Statistika Inferensial

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 : Jawaban sementara dari rumusan masalah.

• Hipotesis dapat diartikan sebagai dugaan atau jawaban sementara yang

perlu dibuktikan dengan kaidah ilmiah

• hipotesis dapat diartikan sebagai kesimpulan sementara tentang

hubungan suatu variabel dengan satu atau lebih variabel yang lain.
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)

• Hipotesis Alternatif (Ha) atau Hipotesis kerja (Hk) atau H1 : merupakan

kesimpulan sementara bahwa sudah dilakukan suatu penelitian tindakan dan
hubungan antar variabel yang sudah dipelajari dari teori-teori yang
berhubungan dengan masalah tersebut.
• Untuk pengujian (Ha) perlu ada pembanding yaitu Hipotesis Nol (Ho).
• Hipotesis Nol digunakan sebagai dasar pengujian.

• Ho diterima, Ha ditolak
• Ho ditolak, Ha diterima
Prinsip Pengujian Hipotesis
• Ho diterima Ha ditolak
• Ho ditolak Ha diterima

• T Hitung > T Tabel : Ho ditolak artinya Ha diterima

• T Hitung < T Tabel : Ho diterima artinya Ha ditolak

• Probability : p > 0.05 : H0 diterima Artinya Ha ditolak

• Probability : p < 0.05 : Ho ditolak artinya Ha diterima
• Hipotesis juga harus ditentukan apakah bersifat berarah (one-tail
hypothesis) atau tidak berarah (two-tail hypothesis).
• Hipotesis berarah maksudnya hipotesis secara spesifik menyatakan
“lebih tinggi”, “lebih rendah”, “positif”, “negatif”, dsb; sedangkan
hipotesis tidak berarah menyatakan “ada hubungan”, “ada pengaruh”,
“ada perbedaan”, dsb.
• Ada atau tidaknya arah hipotesis ini akan menentukan keputusan
untuk menerima atau menolak H0.
 Uji Hipotesis
• Dalam pengujian hipotesis, yang diuji adalah hipotesis nol (null
hypothesis; Ho), meskipun yang kita susun adalah hipotesis alternatif
(Ha).
• Penentuan teknik analisis statistik untuk pengujian hipotesis ditentukan
oleh skala/jenis data (nominal, ordinal, atau interval/rasio).
• Untuk jenis data nominal atau ordinal, menggunakan statistik non-
parametrik.
• Untuk data interval/rasio dapat menggunakan statistik parametrik
apabila memenuhi asumsi normalitas; bila asumsi normalitas tidak
terpenuhi, maka harus menggunakan statistik non-parametrik dengan
menurunkan/ mengubah jenis datanya (menjadi ordinal atau nominal).
 Level Pengukuran
- Wajib TAU!!!!

• 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

Ordinal • Run Test • Wilcoxon • Mann – Whitney • Friedman • Kruskall - • Spearman

Matched Pair U test Walls • Rank
• Corraltion
• Kendall Rank
Interval • One • Paired • Independent • Reapeted • One Way • Pearson Product
Rasio Sample T- Sample T- Sampel T-Test* Measure Anova* Moment*
Test Test* Anova*
• Two Way • Partial Correlation*
Anova

*Statistik Parametrik minimal datanya Interval/Rasio

Cara Mengetahui Teknik Analisis Yang akan
Kita Gunakan :
• Harus tahu level data kita (nominal, ordinal, interval, rasio)
• Harus mengetahui tujuan penelitian/Bentuk Hipotesis
• Harus mengetahui jenis kelompok yang menjadi sampel penelitian
(independen/related)
Lanjutan…
*perlu uji normalitas
* Apabila kedua variabel memiliki jenis data yang berbeda, maka
gunakan jenis data yang paling rendah (ubah data). Misal, hubungan
jenis data interval dan jenis data ordinal, maka gunakan korelasi
Spearman (ubah data interval menjadi data ordinal).
• Pengecualian untuk data interval dan data nominal dikotomi, misal
hubungan inteligensi dan jenis kelamin; maka gunakan korelasi point
biserial (variasi dari korelasi Pearson, untuk data berisi 0 dan 1).
• Hipotesis asosiatif hanya menunjukkan adanya hubungan korelasional
tanpa menunjukkan kausalitas/sebab-akibat/pengaruh.
Assumptions of parametric data
• Uji distribusi normal adalah uji untuk mengukur apakah data kita memiliki
distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik
inferensial)

1. Kai Kuadrat (Chi-Square)

2. Kolomogorov –Smirnov
3. D'Agostino Pearson Omnibus test (Skewness and kurtosis)
4. Uji Shapiro Wilk.
5. There is another useful graph that we can inspect to see if a distribution is
normal P–P plot (probability–probability plot)
 Kai Kuadrat (Chi-Square)

• 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

• Chi Square membandingkan distribusi teoritik dan distribusi empirik

(observasi) berdasarkan kategori-kategori, kalau KS berdasakan frekuensi
kumulatif. Jadi yang dibandingkan adalah frekuensi kumulatif distribusi
teoritik dengan frekuensi kumulatif distribusi empirik
 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

• Analyze – descriptive statistic- explore

Output SPSS

Dasar Pengambilan Keputusan :

- Jika nilai sig. > 0.05 maka data berdistribusi normal
- Jika nilai sig < 0.05 maka data tidak berdistribusi normal