Uji Korelasi dalam Pair Sample T Test

Dalam output SPSS untuk uji pair sample t test, dapat kita temukan tiga tabel. Tabel pertama adalah Paired Sample Statistic, kedua adalah Paired Sample Correlation dan ketiga adalah Paired Sample Test. Tabel Test of homogenity variance tidak bisa kita temukan pada output ini. Tiga tabel tersebut menunjukkan fungsi yang berbeda-beda, yang pertama menunjukkan nilai mean dan standard deviasi, yang kedua nilai korelasi dua variabel dan ketiga adalah hasil uji beda (t test).

Ada kejadian menarik ketika seorang mahasiswa ada yang ingin membaca hasil uji beda dengan melihat nilai korelasinya. Hal ini menarik perhatian saya karena, jika ingin melihat uji beda, mengapa melihat korelasinya?

Nilai korelasi menunjukkan skor antara pretest dengan postest, dimana ketika ada korelasi berarti semakin tinggi nilai pretest maka akan semakin tinggi pula postest. Dengan demikian dapat dikatakan bahwa nilai pretest yang semakin tinggi, akan semakin meningkatkan semakin tinggi pula skor postest. Tentu hal ini tidak diharapkan peneliti, karena keberhasilan treatment hanya dinikmati oleh orang yang prestestnya baik. Peneliti tentu berharap skor postest akan semakin meningkat meski skor pretestnya rendah.

Menurut pendapat saya, kita sebaiknya memakai output pada tabel Paired Sample Test, khususnya pada nilai t. Hal ini dikarenakan nilai t menunjukkan hasil uji beda antara skor pretest dengan postest. Jika nilai t signifikan, hal ini berarti ada perbedaan signifikan antara skor pretest dengan postest. Semakin signifikan berarti semakin besar pula perbedaan antar pre dengan post.

LT dan LD

Bagaimana jika LT50 maupun LD50 kita bernilai negatif?
Ini kasus yang saya tangani beberapa kali.

Penelitian Kepuasan Pelanggan

Minggu ini kami ada proyek penelitian di Taman Pintar Yogyakarta. Ini penelitian tentang pendapat pengunjung terhadap pelayanan perusahaan. Sampel yang ditargetkan 1000 orang dari berbagai status karakteristik demografis seperti: daerah asal, umur, pendidikan.

Tujuan penelitian ini adalah untuk memberikan gambaran kepuasan pengunjung dan sekaligus menjaring kritik serta saran dari pengunjung. Penelitian seperti ini memang perlu dilakukan secara berkala misalnya setiap enam bulan atau satu tahun sekali sehingga manajemen akan mendapatkan input untuk mengambil berbagai kebijakan.

Rising Star. Analisis persamaan struktural dengan PLS

Analisis data dengan PLS

Program partial least square (PLS) merupakan software yang relatif baru dan mulai banyak digunakan oleh para peneliti di dunia. Program ini mendasarkan analisis berbasis covarian. Berbagai buku yang dapat Anda baca misalnya dikarang oleh Imam Ghozali, Jogiyanto Hartono dan sebagainya.

Program ini dapat diunduh gratis di www.smartpls.de. Keunggulan program ini dibandingkan program SEM lain seperti: Lisrel ataupun AMOS adalah:
1. Dapat bekerja dengan sampel kecil N<100
2. Tidak memerlukan asumsi pengujian goodness of fit

Program ini juga kadang dijadikan alternatif sebagai pengganti uji selain AMOS karena tidak memenuhi goodness of fits.

Program ini sudah mulai banyak dipake, jadi kenapa Anda ragu memakainya?

Tentang "way" pada anova

Bulan ini saya beberapa kali memberikan konsultasi tentang pemilihan teknik statistik yang tepat untuk penelitian eksperimen. Berbagai macam desain experimen seperti one shot case study, pretest postest control design, randomized control trial (RCT) dan sebagainya dipilih untuk dilakukan penelitian. 

Pertanyaan yang dilontarkan cukup bervariasi, mulai dari belum mengetahui sama sekali, salah konsep, cukup mengetahui atau sekedar konfirmasi/second opinion. Menarik untuk saya bahas di sini adalah tentang salah konsep dalam memahami "way" dalam anova.

Dari hasil diskusi tersebut dapat saya simpulkan bahwa kesalahan yang sering membuat kacau adalah memahami "way" sebagai jumlah kelompok dalam eksperimen.  Sebagai contoh, seorang peneliti akan melakukan penelitian efektivitas pembunuh jentik nyamuk dengan tiga kelompok yakni: kontrol, perlakuan 1 (konsentrasi 10%) dan perlakuan 2 (konsentrasi 20%). Dengan desain seperti ini, orang sering menyebut bahwa teknik analisis data yang digunakan adalah three way anova, karena ada tiga kelompok dalam penelitiannya. Pendapat itu tentu saja salah karena konsep "way" dikaitkan dengan faktor/jenis perlakuan/intervensi yang diberikan, bukan pada jumlah kelompok dalam penelitian.

Oleh karena itu, pada contoh kasus di atas, teknik analisis yang tepat adalah one way anova. Alasannya adalah karena hanya ada satu jenis perlakuan yang diberikan yakni konsentrasi (kontrol, 10%, 20%). Demikian juga dengan desain eksperimen yang lain seperti RCT, RPT, RBD dan sebagainya kita hanya perlu mengidentifikasikan berapa jenis perlakuan/intervensi yang diberikan terhadap obyek.

Statistik Univariat

Tulisan ini merupakan kelanjutan dari tulisan saya sebelumnya.

Singkat cerita, saya merekomendasikan pada si ibu untuk memakai one sample t test (t tes satu sampel).Hal ini saya pilih karena istilah monovariat sama saja dengan univariat, atau disebut sinonim. 

Ketika Anda googling atau searching di internet anda juga akan ditawarkan untuk mengecek univariat. Nah, baru ketika Anda mengklik univariat, akan muncul berbagai teknik analisis univariat yang ada. Anda dapat menelusuri sumber tersebut satu per satu untuk mendapatkan materi/informasi seputar statistik univariat.

Kenapa saya menyarankan untuk memakai one sample t test? Hal ini didasarkan pada tujuan analisis dan jenis data yang didapatkan. Anda harus mengingat tulisan saya sebelumnya tentang teknik pemilihan analisis statistik untuk aplikasi penelitian. Pada tulisan tersebut, lihat tabel, kita dapat cek ketika tujuan yang hendak dijawab adalah menguji perbedaan satu sampel dengan jenis data yang didapatkan adalah data interval/rasio maka teknik analisis yang dipakai adalah one sample t test. Jika Anda lupa, baiknya kembali baca tulisan saya tersebut.

One sample t test termasuk dalam statistik parametrik, sehigga sebelum dipakai kita perlu uji asumsi yakni: Uji normalitas dan uji homogenitas. Berdasarkan pengalaman saya,  menangani jasa olahdata, memang alat uji ini jarang dipakai oleh para peneliti.

Apakah uji univariat hanya one sample t test? kemudian apa sajakah alat analisis yang masuk statistik bivariat? akan kita bahas pada tulisan saya berikutnya. 

Terus Belajar Structural Equation Modelling

Pada hari Selasa, 28 Agustus 2012 saya berkesempatan untuk belajar lagi tentang materi Structural Equation Modelling (SEM) dengan salah satu ahli SEM di Yogyakarta, yakni Bp. Asma'i, P.hD. Pertemuan siang itu, saya bertanya seputar permasalahan yang muncul pada persoalan SEM, yakni over fit. Indikasi dari adanya over fit adalah indikator TLI yang sebesar 1,065, di sisi lain indikator GFI sebesar 0,743 dan AGFI sebesar 0,720. Berikut hasil analisis yang kami lakukan dengan software AMOS versi 18.

Berdasarkan indikator tersebut, maka permasalahan tidak hanya over fit, tetapi juga lack of fit (marginal) untuk indikator GFI dan AGFI. Permasalahan GFI dan AGFI disebabkan data yang tidak berdistribusi normal. Benar saja, indikator Multivariat normality memang sebesar 16, jauh dari standar 2,58. 

Atas permasalahan tersebut, beberapa langkah yang disaranakan adalah: 1) dengan men-drop observed variable yang outlier, 2) mendrop data observasi yang outlier, dan 3) mengubah/transformasi menjadi skor composite. 

Itu adalah beberapa petunjuk yang diberikan pada kami, agar permasalahan yang muncul di SEM, baik dengan program AMOS maupun Lisrel dapat sesuai dengan ketentuan yang berlaku (kaidah teoritis yang ada).