Samples
Anggota Kelompok :
FILZA FIVEBRIAN TARISZAKI (21050874003)
EKO SATRIA RAHMAT DANI (21050874007)
TRI REJEKI ANDANI (21050874017)
M. YUSUF ISBAKHTIAR (21050874020)
ACHMAD BAHTIAR ABDILLAH (21050874021)
AHMAD RIZAL AGUSTIAN (21050874036)
01
PENGANTAR DESAIN
PENGUKURAN
BERULANG
Desain pengukuran berulang, atau desain dalam subjek, adalah desain di mana variabel terikat diukur
dua kali atau lebih untuk setiap individu dalam satu Sampel. Kelompok subjek yang sama digunakan dalam
semua kondisi perawatan.
Keuntungan utama dari studi pengukuran berulang adalah bahwa studi tersebut menggunakan ukuran
yang sama persis individu dalam semua kondisi pengobatan. Dengan demikian, tidak ada risiko bahwa peserta
dalam satu perlakuan secara substansial berbeda dari peserta lain. Dengan desain pengukuran independen, di
sisi lain, selalu ada risiko bahwa hasilnya bias karena individu dalam satu sampel berbeda secara sistematis
(lebih pintar, lebih cepat, lebih banyak) ekstrovert, dan sebagainya) daripada individu dalam sampel lainnya.
Misalnya, seorang peneliti yang mempelajari pembelajaran verbal mungkin ingin memastikan bahwa
keduanya sampel dicocokkan dalam hal IQ dan jenis kelamin. Dalam hal ini, peserta laki-laki dengan IQ 120
dalam satu sampel akan dicocokkan dengan pria lain dengan IQ 120 in sampel lainnya. Meskipun peserta
dalam satu sampel tidak identik dengan peserta dalam sampel lainnya, desain subjek yang cocok setidaknya
memastikan bahwa keduanya sampel setara (atau cocok) sehubungan dengan beberapa variabel tertentu.
Dalam desain subjek yang cocok, setiap individu dalam satu sampel dicocokkan dengan individu dalam sampel lainnya.
Pencocokan dilakukan agar kedua individu setara (atau hampir setara) sehubungan dengan variabel tertentu yang peneliti ingin
mengontrol.
Sebagai contoh, seorang peneliti dapat mencocokkan pasangan subjek berdasarkan usia, jenis kelamin, ras, dan IQ.
Dalam hal ini, untuk contoh, seorang wanita kulit putih berusia 22 tahun dengan IQ 115 yang ada dalam satu sampel akan
menjadi dicocokkan dengan wanita kulit putih 22 tahun lainnya dengan IQ 115 pada sampel kedua. Semakin banyak variabel
yang digunakan, semakin sulit untuk menemukan pasangan yang cocok. Tujuan dari proses pencocokan adalah untuk
mensimulasikan desain pengukuran berulang sedekat mungkin bisa jadi. Dalam desain pengukuran berulang, pencocokan
sempurna karena individu yang sama digunakan dalam kedua kondisi. Namun, dalam desain subjek yang cocok, yang terbaik
yang bisa Anda dapatkan adalah tingkat kecocokan yang terbatas pada variabel yang digunakan untuk proses pencocokan. Dalam
desain pengukuran berulang atau desain subjek yang cocok membandingkan dua perlakuan kondisi, data terdiri dari dua set skor,
yang dikelompokkan menjadi dua set, sesuai dengan dua skor yang diperoleh untuk setiap individu atau setiap pasangan mata
pelajaran yang cocok (Tabel 11.1). Karena skor dalam satu set berhubungan langsung, satu lawan satu, dengan skor di set kedua,
dua desain penelitian secara statistik setara dan berbagi nama umum desain sampel terkait (atau desain sampel berkorelasi).
02
Statistik t untuk Desain Penelitian
Pengukuran Berulang
Statistik t untuk desain pengukuran berulang secara struktural mirip
dengan statistik t lain. Perbedaan utama dari sampel terkait t adalah
bahwa ini didasarkan pada skor perbedaan daripada skor mentah (nilai
X).
Desain penelitian ini di mana setiap subjek berpartisipasi dalam semua
kondisi eksperimen (yaitu, pengukuran diulang pada subjek yang sama).
sensitivitas. penelitian yang melibatkan beberapa ukuran variabel yang
sama yang diambil pada subjek yang sama atau cocok baik dalam
kondisi yang berbeda atau selama dua periode waktu atau lebih.
Misalnya, pengukuran berulang dikumpulkan dalam studi longitudinal di
mana perubahan dari waktu ke waktu dinilai.
• Contoh Perbedaan Skor: Data untuk sebuah Studi Pengukuran
Berulang
Banyak obat flu yang dijual bebas termasuk peringatan "dapat
menyebabkan kantuk."
Tabel 11.2 menunjukkan contoh data dari penelitian. Perhatikan bahwa
ada satu sampel n = 4 peserta, dan setiap individu diukur dua kali. Skor
pertama untuk setiap orang (X1 ) adalah pengukuran waktu reaksi
sebelum obat telah diberikan. Skor kedua (X2 ) mengukur waktu reaksi 1
jam setelah mengambil obat. Pada bagaimana obat mempengaruhi reaksi
waktu, dapat dihitung perbedaan antara skor pertama dan skor kedua
untuk setiap individu. Skor perbedaan, atau nilai D, ditampilkan di kolom
terakhir. Perhatikan bahwa skor perbedaan mengukur jumlah perubahan
waktu reaksi untuk setiap orang. Biasanya, selisih skor diperoleh dengan
mengurangkan yang pertama skor (sebelum perawatan) dari skor kedua
(setelah perawatan) untuk setiap orang:
selisih skor = D = X2 – X1
Pengukuran waktu reaksi diambil sebelum dan sesudah mengambil over-the-counter obat
flu.
Perhatikan bahwa MD adalah mean untuk contoh skor D.
Orang Sebelum Pengobatan Sesudah Pengobatan Selisih D
(X1) (X2)
A 215 210 -5
B 221 242 21
C 196 219 23
D 203 228 25
∑𝐷 = 64
∑𝐷 64
MD = = = 16
𝑛 4
Perhatikan bahwa tanda setiap skor D memberi tahu adanya perubahan. Orang A, misalnya,
menunjukkan penurunan waktu reaksi setelah minum obat (negatif berubah), tetapi orang
B menunjukkan peningkatan (perubahan positif). Sampel nilai selisih (nilai D) berfungsi
sebagai data sampel untuk uji hipotesis dan semua perhitungan dilakukan dengan
menggunakan nilai D.
Hipotesis untuk Studi Terkait –
Sampel
Seperti biasa, hipotesis nol menyatakan bahwa, untuk populasi umum, tidak ada efek,
tidak ada perubahan, atau tidak ada perbedaan. Untuk studi pengukuran berulang,
hipotesis nol menyatakan bahwa perbedaan rata-rata untuk populasi umum adalah
nol. Dalam simbol: H0 :µD
Hipotesis ini mengacu pada rata-rata untuk seluruh populasi perbedaan skor. Gambar
11.1(a) menunjukkan contoh populasi skor perbedaan dengan rata-rata µ D = 0.
Meskipun rata-rata populasi adalah nol, skor individu dalam populasi tidak
semuanya sama dengan nol.
Hipotesis alternatif menyatakan bahwa ada pengaruh perlakuan yang menyebabkan
skor dalam satu kondisi perawatan menjadi lebih tinggi (atau lebih rendah) secara
sistematis daripada skor dalam kondisi lain. Dalam simbol : H 1 :µD ≠ 0
a. Suatu populasi dengan skor perbedaan yang rata-ratanya adalah µD = 0. Perhatikan bahwa perbedaan tipikalnya skor (nilai D)
tidak sama dengan nol.
b. Suatu populasi dengan skor selisih yang rata-ratanya adalah lebih besar dari nol. Perhatikan bahwa sebagian besar skor
perbedaan juga lebih besar dari nol.
Menurut H1 , perbedaan skor untuk individu dalam populasi cenderung secara sistematis positif (atau
negatif), menunjukkan perbedaan yang konsisten dan dapat diprediksi antara kedua perlakuan.
Gambar 11.1(b) menunjukkan contoh populasi skor perbedaan dengan perbedaan rata-rata positif, µD > 0.
Saat ini, sebagian besar individu dalam populasi memiliki selisih skor yang lebih besar dari nol. Sampel yang
dipilih dari populasi ini akan mengandung skor perbedaan terutama positif dan mungkin akan memiliki
perbedaan rata-rata yang lebih besar dari nol, MD > 0.
•Statistik t untuk Sampel Terkait
Rumus t-statistik ini digunakan lagi di sini untuk
mengembangkan uji t pengukuran berulang. statistik t sampel
tunggal didefinisikan dengan rumus
Sebelumnya sudah Saya jelaskan bahwa untuk Independent Sample T-Test, jumlah (banyak) antara kedua kelompok
data yang akan dibandingkan tidak sama. Misalnya Saya melakukan penelitian dengan judul Komparasi Penerapan
Metode Pembelajaran 1 dan Metode Pembelajaran 2 di SMAN 2 Kota Jambi.
Penelitian dilakukan terhadap 2 kelas yaitu Kelas A dan B. Pada penelitian ini, Saya menerapkan Metode Pembelajaran
1 ke kelas A dan Metode Pembelajaran 2 ke kelas B.
Kemudian, dari metode pembelajaran pada masing-masing kelas tersebut, Saya akan membandingkan Prestasi belajar
siswa antara kedua kelas (A dan B).
Sejauh ini yang sudah kita ketahui adalah:
Apakah Anda sudah bisa menentukan menggunakan Independent Sample T-Test ? Tentu Belum Bisa. Kenapa ? Karena
jumlah sample belum kita ketahui. Karena penelitian ini diterapkan pada Siswa Kelas A dan Kelas B, maka Anda harus
tahu berapa jumlah siswa masing-masing kelas yang akan dijadikan sample penelitian. Katakanlah jumlah siswa pada
Kelas A sebanyak 10 siswa. Sedangkan kelas B sebanyak 7 Siswa. Nah jika begini, Anda bisa menggunakan
Independent Sample T-Test Namun, beda ceritanya jika jumlah siswa (sample) masing-masing kelas sama banyak.
Contoh Paired Sample T-Test
01 02
asumsi independensi asumsi normalitas tidak perlu
mengacu pada skor dikhawatirkan kecuali ukuran
dalam setiap perlakuan. sampelnya relatif kecil.
Di dalam setiap Dalam kasus penyimpangan
perlakuan, skor yang parah dari normalitas,
diperoleh dari individu validitas uji i dapat
yang berbeda dan harus dikompromikan dengan
independen satu sama sampel kecil. Namun,
lain. dengan sampel yang relatif
besar
(n > 30), asumsi ini dapat
diabaikan.
THANK YOU