Metode Analisa Data

October 16, 2020October 16, 2020

Uji Chi Kuadrat (χ 2 ) Dua Sampel Tak Berpasangan (skripsi dan tesis)

Fungsi Pengujian : Hampir sama dengan Uji Fisher, yaitu untuk menguji perbedaan proporsi dua buah populasi berdasarkan proporsi dua sampel yang tidak berpasangan. Kelebihan Uji χ 2 bisa dipakai untuk dua atau lebih kategori. Uji χ 2 sebaiknya digunakan jika n > 40. Untuk 20 < n < 40 dengan frekuensi kategori-kategorinya (Oij ≥ 5) bisa digunakan Uji χ 2 , namun jika ada salah satu frekuensi < 5 Uji χ 2 tidak boleh digunakan. Untuk n < 20 pilihlah Uji Fisher.

Persyaratan Data : Dapat digunakan untuk data berskala nominal dengan dua atau lebih dari dua kategori. Prosedur Pengujian :

1. Buat Tabel Silang (k x r), k adalah kolom = 2 dan r adalah baris ≥ 2. Kolom dipakai untuk dua pasangan sampel yang tidak berpasangan, sedangkan baris disediakan untuk berbagai kategori.

2. Masukan frekuensi-frekuensi hasil pengamatan (Oij) ke dalam Tabel.

3. Hitung dan masukan ke dalam Tabel, frekuensi-frekuensi yang diharapkan (Eij) yang dihitung dengan cara mengalikan jumlah baris dan jumlah kolom pada posisi Eij kemudian membaginya dengan total frekuensi (N).

4. Hitung harga χ 2 memakai rumus (5.2). 5. Untuk k=2 dan r=2, hitung dengan rumus (5.3). Pengertian dari notasi yang ada dalam rumus ini. . Gunakan Tabel C (Siegel, 1997). Tentukan probabilitas (p) yang dikaitkan dengan terjadinya suatu harga sebesar χ 2 pada db = (r-1)(k-1). Harga-harga p tersebut dipakai untuk pengujian dua sisi, sedangkan untuk melakukan pengujian satu sisi harga p = ½ pTabel

October 16, 2020

Uji Fisher (skripsi dan tesis)

Fungsi Pengujian : Untuk menguji perbedaan proporsi dua buah populasi yang hanya memiliki dua kategori berdasarkan proporsi dua sampel tidak berpasangan. Jumlah n untuk tiap kelompok sampel tidak harus sama.

Persyaratan Data : Dapat digunakan untuk data berskala nominal dengan dua kategori

Prosedur Pengujian :

1. Buat Tabel Silang

Baris adalah kelompok sampel, dan kolom – dan + untuk menunjukkan kategori yang bersifat muttualy exclusive.

2. Masukan frekuensi-frekuensi hasil pengamatan ke dalam baris dan kolom yang tepat.

3. Hitung jumlah frekuensi ke arah baris dan kolom, N adalah jumlah keseluruhan frekuensi pengamatan.

4. Untuk uji signifikansi ( 6 ≤ n ≤ 30), gunakan Tabel I (Siegel, 1997) yang merupakan pengujian satu sisi, sedangkan untuk pengujian dua sisi harga p = 2 x p Untuk uji signifikansi yang lebih cermat (eksak), gunakan rumus yang menghasilkan harga p uji satu sisi, sedangkan untuk pengujian dua sisi harga p dikalikan 2. Praktis digunakan jika n tidak terlampau besar. Meskipun demikian bisa dipakai untuk n > 30, tetapi kemungkinan di daerah penolakan tidak terlampau banyak

6. Jika p yang dihasilkan dari perhitungan ternyata ≤ α, maka tolak Ho

October 16, 2020

Uji Tanda Wilcoxon (skripsi dan tesis)

Fungsi Pengujian : Untuk menguji perbedaan median dua populasi berdasarkan median dua sampel berpasangan. Uji ini selain mempertimbangkan arah perbedaan, juga mempertimbangkan besar relatif perbedaannya. Dengan demikian bisa dikatakan bahwa Uji Tanda Wilcoxon memiliki kualitas yang lebih baik dibandingkan dengan Uji Tanda yang dibahas sebelumnya. Persyaratan Data : Data paling tidak berskala ordinal.

Prosedur Pengujian :

1. Urutkan nilai jenjang/skor setiap pasangan dari anggota kelompok sampel pertama dan kedua.

2. Hitung nilai beda (di) untuk setiap pasangan anggota kelompok sampel pertama dan kedua.

3. Buat ranking untuk setiap di tanpa memperhatikan tandanya (positif atau negatif). Rangking ke-1 diberikan terhadap harga mutlak di terkecil. Jika ada ranking kembar buat rata-rata rankingnya

. 4. Pada ranking di , cantumkan tanda + dan -, sesuai dengan tanda + dan – pada nilai beda (di).

5. Pisahkan ranking di yang memiliki tanda + atau – paling sedikit.

6. Tentukan nilai T, dengan cara menjumlahkan nilai rangking di yang memiliki tanda + atau – paling sedikit tanpa memperhatikan tandanya (nilai harga mutlak rangking di).

7. Tentukan pula nilai N, dengan cara menghitung frekuensi di yang memiliki tanda + dan -, sedangkan frekuensi di yang memiliki tanda 0 jangan dimasukan ke dalam hitungan.

8. Jika N ≤ 25, lihat Tabel G (Siegel, 1997) yang menyajikan kemungkinan satu sisi/one tailed dan dua sisi/two tailed untuk harga T dari pengamatan di bawah Ho. Jika harga T dari pengamatan ≤ TTabel , maka tolak Ho untuk tingkat signifikansi tertentu.

9. Jika N > 25 , gunakan rumus (4.3). Sedangkan tabel yang digunakan adalah Tabel A (Siegel, 1997) yang menyajikan kemungkinan satu sisi/one tailed untuk kemunculan harga z pengamatan di bawah Ho. Uji satu sisi digunakan apabila telah memiliki perkiraan skor kelompok sampel tertentu akan lebih besar atau lebih kecil dari skor kelompok sampel yang lainnya. Jika belum memiliki perkiraan, harga p dalam Tabel A dikalikan dua (harga p = p-Tabel x 2). Jika p diasosiasikan dengan harga z yang diamati ternyata ≤ α, maka tolak Ho.

October 16, 2020

Uji Tanda (skripsi dan tesis)

Fungsi Pengujian : Untuk menguji perbedaan/perubahan ranking (median selisih skor/ranking) dua buah populasi berdasarkan ranking (median selisih skor/ranking) dua sampel berpasangan. Persyaratan Data : Data paling tidak berskala ordinal.

Prosedur Pengujian : 1. Urutkan nilai jenjang setiap pasangan dari anggota kelompok sampel pertama dan kedua. 2. Kepada masing-masing pasangan berikan tanda + (plus) dan – (minus) sebagai kode/tanda selisih jenjang dari setiap pasangan. 3. Tentukan harga N, yaitu jumlah semua pasangan yang memiliki tanda + dan -.Tentukan pula nilai x, yaitu jumlah pasangan yang memiliki kesamaan tanda lebih sedikit. 5. Jika N ≤ 25 , lihat Tabel D (Siegel, 1997) yang menyajikan kemungkinan satu sisi/one tailed untuk kemunculan harga x dari pengamatan di bawah Ho. Uji satu sisi digunakan apabila telah memiliki perkiraan ranking kelompok sampel tertentu akan lebih besar atau lebih kecil dari ranking kelompok sampel yang lainnya. Seandainya kita belum mempunyai perkiraan, harga p dalam Tabel D dikalikan dua (harga p = p-Tabel D x 2). 6. Jika N > 25 , gunakan rumus (4.2). Sedangkan tabel yang digunakan adalah Tabel A (Siegel, 1997) yang menyajikan kemungkinan satu sisi/one tailed untuk kemunculan harga z pengamatan di bawah Ho. Uji satu sisi digunakan apabila telah memiliki perkiraan ranking kelompok sampel tertentu akan lebih besar atau lebih kecil dari ranking kelompok sampel yang lainnya. Jika belum memiliki perkiraan, harga p dalam Tabel A dikalikan dua (harga p = p-Tabel A x 2). 7. Jika p diasosiasikan dengan harga x atau z yang diamati ternyata < α , maka tolak Ho.

October 16, 2020

Uji Chi Kuadrat (χ 2 ) Mc. Nemar (skripsi dan tesis)

Fungsi Pengujian : Untuk menguji perbedaan atau perubahan proporsi dua buah populasi yang hanya memiliki dua kategori berdasarkan proporsi dua sampel berpasangan. Uji ini banyak dipakai untuk mengetahui apakah ada perbedaan atau perubahan proporsi sebelum dan sesudah kelompok sampel tertentu yang hanya memiliki dua kategori diberi perlakuan, dimana anggota kelompok sampel tersebut merupakan kontrol terhadap dirinya sendiri.

Persyaratan Data : Dapat digunakan untuk data berskala nominal dengan dua kategori. Prosedur Pengujian : 1. Buat Tabel Silang 2 x 2, seperti contoh pada Tebel 4.1 di bawah ini. Tanda + dan – dipakai untuk menunjukkan adanya perubahan. Tentukan frekuensi-frekuensi harapan (E) dari sel A dan sel D, E = ½ (A+D). Frekuensi harapan harus ≥ 5. 3. Jika E ≥ 5, hitung harga χ 2 menggunakan rumus (4.1). Tetapi jika E < 5, Uji χ2 Mc. Nemar tidak boleh gunakan, dan untuk penggantinya dapat dipakai Uji Binomial. 4. Gunakan Tabel C (Siegel, 1997). Tentukan probabilitas (p) yang dikaitkan dengan terjadinya suatu harga sebesar χ 2 untuk harga db =1, untuk pengujian dua sisi. 5. Jika p yang diamati ternyata ≤ α , maka tolak Ho.

October 16, 2020

Uji Kolmogorov-Smirnov Sampel Tunggal (skripsi dan tesis)

Fungsi Pengujian : Untuk menguji perbedaan proporsi populasi, yaitu antara data yang diamati dengan yang telah ditentukan menurut Ho, berdasarkan proporsi data yang berasal dari sampel tunggal. Persyaratan Data : Dipakai untuk data berskala ordinal namun dapat digunakan juga bagi data berskala nominal.

Prosedur Pengujian : 1. Tentukan sebaran frekuensi kumulatif teoritis Fo(x), yaitu sebaran frekuensi kumulatif di bawah Ho. 2. Susun skor hasil pengamatan dalam sebaran frekuensi kumulatif pengamatan Sn(x) yang sesuai dengan Fo(x). 3. Untuk tiap jenjang/rank, hitung selisih harga mutlak Fo(x) – Sn(x). 4. Hitung harga D maksimum dengan memakai rumus (3.3). 5. Gunakan Tabel E (Siegel, 1997). Tentukan harga p untuk harga D maksimum (pengujian dua sisi). 6. Jika p yang diamati ternyata ≤ α , maka tolak Ho

October 16, 2020

Uji Chi Kuadrat (χ2) Sampel Tunggal (skripsi dan tesis)

Fungsi Pengujian :
Untuk menguji perbedaan proporsi populasi, yaitu antara data yang diamati dengan data yang diharapkan (expected) terjadi menurut Ho, berdasarkan proporsi yang berasal dari sampel tunggal.

Persyaratan Data :
Dapat digunakan untuk data berskala nominal dengan dua atau lebih dari dua kategori.
Prosedur Pengujian :
1. Tentukan n = jumlah semua kasus yang diteliti.
2. Tentukan jumlah frekuensi dari masing-masing kategori (k). Jumlah frekuensi seluruhnya= n.
3. Berdasarkan Ho , tentukan frekuensi yang diharapkan (Ei) dari k. Jika k = 2, frekuensi yang diharapkan minimal 5. Jika k > 2 dan (Ei) < 5 lebih dari 20%, gabungkanlah k yang berdekatan, agar banyaknya (Ei) < 5 dalam k tidak lebih dari 20%.
4. Hitung harga χ
2 dengan menggunakan rumus (3.2).
5. Tentukan derajat bebas, db = k – 1.
6. Gunakan Tabel C (Siegel, 1997), tabel ini untuk pengujian dua sisi. Tentukan probabilitas
(p) yang dikaitkan dengan terjadinya suatu harga sebesar χ
2 untuk harga db yang bersangkutan.
7. Jika p yang diamati ternyata ≤ α , maka tolak H

October 16, 2020

Uji Binomial (skripsi dan tesis)

Fungsi Pengujian :
Untuk menguji perbedaan proporsi populasi yang hanya memiliki dua buah kategori berdasarkan proporsi sampel tunggal.
Persyaratan Data :
Dapat digunakan untuk data berskala nominal yang hanya memiliki dua kategori.
Prosedur Pengujian :
1. Tentukan n = jumlah semua kasus yang diteliti.
2. Tentukan jumlah frekuensi dari masing-masing kategori.
3. Jika n ≤ 25 dan jika P=Q=½, lihat Tabel D (Siegel, 1997) yang menyajikan kemungkinan satu sisi/one tailed untuk kemunculan harga x yang lebih kecil dari pengamatan di bawahHo. Uji satu sisi digunakan apabila telah memiliki perkiraan frekuensi mana yang lebihkecil. Jika belum memiliki perkiraan, harga p dalam Tabel D dikalikan dua (harga p =pTabel x 2).
4. Jika n > 25 dan P mendekati ½, gunakan rumus (3.1). Sedangkan tabel yang digunakan adalah Tabel A (Siegel, 1997) yang menyajikan kemungkinan satu sisi/one tailed untuk kemunculan harga z pengamatan di bawah Ho. Uji satu sisi digunakan apabila telah memiliki perkiraan frekuensi mana yang lebih kecil. Jika belum memiliki perkiraan,
harga p dalam Tabel A dikalikan dua (harga p = pTabel x 2).
5. Jika p diasosiasikan dengan harga x atau z yang diamati ternyata ≤ α , maka tolak Ho

October 16, 2020

Hipotesis Statistik (skripsi dan tesis)

Adalah pernyataan mengenai parameter dari populasi yang didasarkan pada statistik dari sampel. Bentuk pernyataannya bisa didasarkan atas kesamaan-kesamaan atau perbedaanperbedaan, ada tidaknya asosiasi maupun hubungan-hubungan antar variabel, juga penaksiran-penaksiran nilai populasi. Dari hipotesis yang dicontohkan di atas, berarti peneliti menduga usaha ternak ayam ras lebih menguntungkan dibandingkan usaha tani padi. Pernyataan yang menyiratkan adanya perbedaan tersebut secara statistik dapat ditulis sebagai berikut : Ho : µa ≤ µp H1 : µa > µp H1 berarti rata-rata keuntungan yang diperoleh peternak ayam ras lebih besar jika dibandingkan dengan petani yang berusaha tani padi. Sedangkan Ho menyatakan, rata-rata keuntungan yang diperoleh peternak ayam ras sama dengan atau lebih kecil dari petani yang melakukan usaha tani padi. Ho dan H1 merupakan pasangan hipotesis statistik yang akan dipakai sebagai titik tolak untuk menduga parameter. Pada uji hipotesis statistik, pengujian diarahkan untuk menduga Ho apakah bisa diterima atau harus ditolak.

October 16, 2020

Hipotesis Nol (skripsi dan tesis)

Adalah kebalikan atau hipotesis yang menolak pernyataan hipotesis penelitian. Dalam konteks penyangkalan terhadap contoh hipotesis penelitan tadi, pernyataan hipotesis nol bisa menjadi: rata-rata keuntungan dari usaha ternak ayam ras sama dengan atau lebih kecil dari usaha tani padi. Dalam statistika hipotesis yang menyatakan penolakan terhadap hipotesis penelitian diberi lambang Ho

October 16, 2020

Hipotesis Penelitian (skripsi dan tesis)

Merupakan suatu pernyataan yang dibuat berdasarkan pada fenomena dan teori-teori, yang dirangkaikan secara logis dalam sebuah kerangka pikir. Oleh peneliti, hipotesis penelitian “dianggap” benar dan bisa diterima secara logika. Tetapi karena sesungguhnya teori itu merupakan dalil dari sifat yang “sebenarnya”, maka hipotesis penelitian pun hanya bisa dipandang sebagai dugaan sementara yang masih memerlukan pengujian. Contoh dari hipotesis penelitian adalah: rata-rata keuntungan dari usaha ternak ayam ras lebih besar jika dibandingkan dengan keuntungan usaha tani padi. Dalam statistika hipotesis penelitian diberi lambang H1

October 16, 2020

Statistika Parametrik dan Nonparametrik (skripsi dan tesis)

Pada perkembangan statistika inferensial, metode-metode penafsiran yang berasal dari generasi awal, menetapkan asumsi-asumsi yang sangat ketat dari karakteristik populasi yang diantara anggota-anggota populasinya diambil sebagai sampel. Di bawah asumsi-asumsi tersebut, diharapkan angka-angka atau statistik dari sampel, betul-betul bisa mencerminkan angka-angka atau parameter dari populasi. Oleh karena itu, dikenal dengan istilah Statistika Parametrik. Asumsi-asumsi tersebut antara lain: data (sampel) harus diambil dari suatu populasi yang berdistribusi normal. Seandainya sampel diambil dari dua atau lebih populasi yang berbeda, maka populasi tersebut harus memiliki varians (δ 2 ) yang sama. Selain itu, statistika parametrik hanya boleh digunakan jika data memiliki nilai dalam bentuk numerik atau angka nyata. Ketatnya asumsi dalam statistika parametrik, secara metodologis sulit dipenuhi oleh peneliti-peneliti dalam bidang ilmu sosial. Sebab dalam kajian sosial, sulit untuk memenuhi asumsi distribusi normal maupun kesamaan varians (δ 2 ), selain itu banyak data yang tidak berbentuk numerik, tetapi hanya berupa skor rangking atau bahkan hanya bersifat nilai kategori. Oleh karenanya, statistika inferensial saat ini banyak berkembang kepada teknikteknik yang tidak berlandaskan pada asumsi-asumsi di atas, yang dikenal sebagai Statistika Nonparametrik.

October 16, 2020

Menafsirkan Parameter Berdasarkan Statistik (skripsi dan tesis)

Telah diuraikan terdahulu, terdapat metode-metode tertentu yang bisa dipakai untuk menginterpretasikan data dalam kondisi ketidakpastian (uncertainty), yaitu statistika inferensial. Fokus kajian statistika inferensial adalah untuk menafsirkan parameter (populasi) berdasarkan statistik (sampel) melalui pengujian hipotesis. Dalam pengujian hipotesis, titik tolaknya adalah menduga parameter yang dinyatakan oleh pasangan hipotesis statistik, misalnya: Ho; µ1 = µ2 dan H1; µ1 ≠ µ2. Masalah umum yang dihadapi dalam menafsirkan parameter dari populasi yang berdasarkan satistik dari sampel adalah, adanya faktor kesempatan/kebetulan (chance) dalam pengambilan data. Kemudian bisa timbul pertanyaan, apakah hasil pengamatan tentang adanya persamaam atau perbedaan parameter dalam populasi atau antar populasi, juga disebabkan oleh faktor kebetulan dalam pengambilan data? Untuk itu statistika inferensial menyediakan berbagai prosedur yang memungkinkan untuk menguji, apakah adanya persamaan atau perbedaan tadi disebabkan karena faktor kebetulan atau tidak

October 16, 2020

Statistika Deskriptif dan Inferensial (skripsi dan tesis)

Pada proses pengumpulan data di atas, tentu saja tidak bisa dilakukan secara sembarangan tetapi ada tahapan-tahapan dan cara-cara atau teknik-teknik tertentu sebagai pedomannya yang kita sebut sebagai metode. Metode ini dikenal sebagai statistika. Dalam statistika, ada metode-metode tertentu sebagai pedoman untuk menyajikan data sehingga secara ringkas dapat dengan mudah dipahami. dan sebagainya. Metode penyederhanaan data sehingga mudah dipahami dikenal sebagai statistika deskriptif. Statistika deskriptif pada awalnya merupakan bidang kajian yang sangat penting, walaupun saat ini bukan merupakan bidang kajian pokok dalam statistika. Tujuan utama statistika saat ini adalah menginterpretasikan atau menafsirkan (inference) data, yang dikenal dengan istilah statistika inferensial. Misalnya dengan melihat grafik rata-rata pemilikan lahan berdasarkan status sosial ekonomi petani, melalui angka-angkanya kita bisa melihat bahwa rata-rata pemilikan lahan petani dengan tingkat sosial ekonomi tertentu lebih luas dibandingkan dengan status ekonomi lainnya. Tapi untuk melakukan interpretasi lebih jauh, kita harus menyadari bahwa statistik yang tersaji berasal dari suatu sampel bukannya populasi, sehingga belum tentu menggambarkan kondisi yang sebenarnya, atau dengan kata lain masih berada dalam suatu kondisi ketidakpastian

October 16, 2020

Statistika, Statistik, dan Parameter (skripsi dan tesis)

Dalam perbincangan sehari-hari kita sering mendengar kata statistik maupun statistika. Namun penggunaan dari dua kata tersebut masih simpang siur. Adakalanya pengertian yang seharusnya statistik ditulis atau disebut dengan istilah statistika, demikian pula sebaliknya pengertian statistika sering ditulis atau disebut dengan istilah statistik. Walaupun penulisannya sangat mirip antara statistik dengan statistika, tetapi memiliki arti yang sangat berlainan. Pengertian statistik (statistic) adalah bilangan yang diperoleh melalui proses perhitungan terhadap sekumpulan data yang berasal dari sampel. Sedangkan pengertian statistika (statistics) adalah konsep dan metode yang bisa digunakan untuk mengumpulkan, menyajikan, dan menginterpretasikan data dari kejadian tertentu untuk mengambil suatu keputusan/kesimpulan dalam suatu kondisi adanya ketidakpastian. Misalnya kita ingin mengetahui rata-rata luas lahan yang dimiliki petani di suatu propinsi. Untuk menghitung seluruh luas lahan pertanian di propinsi tersebut membutuhkan biaya dan waktu yang tidak sedikit, sehingga diputuskan untuk mengambil sampel dari beberapa kabupaten. Dari kabupaten sampel diperoleh data berapa luas lahan dan berapa jumlah petaninya, dengan demikian kita bisa menghitung rata-rata luas lahan yang dimiliki petani. Angka rata-rata luas lahan yang diperoleh disebut statistik. Seandainya data tersebut diperoleh dari seluruh propinsi, angka rata-ratanya tidak bisa disebut statistik, tetapi disebut parameter karena tidak diperoleh dari sampel melainkan diperoleh dari populasi

October 16, 2020

Teknik Sampling (skripsi dan tesis)

Teknik sampling merupakan teknik pengambilan sampel. Untuk

menentukan sampel yang akan digunakan dalam penelitian, terdapat berbagai

teknik sampling yang digunakan (Sugiyono, 2013). Pada dasarnya teknik

sampling dapat dikelompokkan menjadi dua, yaitu probability sampling dan

nonprobability sampling. Probability sampling meliputi, simple random,

proportionate stratified random, disproportionate stratified random, dan area

random. Sedangkan nonprobability sampling meliputi sampling sistematis, sampling kuota, sampling aksidental/insidental, purposive sampling, sampling

jenuh, dan snowball sampling.

October 16, 2020

Sampel (skripsi dan tesis)

Sampel adalah bagian dari jumlah dan karakteristik yang dimiliki oleh

populasi tersebut. Bila populasi besar, dan peneliti tidak mungkin mempelajari

semua yang ada pada populasi, misalnya karena keterbatasan dana, tenaga dan

waktu, maka peneliti dapat menggunakan sample yang diambil dari populasi itu.

Apa yang dipelajari dari sample itu, kesimpulannya akan dapat diberlakukan

untuk populasi. Untuk itu sampel yang diambil dari populasi harus betul-betul

representatif (Sugiyono, 2013).

Menurut Yusuf (2014), ciri-ciri sampel yang baik adalah sebagai berikut :

a. Sampel dipilih dengan cara hati-hati, dengan menggunakan cara tertentu

dengan benar.

b. Sampel harus mewakili populasi, sehingga gambaran yang diberikan

mewakili keseluruhan karakteristik yang terdapat pada populasi.

c. Besarnya ukuran sampel hendaklah mempertimbangkan tingkat kesalahan

sampel yang dapat ditoleransi dan tingkat kepercayaan yang dapat diterima

secara statistik.

October 16, 2020

Populasi (skripsi dan tesis)

Menurut Sugiyono (2013), populasi adalah wilayah generalisasi yang

terdiri atas obyek atau subyek yang mempunyai kualitas dan karakteristik

tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik

kesimpulannya. Jadi populasi bukan hanya orang, tetapi juga obyek dan bendabenda

alam yang lain. Populasi juga bukan sekedar jumlah yang ada pada

obyek atau subyek yang dipelajari, tetapi meliputi seluruh karakteristik atau

sifat yang dimiliki oleh subyek atau obyek itu.

Yusuf (2014) menyatakan, secara umum dapat dikatakan beberapa

karakteristik populasi, yaitu :

a. Merupakan keseluruhan dari unit analisis sesuai dengan informasi

yang akan diinginkan.

b. Dapat berupa manusia, hewan, tumbuh-tumbuhan, benda atau objek

maupun kejadian yang terdapat dalam suatu area/daerah tertentu

yang telah ditetapkan.

c. Merupakan batas (boundary) yang mempunyai sifat tertentu yang

memungkinkan peneliti menarik kesimpulan dari keadaan itu.

d. Memberikan pedoman kepada apa atau siapa hasil penelitian itu

dapat digeneralisasikan.

October 16, 2020

Statistik (skripsi dan tesis)

Menurut Sugiyono (2014) dalam arti sempit statistik dapat diartikan

sebagai data, tetapi dalam arti luas statistik dapat diartikan sebagai alat, alat

untuk analisis, dan alat untuk membuat keputusan. Statistik dapat dibedakan

menjadi dua, yaitu :

a. Statistik deskriptif adalah statistik yang digunakan untuk menggambarkan

atau menganalisis suatu statistik hasil penelitian, tetapi tidak digunakan

untuk membuat kesimpulan yang lebih luas.

b. Statistik inferensial adalah statistik yang digunakan untuk menganalisis data

sampel, dan hasilnya akan digeneralisasikan untuk populasi di mana sampel

diambil. Selanjutnya statistik inferensial dapat dibedakan menjadi statistik

parametris dan non parametris. Statistik parametris digunakan untuk

menganalisis data interval atau rasio, yang diambil dari populasi yang

berdistribusi normal. Sedangkan statistik non parametris, digunakan untuk

menganalisis data nominal dan ordinal dari populasi yang bebas distribusi

October 16, 2020

Uji Beda Rata-Rata Sampel Berpasangan (skripsi dan tesis)

Untuk menguji adanya perbedaan antara dua rata-rata, kita harus memilih apakah menggunakan a one-tailed test atau a two-tailed test. Apabila pengujiannya terkait ada perbedaan atau tidak ada perbedaan maka menggunakan a twotailed test untuk mengukur apakah satu rata-rata berbeda dengan yang lain (lebih tinggi atau lebih rendah) (Levin, 1998). Paired sample t test bertujuan untuk menguji ada tidaknya perbedaan mean untuk dua kelompok yang berpasangan. Subjeknya sama, namun mengalami dua perlakuan atau pengukuran yang berbeda (Nisfiannoor, 2009). Untuk melakukan uji beda rata-rata berpasangan harus memenuhi syarat sebagai berikut: 1. Data sampel merupakan data dependen 2. Sampel diambil secara acak sederhana 3. Salah satu atau kedua syarat berikut terpenuhi: a. Pasangan sampel data berjumlah besar (n>30) b. pasangan sampel berasal dari populasi yang memiliki distribusi yang mendekati normal (Triola, 2015). Dalam melakukan uji beda rata-rata, apabila data tidak berdistribusi normal maka digunakan uji statistik nonparametrik yang dapat menggunakan teknik Wilcoxon signed ranks test (Nisfiannoor, 2009).

Cara yang lebih baik untuk membandingkan prosedur pengujian t-test dan Wilcoxon signed ranks test adalah dengan melihat perkiraan tingkat kesalahan Tipe I dan Tipe II. Jelas bahwa prosedur Wilcoxon signed ranks test melindungi lebih baik terhadap kesalahan Tipe I karena rata-rata tingkat kesalahan Tipe I selalu lebih rendah daripada uji-t. Sementara rata-rata tingkat kesalahan Tipe II menggunakan uji-t lebih rendah daripada yang menggunakan uji Wilcoxon signed ranks test untuk setiap set perbedaan rata-rata (Meek et al., 2007). Saat menguji hipotesis nol, kita sampai pada kesimpulan menolak atau gagal untuk menolaknya. Kesimpulan semacam itu terkadang benar dan terkadang salah (bahkan jika kita menerapkan semua prosedur dengan benar). Terdapat dua jenis kesalahan, yaitu Kesalahan Tipe I dan Tipe II. a. Kesalahan Tipe I: kesalahan menolak hipotesis nol ketika pada kenyataannya benar. b. Kesalahan Tipe II: kesalahan tidak menolak hipotesis nol ketika pada kenyataannya salah (Triola, 2015). Banyak metode analisis statistik diturunkan setelah membuat asumsi tentang distribusi data yang mendasarinya (misalnya, normalitas). Namun, kita juga dapat mempertimbangkan metode nonparametrik untuk menarik kesimpulan statistik di mana tidak ada asumsi yang dibuat tentang populasi atau distribusi yang mendasarinya. Untuk nonparametrik setara dengan uji t parametik satu-sampel dan dua-sampel, Wilcoxon signed ranks test (satu sampel) digunakan untuk menguji hipotesis bahwa perbedaan median antara nilai absolut perbedaan berpasangan positif dan negatif adalah 0 (Harris & Hardin, 2013). Wilcoxon signed ranks test digunakan untuk membandingkan dua kondisi ketika peserta yang sama ikut serta dalam setiap kondisi dan data yang dihasilkan tidak terdistribusi secara normal. Tes ini diterapkan pada sampel berpasangan yang didasarkan pada perbedaan antara skor dalam dua kondisi yang berbeda. Setelah perbedaan-perbedaan ini dihitung, kemudian diberi peringkat tetapi tanda perbedaannya (positif atau negatif) ditetapkan ke peringkat tersebut. Dalam hal menggunakan program SPSS terdapat beberapa hal yang perlu diperhatikan, yaitu: a. Lihat baris berlabel Asymp. Sig. (2- tailed). Jika nilainya kurang dari 0,05 maka kedua kelompok berbeda secara signifikan. b. Lihat peringkat positif dan negatif (dan catatan kaki yang menjelaskan apa artinya) untuk memberi tahu Anda bagaimana perbedaan kelompok (semakin banyak peringkat di arah tertentu memberi tahu Anda arah hasilnya). c. SPSS hanya memberikan nilai signifikansi dua sisi; jika Anda ingin signifikansi satu sisi cukup bagi nilainya dengan 2 (Field, 2005).

October 16, 2020

Analisis Regresi Spline (skripsi dan tesis)

Spline merupakan model polinom yang tersegmen atau terpotong-potong yang mulus dan dapat menghasilkan fungsi regresi yang sesuai dengan data. Polinomial tersegmen tersebut memiliki peranan penting dalam teori dan aplikasi statistika. Mengestimasi spline tergantung pada titik knot. Titik knot merupakan suatu titik perpaduan yang terjadi karena perubahan pola perilaku dari suatu fungsi pada selang yang berbeda. Fungsi ?(??) pada persamaan (2.5) nonparametrik merupakan fungsi regresi yang tidak diketahui bentuknya dan sifat pemulusnya, maka untuk mengestimasi ?(??) tersebut dapat digunakan model regresi spline. Fungsi spline pada suatu fungsi f dengan orde p dapat dinyatakan sebagai berikut: ?(?? ) = ?0 + ?1?? 1 + ⋯ + ???? ? + ∑ ?(?+?)(?? − ??)+ ? ? ?=1 ?(?? ) = ∑ ???? ? + ∑ ?(?+?)(?? − ??)+ ? ? ?=1 ? ?=0 (2.6) dengan k menyatakan banyaknya titik knot dan (?? − ??)+ ? menyatakan fungsi potongan (truncated) yang dapat dijabarkan sebagai berikut: (?? − ??)+ ? = { (?? − ??) ? , ?? ≥ ?? 0, ?? < ?? (2.7) Bentuk matematis dari fungsi spline pada persamaan (2.6), dapat dinyatakan bahwa spline adalah potongan-potongan polinom yang berbeda digabungkan bersama titik knot ?1, ?2, ?3, … . , ?? untuk menjamin sifat kontinuitasnya.

October 16, 2020

Analisis Regresi Nonparametrik (skripsi dan tesis)

Regresi nonparametrik merupakan suatu metode statistika yang digunakan untuk mengetahui pola hubungan antara variabel prediktor dengan respons ketika tidak diperoleh informasi sebelumnya tentang bentuk fungsi regresinya atau tidak diketahui bentuk kurva regresinya. Fungsi dari model regresi nonparametrik dapat berbentuk apa saja, baik linear atau nonlinear. Misalkan variabel respons adalah y dan variabel prediktor adalah x untuk n pengamatan, model umum dari regresi nonparametrik adalah ?? = ?(?? ) + ?? ; ? = 1,2,3, … , ? (2.5) dengan ?? adalah variabel respons, ?? adalah variabel prediktor, ?(??) adalah fungsi regresi yang tidak diketahui bentuknya, dan ?? adalah sisaan yang diasumsikan bebas dengan nilai tengah nol dan varians σ2 . Metode regresi nonparametrik dapat digunakan dengan mengabaikan asumsi-asumsi yang melandasi metode regresi parametrik. Fungsi regresi nonparametrik f diasumsikan mulus sehingga memiliki fleksibilitas yang tinggi dalam mengestimasi fungsi regresinya. Ada beberapa teknik dalam mengestimasi regresi dalam nonparametrik yaitu deret Fourier, spline, dan kernel. Pada subbab berikutnya akan dibahas analisis regresi spline

October 16, 2020

Analisis Regresi Parametrik (skripsi dan tesis)

Analisis regresi merupakan sebuah alat statistika yang digunakan untuk melihat hubungan antara variabel respons dengan satu atau lebih variabel prediktor. Analisis regresi pertama kali dikemukakan oleh seorang antropolog dan ahli meteorologi terkenal di Inggris yaitu Sir Francis Galton (1822-1911). Dalam model regresi terdiri atas dua variabel yaitu variabel independent (variabel bebas) disebut juga variabel prediktor yang biasanya dinotasikan dengan variabel ?, dan variabel dependent (variabel tak bebas) disebut juga variabel respons yang biasanya dinotasikan dengan variabel ?. Variabel ? dan ? tersebut merupakan dua variabel yang saling berkorelasi. Misalkan terdapat data berpasangan (?? , ??) untuk n pengamatan, maka hubungan antara variabel ?? dan variabel ?? dapat dinyatakan sebagai berikut: ?? = ?(?? ) + ?? ; ? = 1,2, … , ? (2.1) dengan ?? adalah respons ke-i, ?(??) adalah fungsi regresi atau kurva regresi, serta ?? adalah sisaan yang diasumsikan independent dengan nilai tengah nol dan variansi σ 2 . Regresi parametrik merupakan metode yang digunakan untuk mengetahui pola hubungan antara variabel respons dan prediktor apabila bentuk kurva regresinya diketahui Model regresi dengan variabel prediktor lebih dari satu (?1, ?2, ?3, … , ??) secara umum dapat dituliskan sebagai berikut: ?? = ?0 + ?1??1 + ?2??2 + ?3??3 + ⋯ + ????? + ?? ; ? = 1,2,3, … , ? (2.2) dengan ?0, ?1, ?2, ?3, … , ?? adalah koefisien regresi. Model dapat pula disajikan dalam bentuk matriks yang dituliskan pada persamaan sebagai berikut: [ ?1 ?2 ⋮ ?? ] = [ 1 1 ⋮ 1 ?11 ?21 ⋮ ??1 ?12 ?22 ⋮ ??2 … … ⋱ … ?1? ?2? ⋮ ???] [ ?0 ?1 ⋮ ?? ] + [ ?1 ?2 ⋮ ?? ] atau ? = ?? + ? (2.3) dengan ? = [ ?1 ?2 ⋮ ?? ], ? = [ 1 1 ⋮ 1 ?11 ?21 ⋮ ??1 ?12 ?22 ⋮ ??2 … … ⋱ … ?1? ?2? ⋮ ???], ? = [ ?0 ?1 ⋮ ?? ], dan ? = [ ?1 ?2 ⋮ ?? ] (2.4) dengan ? adalah vektor kolom untuk variabel respons berukuran ? × 1, ? adalah matriks konstanta berukuran ? × ?, ? adalah vektor parameter berukuran ? × 1, dan ? adalah vektor peubah acak normal bebas dengan nilai harapan ?{?} = 0 dan matrik ragam ? 2 {?} = ? 2 yang berukuran ? × 1

October 16, 2020

Uji Chi-Square (skripsi dan tesis)

Chi-square atau kai kuadrat (X2 ) merupakan salah satu jenis uji komparatif nonparametrik yang dilakukan pada dua variabel, dimana skala data kedua variabel adalah nominal atau ordinal. Dasar dari uji chi-square adalah membandingkan perbedaan antara frekuensi observasi dengan frekuensi ekspektasi atau frekuensi yang diharapkan. Frekuensi observasi adalah frekuensi yang nilainya didapat dari hasil percobaan. Sedangkan frekuensi harapan adalah frekuensi yang nilainya dapat dihitung secara teoritis. Perbedaan tersebut untuk meyakinkan apabila harga dari chi-square sama atau lebih besar dari suatu harga yang telah ditetapkan pada taraf signifikan tertentu. Uji chi-square sangat bermanfaat dalam melakukan analisis statistik apabila asumsi-asumsi yang dipersyaratkan untuk penggunaan statistik parametrik tidak dapat terpenuhi. Syarat-syarat dalam menggunakan uji ini adalah frekuensi responden atau sampel yang digunakan besar, karena ada beberapa syarat dimana chi-square dapat digunakan yaitu: a. Tidak ada cell dengan nilai frekuensi kenyataan (actual count) sebesar nol. b. Apabila bentuk tabel kontingensi 2×2, maka tidak boleh ada satu cell saja yang memiliki frekuensi harapan (expected count) kurang dari lima. c. Sedangkan apabila bentuk tabel lebih dari 2×2, maka jumlah cell dengan frekuensi harapan yang kurang dari lima tidak boleh lebih dari 20%. Adapun kegunaan dari uji chi-square sebagai berikut: a. Untuk mengetahui ada tidaknya asosiasi antara dua variabel. b. Untuk mengetahui homogenitas antar-sub kelompok. c. Untuk uji kenormalan data dengan melihat distribusi data. d. Untuk menganalisis data yang berbentuk frekuensi. e. Untuk menentukan besar kecilnya korelasi dari variabel-variabel yang dianalisis. Bentuk distribusi chi-square tergantung dari derajat kebebasan atau yang biasa dilambangkan d.f. (degree of freedom). Chi-square memiliki masing-masing nilai derajat kebebasan yaitu distribusi (kuadrat standard normal) yang merupakan distribusi chi-square dengan d.f. = 1 dan nilai variabel tidak bernilai negatif. Karakteristik dari chi-square yaitu nilainya selalu positif karena nilai chi-square adalah nilai kuadrat.

October 16, 2020

Crosstabs (skripsi dan tesis)

Crosstabs atau tabulasi silang merupakan suatu metode analisis deskriptif yang berbentuk tabel, dimana menampilkan tabulasi silang atau tabel kontingensi yang digunakan untuk mengidentifikasi serta mengetahui apakah ada korelasi atau hubungan sebab-akibat antara satu variabel dengan variabel yang lainnya ke dalam suatu matriks. Hasil crosstabs disajikan ke dalam suatu tabel dengan variabel yang tersusun sebagai kolom dan baris serta berisi nilai frekuensi dan persentase. Tabel yang dianalisis pada crosstabs ini adalah hubungan antara variabel dalam baris dengan variabel dalam kolom. Penyajian data pada umumnya adalah data kualitatif. Ciri dari penggunaan crosstabs yaitu data input yang pada umumnya berskala nominal atau ordinal. Pembuatan crosstabs dapat disertai dengan pengolahan atau perhitungan tingkat keeratan hubungan (asosiasi) antar variabel pada crosstabs. Alat statistik yang sering digunakan untuk menguji ada tidaknya hubungan antara baris dan kolom dari sebuah crosstabs adalah uji chi-square. Selain uji chi-square, ada beberapa alat uji lainnya yang dapat digunakan seperti kendall, kappa, dan lain sebagainya

October 16, 2020

Uji Tanda (Sign Test) (skripsi dan tesis)

Uji tanda atau sign test merupakan uji non-parametrik yang digunakan untuk menguji ada tidaknya perbedaan dari dua buah populasi yang saling berkorelasi, dimana datanya memiliki skala pengukuran ordinal. Metode analisis ini menggunakan data yang dinyatakan dalam bentuk tanda (+) positif dan (-) negatif dari perbedaan antara pengamatan yang berpasangan. Sedangkan nilai 0 tidak diikut sertakan dalam analisis karena nilai 0 berarti tidak terdapat perubahan sebelum dan sesudah perlakuan. Pada prinsipnya, uji tanda memiliki tujuan untuk menghitung selisih nilai dari kedua pasang sampel. Apabila Ho diterima, maka jumlah selisih pasangan data yang positif kurang lebih akan sama dengan pasangan data yang negatif, sehingga sangat diharapkan jumlah selisih pasangan data yang positif dan negatif adalah setengah dari total sampel yang ada. Sedangkan Ho ditolak, jika jumlah selisih pasangan data yang negatif dengan data yang positif memiliki perbedaan nilai yang sangat tingg

October 16, 2020

Ciri-Ciri Statistik Non-Parametrik (skripsi dan tesis)

Dalam menganalisis data tentunya harus mengetahui ciri-ciri dari statistik yang akan digunakan agar dapat lebih mudah dalam menentukan uji yang cocok untuk digunakan pada kasus tersebut. Berikut ciri-ciri dari statistik non-parametrik: a. Data tidak berdistribusi normal b. Umumnya data berskala nominal dan ordinal c. Umumnya dilakukan pada penelitian sosial d. Umumnya jumlah sampel kecil

October 16, 2020

Pengelompokan Kategori Statistik Non-Parametrik (skripsi dan tesis)

Dalam statistik non-parametrik terdapat pengelompokan yang didasarkan dari kriteria sampel yang diambil pada saat penelitian yaitu sampel tunggal, sampel independen, dan sampel dependen. Adapun penjelasan dari masing-masing kriteria sampel adalah sebagai berikut: a. Sampel Tunggal Sampel tunggal digunakan untuk menduga dan menguji hipotesis dari parameter yang ada, contohnya pengukuran nilai sentral. Pada statistik nonparametrik uji yang digunakan untuk menduga nilai sentral, seperti uji tanda (sampel tunggal) dan uji Wilcoxon. Selain itu, terdapat juga prosedur nonparametrik lainnya, antara lain uji binomial yang digunakan untuk pengukuran proporsi populasi, uji Trend untuk mengetahui kencenderungan dari populasi yang ada, dan uji Cox-Stuart untuk menguji data berdasarkan waktu. b. Sampel Independen Sampel independen memiliki kegunaan untuk membandingkan antara dua variabel yang terukur dari sampel yang bebas. Pengambilan sampel ini berasal dari dua populasi. Pada statistik parametrik dapat menggunakan uji t untuk membandingkan nilai mean dari dua kelompok independen, sedangkan alternatif pengujian dalam statistik non-parametrik dapat menggunakan uji, antara lain Wald-Wolfowitz Runs test, Mann-Whitney U-test, dan KolmogorovSmirnov Two-Sample test.

Namun, apabila ingin membandingkan lebih dari dua populasi maka digunakanlah analisis satu arah bertingkat dengan Median test dan Kruskal-Wallis test. c. Sampel Dependen Sampel dependen pada dasarnya digunakan untuk membandingkan dua variabel yang terukur dari sampel yang berhubungan. Dalam statistik nonparametrik, misalnya untuk mengetahui perbedaan produktivitas kerja, dengan melakukan pengukuran pada sampel pekerja sebelum mendapatkan pelatihan dengan sampel pekerja sesudah mendapatkan pelatihan. Hal seperti ini dapat dilakukan dengan menggunakan pengujian Sign Test dan Wilcoxon’s Matched Pairs Test. Namun jika variabel memiliki sifat yang dikotomi, maka dapat digunakan pengujian McNemar’s Chi-square Test. Selain itu, apabila ternyata terdapat lebih dari dua variabel yang diteliti maka pengujian yang tepat digunakan yaitu Friedman’s two-way analysis of variance dan Cochran Q test

October 16, 2020

Dasar Statistika (skripsi dan tesis)

Pada dasarnya statistika terbagi menjadi dua yakni stastika deskriptif dan statistika inferensial. Statistika inferensial terbagi menjadi dua yaitu statistik parametrik dan statistik non-parametrik. Statistik non-parametrik merupakan analisis yang tidak menggunakan parameter seperti yang terdapat pada statistik non-parametrik, misalnya: mean, standar deviasi, dan variansi. Statistik nonparametrik juga sering disebut dengan metode distribusi bebas. Statistik nonparametrik menjadi alternatif dari statistik parametrik ketika asumsi-asumsi yang mendasari dalam statistik parametrik tidak dapat terpenuhi, sebab metode ini tidak memerlukan asumsi atau mengabaikan asumsi-asumsi yang menjadi landasan metode statistika parametrik terutama yang berkaitan dengan distribusi normal. Selain itu, statistik non-parametrik digunakan pada data yang berskala nominal dan ordinal serta populasi yang bebas distribusi. Semua permasalahan statistik sebenarnya dapat diselesaikan dengan statistik non-parametrik. Namun harus dipahami bahwa tidak semua permasalahan statistik dapat diselesaikan dengan menggunakan statistik parametrik sehingga harus menggunakan statistik non-parametrik.

October 16, 2020

Software IBM SPSS (skripsi dan tesis)

Santoso (2010) berpendapat bahwa software SPSS dapat dijadikan sebagai alternatif pengguna untuk mengolah data dan menginterpretasi output dengan mudah dalam menyelesaikan permasalahan pada metode non-parametrik. SPSS (Statistical Product and Service Solution) merupakan program aplikasi bisnis yang berguna untuk melakukan perhitungan atau menganalisa data statistik dengan menggunakan komputer. Dalam SPSS yang perlu dilakukan untuk memulai menganalis data yaitu mendesain variabel yang akan dianalisis, memasukkan data, dan melakukan perhitungan sesuai dengan tahapan yang ada pada menu yang tersedia. SPSS memiliki berbagai macam fitur yang ditawarkan untuk mengolah data dalam berbagai kasus, seperti: a. IBM SPSS Data Collection : untuk pengumpulan data b. IBM SPSS Statistics : untuk menganalisis data c. IBM SPSS Modeler : untuk memprediksi trend d. IBM Analytical Decision Management : untuk pengambilan keputusan SPSS banyak diaplikasikan serta digunakan oleh pengguna di segala bidang bisnis, perkantoran, pendidikan, dan penelitian. Secara spesifik, pemanfaatan program ini digunakan untuk riset pemasaran, penilaian kredit, peramalan bisnis, penilaian kepuasan konsumen, pengendalian, serta pengawasan dan perbaikan mutu suatu produk. Keunggulan dari SPSS dibandingkan dengan program yang lainnya adalah kemudahan dalam memasukkan data, kemudahan dalam mengolah data dengan hanya memilih uji statistik yang sudah tersedia, cepat dalam menampilkan output, dan output mudah untuk dipahami, dibaca, dan dicetak. Selain itu, SPSS mampu mengakses data dari berbagai macam format data yang tersedia seperti base, lotus, access, text file, spreadsheet, bahkan mengakses database melalui ODBD (Open Data Base Connectivity) sehingga 18 data yang berbagai macam format dapat langsung terbaca SPSS yang selanjutnya untuk dianalisis. SPSS dapat menguji data yang berjenis data kualitatif maupun data kuantitatif. Informasi yang diberikan oleh SPSS sangatlah akurat, hal ini dapat dilihat dengan memperlakukan missing data secara tepat yaitu dengan memberi alasannya misalnya pernyataan atau pertanyaan yang tidak relevan dengan kondisi responden, pernyataan atau pertanyaan tidak dijawab oleh responden, maupun ada pernyataan atau pertanyaan yang memang harus dilompati. Statistik yang termasuk software dasar SPSS, yakni: a. Statistik Deskriptif (Frekuensi, Deskripsi, Tabulasi Silang, Penelusuran, dan Statistik Deskripsi Rasio) b. Statistik Bivariat (Rata-Rata, ANOVA, t-test, Korelasi (Bivariat, Persial, Jarak), dan NonParametrik Test) c. Prediksi Hasil Numerik (Regresi Linear) d. Prediksi untuk mengidentifikasi kelompok (Diskriminan, Analisis Cluster (Two-Step, K-means, Hierarkis), dan Analisis Faktor)

October 16, 2020

Sumber Data (skripsi dan tesis)

Berdasarkan sumbernya, data penelitian dapat dikelompokkan menjadi dua jenis yaitu:

a. Data Primer Merupakan data yang diperoleh atau dikumpulkan oleh peneliti secara langsung dari sumber data utama. Data primer biasa disebut juga data asli yang memiliki sifat up to date. Teknik yang dapat digunakan peneliti untuk mengumpulkan data primer dengan cara seperti wawancara, observasi, dan penyebaran kuesioner.

b. Data Sekunder Merupakan data yang diperoleh atau dikumpulkan oleh peneliti dari berbagai sumber yang telah ada. Data sekunder dapat diperoleh dari berbagai sumber seperti pusat statistik, buku, laporan, makalah, jurnal, dan lain sebagainya

October 16, 2020

Metode Pengambilan Sampel (skripsi dan tesis)

Sampling adalah cara pengumpulan data dengan hanya elemen sampel yang diteliti, hasilnya merupakan data perkiraan atau estimate, bukan data sebenarnya. Sedangkan teknik sampling adalah suatu teknik pengambilan sampel (Sugiyono, 2013). Alasan teknik sampling lebih sering digunakan karena lebih menghemat waktu, biaya, serta tenaga, terkadang tidak diketahui objek secara keseluruhan, dan sering terjadi kesalahan dalam pengumpulan data dikarenakan banyak objek atau elemen yang harus diteliti. Suatu keputusan yang didasarkan atas data perkiraan hasil penelitian sampel akan selalu menimbulkan resiko. Resiko ini tidak dapat dihindari namun hanya dapat diperkecil dengan jalan memperkecil kesalahan sampling yaitu dengan memilih sampling yang tepat yang dapat mewakili populasi dari sampel yang diambil. Pada dasarnya teknik sampling dapat dikelompokkan menjadi dua macam yaitu probability sampling dan non-probability sampling. a. Metode dalam probability sampling i. Simple Random Sampling ii. Proportionate Stratified Sampling iii. Disproportionate Stratified Random Sampling iv. Cluster Sampling 13 b. Metode dalam non-probability sampling i. Sampling Sistematis ii. Sampling Kuota iii. Sampling Insidental iv. Sampling Jenuh v. Purposive Sampling vi. Snowball Sampling

October 16, 2020

Kuesioner (skripsi dan tesis)

Kuesioner merupakan teknik pengumpulan data yang dilakukan dengan cara memberi suatu pernyataan atau pertanyaan tertulis kepada responden (Sugiyono, 2013). Kuesioner berdasarkan bentuknya terbagi menjadi dua jenis, yaitu: a. Kuesioner Tertutup Kuesioner yang menyajikan pertanyaan dan alternatif pilihan jawaban sehingga responden hanya dapat memberikan tanggapan yang terbatas pada pilihan yang telah diberikan. Contoh dari kuesioner tertutup ini yaitu penilaian pelayanan pada sebuah cafe dan diberikan beberapan alternatif pilihan jawaban seperti sangat baik, baik, cukup, dan buruk. b. Kuesioner Terbuka Kuesioner yang memberikan kebebasan bagi responden untuk memberikan jawaban atau tanggapan atas pertanyaan yang telah diberikan, biasanya responden dapat menulis sendiri jawabannya berupa uraian. Contoh dari kuesioner terbuka yaitu “menurut anda seberapa pentingkah penggunaan smartphone?”. Penggunaan kuesioner banyak digunakan oleh peneliti karena dianggap lebih efektif dan efisien untuk mengumpulkan data dari responden yang jumlahnya besar dan dalam ruang lingkup wilayah penelitian yang luas

October 16, 2020

Penentuan Ukuran Sampel (skripsi dan tesis)

Ukuran sampel merupakan banyaknya individu, subjek, atau elemen dari populasi yang diambil sebagai sampel. Menurut Sugiyono (2013) mendefinisikan populasi adalah wilayah generalisasi yang terdiri atas objek atau subyek yang memiliki kualitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan ditarik kesimpulan. Sedangkan sampel adalah bagian dari beberapa anggota yang dipilih dari populasi (Sekaran dan Bougie, 2010). Apabila ukuran sampel yang diambil terlalu besar atau terlalu kecil maka akan menjadi masalah dalam penelitian. Sampel yang baik yaitu sampel yang memberikan pencerminan optimal atau dapat mewakili terhadap populasinya (representative). Berikut pendapat para ahli tentang ukuran sampel: a. Gay dan Diehl (1992) mengasumsikan bahwa semakin banyak sampel yang diambil maka akan semakin representative dan hasilnya dapat di genelisir atau dapat diterima, namun akan sangat bergantung pada jenis penelitiannya. i. Penelitian bersifat deskriptif maka sampel minimumnya sebesar 10% dari populasi. ii. Penelitan yang bersifat korelasional maka sampel minimumnya 30 subyek. iii. Penelitian kausal-perbandingan maka sampelnya sebanyak 30 subyek per grup. iv. Sedangkan penelitian ekperimental maka sampel minimumnya sebanyak 15 subyek per grup. b. Roscoe (1975) menentukan ukuran sampel yang tepat yaitu sebesar ≥30 dan ≤500 sampel dan jika sampel dipecah ke dalam sub-sampel maka ukuran sampel minimum 30 untuk setiap kategori yang ada. Sugiyono (2013) menambahkan bahwa untuk penentuan jumlah sampel dari populasi tertentu yang dikembangkan dari Isaac dan Michael untuk tingkat kesalahan sebesar 1%, 5%, dan 10%.

October 16, 2020

Statistik Nonparametrik (skripsi dan tesis)

Pengertian

Statistik Non-Parametrik, yaitu statistik bebas sebaran (tidak mensyaratkan bentuk sebaran parameter populasi, baik normal atau tidak). Selain itu, statistik non-parametrik biasanya menggunakan skala pengukuran sosial, yakni nominal dan ordinal yang umumnya tidak berdistribusi normal.

Syarat statistik non-parametrik
Data tidak berdistribusi normal
Umumnya data berskala nominal dan ordinal
Umumnya dilakukan pada penelitian social
Umumnya jumlah sampel kecil
Contoh metode statistik non-parametrik :
Uji tanda (sign test)
Rank sum test (wilcoxon)
Rank correlation test (spearman)
Fisher probability exact test.
Chi-square test, dll
Keunggulan dan kelemahan statistik non-parametrik
Keunggulan :

1) Tidak membutuhkan asumsi normalitas.

2) Secara umum metode statistik non-parametrik lebih mudah dikerjakan dan lebih mudah dimengerti jika dibandingkan dengan statistik parametrik karena ststistika non-parametrik tidak membutuhkan perhitungan matematik yang rumit seperti halnya statistik parametrik.

3) Statistik non-parametrik dapat digantikan data numerik (nominal) dengan jenjang (ordinal).

4) Kadang-kadang pada statistik non-parametrik tidak dibutuhkan urutan atau jenjang secara formal karena sering dijumpai hasil pengamatan yang dinyatakan dalam data kualitatif.

5) Pengujian hipotesis pada statistik non-parametrik dilakukan secara langsung pada pengamatan yang nyata.

6) Walaupun pada statistik non-parametrik tidak terikat pada distribusi normal populasi, tetapi dapat digunakan pada populasi berdistribusi normal.

Kelemahan

1) Statistik non-parametrik terkadang mengabaikan beberapa informasi tertentu.

2) Hasil pengujian hipotesis dengan statistik non-parametrik tidak setajam statistik parametrik.

3) Hasil statistik non-parametrik tidak dapat diekstrapolasikan ke populasi studi seperti pada statistik parametrik. Hal ini dikarenakan statistik non-parametrik mendekati eksperimen dengan sampel kecil dan umumnya membandingkan dua kelompok tertentu

October 16, 2020

Statistik Parametrik (skripsi dan tesis)

Pengertian

Statistik Parametrik, yaitu ilmu statistik yang mempertimbangkan jenis sebaran atau distribusi data, yaitu apakah data menyebar secara normal atau tidak.

Statistik parametrik digunakan untuk menguji hipotesis dan variabel yang terukur. Dengan kata lain, data yang akan dianalisis menggunakan statistik parametrik harus memenuhi asumsi normalitas. Pada umumnya, jika data tidak menyebar normal, maka data seharusnya dikerjakan dengan metode statistik non-parametrik, atau setidak-tidaknya dilakukan transformasi terlebih dahulu agar data mengikuti sebaran normal, sehingga bisa dikerjakan dengan statistik parametrik.

Syarat-syarat statistik parametrik :
Data dengan skala interval dan rasio
Data menyebar/berdistribusi normal
Contoh metode statistik parametrik :
Uji-z (1 atau 2 sampel)
Uji-t (1 atau 2 sampel)
Korelasi pearson,
Perancangan percobaan (one or two-wayanova parametrik), dll.
Keunggulan dan kelemahan statistik parametrik
Keunggulan

1) Syarat syarat parameter dari suatu populasi yang menjadi sampel biasanya tidak diuji dan dianggap memenuhi syarat, pengukuran terhadap data dilakukan dengan kuat.

2) Observasi bebas satu sama lain dan ditarik dari populasi yang berdistribusi normal serta memiliki varian yang homogen.

Kelemahan

1) Populasi harus memiliki varian yang sama.

2) Variabel-variabel yang diteliti harus dapat diukur setidaknya dalam skala interval.

3) Dalam analisis varian ditambahkan persyaratan rata-rata dari populasi harus normal dan bervarian sama, dan harus merupakan kombinasi linear dari efek-efek yang ditimbulkan.

October 16, 2020

Kelemahan Tes Statistik Non Parametrik (skripsi dan tesis)

Jika data telah memenuhi semua anggapan model statistik parametrik, dan jika pengukurannya mempunyai kekuatan seperti yang dituntut, maka penggunaan tes statistik non parametrik akan merupakan penghamburan data. Misal : kita ingat bahwa bila suatu tes statistik non parametrik memiliki kekuatan efisiensi besar, katakanlah 90%, ini berarti bahwa kalau semua syarat tes statistik parametrik dipenuhi, maka tes statistik parametrik yang sesuai akan efektif dengan sampel yang 10% lebih kecil daripada yang digunakan dalam tes statistik non parametrik.
Belum ada satupun metode statistik non parametrik untuk menguji interaksi-interaksi dalam model analisis varian (ANOVA), kecuali kita berani membuat anggapan-anggapan khusus tentang aditivitas.

Contoh penggunaan statistik non parametrik seperti pada uji t pada parametrik digantikan menjadi uji Mannn Whitney ataupun Wilcoxon pada non parametrik dan uji F pada parametrik digantikan oleh uji Kruskal Wallis pada non parametrik, dll.

October 16, 2020

Keuntungan Tes Statistik Non Parametrik (skripsi dan tesis)

Pernyataan kemungkinan yang diperoleh dari sebagian besar tes statistik non parametrik adalah kemungkinan-kemungkinan yang eksak, tidak peduli bagaimana bentuk distribusi populasi yang merupakan induk sampel-sampel yang kita tarik.
Jika sampelnya sekecil N = 6, hanya tes statistik non parametrik yang dapat digunakan kecuali kalau sifat distribusi populasinya diketahui secara pasti.
Terdapat tes statistik non parametrik untuk menggarap sampel-sampel yang terdiri dari observasi-observasi dari beberapa populasi yang berlainan. Tidak ada satupun di antara tes parametrik dapat digunakan untuk data semacam itu tanpa menuntut kita untuk membuat anggapan-anggapan yang nampak tidak realistis.
Tes statistik non parametrik dapat untuk menggarap data yang pada dasarnya merupakan ranking dan juga untuk data yang skor-skor keangkaanya secara sepintas kelihatan memiliki kekuatan ranking. Jika data pada dasarnya berupa ranking atau bahkan data itu hanya bisa diikategorikan sebagai plus (+) atau minus (-), data tersebut dapat digarap dengan menggunakan statistik non parametrik.
Metode statistik non parametrik dapat digunakan untuk menggarap data yang hanya merupakan klasifikasi semata, yakni yang diukur dalam skala nominal.

October 16, 2020

Pengertian Statistik Non-Parametrik (skripsi dan tesis)

Tes statistik non parametrik adalah tes yang modelnya tidak menetapkan syarat-syarat mengenai parameter-parameter populasi yang merupakan induk sampel penelitiannya. Tes non parametrik tidak menuntut pengukuran sekuat yang dituntut tes statistik parametrik. Sebagian besar tes non parametrik dapat diterapkan untuk data dalam skala ukur ordinal dan beberapa yang lain dapat diterapkan untuk data dalam skala ukur nominal.

Meskipun semua anggapan tes parametrik mengenai populasi dan syarat-syarat mengenai kekuatan pengukuran dipenuhi (5 poin syarat parametrik), kita ketahui bahwa dengan memperbesar ukuran sampel dengan banyak elemen yang sesuai dapat menggunakan suatu tes non parametrik sebagai ganti tes parametrik dengan masih mempertahankan kekuatan yang sama untuk menolak H0.

October 16, 2020

Statistik Parametrik (skripsi dan tesis)

Pengujian data melalui statistik parametrik disyarati dengan adanya sejumlah anggapan-anggapan yang kuat yang mendasari penggunaanya. Manakala anggapan-anggapan itu terpenuhi, pengujian-pengujian parametrik inilah yang paling besar kemungkinannya untuk menolak H0 ketika H0 salah. Artinya, kalau data penelitian dianalisis secara tepat dengan pengujian parametrik, pengujian tersebut akan lebih kuat dari pengujian mana pun dalam hal penolakan terhadap H0 jika H0 salah. Oleh karenanya dalam penggunaan pengujian statistik parametrik perlu dipenuhi beberapa unsur-unsur dari model pengujian dengan statistik parametrik, diantaranya :

Objek pengamatan harus saling independen. Artinya pemilihan sembarang kasus dari populasi untuk dimasukan dalam sampel tidak boleh menimbulkan bias pada kemungkinan-kemungkinan bahwa kasus yang lain akan termasuk juga dalam sampel tersebut dan juga skor yang diberikan pada suatu kasus tidak boleh mempengaruhi skor yang diberikan kepada kasus lainnya.
Objek pengamatan harus ditarik dari populasi yang berdistribusi normal.
Populasi-populasi di mana objek pengamatan ditarik harus memiliki varians yang sama.
Variabel-variabel yang terlibat harus setidaknya dalam skala interval, sehingga memungkinkan digunakannya penanganan secara ilmu hitung terhadap skor-skornya (menambah, membagi, menemukan rata-rata, dst)
Rata-rata populasi normal dan bervarians sama itu harus juga merupakan kombinasi linier dari efek-efek yang ditimbulkan. Artinya, efek-efek itu harus bersifat penjumlahan. (khusus dalam analisis varians atau uji F)

Kalau kita cukup mempunyai alasan untuk percaya bahwa persyaratan tersebut terpenuhi oleh data yang sedang dianalisis, tentu kita akan memilih suatu tes statistik parametrik, untuk menganalisis data. Pemilihan ini adalah paling baik, sebab tes parametrik akan merupakan tes paling kuat untuk menolak H0 manakala H0 memang harus ditolak.

Contoh penggunaan statistik parametrik seperti pada uji t dan F, yang aplikasinya banyak diterapkan semisal pada analisi regresi, path analisis, rancangan percobaan, analisis faktor (CFA), struktural equation modeling (SEM), dll.

October 11, 2020

Model Persamaan Struktural (skripsi dan tesis)

Persamaan struktural atau juga disebut model struktural yaitu apabila setiap variabel endogen (endogenous) secara unik keadaannya ditentukan oleh seperangkat variabel eksogen (exogenous). Selanjutnya gambar meragakan struktur hubungan kausal antar variabel disebut diagram jalur. Jadi, persamaan ini Y=F(X1; X2; X3) dan Z=F(X1; X3;Y) merupakan persamaan struktural karena setiap persamaan menjelaskan hubungan kausal yaitu variabel eksogen X1, X2, dan X3 terhadap variabel endogen Y dan Z Persamaan model struktural untuk diagram jalur, yaitu: Jadi, secara sistematik analisis jalur mengikuti pola model struktural, sehingga langkah awal untuk mengerjakan atau penerapan model analisis jalur yaitu dengan merumuskan persamaan struktural dan diagram jalur yang berdasarkan kajian teori tertentu yang telah diuraikan.

October 11, 2020

Model Analisis Jalur (skripsi dan tesis)

Sebelum menghitung koefisien jalur yang didasarkan pada koefisien regresi, diagram jalur terlebih dahulu dibuatkan dengan lengkap. Adapun model diagram jalur dan persamaan struktural yang paling sederhana sampai dengan yang lebih rumit di antaranya:

1. Model Regresi Berganda Model ini merupakan pengembangan regresi berganda dengan menggunakan dua variabel exogenous, yaitu X1 dan X2 dengan satu variabel endogenous Y

2. Model Mediasi Model mediasi atau perantara di mana variabel Y memodifikasi pengaruh variabel X terhadap variabel Z

3. Model Kombinasi Model ini merupakan kombinasi model regresi berganda dan model mediasi, yaitu variabel X berpengaruh terhadap variabel Z secara langsung dan secara tidak langsung mempengaruhi variabel Z melalui variabel Y.

4 Model Kompleks Model ini merupakan model yang lebih kompleks, yaitu variabel X1 secara langsung mempengaruhi variabel Y2 dan melalui variabel X2 secara tidak langsung mempengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh variabel Y1.

5. Model Rekursif dan Model Non Rekursif

Dari sisi pandang arah sebab-akibat, ada dua tipe model jalur, yaitu rekursif dan non rekursif. Model tersebut dapat diterangkan sebagai berikut: – Anak panah menuju satu arah, yaitu dari 1 ke 2, 3, dan 4; dari 2 ke 3 dan dari 3 menuju ke 4. Tidak ada arah yang terbalik, misalnya dari 4 ke 1. – Hanya terdapat satu variabel exogenous, yaitu 1 dan tiga variabel endogenous, yaitu 2, 3, dan 4. Masing-masing variabel endogenous diterangkan oleh variabel 1 dan error (e1, e2, e3). – Satu variabel endogenous dapat menjadi penyebab variabel endogenous lainnya, tetapi bukan ke variabel exogenous. Model non rekursif terjadi jika anak panah tidak searah atau terjadi arah yang terbalik (looping), misalnya dari 4 ke 3 atau dari 3 ke 1 dan 2, atau bersifat sebabakibat (reciprocal cause). Ada tiga tipe model dalam model rekursif dan non rekursif, yaitu

October 11, 2020

Beberapa Istilah dalam Analisis Jalur (skripsi dan tesis)

Model jalur adalah ialah suatu diagram yang menghubungkan antara variabel bebas, perantara dan terikat. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak panah-anak panah tunggal menunjukkan hubungan sebabakibat antara variabel-variabel bebas (exogenous) atau perantara dengan satu variabel dengan variabel terikat atau lebih. Anak panah juga menghubungkan kesalahan (variable residue) dengan semua variabel terikat (endogenous) masingmasing. Anak panah ganda menunjukkan korelasi antara pasangan variabelvariabel exogeneus. Variabel exogenous dalam suatu model jalur ialah semua variabel yang tidak ada penyebab-penyebab eksplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju ke arahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel exogenous dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah dengan kepala dua yang menghubungkan variabel-variabel tersebut. Variabel endogenous ialah variabel yang mempunyai anak-anak panah menuju ke arah variabel tersebut. Variabel yang termasuk di dalamnya ialah mencakup semua variabel perantara dan terikat. Variabel perantara endogenous mempunyai anak panah yang menuju ke arahnya dan dari arah variabel tersebut dalam suatu model diagram jalur. Adapun variabel tergantung hanya mempunyai anak panah yang menuju ke arahnya. Koefisien jalur adalah koefisien regresi standar atau disebut „beta‟ yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel terikat dalam suatu model jalur tertentu. Oleh karena itu, jika suatu model mempunyai dua atau lebih variabel-variabel penyebab, maka koefisien-koefisien jalurnya merupakan koefisien-koefisien regresi parsial yang mengukur besarnya pengaruh satu variabel terhadap variabel lain dalam suatu model jalur tertentu yang mengontrol dua variabel lain sebelumnya dengan menggunakan data yang sudah distandarkan atau matriks korelasi sebagai masukan. Jenis pengaruh dalam analisis jalur yaitu Direct Effect (DE) dan Indirect Effect (IE). Direct Effect (DE) adalah pengaruh langsung yang dapat dilihat dari koefisien dari satu variabel ke variabel lainnya, dan Indirect Effect (IE) adalah urutan jalur melalui satu atau lebih variabel perantara.

October 11, 2020

Manfaat Analisis Jalur (skripsi dan tesis)

Manfaat model analisis jalur di antaranya adalah: 1. Untuk penjelasan terhadap fenomena yang dipelajari atau permasalahan yang diteliti. 2. Prediksi nilai variabel terikat (Y) berdasarkan nilai variabel bebas (X), dan prediksi dengan analisis jalur ini bersifat kualitatif. 3. Faktor dominan terhadap variabel terikat (Y) dapat digunakan untuk menelusuri mekanisme pengaruh variabel bebas (X) terhadap variabel (Y). 4. Pengujian model mengggunakan teori trimming baik untuk uji reliabilitas konsep yang sudah ada ataupun uji pengembangan konsep baru.

October 11, 2020

Asumsi-asumsi Analisis Jalur (skripsi dan tesis)

Sebelum melakukan analisis, ada beberapa prinsip dasar atau asumsi yang mendasari analisis jalur, yaitu: 1. Pada model analisis jalur, hubungan antar variabel adalah bersifat linier, adaptif, dan bersifat normal. 2. Hanya sistem aliran kausal ke satu arah artinya tidak ada arah kausalitas yang berbalik. 3. Variabel terikat (endogen) minimal dalam skala ukur interval dan ratio. 4. Menggunakan sampel probability sampling yaitu teknik pengambilan sampel untuk memberikan peluang yang sama pada setiap anggota populasi untuk dipilih menjadi anggota sampel. 5. Variabel observasi diukur tanpa kesalahan (instrumen pengukuran valid dan reliabel) artinya variabel yang diteliti dapat diobservasi secara langsung. 6. Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar berdasarkan teori-teori dan konsep-konsep yang relevan artinya model teori yang dikaji atau diuji dibangun berdasarkan kerangka teoritis tertentu yang mampu menjelaskan hubungan kausalitas antar variabel yang diteliti.

October 10, 2020

Manfaat Analisis Jalur (skripsi dan tesis)

October 10, 2020

Asumsi-asumsi Analisis Jalur (skripsi dan tesis)

October 10, 2020

Pengertian Analisis Jalur (skripsi dan tesis)

Analisis jalur dikenal dengan path analysis dikembangkan pertama tahun 1920-an oleh seorang ahli genetika yaitu Sewall Wright. Analisis jalur sebenarnya sebuah teknik yang merupakan pengembangan korelasi yang diurai menjadi beberapa interpretasi akibat yang ditimbulkannya. Teknik ini juga dikenal sebagai model sebab-akibat (causing modeling). Definisi analisis jalur, di antaranya: “Analisis jalur ialah suatu teknik untuk menganalisis hubungan sebab akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel tergantungnya tidak hanya secara langsung, tetapi juga secara tidak langsung” (Robert D. Rutherford, 1993). Definisi lain mengatakan “Analisis jalur merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikansi (significance) hubungan sebab akibat hipotetikal dalam seperangkat variabel” (Paul Webley, 1997). Model analisis jalur digunakan untuk menganalisis pola hubungan antar variabel dengan tujuan untuk mengetahui pengaruh langsung maupun tidak langsung seperangkat variabel bebas (eksogen) terhadap variabel terikat (endogen). Model analisis jalur yang dibicarakan adalah pola hubungan sebab akibat. Oleh karena itu rumusan masalah penelitian dalam kerangka analisis jalur hanya berkisar pada variabel bebas (X1, X2, …, Xk) berpengaruh terhadap variabel terikat Y, atau berapa besar pengaruh kausal langsung, kausal tidak langsung, kausal total maupun simultan seperangkat variabel bebas (X1, X2, …, Xk) terhadap variabel terikat Y

October 10, 2020

Uji Kesesuaian dan Uji Statistik (skripsi dan tesis)

Menurut Schumaker dan Lomax, 1996: 124 – 126) untuk mengetahui apakah model cocok dengan data digunakan kriteria sebagai berikut: a. P > α model cocok dengan data Menurut Joreskog (dalam Ghozali, 2008: 32), bila nilai P-values for test of close fit (RMSEA < 0,05) lebih besar daripada 0,05 maka model dikatakan fit. b. GFI (Goodness of Fit Index) Goodness of Fit Index (GFI) merupakan suatu ukuran mengenai ketepatan model dalam menghasilkan observed matriks kovariansi. Nilai GFI harus berkisar antara 0 dan 1. Nilai GFI yang lebih besar daripada 0,9 menunjukkan fit suatu model yang baik. c. RMSEA (Root Mean Square Error of Approximation) Makin kecil kecocokan model dengan data makin baik. Nilai RMSEA yang kurang daripada 0,05 mengindikasikan adanya model fit ( Byrne dalam Ghozali, 2008: 32). RMSEA digunakan untuk mengukur penyimpangan nilai parameter pada suatu model dengan matriks kovarians ( Brown dan Cudec dalam Ghozali, 2008: 31). Nilai RMSEA yang berkisar antara 0,01 sampai dengan 0,08 menyatakan bahwa model fit yang cukup (MacCallum et all dalam Ghozali, 2008: 32)

October 10, 2020

Pembagian Lisrel (skripsi dan tesis)

Setiap file dalam Lisrel mengandung 4 bagian, yaitu: 1. Title: Judul 2. Data Specification: Spesifikasi Data 3. Model Specification: Spesifikasi Model 4. Output Specification: Spesifikasi Keluaran Untuk menggunakan Lisrel dengan baik, user harus mengetahui bahasa yang digunakan sebagai input. Ada dua bahasa yang dapat digunakan dalam Lisrel sebagai input yaitu bahasa Lisrel dan bahasa Simplis. Kedua jenis bahasa tersebut memiliki hasil yang relatif sama, namun dengan Lisrel pemodelan dapat dilakukan dengan hati-hati karena semua matrik yang akan diestimasi dipersiapkan terlebih dahulu. Untuk memudahkan aplikasi Lisrel, evaluasi serta menjaga kehati-hatian, sebelum menjalankan Lisrel sebaiknya dipersiapkan terlebih dahulu diagram jalur dan matrik yang dibutuhkan

October 10, 2020

Pengenalan Lisrel (skripsi dan tesis)

Menurut Chaniago (2008), lisrel merupakan singkatan dari Linear Structural Relationship juga merupakan program yang banyak digunakan untuk causal modeling. Hal ini disebabkan selain kemampuan Lisrel dalam mengestimasi berbagai masalah dalam model sebab akibat, tampilan Lisrel juga paling informatif dalam menyajikan hasil-hasil statistik. Lisrel adalah sebuah software yang dikembangkan khusus untuk menangani permasalahan causal modeling. Lisrel dikembangkan oleh dua orang ahli psikologi pendidikan yaitu Prof. Karl Joreskog dan Prof. Dag Sorbom pada tahun 1993 (Hisyam, 2009)

October 10, 2020

Uji Kesesuaian dan Uji Statistik (skripsi dan tesis)

a. χ 2 – Chi Square Statistic Semakin kecil nilai χ 2 semakin baik model itu dan diterima berdasarkan probabilitas dengan cut-off value sebesar p > 0,05 atau p > 0,10

b. RMSEA (The Root Mean Square Error of Approximation) Merupakan suatu indeks yang digunakan untuk mengkonpen

sasi chisquare dalam sampel yang besar. c. GFI (Goodness of Fit Index) Merupakan ukuran non-statistical yang mempunyai rentang nilai antara 0 sampai dengan 1. Nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit”

. d. AGFI (Adjusted Godness of Fit Index) Merupakan kriteria yang memperhitungkan proporsi tertimbang dari varian dalam sebuah matrik kovarian sampel.

e. CMIN/DF (The Minimum Sample Discrepancy Functin Devided with degree of Freedom) Merupakan statistic chi-square χ 2 dibagi degree of freedom-nya sehingga disebut χ 2 relative.

f. TLI (Tucker Lewis Index) Merupakan incremental index yang membandingkan

sebuah model yang diuji terhadap sebuah baseline model.

g. CFI (Comparative Fit Index) Rentang nilai sebesar 0 – 1 dimana semakin mendekati 1, semakin mengindikasikan tingkat fit yang paling tinggi.

October 10, 2020

Menu Utama Amos (skripsi dan tesis)

Menurut Mustafa dan Wijaya (2012), pada bagian atas terdapat menu utama AMOS yang terdiri dari menu File, Edit, View, Diagram, Analyze, Tools, Plugins, dan Help. Setiap menu terdiri dari beberapa submenu:

1. Menu File Terdiri dari beberapa submenu yaitu submenu untuk membuat File baru (New, New with Template), membuka File yang sudah ada (Open, Retrieve Backup), menyimpan File (Save, Save as, Save as Template), membuka File Data ( Data Files), mencetak (Print), menelusuri atau browsing diagram path yang sudah ada atau tersimpan (Browse Path Diagrams). File Manager yang dapat digunakan untuk melihat jenis dan nama-nama file yang sudah ada, termasuk juga u

ntuk membuka dan menghapus file tersebut dan submenu untuk keluar dari Amos (Exit).

2. Menu Edit Terdiri dari beberapa submenu yang berguna untuk proses editing dengan fungsi utama mengopi gambar pada layar kerja (Copy to Clipboard), menghubungkan dengan data lain (Link), memindakan gambar (Move), merefleksikan indikator (Reflect), merotasi indikator (Rotate) dan menggeser (Drag) satu objek ke objek lainnya. Lebih lanjut akan dijelaskan dalam bagian penjelasan Toolbox yang lebih mempermudah pengoperasian Amos.

3. Menu View Submenu yang ada dalam menu View banyak digunakan dalam proses analisis dan permodelan.

4. Menu Diagram Terdiri dari beberapa submenu yang digunakan untuk membuat atau menggambarkan model atau diagram yang akan dianalisis.

5. Menu Analyze Terdiri dari beberapa submenu yang digunakan untuk memberikan perintah menjalankan analisis.

6. Menu Tools Terdiri dari beberapa submenu yang digunakan sebagai perlengkapan dalam mendukung proses pengolahan data dan tampilan seperti memberi kode, memilih karakter huruf.

7. Menu Plugins Terdiri dari beberapa submenu yang digunakan sebagai perlengkapan dalam melakukan analisis atau pembuatan model yang akan dianalisis seperti menggambar kovarian, menamakan parameter dan sebagainya.

8. Menu Help Terdiri dari beberapa submenu yang dapat dimanfaatkan untuk membantu memberi penjelasan apabila terdapat masalah dalam pengoperasian Amos serta dapat dihubungkan dengan jaringan internet atau web

October 10, 2020

Keunggulan Amos (skripsi dan tesis)

1. Perhitungan yang rumit akan jauh lebih mudah dilakukan dibandingkan dengan menggunakan perangkat lunak lainnya 2. Penggunaan Amos akan mempercepat dalam membuat spesifikasi, melihat serta melakukan modifikasi model secara grafik dengan menggunakan tool yang sederhana. 3. Proses perhitungan dan analisis menjadi lebih sederhana bahkan orang-orang awam yang bukan ahli statistik akan dapat menggunakan dan memahami dengan mudah. Adapun keunggulan lain yang dimiliki Amos bila dibandingkan dengan perangkat lunak lainnya yaitu sebagai berikut: a. Program dapat melakukan analisis dengan menggunakan data yang berasal dari beberapa populasi secara sekaligus. b. Dapat menangani missing data secara baik, yaitu dengan membuat estimasi yang didasarkan pada informasi maximum likelihood yang sempurna dan tidak hanya bersandar pada metode yang sudah ada, yaitu listwise, pairwise deletion, atau mean imputation. c. Dapat membuat estimasi rata-rata untuk variabel-variabel exogenous dan intercepts dalam persamaan regresi. d. Amos dapat juga membuat bootstrapped standard errors dan confidence intervals yang ada dalam semua estimasi parameter, rata-rata sampel, varian, kovarian dan korelasi. e. Dapat membuat percentile intervals dan bias-corrected percentile intervals. f. Model-model jamak dapat disesuaikan dengan menggunakan analisis tunggal. g. Dapat melakukan pemeriksaan setiap pasangan model dimana satu model diperoleh dengan membatasi parameter-parameter model lainnya. h. Dapat membuat laporan beberapa angka statistik yang cocok untuk dilakukan perbandingan untuk model-model tersebut. i. Amos juga menyediakan pengujian normalitas univariat untuk masing-masing variabel yang diobservasi dan juga pengujian normalitas multivariat serta dapat mendeteksi outliers. j. Amos dapat memahami diagram jalur sebagai spesifikasi model dan memperlihatkan estimasi-estimasi parameter secara grafis dalam model diagram jalur. Diagram-diagram jalur digunakan sebagai spesifikasi model dan gambar-gambar digram jalur tersebut dapat diimpor ke program Word

October 10, 2020

Pengenalan Amos (skripsi dan tesis)

Menurut Sarwono (2012), Amos merupakan singkatan dari Analisis of Moment Structures yang digunakan sebagai pendekatan umum analisis data dalam model sebab akibat (causal modeling). Amos dikembangkan oleh Arbuckle pada tahun 1994. Amos semula merupakan perangkat lunak komputasi statistic yang mandiri namun dalam perkembangannya saat ini Amos diambil alih oleh SPSS sehingga versi-versinya mengikuti perkembangan SPSS.

October 10, 2020

Keuntungan dan Kelemahan Analisis Jalur (skripsi dan tesis)

Menurut Sarwono (2012), keuntungan menggunakan analisis jalur diantaranya : 1. Kemampuan menguji model keseluruhan dan parameter-parameter individual. 2. Kemampuan pemodelan beberapa variabel mediator/perantara. 3. Kemampuan mengestimasi dengan menggunakan persamaan yang dapat melihat semua kemungkinan hubungan sebab akibat pada semua variabel dalam model. 4. Kemampuan melakukan dekomposisi korelasi menjadi hubungan yang bersifat sebab akibat (causal relation), seperti pengaruh langsung (direct effect) dan pengaruh tidak langsung (indirect effect) dan bukan sebab akibat (non-causal association), seperti komponen semu (spurious). Kelemahan menggunakan analisis jalur diantaranya : 1. Tidak dapat mengurangi dampak kesalahan pengukuran. 2. Analisis jalur hanya mempunyai variabel-variabel yang dapat diobservasi secara langsung. 3. Analisis jalur tidak mempunyai indikator-indikator suatu variabel laten. 4. Karena analisis jalur merupakan perpanjangan regresi linier berganda, maka semua asumsi dalam rumus ini harus diikuti. 5. Sebab akibat dalam model hanya bersifat searah (one direction), tidak boleh bersifat timbal balik (reciprocal).

October 10, 2020

Model Analisis Jalur (skripsi dan tesis)

Beberapa istilah dan defenisi dalam analisis jalur. (1) Dalam Analisis Jalur, kita hanya menggunakan sebuah lambung variabel, yaitu X. Untuk membedakan X yang satu dengan X yang lainnya, kita menggunakan subscript (indeks). Contoh: X1, X2, X3, ….. , Xk. (2) Kita membedakan dua jenis variabel, yaitu variabel variabel yang menjadi pengaruh (exogenous variable), dan variabel yang dipengaruhi (endogenous variable). (3) Lambang hubungan langsung dari eksogen ke endogen adalah panah bermata satu, yang bersifat recursive atau arah hubungan yang tidak berbalik/satu arah. (4) Diagram jalur merupakan diagram atau gambar yang mensyaratkan hubungan terstruktur antar variabel (Harun Al Rasyid, 2005). Ada beberapa model yang dapat digunakan,mulai dari yang paling sederhana sampai dengan yang lebih rumit, diantaranya:

a. Analisis Jalur Model Trimming

Model Trimming adalah model yang digunakan untuk memperbaiki suatu model struktur analisis jalur dengan cara mengeluarkan dari model variabel eksogen yang koefisien jalur diuji secara keseluruhan apabila ternyata ada variabel yang tidak signifikan. Walaupun ada satu, dua, atau lebih variabel yang tidak signifikan, perlu memperbaiki model struktur analisis jalur yang telah dihipotesiskan. b. Analisis Jalur Model Dekomposisi Model dekomposisi adalah model yang menekankan pada pengaruh yang bersifat kausalitas antar variabel, baik pengaruh langsung ataupun tidak langsung dalam kerangka analisis jalur, sedangkan hubungan yang sifatnya nonkausalitas atau hubungan korelasional yang terjadi antar variabel eksogen tidak termasuk dalam perhitungan ini. Perhitungan menggunakan analisis jalur dengan menggunakan model dekomposisi pengaruh kausal antar variabel dapat dibedakan menjadi tiga yaitu:

1. Direct causal effects (Pengaruh Kausal Langsung) adalah pengaruh satu variabel eksogen terhadap variabel endogen yang terjadi tanpa melalui variabel endogen lain.

2. Indirect causal effects (Pengaruh Kausal Tidak Langsung) adalah pengaruh satu variabel eksogen terhadap variabel endogen yang terjadi melalui variabel endogen lain terdapat dalam satu model kausalitas yang sedang dianalisis.

3. Total causal effects (Pengaruh Kausal Total) adalah jumlah dari pengaruh kausal langsung dan pengaruh kausal tidak langsung.

c. Model Regresi Berganda

Model ini merupakan pengembangan regresi berganda dengan menggunakan dua variabel exogenous, yaitu X1 dan X2 dengan satu variabel endogenous Y.

d. Model Mediasi Model mediasi atau perantara ialah di mana variabel Y memodifikasi pengaruh variabel X terhadap variabel Z

e. Model Kombinasi Regresi Berganda dan Mediasi Model ini merupakan kombinasi antara model pertama dan kedua, yaitu variabel X berpengaruh terhadap variabel Z secara langsung dan secara tidak langsung mempengaruhi variabel Z melalui variabel Y.

f. Model Kompleks Model ini merupakan model yang lebih kompleks, yaitu variabel X1 secara langsung mempengaruhi Y2 dan melalui variabel X2 secara tidak langsung mempengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh variabel Y1.

g. Model Rekursif dan Non Rekursif Model rekursif adalah jika semua anak panah menuju anak panah

Model non rekursif terjadi jika arah anak panah tidak searah atau terjadi arah yang berbalik, misalnya dari 4 ke 3 atau dari 3 ke 1 dan 2, atau bersifat sebab akibat. Pada bagian berikut untuk mempermudah kita dalam memahami analisis jalur, maka kita bisa menggunakan model-model jalur berikut: 1. Model Persamaan Satu Jalur Model Persamaan satu jalur merupakan hubungan sebenarnya sama dengan regresi berganda, yaitu variabel bebas terdiri dari satu variabel dan variabel tergantungnya hanya satu. 2. Model Persamaan Dua Jalur Model ini terdiri dari tiga variabel bebas dan mempunyai dua variabel tergantung. 3. Model Persamaan Tiga Jalur Model ini terdiri dari tiga variabel bebas, salah satu variabel bebas menjadi variabel perantara dan mempunyai dua variabel tergantung.

October 10, 2020

Istilah-istilah dasar dalam Analisis Jalur (skripsi dan tesis)

Menurut Sarwono (2007), ada beberapa istilah yang digunakan dalam analisis jalur yaitu sebagai berikut:

1. Model Jalur Adalah suatu diagram yang menghubungkan antara variabel bebas, perantara dan tergantung. Pola hubungannya menggunakan anak panah. Anak panah tunggal menunjukkan hubungan sebab-akibat antara variabel exogenous dengan satu variabel tergantung atau lebih. Anak panah-anak panah juga menghubungkan kesalahan (variabel residue) dengan semua variabel endogenous masing-masing. Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel exogenous.

2. Jalur penyebab untuk suatu variabel yang diberikan Meliputi pertama, jalur-jalur arah dari anak panah menuju ke variabel tersebut dan kedua, jalur-jalur korelasi dari semua variabel endogenous yang dikorelasikan dengan variabel-variabel lain yang mempunyai anak panahanak panah menuju ke variabel yang sudah ada tersebut.

3. Variabel exogenous Adalah semua variabel yang tidak ada penyebab–penyebab eksplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju ke arahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel ini dikorelasikan maka korelasi ditunjukkan dengan anak panah berkepala dua yang menghubungkan variabel-variabel tersebut. Variabel ini disebut pula independen variabel.

4. Variabel endogenous Adalah variabel yang mempunyai anak panah-anak panah menuju ke arahnya. Variabel yang termasuk di dalamnya mencakup semua variabel perantara dan tergantung. Variabel perantara endogenous mempunyai anak panah yang menuju ke arahnya dan dari arah variabel tersebut dalam suatu model. Adapun variabel tergantung hanya mempunyai anak panah yang menuju ke arahnya. Variabel ini disebut pula dependen variabel.

5. Koefisien jalur atau pembobotan jalur Adalah koefisien regresi standar atau disebut ‘beta’ yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel tergantung dalam suatu model tertentu.

6. Variabel-variabel exogenous yang dikorelasikan Jika semua variabel exogenous dikorelasikan maka sebagai penanda hubungannya ialah anak panah dengan dua kepala yang dihubungkan di antara variabel-variabel dengan koefisien korelasinya.

7. Istilah gangguan Gangguan atau residue mencerminkan adanya varian yang tidak dapat diterangkan atau pengaruh dari semua variabel yang tidak terukur ditambah dengan kesalahan pengukuran. 8. Dekomposisi pengaruh Koefisien-koefisien jalur dapat digunakan untuk mengurai korelasi-korelasi dalam suatu model ke dalam pengaruh langsung dan tidak langsung yang berhubungan dengan jalur langsung dan tidak langsung yang direfleksikan dengan anak panah-anak panah dalam suatu model tertentu.

9. Model Recursive Model penyebab mempunyai satu arah dan tidak ada pengaruh sebab akibat (reciprocal). Dalam model ini, satu variabel tidak dapat berfungsi sebagai penyebab dan akibat dalam waktu yang bersamaan.

10. Model Non-Recursive Model penyebab mempunyai arah yang membalik (feed back loop) dan ada pengaruh sebab akibat (reciprocal)

October 10, 2020

Asumsi dalam Analisis Jalur (skripsi dan tesis)

Asumsi yang melandasi analisis jalur diantaranya adalah (Solimun 2002, Riduan dan Kuncoro 2011 dikutip oleh Sunjoyo dkk, 2013): 1. Hubungan antar variabel haruslah linear dan aditif. 2. Ukuran sampel yang memadai sebaiknya diatas 100. 3. Pola hubungan antara variabel adalah rekursif (satu arah). 4. Data berskala interval.

October 10, 2020

Manfaat Analisis Jalur (skripsi dan tesis)

Menurut Saparina (2013), ada beberapa manfaat analisis jalur diantaranya adalah: 1. Sebagai penjelas terhadap fenomena yang dipelajari atau permasalahan yang diteliti. 2. Untuk prediksi nilai variabel endogenous (Y) berdasarkan nilai variabel eksogenous (X). 3. Sebagai faktor determinan yaitu penentuan variabel eksogenous (X) mana yang berpengaruh dominan terhadap variabel endogenous (Y), juga untuk menelusuri mekanisme (jalur-jalur) pengaruh variabel eksogenous (X) terhadap variabel endogenous (Y). 4. Pengujian model, menggunakan theory triming, baik untuk uji reabilitas konsep yang sudah ada ataupun uji pengembang konsep baru.

October 10, 2020

Pengertian Analisis Jalur (skripsi dan tesis)

Menurut Pedhazur dalam Kerlinger (1983) dikutip oleh Widiyanto (2013), analisis jalur merupakan suatu bentuk terapan dari analisis multiregresi. Dalam analisis ini digunakan diagram jalur untuk membantu konseptualisasi masalah atau menguji hipotesis yang kompleks dan juga untuk mengetahui pengaruh langsung dan tidak langsung dari variabel-variabel bebas terhadap variabel terikat. Analisis jalur ialah suatu tehnik untuk menganalisis hubungan sebab akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel tergantung tidak hanya secara langsung, tetapi juga secara tidak langsung (Robert D. Rutherford 1993 dikutip oleh Sarwono, 2007). Defenisi lain mengatakan “Analisis jalur merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikasi (significance) hubungan sebab akibat hipotetikal dalam seperangkat variabel” (Paul Webley 1997 dikutip oleh Sarwono, 2007). David Garson dari North Carolina State University mendefenisikan analisis jalur sebagai model perluasan regresi yang digunakan untuk menguji keselarasan matriks korelasi dengan dua atau lebih model hubungan sebab akibat yang dibandingkan oleh peneliti. Modelnya digambarkan dalam bentuk gambar lingkaran dan panah dimana anak panah tunggal menunjukkan sebagai penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model sebagai variabel tergantung (pemberi respons) sedang yang lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel dan dilakukan juga penghitungan uji keselarasan statistik (David Garson 2003 dikutip oleh Sarwono, 2007)

October 10, 2020

Sejarah Analisis Jalur (skripsi dan tesis)

Path Analysis atau analisis jalur dikembangkan oleh Sewal Wright tahun 1934. Bohrnstedt mengartikan analisis jalur sebagai “a technique for estimating the effect’s a set of independent variables has on a dependent variable from a set of observed correlations, given a set of hypothesized causal asymetric relatin among the variables” (Riduan dan Kuncoro 2011 dikutip oleh Sunjoyo dkk, 2013). Analisis jalur ini merupakan perluasan atau kepanjangan dari regresi berganda yang digunakan untuk menaksir hubungan kausalitas (sebab-akibat) antar variabel yang telah ditetapkan sebelumnya, serta menguji besarnya sumbangan atau kontribusi masing-masing variabel eksogen terhadap variabel endogen (Ghozali 2006, Riduan dan Kuncoro 2011 dikutip oleh Sunjoyo dkk, 2013). Dalam pengujian hubungan kausal tersebut yang didasarkan pada teori yang memang menyatakan bahwa variabel yang dikaji memiliki hubungan secara kausal. Analisis jalur bukan ditujukan untuk menurunkan teori kausal, melainkan dalam penggunaannya harus didasarkan pada teori yang menyatakan bahwa hubungan antar variabel tersebut bersifat kausal. Dengan demikian, kuat lemahnya teori yang digunakan dalam menggambarkan hubungan kausal tersebut menentukan dalam penyusunan diagram jalur dan mempengaruhi hasil dari analisis serta pengimplementasian secara keilmuan (Widiyanto, 2013)

October 10, 2020

Asumsi-asumsi Path Analysis (skripsi dan tesis)

Menurut Sarwono (2012) asumsi-asumsi pada Path Analysis adalah sebagai berikut : 1. Adanya linieritas (Linierity) artinya hubungan antar variabel bersifat linier. 2. Adanya aditivitas (Aditivity) artinya tidak ada efek-efek interaksi. 3. Variabel terikat (endogen) minimal dalam skala interval dan rasio. 4. Semua variabel residual (yang tidak diukur) tidak berkolerasi dengan salah satu variabel dalam model. 5. Disturbance terms (gangguan) atau variabel residual tidak boleh berkolerasi dengan semua variabel endogen dalam model. 6. Terdapat multikolinieritas yang rendah, artinya dua atau lebih variabel bebas (penyebab) mempunyai hubungan yang sangat tinggi. Jika terjadi hubungan yang sangat tinggi maka akan mendapatkan standar error yang besar dari koefisien beta (ß) yang digunakan untuk menghilangkan varian biasa dalam melakukan analisis korelasi secara parsial. 7. Adanya rekursivitas artinya semua anak panah mempunyai satu arah, tidak boleh pemutaran kembali (looping) 8. Spesifikasi model sangat diperlukan untuk menginterprestasi koefisien-koefisien jalur. Kesalahan spesifikasi terjadi ketika variabel penyebab yang signifikan dikelurkan dalam model, semua koefisien jalur akan mereflesikan kovarian bersama dengan semua variabel yang tidak diukur dan tidak dapat diinterprestasi secara tepat dalam kaitanya dengan akibat langsun maupun tidak langsung. 9. Terdapat masukan korelasi yang sesuai, artinya jika menggunakan matriks korelasi sebagai masukan maka korelasi person digunakan untuk dua variabel skala interval. 10. Terdapat ukuran sampel yang memadai minimal 100. 11. Menggunakan sampel probability sampling yaitu teknik pengambilan sampel untuk memberikan peluang yang sama pada setiap anggota populasi untuk dipilih menjadi anggota sampel. 12. Obseverved variabels diukur tampa kesalahan (instrument pengukuran valid dan reliabel artinya variabel yang diteliti dapat diobservasi secara langsung. 13. Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar berdasarkan teori-teori dan konsep-konsep yang relavan. artinya model teori yang dikaji atau diuji dibangun berdasarkan kerangka teoritis tertentu yang mampu menjelaskan hubungan kausal antar variabel yang diteliti. Model Path Analysis berbeda dengan model regresi. Perbedaan tersebut terletak pada pola hubungan yang diinginkan. Model regresi digunakan untuk meramalkan atau menduga nilai sebuah variabel responden Y atas dasar nilai tertentu beberapa variabel prediktor X1; X2; …..,Xk atau pola hubungan yang mengisyaratkan besarnya pengaruh variabel penyebab X1; X2; …..,Xk terhadap sebuah variabel akibat Y, baik pengaruh yang langsung secara individu maupun bersaman. Telaah statistik menyatakan bahwa untuk peramalan / pendugaan niali Y atas dasar nilai-nilai X1; X2; …..,Xk, pola hubungan yang sesuai adalah pola hubungan yang mengikuti model regresi, sedangkan untuk mengetahui hubungan sebab akibat, pola yang tepat adalah model struktural (Kuncoro, 2007). Sacara matematik, Path Analysis mengikuti pola model struktural. Model struktural yaitu apabila setiap variabel terikat/endogen (Y) keadaanya ditentukan oleh seperangkat variabel bebas/eksogen (X)

October 10, 2020

Istilah-istilah dalam Path Analysis (skripsi dan tesis)

Dalam metode Path Analysis ada beberapa istilah yang digunakan, istilah-istilah tersebut antara lain (Sarwono, 2007) :

1. Model jalur. Model jalur ialah suatu diagram yang menghubungkan antara variabel bebas, perantara dan tergantung. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak panah-anak panah tunggal menunjukkan hubungan sebab–akibat antara variabel-variabel exogenous atau perantara dengan satu variabel tergantung atau lebih. Anak panah juga menghubungkan kesalahan (variabel residue) dengan semua variabel endogenous masing-masing. Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel exogenous

. 2. Jalur penyebab untuk suatu variabel yang diberikan. meliputi pertama jalur-jalur arah dari anak-anak panah menuju ke variabel tersebut dan kedua jalur-jalur korelasi dari semua variabel endogenous yang dikorelasikan dengan variabel-variabel yang lain yang mempunyai anak panah-anak panah menuju ke variabel yang sudah ada tersebut.

3. Variabel exogenous ialah semua variabel yang tidak ada penyebab-penyebab eskplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju kearahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel exogenous dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah dengan kepala dua yang menghubungkan variabel-variabel tersebut. Dalam istilah lain, dapat disebut pula sebagai independen variabel.

4. Variabel endogenous. Variabel endogenous ialah variabel yang mempunyai anakanak panah menuju kearah variabel tersebut. Variabel yang termasuk didalamnya ialah mencakup semua variabel perantara dan tergantung. Variabel perantara endogenous mempunyai anak panah yang menuju kearahnya dan dari arah variabel tersebut dalam sutau model diagram jalur. Sedang variabel tergantung hanya mempunyai anak panah yang menuju kearahnya. Atau dapat disebut juga sebagai variabel dependen.

5. Koefesien jalur / pembobotan jalur. Koefesien jalur adalah koefesien regresi standar atau disebut ‘beta’ yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel tergantung dalam suatu model jalur tertentu. Oleh karena itu, jika suatu model mempunyai dua atau lebih variabel-variabel penyebab, maka koefesienkoefesien jalurnya merupakan koefesien-koefesien regresi parsial yang mengukur besarnya pengaruh satu variabel terhadap variabel lain dalam suatu model jalur tertentu yang mengontrol dua variabel lain sebelumnya dengan menggunakan data yang sudah distandarkan atau matriks korelasi sebagai masukan.

6. Mediasi. Mediasi ialah perantara yang berfungsi sebagai variabel endogenous pertama terhadap variabel sebelumnya (variabel axogenous) dan sebagai variabel exogenous terhadap variabel endogenous kedua, atau variabel yang secara teoritis memengaruhi hubungan antar variabel independent dengan variabel dependen menjadi hubungan yang tidak langsung dan tidak dapat diamati dan di ukur. Dalam urutan posisi diagram jalur berada pada antara dua variabel dimana pengaruh tidak langsung akan diukur.

7. Total effect. Pengaruh tidak langsung dari satu variabel exogenous melalui variabel endogenous perantara menuju ke variabel endogenous kedua.

8. Direct effect. Pengaruh langsung dari suatu variabel exogenous menuju variabel endogenous.

9. Pengaruh gabungan. Pengaruh dari semua variabel exogenous terhadap satu variabel endogenous yang dikenal dengan nilai r2 .

10. Pengaruh parsial. Pengaruh setiap variabel exogenous masing-masing terhadap satu variabel endogenous

October 10, 2020

Manfaat Path Analysis (skripsi dan tesis)

Manfaat dari model Path Analysis sebagai berikut (Kuncoro, 2007) : 1. Menjelaskan explanation terhadap fenomena yang dipelajari atau permasalahan yang diteliti. 2. Memprediksi nilai variabel terikat (Y) berdasarkan nilai variabel bebas (X), dan memprediksi dengan Path Analysis ini bersifat kualitatif. 3. Faktor determinan yaitu penentu variabel bebas (X) mana yang berpengaruh dominan terhadap variabel terikat (Y), juga dapat digunakan untuk menelusuri mekanisme (jalur-jalur) pengaruh variabel (X) terhadap variabel terikat (Y). 4. Pengujian model

October 10, 2020

Tujuan Path Analysis (skripsi dan tesis)

Menurut Sarwono, 2012, tujuan menggunakan Path Analysis diantaranya adalah: 1. variabel tetentu terhadap variabel lain yang dipengaruhinya. 2. Menghitung besarnya pengaruh satu variabel Melihat hubungan antar variabel dengan didasarkan pada model apriori. 3. Menerangkan mengapa variabel-variabel berkorelasi dengan menggunakan suatu model yang berurutan secara temporer. 4. Menggambarkan dan menguji suatu model matematis dengan menggunakan persamaan yang memadai. 5. Mengidentifikasi jalur penyebab suatu independen exogenous atau lebih terhadap variabel dependen endogenous lainnya

October 10, 2020

Pengertian Path Analysis (skripsi dan tesis)

“Path Analysis ialah suatu teknik untuk menganalisis hubungan sebab akibat yang tejadi pada regresi berganda jika variabel bebasnya memengaruhi variabel tergantung tidak hanya secara langsung tetapi juga secara tidak langsung”. (Robert D. Retherford 1993 dikutip oleh Widaryano, 2005). Sedangkan definisi lain mengatakan: “Path Analysis merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikansi (significance) hubungan sebab akibat hipotetikal dalam seperangkat variabel.” (Paul Webley 1997 dikutip oleh Sarwono 2007). David Garson dari North Carolina State University mendefinisikan Path Analysis sebagai “Model perluasan regresi yang digunakan untuk menguji keselarasan matriks korelasi dengan dua atau lebih model hubungan sebab akibat yang dibandingkan oleh peneliti. Modelnya digambarkan dalam bentuk gambar lingkaran dan panah dimana anak panah tunggal menunjukkan sebagai penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model sebagai variabel tergantung (pemberi respon) sedang yang lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel dan dilakukan juga penghitungan uji keselarasan statistik. (David Garson, 2003 dikutip oleh Sunyoto 2011). Menurut Kuncoro, 2007, teknik Path Analysis adalah teknik yang digunakan dalam menguji besarannya sumbangan (kontribusi) yang ditunjukan oleh koefisien jalur pada setiap diagram jalur dari hubungan kausal antar variabel X1, X2,dan X3 terhadap Y serta dampaknya terhadap Z

October 10, 2020

Sejarah Path Analysis (skripsi dan tesis)

Path Analysis atau juga dikenal dengan sebutan analisis jalur dikembangkan pertama kali pada tahun 1920-an oleh seorang ahli genetika bernama Sewall Wrigh. mengartikan Path Analysis sebagai “ a technique for estimating the effect’s a set independents variabels has on a dependents variabel from a set correlation, given a set of hypothesized causal asymmetric relation among variabels” (Kuncoro, 2007). Teknik-teknik yang dikembangkan Sewall Wrigh merupakan pengembangan korelasi yang diurai menjadi beberapa inteprestasi akibat yang ditimbulkannya. Lebih lanjut, Path Analysis mempunyai kedekatan dengan regresi berganda. Dengan kata lain, regresi berganda merupakan bentuk khusus dari analisis jalur. Teknik ini juga dikenal sebagai model sebab akibat (causing modeling). Penamaan ini didasarkan pada alasan bahwa analisis jalur memungkinkan pengguna dapat menguji proposisi teoritis mengenai hubungan sebab akibat tampa memanipulasi variabel-variabel. Manipulasi variabelveriabel maksudnya ialah memberi perlakuan (treatment) terhadap variabel-variabel tertentu dalam pengukurannya. Asumsi dasar model ini ialah beberapa variabel sebenarnya mempunyai hubungan yang sangat dekat satu dengan lainya (Sarwono, 2007)

October 9, 2020October 10, 2020

sejarah path analysis (skripsi dan tesis)

Seperti apa sejarah path analysis itu? Teknik path analysis, yang dikembangkan oleh Sewal Wright di tahun 1934, sebenarnya merupakan pengembangan korelasi yang diurai menjadi beberapa interpretasi akibat yang ditimbulkannya. Sewall Wright adalah seorang ahli genetika yang mengembangkan path analysis untuk membuat kajian hipotesis hubungan sebab akibat dengan menggunakan korelasi. Lebih lanjut, path analysis mempunyai kedekatan dengan regresi berganda; atau dengan kata lain, regresi berganda merupakan bentuk khusus dari path analysis. Teknik ini juga dikenal sebagai model sebab-akibat (causing modeling). Penamaan ini didasarkan pada alasan bahwa analisis jalur memungkinkan pengguna dapat menguji proposisi teoritis mengenai hubungan sebab dan akibat tanpa memanipulasi variabel-variabel. Memanipulasi variabel maksudnya ialah memberikan perlakuan (treatment) terhadap variabel-variabel tertentu dalam pengukurannya. Asumsi dasar model ini ialah beberapa variabel sebenarnya mempunyai hubungan yang sangat dekat satu dengan lainnya. Dalam perkembangannya saat ini path analysis diperluas dan diperdalam kedalam bentuk analisis “Structural Equation Modeling” atau dikenal dengan singkatan SEM. Sebenarnya gagasan Sewal Wright ini diilhami oleh penemuan – penemuan rumus sebelumnya diantaranya ialah pada tahun 1901 Karl Pearson, penemu rumus korelasi Pearson, menemukan principal component analysis dan Charles Spearman, penemu rumus korelasi Spearman, pada tahun 1904 menemukan teknik analisis faktor yang banyak memberikan pengaruh terhadap perkembangan Structural Equation Modelling (SEM) yang didasari oleh path analysis (PA) yang oleh sebagian besar orang dimasukkan dalam kategori yang sama antara SEM dan PA. Kesamaan dasar antara SEM dan PA semata-mata hanya karena masalah hubungan sebab akibat (casuality). Yang kemudian pada perkembangannya PA lebih merupakan representasi model yang hubungan kasualitas yang bersifat searah (yang secara tekniks disebut recursive) sedang SEM merupakan representasi model hubungan sebab akibat yang bersifat searah dan dua arah / timbal balik / reciprocal (yang secara tekniks disebut non recursive) Kontribusi Wright yang terbesar ialah penemuannya mengenai metode koefesien jalur dalam konteks hubungan kasualitas yang menjadi landasan dalam mengubungan antara masalah statistik dengan masalah sebab akibat. Sehingga dalam perkembangan berikutnya orang kemudian mengaitkan antara hubungan kasualitas dengan path analysis secara tidak sengaja. Sebenarnya tidak ada landasan teori yang memberikan justifikasi bahwa ada hubungan antara path analysis dengan model kasualitas; sebagaimana adanya teori yang mengatakan bahwa ada hubungan antara regresi linier dengan hubungan kasualitas. Sekalipun demikian, menurut Dennis dan Legerski (2006) terdapat sejarah yang membuktikan bahwa ada hubungan antara path analysis dan kasualitas. Hanya dari faktor sejarahlah orang dapat memberikan justifikasi bahwa path analysis berkaitan dengan kasualitas. Itulah sebabnya pada bagian berikut ini akan dibahas secara singkat sejarah karya-karya Sewal Right yang menjadi landasan pemikiran mengapa akhirnya orang menyimpulkan ada hubungan antara path analysis dengan model kasualitas. Sewal Wright adalah seorang sarjana lulusan biologi dari Universitas Illinois yang kemudian mendalami bidang genetika. Dia tertarik mengenai peranan genetika dalam menentukan turunan warna dalam binatang. Dia berhasil melakukan riset dengan menggunakan path analysis terhadap transmisi dalam suatu kelinci percobaan pada tahun 1920. Sebenarnya Sewal Wright pertama kali menggunakan path analysis 286 Jurnal Ilmiah Manajemen Bisnis, Vol. 11, No. 2, November 2011: 285 – 296 pada tahun 1918 dalam artilenya yang berjudul: “On the Nature of Size Factors.” Dengan menggunakan hasil risetnya yang pernah diterbitkan di Castle pada tahun 1914, dimana dia menemukan korelasi antara berbagai pengukuran tulang pada kelinci yang dia teliti; Sewal Wright kemudian menyusun metode kuantitatif, yaitu suatu metode yang dirancang untuk membuat estimasi tingkatan dimana suatu pengaruh yang diberikan ditentukan oleh setiap jumlah penyebab. Tulisan berikutnya yang muncul pada tahun 1920 yang berjudul membahas keseriusannya dalam usahanya menemukan suatu metode analisis statistik baru. Maka dalam artikel yang berjudul “The Relative Importance of Heredity and Environment in Determining the Piebald Pattern of Guinea-Pigs,”, Sewal Wright menyusun suatu model kuantitatif yang dapat digunakan dalam membuat estimasi kepentingan relatif hereditas dan lingkungan dalam transmisi generasi warna pada kelinci percobaannya. Dalam makalahnya tersebut dia menyebutkan secara tidak langsung mengenai konsep “sebab – akibat” yang menjadi dasar dari rumus Path Analysis. Dalam papernya ini juga Sewal Wright menggambarkan suatu jaringan yang berkaitan dengan hereditas dan lingkungan dari induk ke anak-anaknya pada kelinci percobaannya yang kelak pada perkembangannya disebut sebagai diagram jalur. Dalam diagram jalur tersebut dia menunjukkan induk laki-laki dan perempuan menghasilkan anak-anak yang mempunyai warna beda. Intinya Sewal ingin mengatakan bahwa kekhasan suatu individu ditentukan oleh H (Heredity), E (Environment / lingkungan anak – anak sebelum dilahirkan) dan D (residu, ketidakberaturan dalam perkembangan). Masalah yang kemudian muncul ialah menemukan cara dalam menentukan tingkat diterminasi / pengaruh ketiga faktor tersebut. Dalam makalah tersebut diatas Sewal juga menyebutkan fondasi logika awal dan diagram jalur generik untuk metode koefesien-koefesien jalur. Diagram jalur sederhana yang dia paparkan seperti di bawah ini digunakan untuk menjelaskan hipotesis yang mengatakan bahwa: “ Dua kuantitats X dan Y ditentukan sebagaian oleh penyebab-penyebab yang independen”. Penyebab-penyebab independen yang dihipotesiskan tersebut diberikan oleh kuantitas A dan D. Sedang penyebab B dan C yang dihubungan dengan anak panah dua arah, dihipotesiskan sebagai pengaruh yang berkorelasi. Maksudnya terdapat hubungan antara B dan C yang merupakan penyebab secara parsial terhadap X dan Y. Koefesien jalur didefinisikan oleh Sewall Wright sebagai “mengukur pentingnya suatu jalur pengaruh yang ada dari sebab ke akibat yang didefinisikan sebagai ratio variabilitas akibat yang diketemukan saat semua penyebab bersifat konstan kecuali satu dalam pertanyaan, variabilitas yang dipertahankan tetap tidak berubah, terhadap variabilitas total”. Kesimpualnnya ialah bahwa Wright ingin menjelaskan bagaimana caranya mengukur suatu pengaruh jalur yang diasumsikan sebagai jalur penyebab. Dengan kata lain ia ingin mengatakan jika asumsi sebab-akibat dibuat, dan arah sebab – akibat tersebut juga diasumsikan ; maka orang dapat mengukur pengaruh sepanjang jalur penyebab tersebut Kesimpulannya agar orang dapat menggunakan metode ini, maka orang perlu mengetahui dua hal, yaitu: pertama, pengetahuan sebelumnya mengenai hubungan sebab akibat; kedua, pengetahuan korelasi antar variabel yang dimasukkan dalam sistem. Oleh karena itu metode ini akan bermanfaat diaplikasikan jika proses-proses sebab akibat dapat diasumsikan secara apriori. Dengan demikian metode sebab akibat yang terkandung dalam koefesien jalur menurut Wright bersifat independen terhadap metode sebab akibat dalam matematika.