Oleh :
Leni Maszura, S.Psi., M.Psi., Psikolog
• Aktivitas
STATISTIKA
Motode yang berhubungan
Metode2 berkaitan dengan analisis sebagian data
pengumpulan (sampel) untuk penarikan
Deskriptif Inferensial
dan penyajian data. kesimpulan / generalisasi pada
populasi
(Perlu Uji Hipotesis)
- Hanya menyajikan Distribusi Parametrik
Frekuensi
data tdk menarik kesimpulan
Tedensi Non
Central Parametrik
Varibialitas
(Range,
Varians, SD)
Hipotesis
HIPOTESIS HIPOTESIS
NOL (Ho) Alternatif (Ha/H1)
Menyatakan TIDAK
Menyatakan ADA
ADA
Hubungan,
Hubungan,
Pengaruh,
Pengaruh
Perbedaan,
Perbedaan
Hipotesis Alternatif (Ha) Dan Hipotesis Nol (Ho)
• Ho diterima, Ha ditolak
• Ho ditolak, Ha diterima
Prinsip Pengujian Hipotesis
• Ho diterima Ha ditolak
• Ho ditolak Ha diterima
• Nominal
• Ordinal
• Interval
• Rasio
Penggunaan Uji Statistik untuk menguji Hipotesis
BENTUK HIPOTESIS
Macam
Data Komparatif
Komparatif
( 2 Kelompok ) (> 2 kelompok) Asosiatif
Deskriptif (Hubungan)
Related Independen Related Independen
Nominal • Fisher Exact • X2 For K • Contingency
• Binomial • X2 For K • Coefficient C
• Probability Sampel
• X2 One • Mc Nemar Sampel
• X2 Two Sampel • Cochran Q
Sampel
• Goodness Of Fit Tes. Artinya, uji apakah data empirik (observasi) yang kamu
dapatkan dari lapangan itu sesuai dengan distribusi teoritik (distribusi normal). Dengan
kata lain, apakah datamu itu dari populasi yang berdistribusi normal.
• Kai-kuadrat adalah menguji perbedaan antara data empirik (observasi) dengan data
harapan (teoritik). Teknik ini dapat dipakai untuk menguji apakah sebuah data
mengikuti distribusi normal.
• Jika dikaitkan dengan konsep di atas, Dalam hal ini data yang kita miliki adalah data
empirik (observed) dan data dengan distribusi normal adalah data harapan (teoritik).
• untuk pengujian distribusi normal hipotesis dan cara membuat
kesimpulannya adalah sebagai berikut:
• Ha : Terdapat perbedaan distribusi antara data empirik dengan data
harapan
• Jika uji kai-kuadrat menghasilkan taraf signifikansi di bawah 0,05 (p<0,05).
Hipotesis diterima, sehingga ada perbedaan distribusi antara data empirik
(observasi) dengan data harapan (teoritik). Kesimpulanya data kita tidak
terdistribusi normal
• Jika uji kai-kuadrat menghasilkan taraf signifikansi di atas 0,05 (p>0,05).
Hipotesis ditolak sehingga tidak ada perbedaan distribusi antara data kita dengan
data normal. Kesimpulanya data kita terdistribusi normal
Kolomogorov –Smirnov
• Tes K-S dapat digunakan untuk melihat apakah distribusi skor berbeda
secara signifikan dari distribusi normal.
• Jika uji K–S signifikan (Sig. pada tabel SPSS kurang dari 0,05) maka skor
berbeda secara signifikan dari distribusi normal.
• Jika tidak, skor kira-kira terdistribusi normal.
• Tes Shapiro–Wilk melakukan hal yang sama, tetapi memiliki lebih banyak
kekuatan untuk mendeteksi perbedaan dari normalitas (jadi, Anda mungkin
menemukan tes ini signifikan ketika tes K-S tidak).
• Peringatan: Dalam sampel yang besar, tes ini dapat menjadi signifikan
meskipun skornya hanya sedikit berbeda dari distribusi normal. Oleh
karena itu, mereka harus selalu diinterpretasikan dalam hubungannya
dengan histogram, plot P–P atau Q–Q, dan nilai skew dan kurtosis.
D'Agostino Pearson Omnibus test. (Skewness and kurtosis)
• Untuk memeriksa apakah distribusi skor mendekati normal, kita perlu melihat nilai skewness dan
kurtosispada keluaran SPSS.
• Nilai skewness positif menunjukkan terlalu banyak skor rendah dalam distribusi, sedangkan nilai negatif
menunjukkan peningkatan skor tinggi.
• Nilai positif dari kurtosis menunjukkan distribusi runcing dan berekor berat, sedangkan nilai negatif
menunjukkan distribusi datar dan ekor ringan.
• Semakin jauh nilainya dari nol, semakin besar kemungkinan data tidak terdistribusi normal.
• Anda dapat mengonversi skor ini menjadi skor-z dengan membaginya dengan kesalahan standarnya. Jika
skor yang dihasilkan (abaikan tanda minus) lebih besar dari 1,96 maka signifikan ( p < .05).
• Uji signifikansi skew dan kurtosis tidak boleh digunakan dalam sampel besar (karena cenderung signifikan)
Shapiro Wilk
P–P plot (probability–probability plot)
Uji Asumsi Normalitas Dengan SPSS
• Pertama, Tes-tes parametrik itu dibangun dari distribusi normal.
• Kedua, kita bisa berasumsi bahwa sampel kita benerbener mewakili
populasi. sehingga hasil penelitian kita bisa digeneralisasikan pada
populasi.
• Bukankah dalam pandangan statistik itu sifat dan karakteristik
populasi adalah terdistribusi secara normal.
Uji Normalitas Dengan SPSS