Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Merancang & Merencanakan Pengumpulan, Pengolahan & Penafsiran Data Rossi Sanusi (http://rossisanusi.wordpress.com) Selasa, 14 November 2014 Lokakarya Disertasi.

Presentasi serupa


Presentasi berjudul: "Merancang & Merencanakan Pengumpulan, Pengolahan & Penafsiran Data Rossi Sanusi (http://rossisanusi.wordpress.com) Selasa, 14 November 2014 Lokakarya Disertasi."— Transcript presentasi:

1 Merancang & Merencanakan Pengumpulan, Pengolahan & Penafsiran Data Rossi Sanusi (http://rossisanusi.wordpress.com) Selasa, 14 November 2014 Lokakarya Disertasi IPK FK UGM

2 Rancangan Penelitian: Logika (= cara bernalar yang valid) metoda penelitian  ditulis di Bab III.A. Rencana Penelitian: Logistika (= rincian yang operasional) metoda penelitian  ditulis di Bab III. B – D dan Bab IV Proposal. 3 P: Pengumpulan, Pengolahan & Penafsiran Data

3 Bab III. Metoda Penelitian A.Rancangan Penelitian: 1. Rancangan pengumpulan data. 2. Rancangan pengolahan data. 3. Rancangan penafsiran data. B.Metoda Pengumpulan Data C.Metoda Pengolahan Data D.Metoda Penafsiran Data Sumberdaya 3P – ditulis di Bab IV proposal Bagaimana melaksanakan 3P Logika 3P

4 Bab IV Disertasi: Hasil Penelitian, Kesimpulan & Saran. Kesimpulan Penelitian: Hipotesis penelitian didukung/tidak; Pertanyaan penelitian dijawab/tidak. Kesimpulan masuk akal jika rancangan kuat (robust), rencana operasional dan pelaksanaan teliti (high fidelity).

5 Rancangan Pengumpulan Data Peneliti secara konsisten menggunakan alat/cara yang valid untuk mengumpulkan data dari subyek yang tepat. a. Alat/cara yang valid b. Penggunaan yang konsisten c. Subyek yang tepat

6 a. Alat/Cara Pengumpulan Data yang Valid Peneliti membuktikan dengan data kuantitatif dan kualitatif bahwa alat/cara pengumpulan data valid: Validitas Isi (Expert Validity; V. substansi; V. Konsep; Face Validity) – sesuai dengan pendapat para ahli, dari segi substansi/secara konseptual tampak valid; disusun dalam/diterjemahkan ke bahasa yang dapat dimengerti responden (unit pengamatan manusia).

7 Validitas Konstruk – a. Dibandingkan dengan suatu tolok ukur (standard emas) untuk variabel biologis/fisik. b. Triangulasi untuk variabel perilaku melalui pengujian hipotesis2 ttg validitas alat ukur/ cara pengukuran. Contoh: Analisis Faktor, Reliabilitas Internal, konsistensi respons terhadap item tertutup dan item terbuka, Validitas prediksi, V diskri- minasi, V konvergensi.

8 Contoh menerjemahkan dan memvalidasi kuesioner: Etter JFEtter JF, Perneger TV. Validating a satisfaction questionnaire using multiple approaches: a case study. Soc Sci Med Sep;45(6): Perneger TVSoc Sci Med.

9 b. Penggunaan yang konsisten Peneliti harus membuktikan dengan data kualitatif dan kuantitatif bahwa alat/cara pengumpulan data yang valid digunakan secara konsisten: Pengumpul data diseleksi, dilatih & disupervisi Hasil pengumpulan data inter- dan intra- pengumpul data dianalisis

10 a.Untuk data skala interval atau rasio buat tabel data dan hitung r. b.Untuk data skala ordinal buat tabel data dengan kolom urut dan hitung Spearman rho atau Kendall tau. c.Untuk data nominal buat tabel subyek dan hitung phi, C, atau kappa

11 SubyekScore Pengamat(an) I Score Pengamat(an) II k nTotal r yang bermakna r ≥ r min (koef korelasi yg ingin dicapai)

12 SubyekPengamat(an) IPengamat(an) II ScoreOrderScoreOrder k n ρ ≥ ρ min τ ≥ τ min rho atau tau yang bermakna

13 Pengamat(an) IITotal Subyek +- Penga- mat(an) I +aba + b -cdc + d Total Subyek a + cb + dn=a+b+c+d Φ atau C yang bermakna Φ ≥ φ min atau C ≥ C min

14 c. Subyek yang tepat Peneliti harus membuktikan dengan data kualitatif dan kuantitatif bahwa subyek yang diukur (Unit Pengamatan) tepat: Kualitas: Memiliki data yg diperlukan untuk mengukur variabel2 dari konstruk yg bersangkutan; tidak menimbulkan bias pengumpulan data (e.g., same subject bias, recall bias, sampling bias). Kuantitas: Sesuai dengan besar populasi (N) dan besar sampel unit analisis (n); sampling error dihindari pada pembentukan sampel unit analisis dan sampel unit pengamatan.

15 Rancangan Pengolahan Data 1.Peneliti menggunakan metoda ilmu statistik diskripsi yang tepat (sesuai skala dan syarat2 rumus) untuk: a. menghitung besar korelasi (r) atau selisih (d) Mean atau Proporsi b. menjawab pertanyaan penelitian (angka dan gambar peringkas)

16 Peneliti menggunakan metoda ilmu statistik inferensi yg tepat (sesuai skala dan asumsi bentuk distribusi sampling) untuk menghitung besar kesalahan sampling bila r, d dan statistik2 peringkas lain dihitung berdasar data dari sampel Unit Analisis (UA): Metoda Parametrik jika skala rasio atau interval, dan ditribusi sampling normal. Metoda Non-parametrik jika skala nominal atau ordinal, dan distribusi sampling tidak normal.

17 Contoh pengolahan data utk menguji Hipotesis Penelitian: 1.Ada hubungan positif yg bermakna (r ≥ 0.80) antara “Pengajaran Skills Lab” dan “Kompetensi klinik” pada AkBid-AkBid di Indonesia. 2.Ada hubungan positif yg bermakna (r ≥ 0.80) antara “Pembelajaran di Skills Lab” dan “Kompetensi klinik” pada mahasiswa AkBid Husada Bakti.

18 18 Ciri2/ Keadaan UA Kurikulum Hasil Belajar Motivasi Belajar Pengajaran Skills Lab Kompetensi Klinik

19 Kerangka Konsep 19 Moderator Prediktor/ Penyebab Kriterion/ Akibat Mediator V2V2V3V3V1 Faktor/ dimensi

20 Hipotesis 1: X = Unit Analisis (AkBid) X = Unit Pengamatan (Mahasiswa) XXXXXX XXXXXXX XXXXXXX XXXXXXX XXXXXXXX XXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXX XXXXXXXXX XXXX XXXX XXXX Pop AkBid Sampel AkBid Pop Mhs AkBid Bantul R R XX Sampel Mhs AkBid Bantul

21 Hipotesis 2: X = UA = UP (subyek) = Mahasiswa XXXXXX XXXXXXX XXXXXXX XXXXXXX XXXXXXXX XXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXX XXXXXXXXX Populasi Mahasiswa AkBid R Sampel Mahasiswa AkBid

22 Unit Ana- lisis Score Variabel Prediktor Score Variabel Kriterion k nTotal Menghitung r utk Prediktor & Kriterion skala interval /rasio Hipotesis penelitian didukung jika r ≥ r min

23 Kelompok X 1 Kelompok X 0 Unit Ana- lisis Score Variabel Terikat Unit Ana- lisis Score Variabel Terikat kk nTotal Mean 1 Mean 0 Menghitung r bis atau d utk Variabel Bebas yg dimanipulasi Hipotesis Penelitian didukung jika r bis ≥ r bis.min atau d ≥ d min (d = Mean 1 - Mean 0 )

24 Unit Ana- lisis PrediktorKriterion ScoreOrderScoreOrder k n Hipotesis penelitian didukung jika ρ ≥ ρ min Atau τ ≥ τ min Menghiung rho atau tau utk prediktor & kriterion skala ordinal

25 KriterionTotal subyek +- Prediktor +aba + b -cdc + d Total subyeka + cb + dn = a+b+c+d Menghitung Φ atau C utk Prediktor & Kriterion skala nominal Hipotesis penelitian didukung jika Φ ≥ φ min & C ≥ C min

26 Contoh pengolahan data utk menguji Hipotesis Statistik Hipotesis statistik didukung jika kesalahan sampling ≤ batas (α): H 0 = Statistik tidak mewakili Parameter karena sampling error terlampau besar H 1 = Statistik mewakili Parameter. Statistik = angka dan gambar peringkas pada sampel. Parameter = angka peringkas pada populasi.

27 Menguji Hipotesis Statistik 1.Tulis H 0. 2.Pilih Uji Statistik (Parametrik atau Nonparametrik) 3.Tetapkan α dan n  diperkecil/diperbesar jika...? 4.Gambar/bayangkan distribusi sampling dan daerah penolakan H 0 5.Hitung nilai uji statistik (menggunakan data sampel). 6.Lihat Tabel Uji Statistik  Jika berada di daerah penolakan tolak H 0 dan terima H 1

28 Hipotesis Penelitian: Ada hubungan positif bermakna (r ≥ 0.80) antara skor “Skills Lab” dan skor “kompetensi menolong persalinan normal”. H 0 : r tidak mewakili ρ; probabilitas r di bawah 0.80 sangat kecil (α = 0.05). α = probabilitas membuat Type 1 Error (Kesalahan menolak H 0 ) β = probabilitas membuat Type 2 Error (Kesalahan menerima H 0 ) = 1 – α = Power uji statistik. Kurangi membuat kedua jenis error ini dengan memperbesar n (= besar sampel = jumlah UA).

29 Rancangan Penafsiran Data Ketika menafsirkan data peneliti mempertim- bangkan: a. validitas dalam - sejauh mana kekuatan korelasi yang bermakna bukan karena konstruk perancu (confounding). b. validitas luar – sejauh mana hasil penelitian berlaku untuk populasi lain.

30 Untuk meningkatkan validitas dalam peneliti dapat melakukan: 1.Analisis multivariat – korelasi yang menggunakan 2/> prediktor, 2/> kriterion atau keduanya. Catatan: Validitas external tinggi; membutuhkan n besar.

31 2.Mengontrol (membuat konstan) a. moderator2 spesifik dengan Korelasi Parsial, kriteria inklusi atau kelompok kontrol yg disetarakan (di-matching). Catatan: Validitas external berkurang; matching cocok jika variabel bebas dimanipulasi b. moderator2 tidak spesifik (variabel2 perancu) dengan Penempatan secara acak ke kelompok kontrol dan Pre-test. Catatan: Validitas external berkurang; validitas internal tinggi.

32 Dengan penempatan acak unit2 analisis ke kelompok2 intervensi diharapkan data variabel2 perancu* sama di kelompok2 tsb, kecuali Mortalitas Populasi Sampel X1X1 X0X0 R R R * E.g.: history, maturasi, testing, instrumentasi, tendensi sentral, seleksi diferensial, mortalitas.

33 Cara mengendalikan Mortalitas dengan Pre-test (untuk melihat siapa yang drop-out) Hipotesis penelitian didukung jika Selisih Mean O post kedua kelompok ≥ Selisih Mean Minimum (yang dipatok sebelum penelitian dimulai). O pre juga dapat digunakan untuk melihat apakah unit2 analisis kedua kelompok setara dalam hal variabel terikat sebelum V bebas dimanipulasi. R O X 1 O R O X 0 O

34 Validitas external menurun karena ada kemungkinan interaksi antara Pre-test dengan Intervensi Interaksi antara Seleksi dengan Intervensi Pengaturan2 khusus


Download ppt "Merancang & Merencanakan Pengumpulan, Pengolahan & Penafsiran Data Rossi Sanusi (http://rossisanusi.wordpress.com) Selasa, 14 November 2014 Lokakarya Disertasi."

Presentasi serupa


Iklan oleh Google