Pengolahan Data S2 IPK FK UGM Januari 2014.

Presentasi berjudul: "Pengolahan Data S2 IPK FK UGM Januari 2014."— Transcript presentasi:

1 Pengolahan Data S2 IPK FK UGM Januari 2014

2 Mengolah Data Menggunakan metoda ilmu statistik diskripsi yang tepat (sesuai skala dan syarat2 rumus) untuk: a. menghitung besar korelasi (r) atau selisih (d) Mean atauProporsi b. menjawab pertanyaan penelitian (angka dan gambar peringkas) Menggunakan metoda ilmu statistik inferensi untuk menghitung besar kesalahan sampling bila r/d dan statistik2 peringkas dihitung berdasar data dari sampel UA.

3 Contoh Hipotesis Penelitian:
Ada hubungan positif yg bermakna (r ≥ 0.80) antara “Pembelajaran di Skills Lab” dan “Kompetensi klinik” pada AkBid-AkBid di Indonesia. Ada hubungan positif yg bermakna (r ≥ 0.80) antara “Pembelajaran di Skills Lab” dan “Kompetensi klinik” pada mahasiswa AkBid Husada Bakti.

4 XXXXXXXXXXXXXXXXXXXXX
Hipotesis 1: X = UA = AkBid; X = subyek (e.g., Mahasiswa) memiliki variabel2 (e.g.“Keterampilan menolong persalinan normal”) Sampel Mhs AkBid Bantul Pop Mhs AkBid Bantul XXXX XXXXXXXXXXXX R XXXXXXXX XXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXX XXXXXX XXXXXXXXXXXXXXXXXXXXX R Sampel AkBid Pop AkBid

5 XXXXXXXXXXXXXXXXXXXXX
Hipotesis 2: X = UA = subyek = Mahasiswa Populasi Mahasiswa AkBid Sampel Mahasiswa AkBid XXXXXXXX XXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXX XXXXXX XXXXXXXXXXXXXXXXXXXXX R

6 Score Variabel Prediktor Score Variabel Kriterion
Menghitung r utk Prediktor & Kriterion skala interval /rasio Unit Ana-lisis Score Variabel Prediktor Score Variabel Kriterion 1 2 3 . k n Total Hipotesis penelitian didukung jika r ≥ rmin

7 utk Variabel Bebas yg dimanipulasi
Menghitung r bis atau d utk Variabel Bebas yg dimanipulasi Kelompok X1 Kelompok X0 Unit Ana-lisis Score Variabel Terikat Score Variabel Terikat 1 2 3 . k n Total Mean1 Mean0 Hipotesis Penelitian didukung jika rbis ≥ rbis.min atau d ≥ dmin (d = Mean1 - Mean0)

8 prediktor & kriterion skala ordinal
Menghiung rho atau tau utk prediktor & kriterion skala ordinal Unit Ana-lisis Prediktor Kriterion Score Order 1 2 3 . k n Hipotesis penelitian didukung jika ρ ≥ ρmin Atau τ ≥ τmin

9 Menghitung Φ atau C utk Prediktor & Kriterion skala nominal
Hipotesis penelitian didukung jika Φ ≥ φmin & C ≥ C min Menghitung Φ atau C utk Prediktor & Kriterion skala nominal Kriterion Total subyek + - Prediktor a b a + b c d c + d Total subyek a + c b + d n = a+b+c+d

10 Hipotesis Statistik Perlu diuji jika r atau d dan statistik2 peringkas dihitung berdasar data dari sampel UA. Diuji dengan metoda ilmu statistik inferensi yang sesusai dengan skala dan syarat2 rumus: a. uji statistik parametrik jika data numerik dan distribusi populasi normal. b. uji statistik non-parametrik jika data numerik/ non-numerik (ordinal, nominal) dan tidak mempertimbangkan parameter2 populasi. Pelajari pustaka ilmu statistik parametrik & nonparametrik

11 Hipotesis statistik (statistik sampel mewakili parameter populasi) didukung jika kesalahan sampling ≤ batas (α): H0 = Statistik tidak mewakili Parameter karena sampling error terlampau besar H1 = Statistik mewakili Parameter. Statistik = angka dan gambar peringkas pada sampel. Parameter = angka peringkas pada populasi (huruf Yunani)

12 Menguji Hipotesis Statistik
Tulis H0. Pilih Uji Statistik (Parametrik atau Nonparametrik) Tetapkan α dan n  diperkecil/diperbesar jika ...? Gambar/bayangkan distribusi sampling dan daerah penolakan H0 Hitung nilai uji statistik (menggunakan data sampel). Lihat Tabel Uji Statistik  Jika berada di daerah penolakan tolak H0 dan terima H1

13 Contoh Hipotesis Penelitian: Ada hubungan positif bermakna (r ≥ 0
Contoh Hipotesis Penelitian: Ada hubungan positif bermakna (r ≥ 0.80) antara skor “Skills Lab” dan skor “kompetensi menolong persalinan normal”. H0: r tidak mewakili ρ; probabilitas r di bawah sangat kecil (α = 0.05). α = probabilitas membuat Type 1 Error (Kesalahan menolak H0) β = probabilitas membuat Type 2 Error (Kesalahan menerima H0) = 1 – α = Power uji statistik. Kurangi membuat kedua jenis error ini dengan memperbesar n.

14 Buat distribusi r sampel  Mean dari dstribusi ini = estimasi ρ; SD dari distribusi ini diestimasi dengan rumus SE = SD sampel dibagi akar n. Daerah penolakan H0 di ekor kanan karena Hipotesis penelitian menunjukkan arah positif dan besar daerah penolakan 0.05.

15 A.3. Rancangan Pentafsiran Data
Logika pentafsiran data yang valid: Peneliti mempertimbangkan a. validitas dalam - sejauh mana koefisien korelasi (atau koefisen selisih) yang bermakna bukan karena dimoderasi oleh moderator2 dan variabel2 confounding yang diabaikan. b. validitas luar – sejauh mana hasil penelitian berlaku untuk subyek2 di luar populasi penelitian.

16 Untuk meningkatkan validitas dalam peneliti dapat melakukan:
Analisis multivariat – korelasi yang menggunakan 2/> prediktor, 2/> kriterion atau keduanya. Nilai tambah: Validitas external tinggi Nilai kurang: Membutuhkan jumlah unit analisis yang besar

17 Mengontrol (membuat konstan)
a. moderator2 spesifik dengan Korelasi Parsial, kriteria inklusi dan kelompok kontrol yg diMatch. Nilai kurang: 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. Nilai kurang: Cocok jika variabel bebas dimanipulasi; Validitas external berkurang.

18 Variabel2 Perancu History – variabel2 lingkungan
Maturasi – variabel2 intra subyek Testing – variabel2 pengukuran Instrumentasi – variabel2 alat ukur Seleksi diferensial – variabel2 inter-subyek Tendensi sentral – variabel2 subyek extrem Mortalitas – variabel2 subyek yang drop-out Lihat: Campbell, D.T., & Stanley, J.C. (1963). Experimental and quasi-experimental designs for research. Chicago: Rand McNally College.

19 Dengan penempatan acak unit2 analisis ke kelompok2 kontrol diharapkan data variabel2 perancu sama di kelompok2 tsb, kecuali Mortalitas X1 Populasi R Sampel R R X0

20 Cara mengendalikan Mortalitas dengan Pre-test (untuk melihat siapa yang drop-out)
Hipotesis penelitian didukung jika Selisih Mean Opost kedua kelompok ≥ Selisih Mean Minimum (yang dipatok sebelum penelitian dimulai). Opre juga dapat digunakan untuk melihat apakah unit2 analisis kedua kelompok setara dalam hal variabel terikat sebelum V bebas dimanipulasi. R O X1 O R O X0 O

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