, Vikas Publishing House Pvt. Ltd., 1978.
Untuk majalah dan surat kabar urutannya mungkin di bawah:
1. Nama penulis, nama belakang pertama.
2. Judul artikel, dalam tanda kutip.
3. Name berkala, digarisbawahi untuk menunjukkan italics.

327
 4. Volume atau volume dan number.
5. Tanggal masalah.
6. Halaman
Contoh:
Robert V. Roosa, “Coping with Short-term International Money Flows”, The Banker, London,
September, 1971, p. 995.
Contoh di atas hanyalah sampel untuk entri bibliografi dan dapat digunakan, tetapi orang
juga harus ingat bahwa mereka bukan satu-satunya bentuk yang dapat diterima.Satu-satunya hal
yang penting adalah bahwa, apa pun metode yang dipilih seseorang, itu harus tetap konsisten.
Menulis draft akhir: Ini merupakan langkah terakhir. Draf akhir harus ditulis dalam gaya
ringkas dan obyektif dan dalam bahasa sederhana, menghindari ekspresi samar-samar seperti
"tampaknya", "mungkin ada", dan yang sejenisnya.Saat menulis draf akhir, peneliti harus
menghindari terminologi abstrak dan jargon teknis.Ilustrasi dan contoh berdasarkan pengalaman
umum harus dimasukkan dalam draft akhir karena mereka adalah yang paling efektif dalam
mengkomunikasikan temuan penelitian kepada orang lain.Sebuah laporan penelitian tidak boleh
membosankan, tetapi harus memikat orang dan mempertahankan minat dan harus menunjukkan
orisinalitas.Harus diingat bahwa setiap laporan harus menjadi upaya untuk memecahkan beberapa
masalah intelektual dan harus berkontribusi pada solusi masalah dan harus menambah
pengetahuan dari peneliti dan pembaca.

TATA LETAK LAPORAN PENELITIAN

Siapa pun, yang membaca laporan penelitian, harus disampaikan cukup tentang penelitian
sehingga ia dapat menempatkannya dalam konteks ilmiah umum, menilai kecukupan metodenya
dan dengan demikian. Membentuk pendapat tentang seberapa serius temuan yang harus
diambil.Untuk tujuan ini ada kebutuhan tata letak laporan yang tepat.Tata letak laporan berarti
apa yang harus berisi laporan penelitian.Tata letak komprehensif dari laporan penelitian harus
terdiri dari (A) halaman awal; (B) teks utama; dan (C) masalah akhir.Mari kita berurusan dengan
mereka secara terpisah.
(A) Halaman Awal
Di halaman awal laporan harus membawa judul dan tanggal, diikuti dengan pengakuan dalam
bentuk 'Kata Pengantar' atau 'Kata Pengantar'.Maka harus ada daftar isi diikuti dengan daftar tabel
dan ilustrasi sehingga pembuat keputusan atau siapa pun yang tertarik untuk membaca laporan
dapat dengan mudah menemukan informasi yang diperlukan dalam laporan.
(B) Teks Utama
memberikan garis besar lengkap laporan penelitian bersama dengan semua rincian.Judul studi
penelitian diulang di bagian atas halaman pertama teks utama dan kemudian mengikuti rincian
lain pada halaman bernomor berturut-turut, dimulai dengan halaman kedua.Setiap bagian utama
dari laporan harus dimulai pada halaman baru.Teks utama laporan harus memiliki bagian berikut:
(i) Pendahuluan; (ii) Pernyataan temuan dan rekomendasi; (iii) Hasilnya; (iv) Implikasi yang
diambil dari hasil; dan (v) Ringkasannya.
(i) Pendahuluan: Tujuan pengantar adalah untuk memperkenalkan proyek penelitian
kepada pembaca.Ini harus berisi pernyataan yang jelas tentang tujuan penelitian
yaitu, latar belakang yang cukup harus diberikan untuk menjelaskan kepada
pembaca mengapa masalah itu dianggap layak diselidiki.Ringkasan singkat dari

328
 penelitian relevan lainnya juga dapat dinyatakan sehingga studi ini dapat dilihat
dalam konteks itu.Hipotesis studi, jika ada, dan definisi dari konsep-konsep utama
yang digunakan dalam penelitian ini harus secara eksplisit dinyatakan dalam
pengenalan laporan.
Metodologi yang diadopsi dalam melakukan penelitian harus sepenuhnya
dijelaskan.Pembaca ilmiah ingin tahu secara rinci tentang hal seperti itu: Bagaimana
penelitian dilakukan?Apa desain dasarnya? Jika penelitian ini adalah salah satu
eksperimental, lalu apa manipulasi eksperimental?Jika data dikumpulkan melalui
kuesioner atau wawancara, maka pertanyaan apa yang diajukan (Kuesioner atau
jadwal wawancara biasanya diberikan dalam lampiran)?Jika pengukuran didasarkan
pada pengamatan, maka instruksi apa yang diberikan kepada pengamat?Mengenai
sampel yang digunakan dalam penelitian, pembaca harus diberitahu: Siapa
subjeknya?Berapa banyak yang ada di sana? Bagaimana mereka dipilih? Semua
pertanyaan ini sangat penting untuk memperkirakan kemungkinan batas generalisasi
temuan.Analisis statistik yang diadopsi juga harus dinyatakan dengan jelas. Selain
semua ini, ruang lingkup penelitian harus dinyatakan dan garis batas
dibatasi.Berbagai keterbatasan, di mana proyek penelitian selesai, juga harus
diriwayatkan.
(ii) Pernyataan temuan dan rekomendasi: Setelah diperkenalkan, laporan penelitian
harus berisi pernyataan temuan dan rekomendasi dalam bahasa non-teknis sehingga
dapat dengan mudah dipahami oleh semua pihak.Jika temuan itu luas, pada titik ini
mereka harus dimasukkan ke dalam bentuk yang dirangkum.

(iii) Hasil: Presentasi terperinci dari temuan penelitian, dengan data pendukung dalam
bentuk tabel dan bagan bersama dengan validasi hasil, adalah langkah selanjutnya
dalam menulis teks utama laporan.Ini umumnya terdiri dari badan utama laporan,
memperluas lebih dari beberapa bab.Bagian hasil laporan harus berisi ringkasan
statistik dan pengurangan data daripada data mentah.Semua hasil harus disajikan
dalam urutan logis dan dibagi menjadi bagian yang mudah diidentifikasi.Semua hasil
yang relevan harus menemukan tempat dalam laporan.Tetapi bagaimana seseorang
memutuskan tentang apa yang relevan adalah pertanyaan dasar.Cukup sering
bimbingan terutama berasal dari masalah penelitian dan dari hipotesis, jika ada, yang
penelitian ini bersangkutan.Namun pada akhirnya peneliti harus mengandalkan
penilaiannya sendiri dalam memutuskan garis besar laporannya."Namun demikian,
masih perlu bahwa dia menyatakan dengan jelas masalah yang dia ketahui, prosedur
di mana dia mengerjakan masalah, kesimpulan di mana dia tiba, dan dasar untuk
kesimpulannya."
(iv) Implikasi dari hasil: Menjelang akhir teks utama, peneliti harus kembali meletakkan
hasil penelitiannya dengan jelas dan tepat.Dia harus, menyatakan implikasi yang
mengalir dari hasil penelitian, karena pembaca umum tertarik pada implikasi untuk
memahami perilaku manusia.Implikasi tersebut mungkin memiliki tiga aspek seperti
yang dinyatakan di bawah ini:
(a) Pernyataan kesimpulan yang diambil dari penelitian ini yang mungkin
diharapkan berlaku dalam keadaan yang sama
(b) Kondisi penelitian ini yang dapat membatasi sejauh mana generalisasi yang sah
dari kesimpulan yang diambil dari penelitian.
(c) Pertanyaan relevan THC yang masih belum terjawab atau pertanyaan baru yang
diajukan oleh penelitian bersama dengan saran untuk jenis penelitian yang akan
memberikan jawaban bagi mereka.

329
 Ini dianggap sebagai praktik yang baik untuk menyelesaikan laporan dengan
kesimpulan singkat yang merangkum dan merekapitulasi poin utama
penelitian.Kesimpulan yang diambil dari penelitian ini harus jelas terkait dengan
hipotesis yang dinyatakan di bagian pengantar.Pada saat yang sama, perkiraan
kemungkinan masa depan subjek dan indikasi jenis penelitian yang perlu dilakukan
di bidang tertentu berguna dan diinginkan.
(v) Ringkasan: Sudah menjadi kebiasaan untuk menyimpulkan laporan penelitian
dengan ringkasan yang sangat singkat, beristirahat sebentar masalah penelitian,
metodologi, temuan utama dan kesimpulan utama yang diambil dari hasil penelitian.

(C) Materi Akhir

Pada akhir laporan, lampiran harus didaftarkan sehubungan dengan semua data
teknis seperti kuesioner, informasi sampel, derivasi matematika dan
sejenisnya.Bibliografi sumber yang dikonsultasikan juga harus diberikan. Indeks (daftar
abjad nama, tempat dan topik bersama dengan jumlah halaman dalam buku atau laporan
yang mereka sebutkan atau dibahas) harus selalu diberikan pada akhir laporan.Nilai
indeks terletak pada kenyataan bahwa ia bekerja sebagai panduan bagi pembaca untuk
konten dalam laporan.

JENIS LAPORAN
Laporan penelitian sangat bervariasi panjang dan jenis.Dalam setiap kasus individu, baik
panjang dan bentuk sebagian besar ditentukan oleh masalah yang dihadapi.Misalnya, perusahaan
bisnis lebih suka laporan dalam formulir surat, hanya satu atau dua halaman panjangnya.Bank,
organisasi asuransi dan lembaga keuangan umumnya menyukai jenis tabulasi neraca pendek
untuk laporan tahunan mereka kepada pelanggan dan pemegang saham mereka.Matematikawan
lebih suka menulis hasil penyelidikan mereka dalam bentuk notasi aljabar. Ahli kimia melaporkan
hasilnya dalam simbol dan rumus. Siswa sastra biasanya menulis laporan panjang yang
menyajikan analisis kritis dari beberapa penulis atau periode atau sejenisnya dengan penggunaan
kutipan liberal dari karya-karya penulis yang sedang dibahas.Di bidang pendidikan dan psikologi,
bentuk favorit adalah laporan tentang hasil eksperimen disertai dengan tabulasi statistik
rinci.Psikolog klinis dan ahli patologi sosial sering merasa perlu untuk menggunakan bentuk
riwayat kasus. Item berita di koran harian juga merupakan bentuk penulisan laporan.Mereka
mewakili secara langsung pada-thescene account dari peristiwa yang dijelaskan atau kompilasi
wawancara dengan orang-orang yang berada di tempat kejadian.Dalam laporan tersebut paragraf
pertama biasanya berisi informasi penting secara rinci dan paragraf berikutnya berisi materi yang
semakin kurang dan kurang penting.
Ulasan buku yang menganalisis isi buku dan melaporkan niat penulis, keberhasilan atau
kegagalannya dalam mencapai tujuannya, bahasanya, gayanya, beasiswa, bias atau sudut
pandangnya.Ulasan semacam itu juga merupakan semacam laporan singkat.Laporan yang
disiapkan oleh biro pemerintah, komisi khusus, dan organisasi serupa lainnya umumnya
merupakan laporan yang sangat komprehensif tentang masalah yang terlibat.Laporan tersebut
biasanya dianggap sebagai produk penelitian penting. Demikian pula dengan Ph.D.Ini dan
disertasi juga merupakan bentuk penulisan laporan, biasanya diselesaikan oleh siswa di lembaga
akademik.
Narasi di atas menyoroti fakta bahwa hasil penyelidikan penelitian dapat disajikan dalam
beberapa cara yaitu, laporan teknis, laporan populer, artikel, monograf atau kadang-kadang
bahkan dalam bentuk presentasi lisan.Metode presentasi mana yang akan digunakan dalam
penelitian tertentu tergantung pada keadaan di mana penelitian muncul dan sifat hasilnya.Laporan
teknis digunakan setiap kali laporan tertulis lengkap dari penelitian ini diperlukan baik untuk
pencatatan atau untuk diseminasi publik.Laporan populer digunakan jika hasil penelitian

330
memiliki implikasi kebijakan.Kami memberikan di bawah ini beberapa rincian tentang dua jenis
laporan tersebut:
(A) Laporan Teknis
Dalam laporan teknis penekanan utama adalah pada (i) metode yang digunakan,
(itu) asumsi yang dibuat dalam perjalanan penelitian, (iii) presentasi rinci dari temuan
termasuk keterbatasan dan data pendukung.
Garis besar umum laporan teknis dapat sebagai berikut:
1. Ringkasan hasil: Tinjauan singkat tentang temuan utama hanya dalam dua atau tiga
halaman.
2. Sifat penelitian: Deskripsi tujuan umum studi, perumusan masalah dalam hal operasional,
hipotesis kerja, jenis analisis dan data yang diperlukan, dll.
3. Metode yang digunakan: Metode khusus yang digunakan dalam penelitian dan
keterbatasannya.Misalnya, dalam studi sampling kita harus memberikan rincian desain
sampel yaitu, ukuran sampel, pemilihan sampel, dll.
4. Data: Diskusi data yang dikumpulkan, sumber, karakteristik, dan keterbatasannya.Jika
data sekunder digunakan, kesesuaian mereka dengan masalah yang dihadapi sepenuhnya
dinilai.Dalam kasus survei, cara pengumpulan data harus sepenuhnya dijelaskan.
5. Analisis data dan penyajian temuan: Analisis data dan penyajian temuan penelitian
dengan data pendukung dalam bentuk tabel dan bagan sepenuhnya diriwayatkan.Ini, pada
kenyataannya, kebetulan menjadi badan utama laporan yang biasanya meluas selama
beberapa bab.
6. Kesimpulan: Ringkasan rinci dari temuan dan implikasi kebijakan yang diambil dari hasil
dijelaskan.
7. Bibliografi: Bibliografi dari berbagai sumber yang dikonsultasikan disiapkan dan
dilampirkan.
8. Lampiran teknis: Lampiran diberikan untuk semua hal teknis yang berkaitan dengan
kuesioner, derivasi matematika, elaborasi pada teknik analisis tertentu dan yang
sejenisnya.
9. Indeks: Indeks harus disiapkan dan selalu diberikan dalam laporan di akhir.
Urutan yang disajikan di atas hanya memberikan gambaran umum tentang sifat
laporan teknis; Urutan presentasi mungkin tidak selalu sama dalam semua laporan
teknis.Ini, dengan kata lain, berarti bahwa presentasi dapat bervariasi dalam laporan yang
berbeda; Bahkan bagian yang berbeda yang diuraikan di atas tidak akan selalu sama, juga
tidak akan semua bagian ini muncul dalam laporan tertentu.Namun, harus diingat bahwa
bahkan dalam laporan teknis, presentasi sederhana dan ketersediaan temuan yang siap
tetap menjadi pertimbangan penting dan dengan demikian penggunaan grafik dan
diagram liberal dianggap diinginkan.
(B) Laporan Populer
Adalah salah satu yang memberikan penekanan pada kesederhanaan dan daya
tarik.Penyederhanaan harus dicari melalui penulisan yang jelas, minimalisasi teknis,
terutama matematika, rincian dan penggunaan liberal grafik dan diagram.Tata letak yang
menarik bersama dengan cetakan besar, banyak subpos, bahkan kartun sesekali sekarang
dan kemudian adalah fitur karakteristik lain dari laporan populer.Selain itu, dalam

331
 laporan tersebut penekanan diberikan pada aspek praktis dan implikasi kebijakan.Kami
memberikan di bawah garis besar umum dari laporan populer.
1. Temuan dan implikasinya: Penekanan dalam laporan diberikan pada temuan yang
paling praktis dan pada implikasi dari temuan ini.
2. Rekomendasi untuk tindakan: Rekomendasi untuk tindakan berdasarkan temuan
penelitian dibuat di bagian laporan ini.
3. Tujuan dari penelitian ini: Tinjauan umum tentang bagaimana masalah muncul
disajikan bersama dengan tujuan spesifik dari proyek yang sedang dipelajari.
4. Metode yang digunakan: Deskripsi singkat dan non-teknis tentang metode dan
teknik yang digunakan, termasuk tinjauan singkat dari data yang menjadi dasar
penelitian, diberikan di bagian laporan ini.
5. Hasil: Bagian ini merupakan badan utama laporan dimana hasil penelitian disajikan
dalam istilah yang jelas dan non-teknis dengan penggunaan liberal dari segala
macam ilustrasi seperti grafik, diagram dan sejenisnya.
6. Tambahan teknis: Informasi lebih rinci tentang metode yang digunakan, formulir,
dll.disajikan dalam bentuk lampiran. Tetapi lampiran sering tidak rinci jika laporan
ini sepenuhnya dimaksudkan untuk masyarakat umum.
Mungkin ada beberapa variasi bentuk di mana laporan populer dapat
disiapkan.Satu-satunya hal penting tentang laporan semacam itu adalah bahwa hal
itu memberikan penekanan pada kesederhanaan dan implikasi kebijakan dari sudut
pandang operasional, menghindari rincian teknis dari segala macam sejauh mungkin.

PRESENTASI LISAN
Kadang-kadang presentasi lisan dari hasil penelitian dianggap efektif, terutama dalam
kasus-kasus di mana rekomendasi kebijakan ditunjukkan oleh hasil proyek.Manfaat dari
pendekatan ini terletak pada kenyataan bahwa ia memberikan kesempatan untuk memberi dan
mengambil keputusan yang umumnya mengarah pada pemahaman yang lebih baik tentang
temuan dan implikasinya.Tetapi kerugian utama dari presentasi semacam ini adalah kurangnya
catatan permanen mengenai rincian penelitian dan mungkin saja temuan itu dapat memudar dari
ingatan orang bahkan sebelum tindakan diambil.Untuk mengatasi kesulitan ini, laporan tertulis
dapat diedarkan sebelum presentasi lisan dan sering disebut selama diskusi. Presentasi oral efektif
bila dilengkapi dengan berbagai perangkat visual.Penggunaan slide, grafik dinding dan papan
tulis cukup membantu dalam berkontribusi pada kejelasan dan mengurangi kebosanan, jika
ada.Mendistribusikan garis besar papan, dengan beberapa tabel dan grafik penting mengenai hasil
penelitian, membuat pendengar penuh perhatian yang memiliki garis besar siap untuk
memfokuskan pemikiran mereka.Hal ini sangat sering terjadi di lembaga akademik di mana
peneliti membahas temuan penelitian dan implikasi kebijakan dengan orang lain baik dalam
seminar atau dalam diskusi kelompok.
Dengan demikian, hasil penelitian dapat dilaporkan dalam lebih dari satu cara, tetapi
praktik yang biasa diadopsi, di lembaga akademik khususnya, adalah menulis Laporan Teknis
dan kemudian menyiapkan beberapa makalah penelitian untuk dibahas di berbagai forum dalam
satu bentuk atau lainnya.Tetapi di bidang praktis dan dengan masalah yang memiliki implikasi
kebijakan, teknik yang diikuti adalah menulis laporan populer.Penelitian yang dilakukan atas
akun pemerintah atau atas nama beberapa organisasi publik atau swasta utama biasanya disajikan
dalam bentuk laporan teknis.

332
MEKANISME MENULIS LAPORAN PENELITIAN
Ada aturan yang sangat pasti dan ditetapkan yang harus diikuti dalam persiapan sebenarnya dari
laporan penelitian atau makalah.Setelah teknik akhirnya diputuskan, mereka harus hati-hati
dipatuhi, dan tidak ada penyimpangan yang diizinkan.Kriteria format harus diputuskan segera
setelah bahan untuk makalah penelitian telah dirakit.Poin-poin berikut patut disebutkan sejauh
menyangkut mekanisme penulisan laporan:
1. Ukuran dan desain fisik: Naskah harus ditulis pada kertas yang tidak diatur 8 1 2² × 11²
dalam ukuran.Jika itu harus ditulis dengan tangan, maka tinta hitam atau biru-hitam harus
digunakan.Margin setidaknya satu setengah inci harus diizinkan di tangan kiri dan
setidaknya setengah inci di tangan kanan kertas.Juga harus ada margin satu inci, atas dan
bawah. Kertas harus rapi dan terbaca.Jika naskah akan diketik, maka semua mengetik
harus spasi ganda di satu sisi halaman hanya kecuali untuk penyisipan kutipan panjang.
2. Prosedur: Berbagai langkah dalam menulis laporan harus dipatuhi secara ketat (Semua
langkah tersebut telah dijelaskan sebelumnya dalam bab ini).
3. Tata letak: Menjaga dalam pandangan tujuan dan sifat masalah, tata letak laporan harus
dipikirkan dan diputuskan dan sesuai diadopsi (Tata letak laporan penelitian dan berbagai
Jenis laporan telah dijelaskan dalam bab ini sebelumnya yang harus diambil sebagai
panduan untuk penulisan laporan jika terjadi masalah tertentu).
4. Perlakuan kutipan: Kutipan harus ditempatkan dalam tanda kutip dan spasi ganda,
membentuk bagian langsung dari teks.Tetapi jika kutipan memiliki panjang yang cukup
besar (lebih dari empat atau lima jenis garis tertulis) maka itu harus spasi tunggal dan
indentasi setidaknya setengah inci di sebelah kanan margin teks normal.
5. Catatan kaki: Mengenai catatan kaki seseorang harus tetap melihat hal-hal berikut:
(a) Catatan kaki melayani dua tujuan yaitu, identifikasi bahan yang digunakan dalam
kutipan dalam laporan dan pemberitahuan bahan tidak segera diperlukan untuk tubuh
teks penelitian tetapi masih nilai tambahan.Dengan kata lain, catatan kaki
dimaksudkan untuk referensi silang, kutipan otoritas dan sumber, pengakuan dan
penjelasan atau penjelasan dari sudut pandang.Itu harus selalu diingat bahwa catatan
kaki bukanlah akhir atau sarana untuk menampilkan beasiswa.Kecenderungan
modern adalah membuat penggunaan minimum catatan kaki untuk beasiswa tidak
perlu ditampilkan.
(b) Catatan kaki ditempatkan di bagian bawah halaman tempat referensi atau kutipan
yang mereka identifikasi atau tambahkan berakhir.Catatan kaki biasanya dipisahkan
dari materi tekstual dengan ruang setengah inci dan garis sekitar satu setengah inci
panjangnya.
(c) Catatan kaki harus diberi nomor berturut-turut, biasanya dimulai dengan 1 di setiap
bab secara terpisah.Angka harus diletakkan sedikit di atas garis, katakanlah di akhir
kutipan.Di kaki halaman, sekali lagi, nomor catatan kaki harus indentasi dan diketik
sedikit di atas garis.Dengan demikian, angka berturut-turut harus digunakan untuk
menghubungkan referensi dalam teks dengan catatan yang sesuai di bagian bawah
halaman, kecuali dalam kasus tabel statistik dan bahan numerik lainnya, di mana
simbol-simbol seperti tanda bintang (*) atau sejenisnya dapat digunakan untuk
mencegah kebingungan.
(d) Catatan kaki selalu diketik dalam satu ruang meskipun mereka dibagi satu sama lain
oleh ruang ganda.

333
 6. Gaya dokumentasi: Mengenai dokumentasi, referensi catatan kaki pertama untuk setiap
karya yang diberikan harus lengkap dalam dokumentasinya, memberikan semua fakta
penting tentang edisi yang digunakan. Demikian Catatan kaki dokumenter mengikuti
urutan umum. Urutan umum dapat digambarkan sebagai di bawah:
(i) Mengenai referensi volume tunggal

1. Nama Penulis dalam urutan normal (dan tidak dimulai dengan nama belakang seperti
dalam bibliografi) diikuti oleh koma;
2. Judul karya, digarisbawahi untuk menunjukkan huruf miring;
3. Tempat dan tanggal publikasi;
4. Referensi Pagination (Nomor halaman).
Contoh
John Gassner, Masters of the Drama, New York: Dover Publications, Inc. 1954, p. 315.
(ii) Mengenai referensi multivolumed

1. Nama penulis dalam urutan normal;

2. Judul karya, digarisbawahi untuk menunjukkan huruf miring;
3. Tempat dan tanggal publikasi;
4. Jumlah volume;
5. Referensi pagination (Nomor halaman).

(iii) Mengenai karya-karya yang disusun menurut abjad

Untuk karya-karya yang disusun menurut abjad seperti ensiklopedia dan kamus, tidak ada
referensi paginasi yang biasanya diperlukan.Dalam kasus seperti itu, urutan diilustrasikan
sebagai di bawah:
Contoh 1
"Salamanca," Encyclopaedia Britannica, Edisi ke-14.
Contoh 2
"Mary Wollstonecraft Godwin," Kamus biografi nasional.
Tetapi jika harus ada referensi rinci untuk artikel ensiklopedia panjang, referensi volume dan
paginasi dapat ditemukan perlu.
(iv) Mengenai referensi berkala
1. Name penulis dalam urutan normal;
2. Judul artikel, dalam tanda kutip;
3. Name berkala, digarisbawahi untuk menunjukkan huruf miring;

334
 4. Nomor volume;
5. Tanggal penerbitan;
6. Halaman
(v) Mengenai antologi dan koleksi referensi
Kutipan dari antologi atau koleksi karya sastra harus diakui tidak hanya oleh penulis, tetapi juga
dengan nama kolektor.
(vi) Mengenai referensi kutipan bekas
Dalam kasus tersebut dokumentasi harus ditangani sebagai berikut:
1. Penulis dan judul asli;
2. "dikutip atau dikutip dalam,";
3. Penulis kedua dan karya.
Contoh
J.F.Jones, Life in Ploynesia, hal.16, dikutip dalam History of the Pacific Ocean area, oleh
R.B.Abel, hal.191. (
(vii) Kasus beberapa kepengarangan
Jika ada lebih dari dua penulis atau editor, maka dalam dokumentasi nama hanya yang
pertama diberikan dan beberapa kepengarangan ditunjukkan oleh "et al." atau "dan lain-lain".
Referensi selanjutnya untuk pekerjaan yang sama tidak perlu begitu rinci seperti
yang dinyatakan di atas.Jika karya dikutip lagi tanpa campur tangan pekerjaan lain, dapat
diindikasikan sebagai ibid, diikuti oleh koma dan nomor halaman. Satu halaman harus
disebut sebagai p., tetapi lebih dari satu halaman disebut sebagai pp.Jika ada beberapa
halaman yang dimaksud pada peregangan, praktiknya adalah sering menggunakan nomor
halaman, misalnya, pp.190ff, yang berarti nomor halaman 190 dan halaman berikut;
tetapi hanya untuk halaman 190 dan halaman berikut '190f'.Numerik Romawi umumnya
digunakan untuk menunjukkan jumlah volume buku.Op.cit. (opera citato, dalam karya
yang dikutip) atau Loc.cit.(loco citato, di tempat yang dikutip) adalah dua singkatan yang
sangat nyaman yang digunakan dalam catatan kaki.Op.cit.or Loc.cit.after nama penulis
akan menyarankan bahwa referensi adalah untuk bekerja oleh penulis yang telah dikutip
secara rinci dalam catatan kaki sebelumnya tetapi campur tangan oleh beberapa referensi
lain.
7. Tanda baca dan singkatan dalam catatan kaki:
Item pertama setelah angka dalam catatan kaki adalah nama penulis, yang
diberikan dalam urutan tanda tangan normal.Hal ini diikuti oleh koma. Setelah koma,
judul buku diberikan: artikel (seperti "A", "An", "The" dll) dihilangkan dan hanya kata
pertama dan kata benda yang tepat dan kata sifat dikapitalisasi.Judul diikuti oleh
comma.Information mengenai edisi diberikan berikutnya.Entri ini diikuti oleh koma.
Tempat publikasi kemudian dinyatakan; dapat disebutkan dalam bentuk singkat, jika
tempat itu kebetulan yang terkenal seperti Lond.untuk London, N.Y.for New York,
N.D.for New Delhi dan sebagainya.Entri ini diikuti oleh koma. Kemudian nama penerbit
disebutkan dan entri ini ditutup oleh koma.Hal ini diikuti oleh tanggal publikasi jika
tanggal diberikan pada halaman judul.Jika tanggal muncul dalam pemberitahuan hak
cipta di sisi sebaliknya dari halaman judul atau di tempat lain dalam volume, koma harus

335
dihilangkan dan tanggal tertutup dalam tanda kurung siku [c 1978], [1978].Entri ini
diikuti oleh koma. Kemudian ikuti referensi volume dan halaman dan dipisahkan oleh
koma jika keduanya diberikan.Sebuah periode menutup referensi dokumenter lengkap.
Tetapi kita harus ingat bahwa dokumentasi mengenai pengakuan dari artikel majalah dan
literatur berkala mengikuti bentuk yang berbeda seperti yang dinyatakan sebelumnya
sambil menjelaskan entri dalam bibliografi.
Singkatan bahasa Inggris dan Latin tertentu cukup sering digunakan dalam
bibliografi dan catatan kaki untuk menghilangkan pengulangan yang
membosankan.Berikut ini adalah daftar parsial singkatan yang paling umum yang sering
digunakan dalam penulisan laporan (peneliti harus belajar mengenalinya serta dia harus
belajar menggunakannya):
anon., anonymous
ante., before
art., article
aug., augmented
bk., book
bull., bulletin
cf., compare
ch., chapter
col., column
diss., dissertation
ed., editor, edition, edited.
ed. cit., edition cited
e.g., exempli gratia: for example
eng., enlarged
et.al., and others
et seq., et sequens: and the following
ex., example
f., ff., and the following
fig(s)., figure(s)
fn., footnote
ibid., ibidem: in the same place (when two or more
successive footnotes refer to the same
work, it is not necessary to repeat
complete reference for the second
footnote. Ibid. may be used. If different
pages are referred to, pagination must
be shown).

336
 id., idem: the same
ill., illus., or
illust(s). illustrated, illustration(s)
Intro., intro., introduction
l, or ll, line(s)
loc. cit., in the place cited; used as op.cit., (when
new reference
loco citato: is made to the same pagination as cited
in the previous note)
MS., MSS., Manuscript or Manuscripts
N.B., nota bene: note well
n.d., no date
n.p., no place
no pub., no publisher
no(s)., number(s)
o.p., out of print
op. cit: In the work cited (If reference has been
made to a work
opera citato and new reference is to be made, ibid.,
may be used, if intervening reference
has been made to different works,
op.cit. must be used. The name of the
author must precede.
p. or pp., page(s)
passim: here and there
post: after
rev., revised
tr., trans., translator, translated, translation
vid or vide: see, refer to
viz., namely
vol. or vol(s)., volume(s)
vs., versus: against

8. Penggunaan statistik, grafik dan grafik: Penggunaan statistik yang bijaksana dalam
laporan penelitian sering dianggap sebagai kebajikan karena berkontribusi besar terhadap
klarifikasi dan penyederhanaan materi dan hasil penelitian.Orang mungkin ingat bahwa

337
 gambar yang bagus sering bernilai lebih dari sekadar seribu kata. Statistik biasanya
disajikan dalam bentuk tabel, grafik, bar dan grafik garis dan piktogram.Presentasi
semacam itu harus jelas dan lengkap dalam dirinya sendiri.Ini harus cocok dan tepat
mencari masalah yang dihadapi.Akhirnya, presentasi statistik harus rapi dan menarik.
9. Draf akhir: Merevisi dan menulis ulang draf kasar laporan harus dilakukan dengan sangat
hati-hati sebelum menulis draf akhir.Untuk tujuan itu, peneliti harus mengajukan
pertanyaan pada dirinya sendiri seperti: Apakah kalimat yang ditulis dalam laporan
jelas?Apakah mereka benar secara gramatikal? Apakah mereka mengatakan apa yang
dimaksud?"Apakah berbagai poin yang dimasukkan dalam laporan cocok bersama secara
logis?"Memiliki setidaknya satu kolega membaca laporan tepat sebelum revisi akhir
sangat membantu.Kalimat yang tampak sejernih kristal bagi penulis mungkin terbukti
cukup membingungkan bagi orang lain; Koneksi yang tampak jelas dapat menyerang
orang lain sebagai non-sequitur.Seorang kritikus yang ramah, dengan menunjukkan
bagian-bagian yang tampaknya tidak jelas atau tidak logis, dan mungkin menyarankan
cara untuk memperbaiki kesulitan, dapat menjadi bantuan yang tak ternilai dalam
mencapai tujuan komunikasi yang memadai.
10. Bibliografi: Bibliografi harus disiapkan dan ditambahkan ke laporan penelitian seperti
yang dibahas sebelumnya.
11. Persiapan indeks: Pada akhir laporan, indeks harus selalu diberikan, nilai yang terletak
pada kenyataan bahwa ia bertindak sebagai panduan yang baik, kepada pembaca.Indeks
dapat disiapkan baik sebagai indeks subjek dan sebagai indeks penulis.Yang pertama
memberikan nama-nama subjek-topik atau konsep bersama dengan jumlah halaman di
mana mereka telah muncul atau dibahas dalam laporan, sedangkan yang terakhir
memberikan informasi yang sama mengenai nama-nama penulis.Indeks harus selalu
diatur menurut abjad. Beberapa orang lebih suka menyiapkan hanya satu indeks umum
untuk nama penulis, topik subjek, konsep dan yang sejenisnya.

PERHATIAN UNTUK MENULIS LAPORAN PENELITIAN

Laporan penelitian adalah saluran mengkomunikasikan temuan penelitian kepada pembaca
laporan.Laporan penelitian yang baik adalah salah satu yang melakukan tugas ini secara efisien
dan efektif.Dengan demikian harus siap menjaga tindakan pencegahan berikut dalam pandangan:
1. Sementara menentukan panjang laporan (karena laporan penelitian sangat bervariasi
panjangnya), seseorang harus tetap mengingat fakta bahwa itu harus cukup lama untuk
menutupi subjek tetapi cukup pendek untuk mempertahankan minat.Bahkan, menulis
laporan seharusnya tidak menjadi sarana untuk belajar lebih banyak dan lebih banyak
tentang semakin sedikit.
2. Laporan penelitian seharusnya tidak, jika ini dapat dihindari, membosankan; Itu harus
seperti untuk mempertahankan minat pembaca.
3. Terminologi abstrak dan jargon teknis harus dihindari dalam laporan penelitian.Laporan
harus dapat menyampaikan masalah ini sesederhana mungkin.Ini, dengan kata lain,
berarti bahwa laporan harus ditulis dalam gaya objektif dalam bahasa sederhana,
menghindari ekspresi seperti "tampaknya," "mungkin ada" dan sejenisnya.
4. Pembaca sering tertarik untuk memperoleh pengetahuan singkat tentang temuan utama
dan dengan demikian laporan harus memberikan ketersediaan siap dari temuan.Untuk
tujuan ini, grafik, Grafik dan tabel statistik dapat digunakan untuk berbagai hasil dalam
laporan utama di samping ringkasan temuan penting.

338
 5. Tata letak laporan harus dipikirkan dengan baik dan harus sesuai dan sesuai dengan tujuan
masalah penelitian.
6. Laporan harus bebas dari kesalahan tata bahasa dan harus disiapkan secara ketat sesuai
dengan teknik komposisi penulisan laporan seperti penggunaan kutipan, catatan kaki,
dokumentasi, tanda baca yang tepat dan penggunaan singkatan dalam catatan kaki dan
sejenisnya.
7. Laporan harus menyajikan analisis logis dari materi pelajaran.Ini harus mencerminkan
struktur di mana berbagai analisis yang berkaitan dengan masalah penelitian cocok
dengan baik.
8. Sebuah laporan penelitian harus menunjukkan orisinalitas dan harus selalu menjadi upaya
untuk memecahkan beberapa masalah intelektual.Ini harus berkontribusi pada solusi
masalah dan harus menambah penyimpanan pengetahuan.
9. Menjelang akhir, laporan juga harus menyatakan implikasi kebijakan yang berkaitan
dengan masalah yang sedang dipertimbangkan.Hal ini biasanya dianggap diinginkan jika
laporan membuat perkiraan kemungkinan masa depan subjek yang bersangkutan dan
menunjukkan jenis penelitian masih perlu dilakukan di bidang tertentu. Menjelang akhir,
laporan juga harus menyatakan implikasi kebijakan yang berkaitan dengan masalah yang
sedang dipertimbangkan.Hal ini biasanya dianggap diinginkan jika laporan membuat
perkiraan kemungkinan masa depan subjek yang bersangkutan dan menunjukkan jenis
penelitian masih perlu dilakukan di bidang tertentu.
10. Lampiran harus didaftarkan sehubungan dengan semua data teknis dalam laporan.
11. Bibliografi sumber yang dikonsultasikan adalah suatu keharusan untuk laporan yang baik
dan harus diberikan.
12. Indeks juga dianggap sebagai bagian penting dari laporan yang baik dan dengan demikian
harus disiapkan dan ditambahkan pada akhirnya.
13. Laporan harus menarik dalam penampilan, rapi dan bersih, baik diketik atau dicetak.
14. Batas kepercayaan yang diperhitungkan harus disebutkan dan berbagai kendala yang
dialami dalam melakukan penelitian juga dapat dinyatakan dalam laporan.
15. Tujuan dari penelitian, sifat masalah, metode yang digunakan dan teknik analisis yang
diadopsi semua harus dinyatakan dengan jelas di awal laporan dalam bentuk pengenalan.

KESIMPULAN
Terlepas dari semua yang telah dinyatakan di atas, seseorang harus selalu mengingat fakta
bahwa menulis laporan adalah seni yang dipelajari oleh praktik dan pengalaman, bukan hanya
dengan doktrinnasi belaka.

Pertanyaan

1. Tulis catatan singkat tentang 'tugas interpretasi' dalam konteks metodologi penelitian.
2. “Interpretasi adalah komponen fundamental dari proses penelitian”, Jelaskan. Kenapa
begitu?
3. Jelaskan tindakan pencegahan yang harus diambil peneliti saat menafsirkan temuannya.

339
4. “Interpretasi adalah seni menggambar kesimpulan, tergantung pada keahlian peneliti”.
Jelaskan diberikan pernyataan yang menjelaskan teknik interpretasi
5. “Hanya melalui interpretasi peneliti dapat mengungkap hubungan dan proses yang
mendasarinya temuan”. Jelaskan, berikan contoh.
6. Jelaskan pentingnya laporan penelitian dan ceritakan berbagai langkah yang terlibat
dalam penulisan seperti: laporan.
7. Jelaskan, secara singkat, tata letak laporan penelitian, yang mencakup semua poin yang
relevan.
8. Tulis catatan singkat tentang 'Dokumentasi' dalam konteks laporan penelitian.
9. Sebutkan berbagai jenis laporan, terutama dengan menunjukkan perbedaan antara laporan
teknis dan laporan populer.
10. Jelaskan teknik dan pentingnya presentasi lisan dari temuan penelitian.Apakah hanya
presentasi lisan yang cukup? Jika tidak, mengapa?
11. (a) Poin apa yang akan Anda ingat saat menyiapkan laporan penelitian? jelaskan.
(b) Apa bentuk yang berbeda di mana pekerjaan penelitian dapat
dilaporkan.Menggambarkan. (M.Phil.Ujian. (EAFM) 1979, Uni.of Rajasthan)
12. "Kita bisa mengajarkan metode analisis, namun penelitian yang luas...Membutuhkan
sesuatu yang sama pentingnya: sebuah organisasi atau sintesis yang menyediakan struktur
penting di mana potongan-potongan analisis cocok. Periksa pernyataan ini dan tunjukkan
bagaimana laporan penelitian yang baik dapat disiapkan.(M.Phil.Exam.(EAFM) 1978,
Uni.of Rajasthan)
13. Menulis catatan singkat tentang hal-hal berikut:
(a) Teknik penulisan laporan;
(b) Karakteristik laporan penelitian yang baik;
(c) Bibliografi dan pentingnya dalam konteks laporan penelitian
(d) Menulis ulang dan memoles laporan.
14. "Menulis laporan lebih merupakan seni yang bergantung pada latihan dan pengalaman".
Bahas.

340
 15. Komputer : Perannya dalam
Penelitian
PENGANTAR
Pemecahan masalah adalah cara kuno. Perkembangan alat-alat elektronik khususnya
komputer, telah memberikan dorongan tambahan untuk kegiatan ini. Masalah yang tidak bisa
diselesaikan lebih awal karena semata-mata jumlah perhitungan yang terlibat sekarang dapat
ditangani dengan bantuan komputer secara akurat dan dengan cepat. Komputer tentu saja
merupakan salah satu perkembangan modern yang paling serbaguna dan cerdik zaman teknologi.
Saat ini orang menggunakan komputer di hampir semua bidang kehidupan. Tidak lagi mereka
hanya kotak besar dengan lampu berkedip yang tujuan utamanya adalah untuk melakukan
aritmatika dengan kecepatan tinggi tetapi mereka berguna studi dalam filsafat, psikologi,
matematika dan linguistik untuk menghasilkan output yang meniru pikiran manusia. Kecanggihan
teknologi komputer telah mencapai tahap yang tidak akan lebih lama sebelum tidak mungkin
untuk mengatakan apakah Anda sedang berbicara dengan manusia atau mesin. Memang,
kemajuan di komputer sangat menakjubkan.
Bagi peneliti, penggunaan komputer untuk menganalisis data yang kompleks telah
membuat penelitian menjadi rumit desain praktis. Komputer elektronik sekarang telah menjadi
bagian tak terpisahkan dari penelitiansiswa dalam ilmu fisika dan perilaku serta humaniora.
Mahasiswa riset,d i era teknologi komputer ini, harus dihadapkan pada metode dan penggunaan
komputer. Sebuah dasar pemahaman tentang cara kerja komputer membantu seseorang untuk
menghargai kegunaan dari alat yang ampuh ini. Menjaga semua ini dalam pandangan, bab ini
memperkenalkan dasar-dasar komputer, terutama itu. menjawab pertanyaan seperti: Apa itu
komputer? Bagaimana fungsinya? Bagaimana caranya? berkomunikasi dengannya? Bagaimana
itu membantu dalam menganalisis data?
KOMPUTER DAN TEKNOLOGI KOMPUTER
Komputer, seperti namanya, tidak lain adalah perangkat yang menghitung. Dalam
pengertian ini, perangkat apa pun, betapapun kasar atau canggihnya, yang memungkinkan
seseorang untuk melakukan manipulasi matematis menjadi komputer. Tapi apa yang membuat
istilah ini mencolok hari ini dan, apa yang biasanya kita maksudkan ketika kita berbicara tentang
komputer, adalah mesin yang beroperasi secara elektronik yang digunakan untuk melakukan
perhitungan. Secara singkat, komputer adalah mesin yang mampu menerima, menyimpan,
memanipulasi, dan menghasilkan informasi seperti angka, kata, gambar.
Komputer tersebut dapat berupa komputer digital atau dapat berupa komputer analog.
Komputer digital adalah salah satu yang beroperasi pada dasarnya dengan menghitung
(menggunakan informasi, termasuk huruf dan simbol, dalam bentuk kode) sedangkan komputer
analog beroperasi dengan mengukur daripada menghitung. Digital komputer menangani
informasi sebagai string bilangan biner yaitu, nol dan satu, dengan bantuan proses penghitungan
tetapi komputer analog mengubah jumlah yang bervariasi seperti suhu dan tekanan menjadi
tegangan listrik yang sesuai dan kemudian melakukan fungsi tertentu pada sinyal yang diberikan.
Dengan demikian, komputer analog digunakan untuk teknik khusus dan aplikasi ilmiah tertentu.
Sebagian besar komputer adalah digital, sehingga kata komputer diterima secara umum sebagai
identik dengan istilah 'komputer digital'.
Teknologi komputer telah mengalami perubahan yang signifikan selama empat dekade.
NS komputer mikro saat ini jauh lebih kuat dan biayanya sangat sedikit, dibandingkan dengan
yang pertama di dunia komputer elektronik yaitu Integrator dan Kalkulator Numerik Elektronik

341
(ENIAC) selesai dalam 1946. Komputer mikro bekerja berkali-kali lebih cepat, ribuan kali lebih
andal dan memiliki memori besar.
Kemajuan teknologi komputer biasanya disebut dengan istilah 'generasi'.Hari ini kita
memiliki komputer generasi keempat dalam pelayanan dan upaya sedang dilakukan untuk
mengembangkan kelima komputer generasi, yang diharapkan siap pada tahun 1990. Komputer
generasi pertama dimulai pada tahun 1945 berisi 18.000 katup seukuran botol kecil yang
merupakan unit pemrosesan pusat (CPU). Mesin ini tidak memiliki fasilitas untuk menyimpan
program dan instruksi harus dimasukkan ke dalamnya dengan penyesuaian ulang sakelar dan
kabel. Komputer generasi kedua menemukan jalan untuk pengembangan dengan penemuan
transistor pada tahun 1947. Transistor menggantikan katup di semua perangkat elektronik dan
membuatnya jauh lebih kecil dan lebih dapat diandalkan. Komputer seperti itu muncul di pasar
di awal tahun enam puluhan. Komputer generasi ketiga mengikuti penemuan terintegrasi circuit
(IC) pada tahun 1959. Mesin tersebut, dengan CPU dan penyimpanan utama yang terbuat dari
chip IC, muncul di pasar di paruh kedua tahun enam puluhan. Komputer generasi keempat
berutang kelahiran mereka untuk munculnya mikroprosesor—rajanya chip—pada tahun 1972.
Penggunaan mikroprosesor sebagai CPU dalam a komputer telah mewujudkan impian 'komputer
untuk massa'. Perangkat ini telah mengaktifkan pengembangan mikrokomputer, komputer
pribadi, komputer portabel dan sejenisnya. Kelimakomputer generasi, yang saat ini dalam tahap
pengembangan, dapat menggunakan sakelar baru (seperti Transistor Mobilitas Elektron Tinggi)
alih-alih yang sekarang dan mungkin menandai era komputer superkonduktor. Dikatakan bahwa
komputer generasi kelima akan 50 kali lebih cepat daripada mesin supercepat saat ini.
Sejauh menyangkut perangkat input di komputer, sistem entri data berbasis kartu atau
pita hampir digantikan oleh perangkat direct entry, seperti Visual Display Unit (VDU) yang terdiri
dari: layar seperti TV dan papan kunci seperti mesin tik yang digunakan untuk memasukkan data
ke dalam komputer. Mengenai perangkat output, teleprinter telah digantikan oleh berbagai jenis
biaya rendah tinggi printer kecepatan. VDU juga digunakan sebagai perangkat output. Untuk
menyimpan data, pita magnetik dan cakram
(i) Komputer generasi pertama adalah yang diproduksi antara tahun 1945–60 seperti
IBM 650, IBM 701.
(ii) Komputer generasi kedua adalah yang diproduksi antara tahun 1960–65 seperti
IBM 1401 Honeywell 40.
(iii) Komputer generasi ketiga adalah yang diproduksi antara tahun 1965–70 seperti
IBM System 360, 370.
(iv) Komputer generasi keempat adalah yang diproduksi antara tahun 1971 hingga
saat ini seperti IBM 3033, HP 3000,
digantikan oleh perangkat seperti memori gelembung dan cakram video optik. Singkatnya,
komputer teknologi telah menjadi sangat canggih dan sedang dikembangkan lebih lanjut dengan
kecepatan yang sangat cepat.

SISTEM KOMPUTER
Secara umum, semua sistem komputer dapat digambarkan sebagai berisi beberapa jenis perangkat
input, CPU dan beberapa jenis perangkat output. Gambar 15.1 menggambarkan komponen sistem
komputer dan hubungan antar:

342
 Unit Kontrol

(Menafsirkan komputer program.

Mengarahkan pengoperasian semua
komponen dan satuan sistem)
Perangkat masukan
Penyimpanan internal (Memegang program Perangkat Keluaran (Rekam
(Masuk ke komputer
komputer dan data, dan membuatnya hasil diterima dari
program dan data ke
tersedia untuk diproses) penyimpanan internal)
penyimpanan internal)

Satuan Aritmatika-Logika (Melakukan semua

aritmatika operasi dan logika perbandingan)

Instruksi atau
aliran data
Fungsi kontrol

Gambar 15.1
Fungsi perangkat input-output adalah untuk mendapatkan informasi ke dalam dan keluar
dari CPU. Masukan perangkat menerjemahkan karakter ke dalam biner, dapat dimengerti oleh
CPU, dan perangkat output menerjemahkannya kembali ke dalam karakter yang sudah dikenal
yaitu, dalam bentuk yang dapat dibaca manusia. Dengan kata lain, tujuan dari perangkat input-
output adalah untuk bertindak sebagai perangkat penerjemah antara dunia luar kita dan dunia
internal CPU yaitu, mereka bertindak sebagai antarmuka antara manusia dan mesin. Sejauh CPU
yang bersangkutan, ia memiliki tiga segmen yaitu. (i) penyimpanan internal, (ii) unit kontrol, dan
(iii) aritmatika satuan logis. Ketika sebuah program komputer atau data dimasukkan ke dalam
CPU, sebenarnya itu adalah input ke internal penyimpanan CPU. Unit kontrol berfungsi untuk
mengarahkan urutan operasi sistem komputer. Nya fungsi meluas ke perangkat input dan output
juga dan tidak hanya tetap terbatas pada urutan operasi dalam CPU. Unit logika aritmatika
berkaitan dengan melakukan operasi aritmatika dan perbandingan logis yang ditunjuk dalam
program komputer.
Dalam hal urutan kejadian secara keseluruhan, program komputer dimasukkan ke dalam
penyimpanan internal dan kemudian ditransmisikan ke unit kontrol, di mana itu menjadi dasar
untuk pengurutan dan kontrol keseluruhan operasi sistem komputer. Data yang dimasukkan ke
dalam penyimpanan internal CPU tersedia untuk diproses oleh unit logika aritmatika, yang
menyampaikan hasil perhitungan dan perbandingan kembali ke penyimpanan internal. Setelah
perhitungan dan perbandingan yang ditentukan selesai, output diperoleh dari penyimpanan
internal CPU.
Akan tepat untuk menjadi akrab dengan istilah-istilah berikut juga dalam konteks
komputer:
(a) Perangkat Keras: Semua komponen fisik (seperti CPU, perangkat Input-output, perangkat
penyimpanan, dll.) dari komputer secara kolektif disebut perangkat keras.
(b) Perangkat Lunak: Terdiri dari program komputer yang ditulis oleh pengguna yang
memungkinkan komputer untuk mengeksekusi instruksi.

343
 (c) Firmware: Ini adalah perangkat lunak yang dimasukkan oleh pabrikan ke dalam
perangkat elektronik sirkuit komputer.
(d) Perangkat lunak sistem: Ini adalah program yang memberi tahu komputer cara berfungsi.
Itu juga dikenal sebagai perangkat lunak operasi dan biasanya dipasok oleh pabrikan
komputer.
(e) Perangkat lunak aplikasi: Ini adalah program yang memberi tahu komputer cara
melakukan tertentu tugas-tugas seperti persiapan daftar gaji perusahaan atau manajemen
persediaan. Perangkat lunak ini adalah baik ditulis oleh pengguna sendiri atau disediakan
oleh 'rumah perangkat lunak', perusahaan yang bisnis adalah untuk memproduksi dan
menjual perangkat lunak.
(f) Sirkuit terpadu (IC): Ini adalah sirkuit elektronik lengkap yang dibuat pada satu bagian
dari: silikon murni. Silikon adalah semikonduktor yang paling umum digunakan—bahan
yang bukan keduanya penghantar listrik yang baik atau yang buruk. IC mungkin berskala
kecil, menengah, atau skala besar tergantung pada jumlah komponen elektronik yang
dibuat pada chip.
(g) Chip memori: IC ini membentuk memori sekunder atau penyimpanan komputer. Mereka
menyimpan data dan instruksi yang tidak dibutuhkan segera oleh memori utama yang
terdapat di CPU.
(h) Perangkat dua keadaan: Transistor pada Chip IC hanya mengambil dua keadaan —
keduanya hidup atau off, melakukan atau non-melakukan. On-state diwakili oleh 1 dan
off-state oleh nol. Dua digit biner ini disebut bit. Sebuah string delapan bit disebut byte
dan sekelompok bit membentuk sebuah kata. Sebuah chip disebut 8-bit, 16-bit, 32-bit dan
seterusnya, tergantung pada jumlah bit yang terkandung dalam kata standarnya.

KARAKTERISTIK PENTING
Karakteristik komputer berikut ini patut diperhatikan:
(i) Kecepatan: Komputer dapat melakukan perhitungan hanya dalam beberapa detik yang
dilakukan manusia akan membutuhkan berminggu-minggu untuk dilakukan dengan
tangan. Hal ini telah menyebabkan banyak proyek ilmiah yang sebelumnya tidak
mungkin.
(ii) Ketekunan: Menjadi mesin, komputer tidak menderita sifat lelah manusia dan kurang
konsentrasi. Jika dua juta perhitungan harus dilakukan, itu akan berhasil dua juta dengan
akurasi dan kecepatan yang sama persis dengan yang pertama.
(iii) Penyimpanan: Meskipun kapasitas penyimpanan komputer saat ini jauh lebih besar
daripada kapasitasnya mitra sebelumnya tetapi bahkan kemudian memori internal CPU
hanya cukup besar untuk mempertahankan sejumlah informasi seperti otak manusia
memilih dan menyimpan apa itu merasa penting dan membuang detail yang tidak penting
ke bagian belakang pikiran atau melupakannya. Oleh karena itu, tidak mungkin
menyimpan semua jenis informasi di dalam komputer catatan. Jika perlu, semua
informasi/data yang tidak penting dapat disimpan di penyimpanan tambahan perangkat
dan yang sama dapat dibawa ke memori internal utama komputer, sebagai: dan bila
diperlukan untuk diproses.
(iv) Akurasi: Akurasi komputer selalu tinggi. Kesalahan dalam mesin bisa terjadi tetapi,
karena peningkatan efisiensi dalam teknik pendeteksian kesalahan, ini jarang

344
 menyebabkan hasil palsu. Hampir tanpa kecuali, kesalahan dalam komputasi lebih
disebabkan oleh manusia daripada kelemahan teknologi, yaitu karena pemikiran yang
tidak tepat oleh programmer atau karena data yang tidak akurat atau karena sistem yang
dirancang dengan buruk.
(v) Otomatisasi: Setelah sebuah program berada di memori komputer, yang dibutuhkan
hanyalah individu instruksi untuk itu yang ditransfer satu demi satu, ke unit kontrol untuk
dieksekusi. CPU mengikuti instruksi ini sampai memenuhi instruksi terakhir yang
mengatakan 'stop program' eksekusi'.
(vi) Digit biner: Komputer hanya menggunakan sistem bilangan biner (sistem di mana semua
angka diwakili oleh kombinasi dua digit — satu dan nol) dan dengan demikian beroperasi
ke basis dua, dibandingkan dengan aritmatika desimal biasa yang beroperasi di basis
sering. (Sistem biner telah dijelaskan secara lebih rinci di bawah judul terpisah dalam ini
bab.) Komputer menggunakan sistem biner karena perangkat listrik hanya dapat
memahami 'aktif' (1) atau 'mati' (0).
SISTEM ANGKA BINER
Konsep aritmatika yang menggunakan dua tingkat, bukan sepuluh, tetapi beroperasi pada logika
yang sama disebut sistem biner. Sistem biner menggunakan dua simbol '0' dan '1', yang dikenal
sebagai bit, untuk membentuk angka. Basis sistem bilangan ini adalah 2. Sistem ini disebut biner
karena hanya mengizinkan dua simbol untuk pembentukan bilangan. Bilangan biner dapat
dibangun seperti bilangan desimal kecuali bahwa basisnya adalah 2 bukannya 10.
Sebagai contoh :
523 (desimal) = 5 × 102 + 2 × 101 + 3 × 100
Demikian pula,
111 (biner) = 1 × 22 + 1 × 21 + 1 × 20 = 7 (desimal)
Jadi, dalam contoh, kita melihat bahwa dalam sistem desimal, tempat pertama adalah untuk 1s,
tempat ke-2 untuk 10s dan tempat ke-3 adalah untuk 100. Di sisi lain, dalam sistem biner,
faktornya adalah 2 bukannya 10, tempat pertama masih untuk 1s tetapi tempat ke-2 untuk 2s, yang
ke-3 untuk 4s, yang ke-4 untuk 8s dan seterusnya. Konversi Desimal ke Biner: Sebuah bilangan
bulat desimal positif dapat dengan mudah dikonversi menjadi setara bentuk biner dengan
pembagian berulang dengan 2. Cara kerjanya sebagai berikut:
Mulailah dengan membagi bilangan bulat desimal yang diberikan dengan 2. Biarkan R1menjadi
sisa dan ql hasil bagi. Selanjutnya, bagi ql dengan 2 dan biarkan R2 dan q2 menjadi sisa dan hasil
bagi masing-masing. Lanjutkan ini proses pembagian dengan 2 sampai diperoleh 0 sebagai hasil
bagi. Bilangan biner ekuivalen dapat dibentuk dengan mengatur sisanya sebagai :
Rk Rk –1 ... R1

345
Ilustrasi 1
Temukan ekuivalen biner dari 26 dan 45
Penyelesaian : Tabel untuk konversi 26 menjadi setara Binernya :
Nomor menjadi Hasil bagi Sisa
26 16 0
16 6 1
6 3 0
3 1 1
1 0 1

Mengumpulkan sisa yang diperoleh dalam tabel di atas kita menemukan bahwa
26(desimal) =11010 (biner) atau (26)10 = (11010)2
Demikian pula, kita dapat menemukan ekuivalen biner dari 45 seperti di bawah ini:
Nomor menjadi Hasil bagi Sisa
45 22 1
22 11 0
11 5 1
5 2 1
2 1 0
1 0 1

Jadi, kita memiliki (45)10 = (101101)2 yaitu, ekuivalen biner dari 45 adalah 101101.
Metode alternatif: Metode sederhana lain untuk konversi desimal ke biner adalah dengan terlebih
dahulu menyatakan diberikan bilangan bulat sebagai jumlah dari kekuatan 2, ditulis dalam urutan
menaik. Sebagai contoh:
26 = 16 + 8 + 0 + 2 + 0 = 1 × 24 + 1 × 23 + 0 × 22 + 1 × 21 + 0 × 20
Kemudian kumpulkan pengganda pangkat untuk membentuk ekuivalen biner. Untuk 26, kita
dapatkan, dari ekspansi yang disebutkan di atas 11010 sebagai setara biner. Metode alternatif ini
nyaman untuk mengkonversi bilangan bulat desimal kecil dengan tangan.
Konversi Biner ke Desimal: Metode sederhana untuk mengubah bilangan biner ke desimal setara
dikenal sebagai metode mengoceh ganda. Hal ini dapat digambarkan sebagai berikut:
Mulailah proses konversi dengan menggandakan bit paling kiri dari angka yang diberikan
dan tambahkan bitnya di sebelah kanannya. Kemudian gandakan lagi jumlahnya dan
tambahkan bit ketiga dari kiri. Lanjutkan ini cara sampai semua bit telah dipertimbangkan.
Jumlah akhir yang diperoleh dengan penggandaan berulang dan menambahkan adalah setara
desimal yang diinginkan.
Ilustrasi 2
Ubah 1101 menjadi ekuivalen desimalnya menggunakan metode ocehan ganda.
Penyelesaian :
1. Menggandakan bit paling kiri kita dapatkan 2.

346
 2. Menambahkan bit di sebelah kanannya, kita mendapatkan 2 + 1 = 3
3. Gandakan lagi angka yang didapat kita peroleh 6
4. Menambahkan bit berikutnya kita mendapatkan 6 + 0 = 6
5. Sekali lagi menggandakan kita mendapatkan 12
6. Akhirnya menambahkan bit terakhir kita mendapatkan 12 + 1 = 13
7. Jadi, kita memiliki (1101)2 = (13)10
Dengan kata lain, ekuivalen desimal dari biner 1101 adalah 13. (Konversi bilangan real ke
bilangan biner juga dimungkinkan tetapi melibatkan sedikit lebih banyak proses konversi yang
rumit. Mereka yang tertarik dapat membaca buku sistem biner apa pun.)
Komputasi dalam Sistem Biner
(a) Penjumlahan biner: Penjumlahan biner sama seperti penjumlahan desimal kecuali
aturannya banyak lebih sederhana. Aturan penambahan biner adalah seperti yang ditunjukkan
di bawah ini:
0 0 1 1
+0 +1 +0 +1
0 1 1 10

Perhatikan bahwa jumlah 1 dan 1 ditulis sebagai '10' (jumlah nol dengan 1 carry) yang setara
dengan angka desimal '2'. Kita sekarang dapat melihat dua contoh penambahan biner yang
menggunakan hal di atas aturan.
Ilustrasi 3
Tambahkan 1010 dan 101.
Penyelesaian:
Biner setara desimal
1010 (10)
+101 (+5)
1111 (15)

Ilustrasi 4
Tambahkan 10111000 dan 111011
Penyelesaian :
Pangkat 111 Pangkat 11
10111000 184
+ 111011 +59
11110011 243

347
Dalam Ilustrasi 4, kita menemukan situasi baru (1 + 1 + 1) yang dibawa oleh 1 . Namun, kami
masih bisa menangani ini dengan menggunakan empat kombinasi yang telah disebutkan. Kami
menambahkan angka secara bergantian. 1 + 1 = 10 (jumlah nol dengan 1 ). 1 ketiga sekarang
ditambahkan ke hasil ini untuk mendapatkan 11 (jumlah 1 dengan 1 )
Komputer melakukan semua operasi aritmatika lainnya (yaitu ×, –, +) dengan bentuk
penjumlahan. Ini mudah dilihat dalam kasus perkalian, misalnya, 6 × 8 dapat dianggap sebagai
makhluk yang esensial ditentukan dengan mengevaluasi, dengan tambahan yang diperlukan, 8 +
8 + 8 + 8 + 8 + 8. Ide pengulangan ini tambahan mungkin tampak seperti cara yang lebih lama
dalam melakukan sesuatu, tetapi ingatlah bahwa komputer sangat cocok untuk melakukan operasi
dengan kecepatan tinggi. Pengurangan dan pembagian pada dasarnya ditangani dengan
penambahan menggunakan prinsip saling melengkapi.

(b) Pengurangan komplementer: Tiga langkah terlibat dalam metode ini:

Langkah 1. Temukan komplemen satuan dari angka yang Anda kurangi;
Langkah 2. Tambahkan ini ke nomor yang Anda ambil;
Langkah 3. Jika ada carry 1 tambahkan untuk mendapatkan hasil; jika tidak ada carry, tambahkan
0, recomplement dan beri tanda negatif untuk mendapatkan hasilnya.

Dua contoh berikut menggambarkan metode ini.

Ilustrasi 5
Kurangi 10 dari 25.
Penyelesaian :
Angka desimal nomor Menurut metode komplementer
biner
25 11001
11001
Dikurang 10 Tahap 1 +10101 (Komplemen satuan 01010)
01010
15 Tahap 2 101110
Tahap 3 1 (tabhankan pangkat 1)
Hasil 1111 Setara desimalnya adalah 15.

Ilustrasi 6
Kurangi 72 dari 14.
Penyelesaian :

348
 Angka desimal nomor Menurut metode komplementer
biner
14
0001110 0001110
Dikurang 72 Tahap 1 (Komplemen satuan 1001000)
1001000 + 1001000
-58 Tahap 2
Tahap 3 (tabahkan 0 tanpa pangkat )
01000101
Hasil (melengkapi dan melampirkan a
0
tanda negatif). Desimalnyasetara
1111
adalah –58

Komputer melakukan operasi pembagian pada dasarnya dengan mengulangi pelengkap ini
metode pengurangan. Misalnya, 45 9 dapat dianggap sebagai 45 / 9 = 36 – 9 = 27 – 9 = 18 – 9 =
9 – 9 = 0 (dikurangi 9 lima kali).
Pecahan Biner
Sama seperti kita menggunakan titik desimal untuk memisahkan seluruh dan bagian pecahan
desimal dari angka desimal, kita dapat menggunakan titik biner dalam bilangan biner untuk
memisahkan bagian utuh dan pecahan. Biner pecahan dapat diubah menjadi pecahan desimal
seperti gambar di bawah ini:
0,101 (biner) = (1 × 2-1) + (0 × 2–2)+ (1 × 2–3)
= 0,5 + 0,0 + 0,125
= 0,625 (desimal)
Untuk mengubah pecahan desimal ke pecahan biner, aturan berikut diterapkan:
(i) Kalikan pecahan desimal berulang kali dengan 2. Bagian bilangan bulat dari perkalian
pertama memberikan 1 atau 0 pertama dari pecahan biner;
(ii) Bagian pecahan dari hasil dibawa dan dikalikan dengan 2;
(iii) Bagian bilangan bulat dari hasil memberikan 1 atau 0 kedua dan seterusnya
Ilustrasi 7
Ubah 0,625 menjadi pecahan biner yang setara
Penyelesaian :
Menerapkan aturan di atas, ini dapat dilakukan seperti di bawah:
0,625 × 2 = 1,250 → 1
0,250 × 2 = 0,500 → 0
0,500 × 2 = 1.000 → 1
Oleh karena itu, 0,101 adalah setara biner yang diperlukan.
Ilustrasi 8
Ubah 3.375 menjadi bilangan biner ekuivalennya.

349
Penyelesaian :
Hal ini dapat dilakukan dalam dua tahap. Pertama (3)10 = (11)2 seperti yang ditunjukkan
sebelumnya. Kedua, (0,375)10 = (0,011)2 sebagai ditunjukkan di atas. Oleh karena itu, ekuivalen
biner yang dibutuhkan adalah 11.011.
Dari semua uraian di atas kita menemukan bagaimana aritmatika komputer didasarkan
pada penjumlahan. Tepat bagaimana ini menyederhanakan masalah hanya dapat dipahami dalam
konteks biner (bukan dalam desimal). NS jumlah langkah individu memang dapat ditingkatkan
karena semua aritmatika komputer dikurangi menjadi tambahan, tetapi komputer dapat
melakukan penjumlahan biner dengan kecepatan tinggi sehingga ini tidak kerugian.
APLIKASI KOMPUTER
Saat ini, komputer banyak digunakan untuk berbagai keperluan. Pendidikan, komersial, industri,
administrasi, transportasi, medis, keuangan sosial dan beberapa organisasi lainnya semakin
meningkat tergantung pada bantuan komputer untuk beberapa derajat atau yang lain. Bahkan
jika pekerjaan kita tidak melibatkan penggunaan komputer dalam pekerjaan kita sehari-hari,
sebagai individu, kita dipengaruhi oleh mereka. “Para pengendara, penumpang udara, pasien
rumah sakit dan mereka yang bekerja di department store besar, adalah beberapa di antaranya
orang untuk siapa komputer memproses informasi. Setiap orang yang membayar listrik atau
telepon memiliki tagihan mereka diproses oleh komputer. Banyak orang yang bekerja di
organisasi besar dan menerima gaji bulanan memiliki slip gaji mereka disiapkan oleh komputer.
Jadi, sulit untuk menemukan siapa pun yang dalam beberapa cara atau yang lain tidak memiliki
beberapa informasi mengenai mereka yang diproses oleh komputer”. “Komputer dapat
digunakan oleh hampir semua orang: dokter, polisi, pilot, ilmuwan, insinyur, dan baru-baru ini
bahkan ibu rumah tangga. Komputer tidak hanya digunakan dalam aplikasi numerik tetapi juga
dalam aplikasi nonnumerik seperti pembuktian teorema, bermain catur, menyiapkan menu,
perjodohan jodoh dan sebagainya. Tanpa komputer kita mungkin tidak akan mencapai beberapa
hal. Sebagai contoh, manusia tidak mungkin mendarat di bulan dan juga tidak bisa meluncurkan
satelit. Kita mungkin tidak memiliki membangun 100 gedung bertingkat atau kereta dan
pesawat berkecepatan tinggi
Tabel berikut menggambarkan beberapa aplikasi penting dan penggunaan komputer:
Penerapan Beberapa dari berbagai kegunaan
1. Pendidikan (i) Menyediakan informasi bank data yang
besar.
(ii) Bantuan untuk penjadwalan waktu;
(iii) Melakukan perhitungan yang
panjang atau rumit;
(iv) Membantu proses belajar mengajar;
(v) Memberikan profil siswa
(vi)Membantu dalam bimbingan karir.
2. Perdagangan (i) Membantu produksi bahan teks
(dikenal sebagai pengolah kata)seperti
laporan, surat, surat edaran, dll.
(ii) Menangani penggajian personel,
rekening kantor, faktur, catatan
penyimpanan, analisis penjualan,
pengendalian stok, dan peramalan keuangan
3. Bank dan lembaga keuangan (i) Pemeriksaan penanganan;
(ii) institusi
(iii) Pemutakhiran rekening;
(iv) Pencetakan laporan pelanggan;

350
 (v) (iv) Perhitungan bunga
4. Manajemen (i) Perencanaan perusahaan baru;
(ii) Mencari solusi terbaik dari beberapa
pilihan;
(iii) Membantu dalam manajemen
persediaan, perkiraan penjualan dan
(iv) rencana produksi;
(v) (iv) Berguna dalam penjadwalan
proyek.
5. Industri (i) Dalam pengendalian proses;
(ii) Dalam pengendalian produksi;
(iii) Digunakan untuk pengendalian
beban oleh otoritas kelistrikan;
(iv) (iv) Desain dengan bantuan
komputer untuk mengembangkan produk
baru.
6. Komunikasi dan Trasportasi (i) Membantu dalam surat elektronik;
(ii) Berguna dalam penerbangan:
Pelatihan pilot, reservasi kursi, menyediakan
informasi kepada pilot tentang kondisi
cuaca;
(iii) Memfasilitasi pekerjaan rutin seperti
jadwal kru, jadwal, jadwal pemeliharaan,
sistem keselamatan, dll.; (iv) Membantu
perkeretaapian, perusahaan pelayaran;
(iv) Digunakan dalam pengaturan lalu
lintas dan juga dalam penerbangan luar
angkasa.

7. Penelitian Ilmiah (i) Pemrosesan model;

(ii) Melakukan perhitungan;
(iii) (iii) Penelitian dan analisis data.
8. Rumah tangga (i) Digunakan untuk bermain game
seperti catur, draft, dll.;
(ii) Dapat digunakan sebagai alat bantu
pendidikan;
(iii) (iii) Manajemen rumah difasilitasi.

KOMPUTER DAN PENELITI

Melakukan perhitungan hampir dengan kecepatan cahaya, komputer telah menjadi salah satu
yang paling berguna alat penelitian di zaman modern ini. Komputer idealnya cocok untuk analisis
data mengenai besar proyek Penelitian. Para peneliti pada dasarnya prihatin dengan penyimpanan
data yang besar, mereka lebih cepat pengambilan bila diperlukan dan pengolahan data dengan
bantuan berbagai teknik. Dalam semua operasi ini, komputer sangat membantu. Penggunaannya,
selain mempercepat pekerjaan penelitian, telah mengurangi manusia pekerjaan yang
membosankan dan menambah kualitas kegiatan penelitian.
Para peneliti di bidang ekonomi dan ilmu sosial lainnya telah menemukan, sekarang,
komputer elektronik menjadi bagian tak terpisahkan dari peralatan penelitian mereka. Komputer
dapat melakukan banyak perhitungan statistik dengan mudah dan cepat. Perhitungan rata-rata,
deviasi standar, korelasi koefisien, uji 't', analisis varians, analisis kovarians, regresi berganda,
analisis faktor dan berbagai analisis nonparametrik hanyalah beberapa dari program dan

351
subprogram yang tersedia di hampir semua pusat komputer. Demikian pula, program kalengan
untuk pemrograman linier, multivariat analisis, simulasi monte carlo dll juga tersedia di pasar.
Singkatnya, paket perangkat lunak adalah tersedia untuk berbagai teknik analitik dan kuantitatif
yang sederhana dan rumit yang biasanya digunakan oleh peneliti. Satu-satunya pekerjaan yang
harus dilakukan peneliti adalah memasukkan data dia kumpulkan setelah memuat sistem operasi
dan paket perangkat lunak tertentu di komputer. Output, atau untuk mengatakan hasilnya, akan
siap dalam hitungan detik atau menit tergantung pada kuantum pekerjaan.
Teknik yang melibatkan proses trial and error cukup sering digunakan dalam metodologi
penelitian. Ini melibatkan banyak perhitungan dan pekerjaan yang bersifat berulang. Komputer
paling cocok untuk itu teknik, sehingga mengurangi kejenuhan peneliti di satu sisi dan
menghasilkan hasil akhir cepat di sisi lain. Dengan demikian. skenario yang berbeda tersedia
untuk peneliti oleh komputer tanpa waktu yang mungkin memakan waktu berhari-hari atau
bahkan berbulan-bulan
Fasilitas penyimpanan yang disediakan komputer sangat membantu peneliti karena ia
dapat memanfaatkan data yang tersimpan kapan pun dia perlu melakukannya
Dengan demikian, komputer memang memudahkan pekerjaan penelitian. Data yang tak terhitung
banyaknya dapat diproses dan dianalisis dengan lebih mudah dan cepat. Selain itu, hasil yang
diperoleh umumnya benar dan dapat diandalkan. Bukan hanya ini, bahkan desain, grafik
bergambar dan laporan sedang dikembangkan dengan bantuan komputer. Oleh karena itu, peneliti
harus diberikan pendidikan komputer dan dilatih di jalur tersebut sehingga mereka dapat
menggunakan komputer untuk pekerjaan penelitian mereka.
Peneliti tertarik untuk mengembangkan keterampilan dalam analisis data komputer, sambil
berkonsultasi dengan komputer pusat dan membaca literatur yang relevan, harus menyadari
langkah-langkah berikut:
(i) pengorganisasian dan pengkodean data;
(ii) menyimpan data di komputer;
(iii) pemilihan langkah/teknik statistik yang tepat;
(iv) pemilihan paket perangkat lunak yang sesuai;
(v) eksekusi program komputer.
Penyebutan singkat tentang masing-masing langkah di atas adalah tepat dan dapat dinyatakan
sebagai berikut: Pertama-tama, peneliti harus memperhatikan organisasi data dan pengkodean
sebelum input tahap analisis data. Jika data tidak diatur dengan benar, peneliti mungkin
menghadapi kesulitan saat menganalisis maknanya nanti. Untuk tujuan ini data harus dikodekan.
Data kategoris perlu diberi nomor untuk mewakili mereka. Misalnya, tentang jenis kelamin, kami
dapat memberikan nomor 1 untuk laki-laki dan 2 untuk perempuan; mengenai pekerjaan, angka
1, 2, dan 3 dapat mewakili Petani, Dinas dan Profesional masing-masing. Peneliti juga dapat
mengkodekan data interval atau rasio. Misalnya, I.Q. Level dengan tanda 120 ke atas dapat diberi
nomor 1, 90–119 nomor 2, 60–89 nomor 3, 30–59 nomor 4 dan 29 dan di bawah nomor 5.
Demikian pula data pendapatan yang diklasifikasikan dalam interval kelas seperti: Rp. 4000 ke
atas, Rp. 3000–3999, Rp. 2000–2999 dan di bawah Rs. 2000 masing-masing mungkin
direpresentasikan atau dikodekan sebagai 1, 2, 3 dan 4. Data yang dikodekan harus dimasukkan
ke dalam bentuk pengkodean (kebanyakan sistem membutuhkan maksimum 80 kolom per baris
dalam bentuk seperti itu) pada ruang yang sesuai yang dimaksudkan untuk masing-masing
variabel. Setelah peneliti mengetahui berapa banyak ruang yang akan ditempati setiap variabel,
variabel tersebut dapat ditugaskan ke nomor kolom mereka (dari 1 hingga 80). Jika lebih dari 80
ruang diperlukan untuk masing-masing subjek, maka dua atau lebih baris perlu ditetapkan.

352
Beberapa kolom pertama umumnya dikhususkan untuk nomor identitas subjek. Kolom yang
tersisa digunakan untuk variabel. Ketika sejumlah besar variabel digunakan dalam penelitian,
memisahkan variabel dengan spasi membuat data lebih mudah dipahami dan lebih mudah
digunakan dengan program lain.
Setelah data dikodekan, itu siap untuk disimpan di komputer. Perangkat input dapat
digunakan untuk tujuan. Setelah ini, peneliti harus memutuskan ukuran statistik yang tepat yang
akan dia gunakan untuk menganalisis datanya. Dia juga harus memilih program yang sesuai untuk
digunakan. Kebanyakan peneliti lebih suka salah satu program kalengan yang tersedia dengan
mudah tetapi yang lain dapat mengembangkannya dengan bantuan dari beberapa lembaga khusus.
Akhirnya, komputer dapat dioperasikan untuk mengeksekusi instruksi
Uraian di atas menunjukkan dengan jelas kegunaan komputer bagi peneliti dalam analisis
data. Peneliti, menggunakan komputer, dapat melakukan tugas mereka dengan kecepatan lebih
cepat dan dengan keandalan yang lebih besar. Perkembangan teknologi komputer yang sekarang
terjadi akan semakin meningkatkan dan memudahkan penggunaan komputer bagi peneliti.
Pengetahuan pemrograman tidak lagi menjadi kendala dalam penggunaan komputer
Terlepas dari semua kecanggihan ini kita tidak boleh lupa bahwa pada dasarnya komputer
adalah mesin yang hanya menghitung, mereka tidak berpikir. Otak manusia tetap tertinggi dan
akan terus begitu untuk semua waktu. Dengan demikian, peneliti harus sepenuhnya menyadari
keterbatasan berikut dari berbasis komputer:
analisis:
1. Analisis terkomputerisasi memerlukan pengaturan sistem pemantauan, pengumpulan dan
pengisian data. Semua ini membutuhkan waktu, tenaga dan uang. Oleh karena itu,
berbasis komputer analisis mungkin tidak terbukti ekonomis dalam kasus proyek kecil.
2. Berbagai item detail yang tidak secara khusus diumpankan ke komputer dapat hilang dari
pandangan dari.
3. Komputer tidak berpikir; itu hanya dapat menjalankan instruksi dari orang yang berpikir.
Jika data yang buruk atau program yang salah dimasukkan ke komputer, analisis data
tidak akan menjadi berharga. Ungkapan "sampah masuk, sampah keluar"
menggambarkan batasan ini dengan sangat dengan baik.

Pertanyaan

1. Apa itu komputer? Jelaskan perbedaan antara komputer digital dan komputer analog.
2. Bagaimana komputer digunakan sebagai alat bantu dalam penelitian? Jelaskan
dengan memberikan contoh.
3. Jelaskan arti istilah-istilah berikut dalam konteks komputer:

a) Perangkat Keras dan Perangkat Lunak

b) Sistem bilangan biner

353
 c) Generasi komputer
d) Unit Pemrosesan Sentral.
4. Jelaskan beberapa aplikasi penting dan kegunaan komputer di masa sekarang.
5. “Kemajuan dalam komputer sangat mencengangkan”. Apa kamu setuju? Jawaban
menunjukkan berbagai karakteristik komputer.
6. Tulis catatan tentang “Komputer dan Peneliti”.
7. “Terlepas dari kecanggihan yang dicapai dalam teknologi komputer, orang tidak
boleh lupa bahwa pada dasarnya komputer adalah mesin yang hanya menghitung,
mereka tidak berpikir”. Komentar.
8. Tambahkan 110011 dan 1011. Nyatakan ekuivalen desimal dari jumlah yang Anda
capai.
9. Jelaskan metode pengurangan komplementer. Kurangi 15 dari 45 dan 85 dari 68
melalui metode ini menggunakan ekuivalen biner dari desimal yang diberikan angka.
10. Latihan persamaan desimal dari bilangan biner berikut:
a) 111.110
b) 0,111
dan ekuivalen biner dari bilangan desimal berikut:
a) 4.210
b) 0,745
11. Ubah 842 ke biner dan 10010101001 ke desimal. Mengapa sistem biner digunakan
di komputer?
12. Apa yang Anda pahami tentang penyimpanan di komputer dan bagaimana kaitannya
dengan generasi?

354
 Lampiran
(Tabel Statistik Terpilih)

Tabel 1: Area di Bawah Kurva Normal

Entri dalam tabel adalah proporsi di bawah seluruh kurva
yang berada di antara z = 0 dan positif nilai z. Area untuk nilai
negatif untuk z adalah diperoleh dengan simetri.
Daerah berdistribusi normal standar

355
Tabel 2: Nilai Kritis Distribusi-t Siswa

356
 Tabel 3: Nilai Kritis X2

Catatan: Untuk derajat kebebasan yang lebih besar dari 30, besaran 2x2 - √2df. −1 dapat
digunakan sebagai variasi normal dengan unit varians yaitu, zα =√2𝑥 2 - √2df. −1

357
 Tabel 4(a): Nilai Kritis Distribusi-F (pada 5 persen)

v1 = Derajat kebebasan untuk varians yang lebih besar.

v2 = Derajat kebebasan untuk varians yang lebih kecil.

358
 Tabel 4(b): Nilai Kritis Distribusi-F (pada 1 persen)

v1 = Derajat kebebasan untuk varians yang lebih besar.

v2 = Derajat kebebasan untuk varians yang lebih kecil.

359
Tabel 5: Nilai Korelasi Rank Spearman (r s ) untuk Area Gabungan di Kedua Ekor

360
Tabel 6: Nilai yang Dipilih dari Distribusi Wilcoxon (Tidak Berpasangan) [Ws Min Ws ] atau
[Maks. Wl Wl]

* Menunjukkan bahwa nilai di kepala kolom ini (tambahkan nilai yang lebih besar) tidak
mungkin untuk nilai s dan l yang diberikan di baris ini.

361
Tabel 7: Nilai Kritis T pada Uji Pasangan Cocok Wilcoxon

362
Tabel 8: Probabilitas Binomial Kumulatif: P (r < r|n, p)

363
364
Tabel 9: Nilai Kritis Terpilih dari S dalam Koefisien Konkordansi Kendall
Nilai pada taraf signifikansi 5%

Nilai pada tingkat signifikansi 1%

365
Tabel 10: Tabel yang Menunjukkan Nilai Kritis A-Statistic untuk Nilai yang Diberikan
dari n 1, Sesuai dengan Berbagai Tingkat Probabilitas
(A signifikan pada tingkat tertentu jika < nilai yang ditunjukkan pada tabel)

366
* n = jumlah pasangan

367
 Referensi Terpilih dan Rekomendasi
Bacaan
1. Ackoff, Russell L., The Design of Social Research, Chicago: University of Chicago Press, 1961.
2. Ackoff, Russell L., Scientific Method, New York: John Wiley & Sons, 1962.
3. Allen, T. Harrell, New Methods in Social Science Research, New York: Praeger Publishers, 1978.
4. Anderson, H.H., and Anderson, G.L., An Introduction to Projective Techniques and Other
Devices for Understanding the Dynamics of Human Behaviour, New York: Prentice Hall, 1951.
5. Anderson, T.W., An Introduction to Multivariate Analysis, New York: John Wiley & Sons, 1958.
6. Bailey, Kenneth D., “Methods of Social Research,” New York, 1978.
7. Baker, R.P., and Howell, A.C., The Preparation of Reports, New York: Ronald Press, 1938.
8. Bartee, T.C., “Digital Computer Fundamentals,” 5th Ed., McGraw-Hill, International Book Co.,
1981.
9. Barzun, Jacques, and Graff, Henery, F., The Modern Researcher, rev. ed., New York: Harcourt,
Brace & World, Inc., 1970.
10. 10Bell, J.E., Projective Techniques: A. Dynamic Approach to the Study of Personality, New
York: Longmans Green, 1948.
11. Bellenger, Danny N., and Greenberg, Barnett A., Marketing Research—A Management
Information Approach, Homewood, Illinois: Richard D. Irwin, Inc., 1978.
12. Berdie, Douglas R., and Anderson, John F., Questionnaires: Design and Use, Metuchen N.J.: The
Scarecrow Press, Inc., 1974.
13. Berelson, Bernard, Content Analysis in Communication Research, New York: Free Press, 1952.
14. Berenson, Conard, and Colton, Raymond, Research and Report Writing for Business and
Economics, New York: Random House, 1971.
15. Best, John W., and Kahn, James V., “Research in Education,” 5th Ed., New Delhi: Prentice-Hall
of India Pvt. Ltd., 1986
16. Bhattacharya, Srinibas, Psychometrics & Behavioural Research, New Delhi: Sterling Publishers
Pvt. Ltd., 1972.
17. Boot, John C.G., and Cox, Edwin B., Statistical Analysis for Managerial Decisions, 2nd ed. New
Delhi: McGraw-Hill Publishing Co. Ltd., (International Student Edition), 1979.
18. Bowley, A.L., Elements of Statistics, 6th ed. London: P.S. King and Staples Ltd., 1937.
19. Burgess, Ernest W., “Research Methods in Sociology” in Georges Gurvitch and W.E. Moore
(Ed.), Twentieth Century Sociology, New York: New York Philosophical Library, 1949.

368
20. Chance, William A., Statistical Methods for Decision Making, Bombay: D.B. Taraporevala Sons
& Co Pvt. Ltd., 1975.
21. Chaturvedi, J.C., Mathematical Statistics, Agra: Nok Jhonk Karyalaya, 1953.
22. Chou, Ya-Lun, Statistical Analysis with Business and Economic Applications, 2nd ed. New
York: Holt, Rinehart & Winston, 1974.
23. Clover, Vernon T., and Balsley, Howard L., Business Research Methods, Columbus, O.: Grid,
Inc., 1974.
24. Cochran, W.G., Sampling Techniques, 2nd ed. New York: John Wiley & Sons., 1963.
25. Cooley, William W., and Lohnes, Paul R., Multivariate Data Analysis, New York: John Wiley &
Sons., 1971.
26. Croxton, F.E., Cowden, D.J., and Klein, S., Applied General Statistics, 3rd ed., New Delhi:
Prentice-Hall of India Pvt. Ltd., 1975.
27. Dass, S.L., Personality Assessment Through Projective Movie Pictures, New Delhi: S. Chand &
Co. (Pvt.) Ltd., 1974.
28. Davis, G.B., “Introduction to Computers,” 3rd ed., McGraw-Hill International Book Co., 1981.
29. Deming, W. Edwards., Sample Design in Business Research, New York: John Wiley & Sons.,
Inc., 1960.
30. Dennis, Child, The Essentials of Factor Analysis, New York: Holt, Rinehart and Winston, 1973.
31. Denzin, Norman, The Research Act, Chicago: Aldine, 1973.
32. Edwards, Allen, Statistical Methods, 2nd ed., New York: Holt, Rinehart & Winston, 1967.
33. Edwards, Allen L., Techniques of Attitude Scale Construction, New York: Appleton-Century-
Crofts, 1957.
34. Emory, C. William, Business Research Methods, Illinois: Richard D. Irwin, Inc. Homewood,
1976.
35. Ferber, Robert (ed.), Handbook of Marketing Research, New York: McGraw-Hill, Inc., 1948.
36. Ferber, R., and Verdoorn, P.J., Research Methods in Economics and Business, New York: The
Macmillan Company, 1962.
37. Ferguson, George A., Statistical Analysis in Psychology and Education, 4th ed., New York:
McGraw- Hill Book Co., Inc., 1959.
38. Festinger, Leon and Katz, Daniel (Eds.), Research Methods in the Behavioral Sciences, New
Delhi: Amerind Publishing Co. Pvt. Ltd., Fourth Indian Reprint, 1976.
39. Fiebleman, J.K., Scientific Method, Netherlands: Martinus Nijhoff, The Hague, 1972.
40. Fisher, R.A., Statistical Methods for Research Workers, 13th ed., New York: Hafner Publishing
Co., 1958.
41. Fisher, R.A., The Design of Experiments, 7th rev. ed., New York: Hafner Publishing Co., 1960.

369
42. Fox, James Harold, Criteria of Good Research, Phi Delta Kappa, Vol. 39 (March 1958).
43. Freedman, P., The Principles of Scientific Research, 2nd ed., New York: Pergamon Press, 1960.
44. Fruchter, Benjamin, Introduction to Factor Analysis, Princeton, N.J.: D.Van Nostrand, 1954.
45. Gatner, Elliot S.M., and Cordasco, Francesco, Research and Report Writing, New York: Barnes
& Noble, Inc., 1956.
46. Gaum, Carl G., Graves, Harod F., and Hoffman, Lyne, S.S., Report Writing, 3rd ed., New York:
Prentice-Hall, 1950.
47. Ghosh, B.N., Scientific Methods and Social Research, New Delhi: Sterling Publishers Pvt. Ltd.,
1982.
48. Gibbons, J.D., Nonparametric Statistical Inference, Tokyo: McGraw-Hill Kogakusha Ltd.,
(International Student Edition), 1971.
49. Giles, G.B., Marketing, 2nd ed., London: Macdonald & Evans Ltd., 1974.
50. Glock, Charles Y., Survey Research in the Social Sciences, New York: Russell Sage Foundation,
1967.
51. Godfrey, Arthur, Quantitative Methods for Managers, London: Edward Arnold (Publishers) Ltd.,
1977.
52. Good, Carter V., and Douglas, E. Scates, Methods of Research—Educational, Psychological,
Sociological, New York: Appleton-Century-Crofts, Inc., 1954.
53. Goode, William J., and Hatt, Paul K., Methods in Social Research, New York: McGraw-Hill,
1952.
54. Gopal, M.H., An Introduction to Research Procedure in Social Sciences, Bombay: Asia
Publishing House, 1964.
55. Gopal, M.H., Research Reporting in Social Sciences, Dharwar: Karnatak University, 1965.
56. Gorden, Raymond L., Interviewing: Strategy, Techniques and Tactics, rev. ed., Homewood, Ill.:
Dorsey Press, 1975.
57. Green, Paul E., Analyzing Multivariate Data, Hinsdale, Ill.: Dryden Press, 1978.
58. Green, Paul E., and Carmone, F.J., Multidimensional Scaling in Marketing Analysis, Boston:
Allyn & Bacon, Inc., 1970.
59. Guilford, J.P., Psychometric Methods, New York: McGraw Hill, Inc., 1954.
60. Harnett, Donald L., and Murphy, James L., Introductory Statistical Analysis, Philippines:
Addison- Wesley Publishing Co., Inc., 1975.
61. Hillway, T., Introduction to Research, 2nd ed., Boston: Houghton Mifflin, 1964.
62. Hollander, Myles, and Wolfe, Douglas A., Nonparametric Statistical Methods, New York: John
Wiley, 1973.

370
63. Hunt, R., and Shelley, J., “Computers and Common Sense,” 3rd ed., New Delhi: Prentice-Hall of
India Ltd., 1984.
64. Hyman, Herbert H., et al., Interviewing in Social Research, Chicago: University of Chicago Press,
1975.
65. John, Peter W.M., Statistical Design and Analysis of Experiments, New York: The Macmillan
Co., 1971.
66. Johnson, Ellen, The Research Report: A Guide for the Beginner, New York: Ronald Press, 1951.
67. Johnson, Rodney D., and Siskin, Bernard R., Quantitative Techniques for Business Decisions,
New Delhi: Prentice-Hall of India Pvt. Ltd., 1977.
68. Kahn, Robert L. and Cannell, Charles F., The Dynamics of Interviewing, New York: John Wiley
& Sons, 1957.
69. Karson, Marvin J., Multivariate Statistical Methods, Ames, Iowa: The Iowa State University
Press, 1982.
70. Kendall, M.G., A Course in Multivariate Analysis, London, Griffin, 1961.
71. Kerlinger, Fred N. and Pedhazur, Elazar J., Multiple Regression in Behavioral Research, New
York: Holt, Rinehart and Winston, 1973.
72. Kerlinger, Fred N., Foundations of Behavioral Research, 2nd ed., New York: Holt, Reinhart and
Winston, 1973.
73. Kish, Leslie., Survey Sampling, New York: John Wiley & Sons, Inc., 1965.
74. Kothari, C.R., Quantitative Techniques, 2nd ed., New Delhi: Vikas Publishing House Pvt. Ltd.,
1984.
75. Lastrucci, Carles L., The Scientific Approach: Basic Principles of the Scientific Method,
Cambridge, Mass.: Schenkman Publishing Co., Inc., 1967.
76. Lazersfeld, Paul F., “Evidence and Inference in Social Research,” in David Lerher, Evidence and
Inference, Glencoe: The Free Press, 1950.
77. Leonard Schatzman, and Anselm L. Strauss, Field Research, New Jersey: Prentice-Hall Inc.,
1973.
78. Levin, Richard I., Statistics for Management, New Delhi: Prentice-Hall of India Pvt. Ltd., 1979.
79. Levine, S. and Elzey, Freeman F., A Programmed Introduction to Research, California: Wods
Worth Publishing Co., 1968.
80. Maranell, Gary M. (ed.), Scaling: A Source Book for Behavioral Scientists, Chicago: Aldine,
1974.
81. Maxwell, Albert E., Analyzing Qualitative Data, New York: John Wiley & Sons, 1961.
82. Meadows, R., and Parsons, A.J., “Microprocessors: Essentials, Components and Systems,”
Pitman, 1983.

371
83. Meir, Robert C., Newell, William T., and Dazier, Harold L., Simulation in Business and
Economics, Englewood Cliffs, N.J: Prentice Hall, Inc., 1969.
84. Miller, Delbert C., Handbook of Research Design & Social Measurement, 3rd ed., New York:
David Mckay Company, Inc., 1977.
85. Moroney, M.J., Facts from Figures, Baltimore: Penguin Books, 1956.
86. Morrison, Donald F., Multivariate Statistical Methods, New York: McGraw-Hill, 1967.
87. Nagel, Stuart S., and Neef, Marian, Policy Analysis in Social Science Research, London: Sage
Publications, 1979.
88. Nie, N.H., Bent, D.H., and Hull, C.H., Statistical Package for the Social Sciences, New York:
McGraw- Hill, 1970.
89. Noether, G.E., Elements of Nonparametric Statistics, New York: John Wiley & Sons, Inc., 1967.
90. Nunnally, Jum C., Psychometric Theory, 2nd ed., New York: McGraw-Hill, 1978.
91. Odum, H.W., and Jocher, Katharine, An Introduction to Social Research, New York: Henry Holt
and Co., 1929.
92. Oppenheim, A.N., Questionnaire Design and Attitude Measurement, New York: Basic Books,
1966.
93. Ostle, Bernard, and Mensing, Richard W., Statistics in Research, 3rd ed., Ames Iowa: The Iowa
State University Press, 1975.
94. Payne, Stanley, The Art of Asking Questions, Princeton: Princeton University Press, 1951.
95. Pearson, Karl, The Grammar of Science, New York: Meridian Books, Inc., 1957.
96. Phillips, Bernard S., Social Research, Strategy and Tactics, 2nd ed., New York: The Macmillan
Company, 1971.
97. Piaget, Jean, Main Trends in Interdisciplinary Research, London: George Allen and Unwin Ltd.,
1973.
98. Popper, Karl R., The Logic of Scientific Discovery, New York: Basic Books, 1959.
99. Rajaraman, V., “Fundamentals of Computers,” New Delhi: Prentice-Hall of India Pvt. Ltd., 1985.
100. Ramchandran, P., Training in Research Methodology in Social Sciences in India, New Delhi:
ICSSR 1971.
101. Redman, L.V., and Mory, A.V.H., The Romance of Research, 1923.
102. Roscoe, John T., Fundamental Research Statistics for the Behavioral Sciences, New York:
Holt, Rinehart and Winston, Inc., 1969.
103. Runyon, Richard P., Inferential Statistics, Philippines: Addison-Wesley Publishing
Company, Inc., 1977.
104. Sadhu, A.N., and Singh, Amarjit, Research Methodology in Social Sciences, Bombay:
Himalaya Publishing House, 1980.

372
105. Seboyar, G.E., Manual for Report and Thesis Writing, New York: F.S. Crofts & Co., 1929.
106. Selltiz, Claire: Jahoda, Marie, Deutsch, Morton, and Cook, Stuart W., Research Methods in
Social Relations, rev. ed. New York: Holt, Rinehart and Winston, Inc., 1959.
107. Sharma, B.A.V., et al., Research Methods in Social Sciences, New Delhi: Sterling Publishers
Pvt. Ltd., 1983.
108. Sharma, H.D., and Mukherji, S.P., Research in Economics and Commerce, Methodology and
Surveys, Varanasi: Indian Biographic Centre, 1976.
109. Siegel, S., Nonparametric Statistics for the Behavioral Sciences, New York: McGraw-Hill
Publishing Co., Inc., 1956.
110. Subramanian, N., “Introduction to Computers,” New Delhi: Tata McGraw-Hill Publishing
Co. Ltd., 1986.
111. Summers, Gene F., (Ed.), Attitude Measurement, Chicago: Rand McNally & Co., 1970.
112. Takeuchi, K., Yanai, H. and Mukherjee, B.N., The Foundations of Multivariate Analysis,
New Delhi: Wiley Eastern Ltd., 1982.
113. Tandon, B.C., Research Methodology in Social Sciences, Allahabad: Chaitanya Publishing
House, 1979.
114. Thorndike, Robert L. and Hagen, Elizabeth P., Measurement and Evaluation in Psychology
and Education, 4th ed., New York: John Wiley & Sons, 1977.
115. Thurstone, L.L., The Measurement of Values, Chicago: University of Chicago Press, 1959.
116. Torgerson, W., Theory and Methods of Scaling, New York: John Wiley & Sons, 1958.
117. Travers, Robert M.W., An Introduction to Educational Research, 4th ed., New York:
Macmillan Publishing Co., Inc., 1978.
118. Tryon, R.C., and Bailey, D.E., Cluster Analysis, New York: McGraw-Hill, 1970.
119. Ullman, Neil R., Elementary Statistics, New York: John Wiley & Sons, Inc., 1978.
120. Whitney, F.L., The Elements of Research, 3rd ed., New York: Prentice-Hall, 1950.
121. Wilkinson, T.S. and Bhandarkar, P.L., Methodology and Techniques of Social Research,
Bombay: Himalaya Publishing House, 1979.
122. Willemsen, Eleanor Walker, Understanding Statistical Reasoning, San Francisco: W.H.
Freeman and Company, 1974.
123. Yamane, T., Statistics: An Introductory Analysis, 3rd ed., New York: Harper and Row, 1973.
124. Young, Pauline V., Scientific Social Surveys and Research, 3rd ed., New York: Prentice-
Hall, 1960.

373