Jasa Olah Data

Jasa Olah Data

ANISALF   21.49

 Jasa Olah Data Statistika

Menyediakan jasa olah data menggunakan aplikasi :

1. Excel

2. SPSS

3. Stata

4. Smart PLS

5. Lisrel

6. AMOS

7. JASP

8. Jamovi

9. RStudio

Jika berminat langsung hubungin nomor di bawah ini ya

08882718784

wa.me/628882718784

Signifikansi Statistik (Seberapa kuat bukti?)

Signifikansi Statistik (Seberapa kuat bukti?)

ANISALF   07.57

 1. Pengantar untuk Model Kesempatan (Introduction to Chance Models)

- Langkah kunci dalam metode nvestigasi statistik adalah menarik kesmipulan dari data yang diamati. Para ahli statistik menyebut ini "inferensi statistik."

- Ada empat jenis kesimpulan utama (kesimpulan) yang dapat diambil oleh statistik dari data: signifikansi, estimasi, generalisasi, dan kausasisasi.

6 Langkah Metode Investigasi Statistik

Langkah 1: Merumuskan masalah penelitian

Langkah 2: Merancang studi dan mengumpulkan data

Langkah 3: Mengolah data

Langkah 4: Melakukan inferensi dari data

Langkah 5: Mengambil kesimpulan

Langkah 6: Mengevaluasi dan mengulang dari awal

Definisi 

- Sampel : himpunan unit pengamatan dari data yang dikumpulkan.

- Ukuran sampel : jumlah unit pengamatan dalam sampel.

- Statistik : angka yang merangkum hasil dalam sampel.

- Parameter : sifat numerik long-run dari proses. (karakteristik dari data populasi)

Strategi 3S untuk Mengukur Kekuatan Bukti

1) Statistik: menghitung statistik dari data sampel yang diamati.

2) Simulasi: Identifikasi penjelasan "kebutuhan-sendiri" untuk data. Berulang-ulang mensimulasikan nilai-nilai statistik yang dapat terjadi ketika model peluang benar.

3) Kekuatan bukti: Pertimbangkan apakah nilai statistik yang diamati dari studi penelitian tidak mungkin terjadi ketika model peluang benar. Jika kita memutuskan statistik yang diobservasi tidak mungkin terjadi secara kebetulan saja, maka kita dapat menyimpulkan bahwa data yang diobservasi memberikan bukti kuat terhadap kemasukakalan model peluang. Jika tidak, maka kita mempertimbangkan model peluang, menjadi penjelasan yang masuk akal (dapat dipercaya) untuk data yang diamati, dengan kata lain apa yang diamati bisa masuk akal hanya dengan kebetulan.

Definisi 

- Hipotesis nol (H0) mempresentasikan penjelasan "by-random-chance". Model peluang (atau"model nol") dipilih untuk mencerminkan hipotesis ini.

- Hipotesis alternatif (Ha) mewakli penjelasan "ada pengaruh" yang bertentangan dengan hipotesis nol. Peneliti biasanya berharap hipotesis ini akan didukung oleh data yang mereka kumpulkan.

Kriteria untuk Mengevaluasi Kekuatan Bukti dari Nilai Statistik terstandarisasi (angka baku)

Apa dampak dari kekuatan bukti?

Tiga faktor yang berdampak pada kekuatan bukti :

1) Perbedaan antara statistik yang diamati dan nilai parameter hipotesis nol

Secara intuitif, semakin ekstrim statistik yang diamati, semakin besar bukti yang ada melawan hipotesis nol. Semakin jauh statistik yang diamati dari rata-rata distribusi nol, semakin banyak ada bukti melawan hipotesis nol.

2) Ukuran sampel

Secara intuitif, tampaknya masuk akal untuk berpikir bahwa semakin bertambah ukuran sampel, kekuatan bukti melawan hipotesis nol akan meningkat. Ketika ukuran sampel meningkat (dan nilai statistik sampel yang diamati tetap sama), kekuatan bukti melawan hipotesis nol menigkat. Dalam hal inferensi statistik, ukuran sampel (banyakya unit pengamatan) adalah yang menentukan seberapa tepat suatu ukuran parameter.

3) Apakah uji satu atau dua arah.

Uji satu arah : 

Hipotesis nol mengatakan bahwa metode wjah-kompeten memprediksi pemenang 50%, hipotesis alternatif mengatakan lebih dari 50%, tetapi kurang dari 50% tidak muncul: 

Hipotesis nol : Peluang metode ini memprediksi pemenang sama dengan 0.5.

Hipotesis alternatif : Peluang metode ini memprediksi pemenang sama dengan 0.50

atau

H0 : phi = 0.50

Ha : phi > 0.50

Uji dua arah : 

Hipotesis nol : Peluang metode ini memprediksi pemenang sama dengan 0.50

Hipotesis alternatif : Peluang metode ini memprediksi pemenang tidak sama dengan 0.50

atau

H0 : phi = 0.50

Ha : phi tidak sama dengan 0.50

Dalam hal ini, hipotesis alternatif menyatakan bahwa peluang metode kompeten-wajah memprediksi pemenang tidak sama dengan 0.50-mungkin lebih, mungkin kurang.

Nilai p dihitung sebagai peluang di bawah hipotesis nol untuk mendapatkan nilai yang sama dengan atau lebih ekstrim dari statistik yang diamati, di mana lebih ekstrim masuk ke arah hipotesis alternatif (lebih besar dari atau kurang dari).

Dalam kasus uji dua arah, yang lebih ekstrim harus dilakukan di kedua arah. Nilai p (p-value) dihitung dengan menentukan seberapa sering statistik yang diamati atau yang lebih ekstrim terjadi pada satu ekor distribusi dan menambahkan peluang yang bersesuaian dengan setidaknya sama ekstrim dalam arah yang lain (dalam ekor lain dari distribusi nol).

Uji dua arah selalu meningkatkan nilai p (kira-kira dua kali lipat dari uji satu-arah), dan dengan demikian, menggunakan ujia dua arah selalu menurunkan kekuatan bukti.

Uji dua arah lebih konservatif dan sering digunakan dalam praktik ilmiah.

Oleh karena nilai p bagi uji dua arah adalah dua kali lebih besar dari uji satu arah, maka menghasilkan bukti yang kurang melawan hipotesis nol. Tetapi uji dua arah sering digunakan pada praktik ilmiah.

Distribusi null dari proporsi sampel yang telah disimulasikan seringkali menunjukkan suatu bentuk umum dan terkenal

1. Mereka sering mengikuti, meskipun tidak selalu, kurva berbentuk lonceng (terdistribusi normal).

2. Mereka berpusat pada nilai hipotesis nol bagi phi.

3. Tingkat variabilitas (penyebaran, simpangan baku) dipengaruhi oleh ukuran sampel.

Distribusi simulasi berbentuk lonceng

Distribusi simulasi berbentuk lonceng maka dapat dilakukan prediksi tentang ukuran pemusatan data dan ukuran penyebaran data.

Ukuran pemusatan (misal: rata-rata) dan ukuran penyebaran data (misal: variansi) dapat digunakan untuk membangkitkan nilai p dan statistik terstandarisasi (angka baku, z) tanpa simulasi -> inferensi statistika berdasarkan teori, dalam bab ini adalah uji z satu proporsi.

 

Pendekatan Berbasis Teori (uji z satu proporsi)

Pada awal 1900-an, dan bahkan lebih awal, komputer tidak tersedia untuk melakukan simulasi, dan karena orang-orang tidak ingin duduk dan melambungkan koin sepanjang hari, maka mereka memusatkan perhatian pada aturan dan teori matematika dan probabilistik yang dapat digunakan untuk memprediksi apa yang akan terjadi jika seseorang melakukan simulasi.

Teorema Limit Pusat

Jika ukuran sampel (n) cukup besar, distribusi proporsi sampel akan berbentuk lonceng (atau normal), berpusat pada proporsi jangka panjang (phi), dengan simpangan baku 

Seberapa besar ukuran sampel itu cukup?

Pendekatan normal dapat dianggap sebagai prediksi apa yang akan terjadi jika simulasi dilakukan. Seringkali prediksi ini valid, tetapi tidak selalu. Dalam hal ini prediksi valid jika kondisi validitas (setidaknya 10 sukses dan setidaknya 10 gagal) terpenuhi.

        

Analisis Runtun Waktu (ARIMA) menggunakan R

Analisis Runtun Waktu (ARIMA) menggunakan R

ANISALF   07.57

 

Statistika Non Parametrik : Uji Hipotesis Satu Sampel (Uji Kolmogrov Smirnov dan Uji Runs)

Statistika Non Parametrik : Uji Hipotesis Satu Sampel (Uji Kolmogrov Smirnov dan Uji Runs)

ANISALF   07.56

 Uji Kolmogrov-Smirnov (satu sampel)

- Uji kolmogrov-smirnov digunakan untuk membandingkan distribusi skor yang diobservasi pada suatu skala ordinal, dengan satu distribusi teoritis.

- Contoh: skala sikap: 1 sangat  setuju, 2 setuju, 3 kurang setuju, 4 tidak setuju; peringkat karyawan, dsb.

- H₀ adalah hipotesis bahwa sampel berasal dari distribusi teoretis tertentu.

- Uji Kolmogorov-Smirnov termasuk Uji Kebaikan Sesuai (Goodness of Fit). Dalam hal ini yang diperhatikan adalah tingkat kesesuaian antara distribusi nilai sampel (skor hasil diobservasi) dengan distribusi teoritis tertentu (normal, Seragam, atau Poisson). Oleh karenanya uji ini dapat digunakan untuk uji kenormalan.

 Metode

Misalkan 𝐹₀ (𝑋) = suatu fungsi distribusi frekuensi kumulatif yang sepenuhnya ditentukan, yakni distribusi kumulatif teoretis di bawah H₀. Artinya, untuk harga N yang sembarang besarnya, harga 𝐹₀ (𝑋) adalah proporsi kasus yang diharapkan mempunyai skor yang sama atau kurang daripada X.

Misalkan 𝑆_N (𝑋) = distribusi frekuensi kumulatif yang diobservasi dari suatu sampel random dengan N observasi. Dimana X adalah sembarang skor yang mungkin, 𝑆_N (𝑋) = k/N, dimana k sama dengan banyak observasi yang sama atau kurang dari X. 

Di bawah hipotesis nol, diharapkan untuk setiap harga 𝑆_N (𝑋) harus jelas mendekati 𝐹₀ (𝑋). Artinya, di bawah H₀ diharapkan selisih antara  𝑆_N (𝑋) dan 𝐹₀ (𝑋) adalah kecil, dan ada dalam batas-batas kesalahan random.

Uji Kolmogrov-Smirnov memusatkan perhatian pada penyimpangan (deviasi) terbesar. Harga  𝐹₀ (𝑋) - 𝑆_N (𝑋) terbesar dinamakan deviasi maksimum.

D = maksimum |𝐹₀ (𝑋) - 𝑆_N (𝑋)|

 Langkah Kolmogrov-Smirnov

1. Tetapkan fungsi kumulatif teoretisnya, yakni distribusi kumulatif yang diharapkan di bawah H₀.

2. Aturlah skor-skor yang diobservasi dalam suatu distribusi kumulatif dengan memasangkan setiap interval 𝑆_N (𝑋) dengan interval 𝐹₀ (𝑋) yang sebanding.

3. Untuk tiap-tiap jenjang pada distribusi kumulatif, kurangilah 𝐹₀ (𝑋) dengan 𝑆_N (𝑋) .

4. Carilah D hitung dengan rumus D = maksimum |𝐹₀ (𝑋) - 𝑆_N (𝑋)|

5. Lihatlah Tabel E untuk menemukan kemungkinan (dua sisi) yang dikaitkan dengan munculnya harga-harga sebesar harga D observasi di bawah H₀. Jika p sama atau kurang dari 𝛼, tolaklah H₀.

Atau

6. Perhitungan langkah 4 tetapkan sebagai D hitung, selanjutnya Tentukan nilai D table dilihat dari table Nilai kritis D pada table E (p. 303). Jika Dhitung > Dtabel maka H₀ ditolak.

 Langkah Kolmogrov-Smirnov (satu sampel) untuk Uji Kenormalan

1. Data sampel diurutkan dari yang terkecil, kemudian ditransformasikan ke dalam nilai baku 

, xi = data ke i, xbar = rata-rata nilai data, s = simpangan baku data.

2. Dari nilai baku Z ditentukan nilai probabilitas kumulatif 𝑆_N (𝑋i) = P(Z < Zi) berdasarkan distribusi normal baku.

3. Tentukan nilai probabilitas harapan/teoritis kumulatif 𝐹₀ (𝑋i). 𝐹₀ (𝑋i) = i/n,  n = banyak data.

4. Tentukan nilai maksimum dari |𝐹₀ (𝑋) - 𝑆_N (𝑋)|, sebagai nilai D hitung.

5. Nilai D tabel dilihat dari tabel Nilai Kritis D untuk Uji Normalitas Kolmogrov-Smirnov (p.303).

 Uji Run (satu sampel)

- Jika seorang peneliti ingin sampai pada kesimpulan tertentu mengenai suatu populasi berdasarkan data sampel, maka sampelnya haruslah sampel acak.

- Uji Run digunakan untuk menguji hipotesis bahwa suatu sampel adalah sampel acak. teknik yang digunakan berdasarkan pada banyak Run yang diberikan oleh sampel.

- Run didefinisikan sebagai suatu urutan lambang-lambang yang sama, yang diikuti serta mengikuti lambang-lambang yang berbeda.

- Uji Run adalah tes untuk menguji kerandoman urutan kejadian dalam sebuah sampel.

Metode Uji Run

Uji Run digunakan untuk menguji hipotesis satu sampel, bila datanya berskala ordinal. Pengamatan dilakukan dengan menghitung jumlah "RUN" dalam suatu kejadian. Pengujian H₀ dilakukan dengan membandingkan jumlah "RUN" hasil observasi dengan nilai pada tabel untuk test RUN (Tabel FI dan FII mengenai harga r dalam test RUN), dengan taraf signifikansi tertentu.

Kriteria keputusan : bila nilai run hasil observasi berada diantara harga terkecil (Tabel FI ) dan harga terbesar (Tabel FII), maka H₀ diterima dan Ha ditolak.

Langkah Uji Run (satu sampel)

1. Susunlah observasi-observasi n1 dan n2 menurut urutan kejadiannya.

2. Hitungkah banyak run (r).

3. Hitunglah kemungkinan di bawah H₀ yang dikaitkan dengan suatu harga yang seekstrem r yang diobservasi. Jika probabilitas itu sama atau kurang dari α, tolaklah H_{0 .} Teknik untuk menetapkan p bergantung pada ukuran kelompok  n1 dan n2 :

a. Kalau n1 dan n2 keduanya 20 atau kurang, pakailah tabel F. Tabel F menyajikan harga-harga r yang sedemikian kecilnya sehingga kemungkinannya di bawah H₀ adalah 𝑝 = 0.025. Tabel  FII menyajikan harga r yang begitu besarnya sehingga kemungkinannya di bawah H₀ adalah 𝑝 = 0.025. Untuk tes dua sisi, daerah penolakan dengan 𝛼 = 0.05 terdiri dari kedua harga r yang ditabelkan dan semua harga yang lebih ekstrem. Untuk tes satu-sisi, daerah penolakan pada tingkat 𝛼 = 0.025 terdiri dari harga r yang ditabelkan dalam arah yang diramalkan (apakah terlalu kecil atau terlalu besar) dan semua harga yang lebih ekstrem.

b. Jika n1 dan n2 >20, hitunglah harga z dengan menggunakan rumus (4.7). Tabel A menyajikan kemungkinan satu sisi yang dikaitkan dengan terjadinya di bawah H₀ harga-harga yang seekstrem harga z observasi. Untuk tes dua sisi, kalikan harga p yang diberikan tabel itu.

Jika p yang dikaitkan harga r observasi sama atau lebih kecil daripada 𝜶, tolaklah H₀.

Atau Kriteria keputusan: H₀ diterima bila banyaknya run (r) berada diantara nilai pada tabel FI 𝐝𝐚𝐧 FII 

Statistika Non Parametrik : Uji Hipotesis Satu Sampel (Uji Binomial dan Uji Chi-Kuadrat)

Statistika Non Parametrik : Uji Hipotesis Satu Sampel (Uji Binomial dan Uji Chi-Kuadrat)

ANISALF   23.17

Definisi Uji Hipotesis Satu Sampel

Pengujian hipotesis satu sampel -> menguji perbedaan rata-rata sampel (observasi) dengan rata-rata yang diharapkan (populasi) -> apakah suatu sampel mungkin berasal dari populasi tertentu.

Tujuan Pengujian Hipotesis Satu Sampel

- Menguji perbedaan central tendency (lokasi) antara sapel dan populasi.

- Menguji perbedaan antara frekuensi observasi dengan frekuensi yang diharapkan.

- Menguji perbedaan antara proporsi observasi dengan prporsi yang diharapkan.

- Menguji apakah sampel diambil dari populasi dengan bentuk distribusi tertentu.

- Menguji apakah sampel diambil secara random dari populasi yang ada.

Pedoman Memilih Teknik Statistik Nonparametrik Pengujian Hipotesis Satu Sampel

Uji Binomial

• Uji binomial digunakan untuk menguji hipotesis bila dalam populasi terdiri atas dua kelompok kelas, datanya berskala nominal dan ukuran sampelnya kecil (kurang atau sama dengan 25).

• Contoh: lelaki dan perempuan, buta huruf dan melek huruf, menikah dan tidak menikah, karyawan tetap dan bukan, dan sebagainya.

• H₀ adalah hipotesis bahwa nilai populasinya adalah P. 

•  Tes-nya bertipe goodness-of-fit. Dari tes ini kita tahu apakah cukup alasan untuk percaya bahwa proporsi-proporsi (atau frekuensi-frekuensi) yang kita amati dalam sampel kita berasal dari suatu populasi yang memiliki nilai tertentu.

Metode

Jika dalam suatu populasi dengan jumlah N, probabilitas untuk memperoleh x obyek dalam satu kategori dan N-x obyek dalam kategori lainnya dihitung dengan:

                      

Dimana

P adalah proporsi kasus yang diharapkan dalam satu kategori,

Q =  1 - P adalah proporsi kasus yang diharapkan dalam kategori lainnya.

Distribusi sampling binomial : 

Langkah Uji Binomial

1. Tetapkan N = banyaknya keseluruhan kasus yang diamati.

2.  Hitunglah jumlah frekuensi dalam masing-masing kategori.

3. Metoode menemukan kemungkinan terjadinya suatu harga, atau harga yang lebih ekstrem di bawah H₀ bervariasi :

a) Jika N adalah 25 atau kurang, dan jika P = Q = 1/2, tabel D menyajikan kemungkinan satu sisi mengenai munculnya berbagai harga yang sekecil harga x observasi, di bawah H₀. Tes satu sisi dipergunakan bila peneliti telah membuat ramalan tentang kategori mana yang akan memiliki frekuensi yang lebih kecil. Untuk tes dua sisi, kalikan dua harga p yang terdapat di tabel D.

b) Jika P ≠ Q, kemungkinan akan terjadinya harga x (atau yang lebih ekstrem dari itu) di bawah H₀ ditetapkan dengan cara mensubstitusikan harga-harga observasi dalam rumus

. Tabel T membantu dalam penghitungan itu, di situ disajikan koefisien binomial untuk N≤20. 

C C) Jika N ≥ 25 dan P mendekati ½ , ujilah H₀ dengan menggunakan rumus 

Tabel A menyajikan kemungkinan di bawah H₀ harga z yang dihasilkan rumus tersebut. Tabel A menyajikan harga-harga p untuk tes satu sisi; untuk tes dua sisi, kalikan dua harga p yang ada disitu.

JiJika p yang diasosiasikan dengan harga x yang terobservasi atau bahkan harga yang lebih ekstrem ternyata < 𝛼, tolaklah H₀.

Uji Chi-Kuadrat

- Uji Chi-Kuadrat digunakan untuk menguji hipotesis bila dalam populasi terdiri atas dua atau lebih kelompok data kategorik, datanya berskala nominal.

- Contoh: Peneliti hendak melakukan uji terhadap perilaku mahasiswa. Karakter yang akan diuji adalah perilaku mahasiswa yang dikategorikan menjadi dua kategori: mahasiswa yang mendukung program kampus dan acuh terhadap program kampus. Sehingga akan dilakukan uji hipotesis mengenai perilaku mahasiswa tersebut dilihat dari frekuensinya.

- H₀ menyatakan proporsi objek yang jatuh dalam masing-masing kategori di dalam populasi yang ditetapkan. 

- Tekniknya adalah tipe goodness of fit, yakni bahwa tes tersebut dapat digunakan untuk menguji apakah terdapat perbedaan yang signifikan antara objek yang diamati dengan objek yang dikategorikan sebagai harapan berdasarkan hipotesis nol (H₀).

Metode

Teknik 𝜒2 menguji apakah frekuensi yang diamati cukup mendekati frekuensi yang diharapkan sehingga mempunyai kemungkinan besar untuk terjadi di bawah H₀.

Hipotesis nol dapat diuji dengan:  

Dimana

𝑂𝑖 = banyak kasus yang diamati dalam kategori ke-i

𝐸𝑖 = banyak kasus yang diharapkan dalam kategori ke-i di bawah H₀

Langkah Uji Chi-Kuadrat

1. Letakkan frekuensi-frekuensi terobservasi dalam k kategori. Jumlah frekuensi itu seluruhnya harus N, yakni banyak observasi-observasi independen.

2. Dari H₀ tentukan frekuensi yang diharapkan (harga 𝐸𝑖 nya) untuk tiap-tiap k sel itu. Jika 𝑘 > 2 dan jika lebih dari 20% dari 𝐸𝑖 lebih kecil dari 5, gabungkanlah kategori-kategori yang berdekatan apabila hal ini memungkinkan, dan dengan demikian kita mengurangi harga k serta meningkatkan harga beberapa 𝐸𝑖. Apabila k=2, tes 𝜒2 untuk kasus satu sampel dapat digunakan secara memadai hanya jika tiap-tiap frekuensi yang diharapkan adalah lima atau lebih.

3. Dengan memakai rumus  hitunglah harga 𝜒2.

4. Tetapkan harga db. db=k-1.

5. Dengan melihat table C, tetapkan probabilitas yang dikaitkan dengan terjadinya suatu hargayang sebesar harga 𝜒2 hitungan untuk harga db yang bersangkutan. Jika harga ini sama atau kurang dari 𝛼, tolaklah H₀.

 

Statistika Nonparametrik

Statistika Nonparametrik

ANISALF   07.31

Pengertian Statistika

Statistika merupakan ilmu tentang bagaimana mengambil data, mendeskripsikan, dan menganalisisnya untuk mengambil kesimpulan. Ilmu yang mempelajari cara-cara :

Populasi : keseluruhan pengamatam yang menjadi perhatian

Sampel/contoh : himpunan bagian dari populasi

Parameter : ukuran-ukuran yang diperoleh dari data populasi

Statistik : ukuran-ukuran yang diperoleh dari data sampel

Hipotesis Saintifik/Penelitian

Contoh :

- Mahasiswa yang aktif di kegiatan mahasiswa mempunyai IQ yang lebih tinggi dibandingkan dengan mahasiswa kebanyakan.

- Motivasi belajar siswa berpengaruh terhadap prestasi belajar siswa.

- Pembelajaran PBL efektif ditinjau dari motivasi belajar siswa.

- Metode STAD lebih efektif dibandingkan dengan metode TPS.

Hipotesis Statistik

- Pernyataan tentang sifat populasi atau pernyataan tentang parameter populasi atau pernyataan tentang distribusi populasi yang tidak diketahui kebenarannya, karena informasi atau data yang terkumpul atau akan dikumpulkan hanya dari sampel

Langkah-langkah Pengujian Hipotesis

1. Menentukan hipotesis nol (H0) dan hipotesis alernatifnya (H1)

2. Menentukan taraf signifikansi

3. Memilih statistik uji yang sesuai

4. Menentukan kriteria keputusan

5. Melakukan perhitungan

6. Menarik kesimpulan

Galat Jenis I         = P (salah jenis I)

                                = P (menolak H₀; H₀ benar)

 

Galat Jenis II        = P (salah jenis II)

                                = P (menerima H₀; H₀ salah)

- Ada dua pendekatan dalam analisis data kuantitatif yaitu secara deskriptif dan inferensial. Dalam statistika, pendekatan inferensial biasanya dilakukan secara parametrik jika asumsi-asumsi seperti normalitas atau kesamaan varians dipenuhi. Jika tidak dipenuhi, maka dapat dilakukan dengan pendekatan nonparametrik.

- Uji parametrik memerlukan pemenuhan asumsi-asumsi tentang distribusi populasi. Sedangkan uji nonparametrik tidak memerlukan pemenuhan asumsi-asumsi tentang distribusi populasi. Sehingga uji nonparametrik disebut juga uji bebas distribusi.

Asumsi dalam Metode Parametrik

1. Antar pengamatan independen

2. Skala pengukuran interval atau rasio

3. Antar populasi mempunyai varians yang sama

4. Sampel berasal dari populasi berdistribusi normal

5. Ukuran sampel cukup besar (ada yang menyatakan minimal 10, ada yang 20)

Keuntungan Metode Nonparametrik

- Metode nonparametrik dapat di aplikasikan secara meluas karena tidak memerlukan pemenuhan asumsi-asumsi seperti pada metode parametrik. Metode nonparametrik tidak memerlukan pemenuhan populasi berdistribusi normal.

- Metode nonparametrik dapat di aplikasikan pada data kategorik.

- Metode nonparametrik biasanya menggunakan komputasi yang relatif lebih mudah dibandingkan metode parametrik, lebih mudah dipahami dan digunakan.

Kelemahan Metode Nonparametrik

- Metode nonparametrik cenderung membuang informasi karena perhitungan secara eksak seringkali diubah dalam bentuk kualitatif. Sebagai contoh, pada uji tanda, kehilangan berat badan akibat diet dinotasikan dengan tanda negatif.

- Uji nonparametrik tidak seefisien uji parametrik, sehingga memerlukan bukti yang lebih kuat.

Skala Pengukuran

1. Nominal : penggolongan

Contoh : jenis kelamin : 1 pria 0 wanita, nomor induk mahasiswa, kode pos

2. Ordinal : penggolongan, urutan

Jarak antara 2 angka yang berurutan tidak perlu sama.

Contoh : skala sikap : 1 sangat setuju, 2 setuju, 3 kurang setuju, 4 tidak setuju, peringkat karyawan

3. Interval : penggolongan, urutan, ukuran

Dua angka yang berurutan memiliki jarak yang sama tapi angka-angka tersebut tidak dapat diperbandingkan.

Contoh : suhu, nilai tes

suhu 40°C bukan berarti sama dengan dua kalinya suhu 20°C.

Tidak mempunyai nol mutlak, contoh : suhu 0°C bukan berarti tidak mempunyai suhu.

4. Rasio penggolongan, urutan, ukuran, mempunyai nol mutlak

Dua angka yang berurutan mempunyai jarak sama yang dapat dibandingkan.

Berat beras 20 kg = 2 ´ berat beras 10 kg.

Contoh : berat badan, tinggi badan

Nol Mutlak, pertumbuhan : 0 cm (berarti tidak ada pertumbuhan)

Simple Random Sampling

Simple Random Sampling

ANISALF   07.30

Untuk mendapatkan hasil riset pasar yang efektif, kamu harus mendapatkan responden yang tepat. Caranya dengan menggunakan metode sampling yang tepat. Salah satu metode yang bisa digunakan adalah simple random sampling. Simple random sampling merupakan salah satu metode sampling yang banyak digunakan. 

Pengertian Simple Random Sampling

Simple random sampling adalah subset dari populasi statistik di mana setiap anggota subset memiliki probabilitas yang sama untuk dipilih. Metode sampling ini menurut Investopedia dimaksudkan untuk menjadi representasi kelompok yang tidak bias. Metode ini adalah yang paling mudah dari semua metode pengambilan sampel probabilitas. Ini karena simple random sampling hanya melibatkan satu pemilihan acak dan hanya memerlukan sedikit informasi mengenai populasi. Berhubung menggunakan pengacakan, maka setiap penelitian yang dilakukan terhadap sampel ini harus memiliki validitas internal dan eksternal yang tinggi. 

Langkah-langkah melakukan Simple Random Sampling

Untuk melakukan simple random sampling dengan benar saat riset pasar, berikut adalah langkah-langkahnya.

1. Tentukan populasi yang akan menjadi target riset pasarmu. Ini termasuk menentukan demografi seperti usia, latar belakang, pekerjaan, dan sebagainya.

2. Hitung jumlah responden (sample) yang dibutuhkan. Interval kepercayaan yang paling umum dan level yang digunakan masing-masing adalah 0,05 dan 0,95. Kamu bisa menggunakan sample size calculator jika kesulitan menghitung jumlah responden yang dibutuhkan.

3. Lakukan pemilihan responden secara acak. Ini bisa dilakukan dengan menyebarkan undangan survei melalui email pelanggan yang menjadi target responden dan menunggu hingga resppon yang diterima mencapai jumlah respsonden yang ditargetkan.

4. Kumpulkan data yang didapatkan dari responden dan analisa. 

Kapan menggunakan Simple Random Sampling?

Simple random sampling adalah metode yang digunakan untuk membuat kesimpulan statistik tentang suatu populasi. Ini membantu memastikan validitas internal yang tinggi: pengacakan adalah metode terbaik untuk mengurangi dampak variabel perancu potensial. Selain itu, simple random sampling memiliki validitas eksternal yang tinggi untuk mewakili karakteristik populasi yang lebih besar. Meski demikian, penggunaan simple random sampling bisa menjadi tantangan tersendiri. Untuk itu, sebaiknya metode ini digunakan untuk situasi-situasi berikut.

1. Terdapat data yang cukup tinggi mengenai populasi.

2. Setiap anggota populasi dapat dihubungi dengan mudah. 

3. Kamu memiliki waktu dan sumber daya yang cukup untuk melakukannya. 

Jika kamu tidak dapat memenuhi tiga situasi di atas, sebaiknya kamu menggunakan metode sampling lainnya yang lebih mendukung.

Keuntungan menggunakan Simple Random Sampling

Tujuan dari simple random sampling adalah untuk mengurangi potensi bias manusia dalam pemilihan kasus yang akan dimasukkan dalam sampel. Simple random sampling dimaksudkan untuk menjadi representasi kelompok yang tidak bias. Ini dianggap sebagai cara yang adil untuk memilih sampel dari populasi yang lebih besar karena setiap anggota populasi memiliki kesempatan yang sama untuk dipilih. Hasilnya, sampel acak sederhana memberi kita sampel yang sangat mewakili populasi yang diteliti, dengan asumsi bahwa ada data yang hilang terbatas. Tidak seperti metode pengambilan sampel yang lebih rumit, simple random sampling tidak perlu membagi populasi menjadi sub-populasi atau mengambil langkah tambahan lain sebelum memilih anggota populasi secara acak.

Kekurangan menggunakan Simple Random Sampling

Kesalahan pengambilan sampel dapat terjadi dengan simple random sampling jika sampel tidak secara akurat mencerminkan populasi yang seharusnya diwakili. Misalnya, dalam sampel acak sederhana kami yang terdiri dari 25 karyawan, akan dimungkinkan untuk menarik 25 pria meskipun populasi terdiri dari 125 wanita dan 125 pria. Simple random sampling hanya dapat dilakukan jika daftar populasi tersedia dan lengkap. Namun, mendapatkan daftar lengkap populasi bisa jadi sulit karena berbagai alasan. Mungkin tidak ada daftar tunggal yang merinci populasi yang kamu inginkan. Akibatnya, mungkin sulit dan memakan waktu untuk mengumpulkan banyak sub-daftar untuk membuat daftar akhir yang sampelnya ingin kamu pilih. Bisa juga, data mengenai populasi tersebut tidak tersedua secara publik. Sehingga, kamu membutuhkan usaha yang lebih ekstra untuk mendapatkannya.

Sumber : https://glints.com/id/lowongan/simple-random-sampling-adalah/#.YSWvL44zbIU