Distribusi probabilitas juga akan menggambarkan berbagai kejadian atau fenomena yang berbeda di mana berhubungan dengan ketidakpastian dari berbagai kejadian tersebut.

Akibatnya, distribusi probabilitas bisa digunakan memakai eksperimen untuk menentukan ruang sampel dan berbagai kemungkinan dalam fenomena atau kejadian tertentu.

Agar kamu bisa memahami dan mempelajari distribusi probabilitas, diperlukan pengetahuan dan pemahaman yang mendalam. Oleh karena itu, yuk simak penjelasan mengenai distribusi probabilitas di bawah ini sampai habis!

Pengertian Distribusi Probabilitas Menurut Para Ahli

Sebelum kamu mengetahui pengertian distribusi probabilitas menurut para ahli, terlebih dahulu kamu harus memahami pengertian distribusi probabilitas secara umum. Distribusi probabilitas adalah suatu fungsi bagian dari fungsi matematika dan muncul dengan berbagai kemungkinan hasil untuk suatu eksperimen.

Maka dari itu, distribusi probabilitas juga bisa diartikan sebagai fungsi statistik dengan bertujuan untuk mendeskripsikan kemungkinan yang dapat diambil dari berbagai variabel secara acak pada rentang tertentu dan mendeskripsikan semua kemungkinan nilai.

Dalam hal tersebut, kisaran distribusi frekuensi dibatasi oleh nilai maksimum dan nilai minimum yang mana terjadi nilai kemungkinan yang akan diplot tergantung dengan jumlah faktornya. Ada beberapa faktor yang memengaruhi distribusi probabilitas yaitu kemiringan, rata-rata deviasi standar atau rata-rata distribusi dan kurtosis.

Dari penjelasan di atas, bisa disimpulkan bahwa yang dimaksud dengan distribusi probabilitas merupakan suatu distribusi yang mendefinisian tentang peluang dari sekumpulan variasi sebagai pengganti frekuensi.

Distribusi probabilitas membutuhkan aplikasi probabilitas dalam statistik atau kunci penerapan, yaitu memperkirakan terjadinya probabilitas atau peluang yang nantinya akan dihubungkan dengan terjadinya suatu peristiwa dalam beberapa fenomena atau peristiwa.

Sehingga ketika kamu mengetahui bahwa keseluruhan probabilitas dari suatu kemungkinan akan terjadi, maka seluruh probabilitas atau kemungkinan peristiwa tersebut akan membentuk suatu distribusi probabilitas.

1. Suharyadi dan Purwanto

Menurut Suharyadi dan Purwanto, distribusi probabilitas merupakan sebuah daftar dari semua hasil percobaan kejadian atau kemungkinan yang disertai dengan nilai probabilitas pada masing-masing hasil tersebut.

2. Heny Hendrayati

Sedangkan, distribusi probabilitas menurut Heny Hendrayati adalah rangkaian susunan distribusi yang dibuat dengan sistem supaya untuk memberikan kemudahan dalam memahami probabilitas suatu kejadian yang menjadi topik riset.

Jenis-Jenis Distribusi Probabilitas

Terdapat dua jenis distribusi probabilitas menurut proses pembuatan datanya, yaitu distribusi probabilitas kumulatif atau distribusi probabilitas normal dan distribusi probabilitas diskrit atau distribusi probabilitas binomial. Berikut penjelasannya:

1. Distribusi probabilitas kumulatif atau distribusi probabilitas normal

Distribusi probabilitas kumulatif atau distribusi probabilitas normal juga dikenal dengan distribusi probabilitas kontinu, di mana di dalam distribusi probabilitas ini terdapat sekumpulan kemungkinan hasil yang diambil dari nilai rentang berkelanjutan.

Contohnya adalah jika sekumpulan bilangan real merupakan distribusi normal atau kontinu akan memberikan semua hasil yang mungkin dari bilang real. Termasuk juga di dalamnya merupakan himpunan bilangan prima, himpunan bilangan kompleks, himpunan bilangan bulat dan sebagainya.

Contoh dari distribusi probabilitas kumulatif atau distribusi probabilitas normal juga ada di dalam kehidupan nyata, misalkan suhu pada hari-hari tertentu. Distribusi probabilitas yang satu ini juga memiliki rumus yang akan dijabarkan sebagai berikut:

Ket:

1. x = variable acak normal
2. μ = mean atau nilai rata-rata
3. σ = deviasi standar atau distribusi standar probabilitas

Dari rumus di atas dapat disimpulkan bahwa jika nilai rata-rata atau mean (μ) = 0 dan distribusi standar probabilitas atau deviasi standar (σ) = 1, maka distribusi ini disebut dengan distribusi kumulatif atau normal.

Hal tersebut dikarenakan statistik pada distribusi normal di atas dapat memperkirakan berapa banyak peristiwa alam dengan sangat baik, sehingga hal tersebut telah berkembang menjadi standar rekomendasi untuk banyaknya kueri probabilitas, dan di bawah ini adalah beberapa contohnya:

1. Melempar dadu baik sekali ataupun beberapa kali.
2. Populasi penduduk di dunia yang tinggi.
3. Untuk melempar koin.
4. Menilai Intelligent Quotient Level yang terdapat pada anak-anak di dunia ini.
5. Mengukur ukuran sepatu wanita.
6. Mengukur distribusi pendapatan perekonomian negara antara negara miskin dan kaya.
7. Laporan nilai rata-rata siswa berdasarkan kinerja mereka masing-masing.
8. Rentang ukuran berat bayi yang baru lahir.

2. Distribusi Probabilitas Binomial atau Distribusi Probabilitas Diskrit

Distribusi probabilitas binomial atau diskrit adalah distribusi probabilitas yang dapat terjadi apabila adanya himpunan hasil yang bersifat diskrit.

Peristiwa tersebut juga dapat dikenal dengan fungsi massa probabilitas. Sehingga, hasil ini terdiri dari n percobaan berulang kali dan hasilnya bisa terjadi atau tidak. Distribusi probabilitas jenis ini juga memiliki rumus yang akan dijabarkan sebagai berikut:

Ket:

1. r = jumlah total dari berbagai peristiwa yang berhasil
2. n = jumlah total dari sebuah peristiwa
3. nCr = [n! / r! (n-r)]
4. p = keberhasilan dari probabilitas percobaan tunggal
5. 1 – p = probabilitas kejadian

Dari rumus di atas dapat disimpulkan bahwa distribusi probabilitas binomial atau diskrit memberikan kemungkinan hasil yang berbeda. Di dalam kehidupan nyata, konsep tersebut dipakai untuk berbagai keperluan seperti yang akan dijabarkan di bawah ini:

1. Digunakan untuk mengetahui jumlah bahan yang tidak terpakai dan bahan bekas saat membuat produk.
2. Digunakan untuk mengikuti survei umpan balik positif dan negative dari orang-orang terhadap sesuatu hal.
3. Digunakan untuk menghitung survei berapa banyak penonton terhadap suatu saluran.
4. Digunakan untuk mengetahui jumlah pria dan wanita yang bekerja di sebuah perusahaan.
5. Digunakan untuk menghitung suara para calon kandidat di dalam suatu pemilihan.

Di dalam distribusi ini juga terdapat istilah distribusi binomial negatif. Distribusi binomial negatif adalah distribusi probabilitas binomial yang mempunyai jumlah keberhasilan dalam serangkaian percobaan Bernouli independen dan disebarluaskan secara identik.

Ciri-Ciri Distribusi Probabilitas

Distribusi probabilitas harus memiliki ciri-ciri untuk membedakan dengan distribusi lainnya atau sebagai pembeda. Berikut ini adalah 3 ciri-ciri distribusi probabilitas, antara lain:

1. Disitribusi probabilitas mempunyai hasil-hasil, yang mana hasilnya adalah dari peristiwa yang tidak terikat antara peristiwa yang satu dengan yang lainnya.
2. Distribusi probabilitas memiliki peluang atau probabilitas dari sebuah hasil, mulai dari 0 sampai dengan 1.
3. Distribusi probabilitas mempunyai daftar hasil lebih lengkap, sehingga jumlah peluang atau probabilitas dari berbagai peristiwa atau kejadian adalah satu.

Karakteristik Distribusi Probabilitas

Selain memiliki ciri-ciri, distribusi probabilitas juga memiliki karakteristik yang menjadikan distribusi probabilitas berbeda dengan distribusi lainnya dan menjadi lebih unik. Berikut ini adalah 4 karakteristik distribusi probabilitas, antara lain:

1. Kurva simetris

Distribusi probabilitas memiliki kurva berbentuk simetris dengan rata-rata hitungnya.

2. Kurva lonceng atau genta

Karakteristik selanjutnya adalah distribusi probabilitas memiliki kurva berbentuk lonceng atau genta, di mana dari bentuk tersebut mempunyai satu puncak yang terletak di tengah. Sehingga nilai rata-rata hitungnya sama dengan median dan modus.

3. Kurva mendatar

Di dalam distribusi probabilitas, jika luas daerah yang letaknya di bawah normal, akan tetapi di atas sumbu mendatar, maka dari itu sama dengan memiliki nilai 1.

4. Kurva menurun ke dua arah

Karakteristik yang terakhir yaitu distribusi probabilitas memiliki kurva yang menurun di kedua arah, antara lain ke arah kiri untuk nilai negatif sampai nilai tak terhingga dan ke arah kanan untuk nilai positif sampai nilai tak terhingga.

Fungsi Distribusi Probabilitas

Secara garis besar, fungsi distribusi probabilitas adalah untuk memberikan nilai probabilitas untuk setiap kejadian.

Dalam hal tersebut, distribusi probabilitas memberikan kaitan dengan probabilitas atau kemungkinan untuk nilai yang bisa diambil dari variabel acak yang nantinya berfungsi untuk menentukan variabel acak diskrit.

Tak hanya itu, fungsi distribusi probabilitas tersebut juga digunakan untuk mewakili distribusi probabilitas di ruang sampel. Distribusi probabilitas memiliki konsep fundamental di dalam statistika di mana memiliki beberapa fungsi praktis yang akan dijelaskan di bawah ini!

1. Fungsi data univariat. Pada fungsi ini distribusi probabilitas acap kali bermanfaat untuk menentukan model distribusi yang wajar untuk data univariat tersebut.
2. Fungsi menghitung interval kepercayaan pada suatu parameter. Pada fungsi ini distribusi probabilitas berguna untuk menghitung daerah kritis pada suatu uji hipotesis.
3. Fungsi studi simulasi. Pada fungsi ini distribusi probabilitas menghasilkan bilangan acak dari penggunaan distribusi probabilitas tertentu yang sering digunakan.
4. Fungsi interval statistik. Pada fungsi ini distribusi probabilitas berguna untuk menguji hipotesis yang acapkali didasarkan pada asumsi distribusi tertentu. Sehingga sebelum menghitung interval, kamu harus melakukan verifikasi bahwa asumsi tersebut dibenarkan kepada kumpulan data yang diberikan.

Cara Menentukan Distribusi Probabilitas

1. Variabel acak

Variabel acak adalah variabel yang menggambarkan bagaimana kemungkinan atau probabilitas didistribusikan dengan nilai-nilai variabel acak.

Fungsi massa dari probabilitas menentukan variabel acak dengan lambing ‘x’ dan distribusi probabilitas dengan lambing ‘f(x), yang mana fungsi tersebut memberikan probabilitas atau peluang untuk setiap nilai variabel acak.

Pengembangan fungsi probabilitas variabel acak diskrit setidaknya harus memenuhi dua kondisi, antara lain:

• Jumlah probabilitas bagi setiap nilai variabel acak wajib sama dengan satu.
• F(x) wajib non-negatif bagi setiap nilai variabel acak.

2. Variabel kontinu

Variabel kontinu adalah variabel yang dapat mengasumsikan nilai suatu apapun di dalam interval pada garis bilangan real. Pada variabel kontinu perlu mempertimbangkan nilai tertentu karena nilainya terletak di dalam data interval tertentu.

Sedangkan untuk variabel acak tidak akan mempertimbangkan nilai tertentu karena adanya jumlah yang tidak terbatas di dalam interval apapun.

Contoh Soal Distribusi Probabilitas

Soal: berapa hasil dari distribusi probabilitas ketika dua buah dadu dilemparkan secara bersamaan?

Jawaban: amatilah dua buah dadu tersebut dari 6 sisi. Terdapat 1/6 kemungkinan dari satu angka, satu hingga enam dari sebuah dadu. Akan tetapi, dengan adanya dua buah dadu, maka akan membentuk distribusi probabilitas yang akan dijelaskan di bawah ini:

Kemungkinan hasil yang paling terkecil adalah dua belas (6+6) dan dua (1+1), serta kemungkinan hasil yang paling banyak muncul yaitu tujuh (5+2, 2+5, 1+6, 6+1, 3+4,4+3).

The post Distribusi Probabilitas: Jenis, Fungsi dan Contoh appeared first on HaloEdukasi.com.

Kala itu, setiap rumah dipasang stiker sebagai tanda sudah didata oleh petugas pemerintah. Hal tersebut bertujuan untuk mengambil berbagai kebijaksanaan. Dalam sensus penduduk dibagi menjadi dua yaitu sensus de facto dan de jure.

Lalu, apa perbedaan sensus de facto dan sensu de jure? Yuk simak artikel berikut ini sampai habis!

Apa itu Sensus Penduduk?

Sebelum kamu mengetahui perbedaan sensus de facto dan sensus de jure, alangkah lebih baiknya untuk memahami sensus penduduk terlebih dahulu.

Dilansir dari berbagai sumber, sensus penduduk adalah suatu kegiatan untuk mendata atau memperoleh data-data penduduk di suatu wilayah berdasarkan jenis kelamin, jumlah penduduk, kepadatan penduduk, rasio dan sebagainya oleh petugas pemerintah.

Sensus penduduk tidak boleh dilakukan sembarangan, harus dilaksanakan secara serentak, pada jangka waktu tertentu, dan bersifat menyeluruh di dalam suatu negara untuk mendapatkan informasi demografi di negara yang bersangkutan.

Telah sedikit singgung di atas bahwa berdasarkan keberadaan penduduk, sensus penduduk dibagi menjadi dua yaitu sensus de facto dan sensus de jure.

Manfaat Sensus Penduduk

Sensus penduduk memiliki manfaat yang akan dijabarkan sebagai berikut:

1. Agar bisa mengetahui informasi perkembangan jumlah penduduk
2. Agar bisa mengetahui informasi pertumbuhan penduduk di suatu wilayah atau daerah
3. Agar bisa mengetahui informasi komposisi penduduk di suatu wilayah atau daerah
4. Agar bisa mengetahui informasi arus migrasi penduduk di Indonesia
5. Agar bisa merencanakan pembangunan sarana dan prasarana sosial sesuai dengan kependudukan daerah

Apa itu Sensus De Facto?

Sensus de facto adalah suatu kegiatan pendataan kepada setiap penduduk yang mendiami di daerah tersebut oleh petugas saat sensus dilaksanakan. Sensus de facto tidak membedakan penduduk asli ataupun penduduk pendatang.

Apa itu Sensus De Jure?

kebalikannya dengan sensus de facto, sensus de jure adalah suatu kegiatan pendataan kepada setiap penduduk yang hanya benar-benar mendiami di wilayah tersebut dengan dibuktikan Kartu Tanda Penduduk (KTP) saat sensus dilakukan.

Jadi sensus de jure ini bisa membedakan penduduk asli dengan penduduk pendatang atau seseorang yang belum terdaftar sebagai penduduk di daerah setempat.

Pada metode ini tidak akan mendata penduduk atau seseorang yang belum secara resmi menjadi penduduk di daerah tersebut.

Apa Perbedaan Sensus De Facto dan Sensus De Jure?

Terdapat perbedaan signifikan antara sensus de facto dengan sensus de jure yaitu sebagai berikut:

1. Cara mendatanya

Cara mendata sensus de facto dan sensus de facto sangat berbeda, di mana sensus de facto mendata seluruh penduduk di suatu wilayah atau daerah. Sedangkan sensus de jure hanya penduduk asli di suatu daerah atau wilayah.

2. Pengklasifikasian

Pengklasifikasian antara sensus de facto dengan sensus de jure juga sangat berbeda yaitu sensus de facto tidak mengklasifikasi antara penduduk asli atau penduduk pendatang di suatu daerah.

Sedangkan, sensus de jure mengklasifikasi antara penduduk asli dengan penduduk pendatang dengan dibuktikan oleh Kartu Tanda Penduduk (KTP) atau Kartu Keluarga (KK) di suatu daerah.

Contoh Sensus De Facto

Contoh dari sensus de facto yaitu misalkan kamu adalah orang yang memiliki Kartu Tanda Penduduk (KTP) Jakarta, namun kamu sedang tinggal di Bogor saat sensus dilaksanakan. Maka kamu dianggap penduduk Bogor.

Contoh Sensus De Jure

Contoh dari sensus de jure yaitu misalkan kamu adalah orang yang memiliki kartu Tanda Penduduk (KTP) Tangerang, namun kamu sedang berada di Malang. Maka saat sensus dilakukan, petugas akan mendata kamu sebagai orang Tangerang.

Kelemahan Sensus De Facto

Dibalik kehebatan sensus de facto ternyata ada kelemahannya juga, lho! Kelemahannya yaitu akan mengakibatkan penggandaan data penduduk.

Dengan contoh di atas, data kamu akan dicatat sebagai penduduk Jakarta dan Bogor. Dari kelemahan tersebut akan membuat Indonesia terlihat semakin padat.

Kelemahan Sensus De Jure

Berbanding terbalik dengan sensus de facto, kelemahan sensus de jure yaitu akan mengakibatkan data seseorang tidak tercatat sebagai penduduk di wilayah manapun.

Misalkan Kartu Tanda Penduduk (KTP) kamu Medan, namun kamu sedang berada di Surabaya. Saat melakukan sensus de jure oleh petugas, data kamu tidak akan dicatat di wilayah manapun.

Sebab, kartu tanda penduduk kamu tidak sesuai dengan wilayah yang bersangkutan. Dari kelemahan metode ini akan membuat tidak kesesuaian antara data penduduk dengan jumlah keadaan di lapangan yang sebenarnya.

Jika hal tersebut terjadi maka pemerintah tidak bisa mengantisipasi jumlah keadaan di lapangan yang sebenarnya untuk kepentingan tertentu karena kesalahpahaman dalam metode tersebut.

Kesimpulan

Meskipun di setiap metode atau cara ada kelemahannya masing-masing, akan tetapi sensus penduduk sangat penting dilakukan. Dengan dikumpulkannya data-data penduduk di setiap wilayah akan berguna sebagai landasan alokasi atau pembagian wilayah administratif.

Tak hanya itu, data sensus juga digunakan pemerintah untuk mengadakan pelaksanaan dan perencanaan terkait dengan regulasi atau berbagai fungsi pemerintah.

The post Apa Perbedaan Sensus De Facto dan Sensus De Jure? appeared first on HaloEdukasi.com.

Akan tetapi, tingkat kesalahan ini memiliki batasan dan dapat dihitung batasannya oleh peneliti, yakni menggunakan konsep margin of error. Berikut adalah penjelasan lebih lanjut terkait margin of error.

Pengertian Margin of Error

Margin of error didefinisikan sebagai rentang nilai di bawah dan di atas sampel statistik dalam sebuah tingkat confidence interval atau selang kepercayaan. Confidence interval ini adalah cara untuk menunjukkan seberapa ketidakpastian pada hasil statistik tertentu.

Margin of error merupakan angka yang menunjukkan berapa persentase dari hasil nilai yang didapat dari pengukuran akan berbeda dengan nilai pada populasi sebenarnya.

Margin of error merupakan tingkat ketidaksesuaian antara perolean data statistik dengan fakta yang ada di lapangan. Apabila nilai margin of error rendah, maka artinya akurasi data statistik tersebut semakin tinggi.

Ciri-ciri Margin of Error

Beberapa karakteristik dari margin of error adalah sebagai berikut:

• Harus mengetahui tingkat confidence interval terlebih dahulu sebab untuk mengetahui margin of error diperlukan confidence interval.
• Dipengaruhi oleh ukuran sampel dan statistik yang digunakan.
• Berkaitand dengan tingkat keyakinan dari hasil pengukuran dalam penelitian.

Tujuan Menghitung Margin of Error

Tujuan dari perhitungan margin of error adalah untuk mengetahui seberapa besar nilai dari data pengukuran yang dihitung dengan statistika tidak sesuai dengan kenyataan yang ada di populasi sebenarnya.

Ketika didapatkan nilai margin of error yang semakin rendah, maka artinya semakin tinggi keakuratan dari hasil pengukuran yang didapatkan. Dengan demikian, tingkat margin of error yang rendah tersebut menjadi jaminan baik bagi peneliti agar dapat mempertanggungjawabkan hasil penelitiannya secara ilmiah.

Di sisi lain, pengguna maupun penerima manfaat lain dari penelitian ini juga semakin yakin dengan tingkat akurasi hasil yang terdapat dari penelitian karena mengetahui tingkat kesalahannya lebih kecil.

Akan tetapi, jika nilai margin of error besar, perlu dikaji ulang kemungkinan adanya faktor pengganggu sebab semakin besar margin of error maka semakin besar ketidakakuratan hasil pengukuran.

Meskipun demikian, patut diketahui bahwa kualitas suatu survei maupun penelitian tidak hanya ditentukan oleh margin of error. Namun, terdapat banyak faktor lainnya yang mempengaruhi, seperti kualitas alat ukur, metode penelitian yang digunakan, proses pengambilan sampel, dan lain sebagainya.

Contoh Penggunaan Margin of Error

Contoh penelitian yang menggunakan margin of error dilakukan oleh Arieska dan Herdiani (2018) dengan judul Pemiliha Teknik Sampling Berdasarkan Perhitungan Efisiensi Relatif. Penelitian ini dilakukan untuk memperoleh margin of error yang lebih kecil pada indeks massa tubuh mahasiswa Fakultas Kesehatan Universitas Nahdatul Ulama Surabaya.

Untuk menentukan sampel digunakan dua cara, yakni simple random sampling dan stratified sampling. Populasinya berjumlah 676 mahasiswa. Hasilnya secara deskriptif stratified random sampling memiliki MoE yang lebih kecil dibanding simple random sampling.

Dalam populasi ini, indeks massa tubuh dari perhitungan sampel dengan metode stratified sampling menghasilkan MoE yang lebih kecil sehingga metode ini lebih efisien dibanding simple random sampling. Hal tersebut dikarenakan semakin besar sampel maka MoE akan semakin kecil. Sedangkan jika sampel kecil, teknik pengambilan sampel berpengaruh terhadap perhitungan MoE.

Cara Menghitung Margin of Error

Cara menghitung margin of error terbagi menjadi tiga tahap, yaitu:

• Menemukan nilai kritis. Nilai kritis ini dapat berupa t-score ataupun z-score. Untuk menentukan nilai mana yang digunakan, sederhananya untuk sampel yang kecil (di bawah 30) atau ketika kita tidak mengetahui standar deviasi dar populasi, gunakan t-score. Namun, jika tidak keduanya gunakan z-score.
• Temukan standar devasi atau standar error. Standar tersebut dapat diketahui dengan mengetahui parameter populasi sehingga standar deviasi dapat dikalkulasikan. Namun, kita juga dapat mengkalkulasikan standar error.
• Kalikan nilai kritis dari tahap pertama dengan standar deviasi atau standar error pada tahap kedua.
• Menemukan nilai kritis. Nilai kritis ini dapat berupa t-score ataupun z-score. Untuk menentukan nilai mana yang digunakan, sederhananya untuk sampel yang kecil (di bawah 30) atau ketika kita tidak mengetahui standar deviasi dar populasi, gunakan t-score. Namun, jika tidak keduanya gunakan z-score.
• Temukan standar devasi atau standar error. Standar tersebut dapat diketahui dengan mengetahui parameter populasi sehingga standar deviasi dapat dikalkulasikan. Namun, kita juga dapat mengkalkulasikan standar error.
• Kalikan nilai kritis dari tahap pertama dengan standar deviasi atau standar error pada tahap kedua.

Berikut adalah gambaran rumus margin of error:

Di sisi lain, margin of error juga dapat dihitung jika terdapat proporsi populasi, yaitu:

Secara sederhana, terdapat tiga nilai yang umum dalam margin of error, yaitu:

• Apabila nilai taraf signifikansi sebesar 0,01, maka artinya taraf kepercayaan sebesar 99% sehingga margin of error-nya sebesar 1%.
• Apabila nilai taraf signifikansi sebesar 0,05, maka artinya taraf kepercayaan sebesar 95% sehingga margin of error-nya sebesar 5%.
• Apabila nilai taraf signifikansi sebesar 0,1, maka artinya taraf kepercayaan sebesar 90% sehingga margin of error-nya sebesar 10%.

Contoh Soal dan Jawaban Margin of error

Contoh 1

Terdapat survei kepada 900 siswa dengan rata-rata nilai ujian 2,7 dan standar deviasinya adalah 0,4. Diketahui nilai kritisnya adalah 1,645. Hitunglah margin of error dari survei tersebut.

Sebelum menghitung margin of error, harus diketahui dullu standar error-nya. Berdasarkan nilai yang sudah diketahui, nilai standar error = 0.4 / √(900) = 0.013.

Dengan demikian, apabila menggunakan rumus nilai z atau nilai t x standar deviasi menjadi

Margin of error = 1.645 * 0.013 = 0.021385

Contoh 2

Terdapat survei pada 500 orang untuk mengetahui tingkat dukungan terhadap kebijakan politik dan 300 di antaranya menunjukkan dukungan terhadap kebijakan politik. Diketahui dibutuhkan tingkat kepercayaan 90% sehingga nilai z yang sesuai adalah 1645.

Jika dihitung sesuai rumus margin of error = z × √ (p̂ (1 – p̂) ÷ n)

Diketahui z = 1.645, p̂ = 0.6 (berasal dari 300 ÷ 500), dan n = 500

Sehingga jika dimasukkan ke dalam rumus menjadi:

Margin of error = 1,645 × √ (0,6 (1 – 0.6) ÷ 500)

= 1.645 × √(0.24÷ 500)

= 1.645 × √0.00048

= 0.036

Karena yang diperlukan adalah persentase sehingga dikalikan 100 menjadi 3,6%

Jadi, survei tersebut menunjukkan 300 orang yang mendukung kebijakan politik (60 persen dari 500 orang) dan terdapat margin of error sebesar 3,6%.

Kesimpulan Pembahasan

Demikianlah penjelasan terkait margin of error. Kesimpulannya, margin of error merupakan nilai besaran ketidaksesuaian dari data statistik dengan kenyataan dari populasi di lapangan. Cirinya, yaitu perlu mengetahui tingkat confidence interval terlebih dahulu dan nilai margin of error dipengaruhi oleh ukuran sampel.

Tujuan menghitung margin of error adalah sebagai salah satu jaminan dari peneliti yang menjadi tanggung jawabnya terhadap keakuratan hasil penelitian. Contoh penggunaannya terdapat pada penelitian Arieska dan Herdiai (2018) yang membandingkan nilai margin of error jika menggunakan simple random sampling dan stratified sampling.

Cara menghitung margin of error terbagi menjadi tiga tahap, yaitu menemukan nilai kritis (z-score atau t-score), lalu menemukan standar deviasi atau standar error, dan terakhir mengalikan nilai kritis dengan standar deviasi atau standar error.

The post Margin of Error: Ciri – Tujuan dan Contoh Penggunaannya appeared first on HaloEdukasi.com.

Data time series dikenal sebagai salah satu jenis data berdasarkan dimensi waktu, selain data cross section dan data panel. Dalam data time series bentuk data dapat berupa kuantitatif maupun kualitatif. Berikut adalah penjelasan lebih lanjut mengenai data time series.

Pengertian Data Time Series

Menurut Wei (1994), time series atau runtun waktu sendiri diartikan sebagai himpunan observasi terurut waktu. Dalam sumber lainnya, data time series adalah sebuah rangkaian pengamatan terkait suatu fenomena, peristiwa, maupun perubahan yang terjadi dari waktu ke waktu.

Selain itu, data time series juga memiliki definisi lain, yakni data yang didapatkan dan disusun berdasarkan urutan waktu atau data yang diperoleh akan diurutkan berdasarkan waktu ke waktu. Data tersebut dapat mingguan, bulanan, tahunan, atau lainnya.

Terakhir, pengertian dari data time series adalah kumpulan data dari unit-unit observasi (individu, rumah tangga, perusahaan, provinsi, negara, dan lain-lain) dalam beberapa kurun waktu yang berbeda, tetapi tetap dalam rentang periode yang sama.

Data time series sebagai metode merupakan cara peramalan dengan memakai analisis plot hubungan antara variabel yang akan diperkirakan dengan variabel waktu.

Sedangkan data time series untuk analisis menurut Hasan (2002) merupakan analisis yang digunakan untuk mengukur sekaligus menerangkan adanya perubahan yang terjadi atau perkembangan data dalam satu periode pengukuran.

Tujuan Penggunaan Data Time Series

Secara umum, tujuan penggunaan data time series adalah untuk menganalisis data yang sudah ada dari waktu terdahulu untuk meramalkan (forecasting) kejadian atau nilai di masa mendatang. Kemudian, data time series dapat menunjukkan informasi mengenai hal-hal berikut:

• Proses random walk
• Proses white noise
• Proses autoregressive
• Proses moving average
• Analisis varians
• Analisis covariance
• Stationary
• Autocorrelation
• Spurious.

Dengan data time series, peneliti mampu mendapatkan data dari sampel yang representatif dan sudah bebas dari outlier. Oleh sebab itu, tujuan lain dari penggunaan time series adalah untuk mengetahui tren atau pola yang dapat menjelaskan varians musiman berdasarkan data yang sesuai dengan keinginan peneliti.

Dalam suatu perusahan, data time series yang dianalisis dapat membantu untuk memahami penyebab yang mendasari tren serta pola sistemik dari masa ke masa. Sedangkan dalam bidang penelitian ekonomi, tujuan dari penggunaan data time series adalah untuk mengenali perilaku aktivitas keuangan maupun perekonomian di waktu yang berbeda-beda.

Contoh Penerapan Data Time Series

Salah satu contoh penelitian yang menggunakan data time series adalah studi yang disusun oleh Anis Mahfud Al’afi, Widiarti, Dian Kurniasari, dan Mustofa Usman asal Universitas Lampung pada tahun 2020 dengan judul artikel Peramalan Data time series Seasonal Menggunakan Metode Analisis Spektral.

Dalam penelitian ini, data time series yang digunakan yaitu data penumpang pesawat Bandar Udara Raden Intan II dari bulan Januari tahun 2012 sampai bulan Agustus 2018. Hasil dari penelitian tersebut ditemukan model SARIMA yang tepat, yakni persamaan SARIMA (0,1,1)(0,1,1) untuk membuat prediksi penumpang pesawat pada bulan September 2018 – April 2019 mendatang.

Kelebihan dan Kekurangan Data Time Series

Data time series yang digunakan dalam penelitian memiliki kelebihan dan kekurangannya tersendiri sehingga penggunaannya harus sesuai dengan tujuan dari penelitian. Berikut adalah kelebihan dan kekurangan tersebut:

Kelebihan

• Model lebih mudah dan lebih cepat dibentuk.
• Menghasilkan data yang baik untuk peramalan dalam jangka pendek dan mudah diinterpretasikan.
• Data fleksibel dan dapat mewakili rentang dari karakter deret waktu yang lebar sekaligus terjadi dalam jangka pendek.
• Mempunyai prosedur yang formal dalam proses menguji kesesuaian model.
• Prediksi pada interval ramalan sudah mengikuti model.
• Hasil analisis yang diberikan lebih mendalam apabila dibandingkan dengan metode regresi berganda.

Kekurangan

• Data yang dibutuhkan dalam penelitian relatif banyak.
• Peneliti perlu melakukan analisis terhadap metode pengambilan data dari sumber yang dirujuk.
• Apabila data bertambah, tidak ada cara untuk memperbaharui model yang sudah terbentuk.
• Butuh waktu dan sumber daya lainnya yang lebih besar agar dapat membentuk model yang baik.
• Tidak dapat mengetahui pengaruh variabel-variabel lainnya terhadap variabel tergantung (dependent) yang diamati di masa mendatang selain berdasarkan informasi variabel tergantung dari lag sebelumnya.
• Tidak dapat menangkap hubungan fungsional yang belum diketahui antara variabel independen dengan variabel dependen atau dengan kata lain tidak dapat menangkap hubungan antar variabel yang belum terdapat landasan teorinya.

Kesimpulan Pembahasan

Demikianlah pembahasan mengenai pengertian, tujuan, contoh penggunaan, serta kelebihan dan kekurangan dari data time series. Kesimpulannya, data time series merupakan jenis data terkait peristiwa, kejadian, atau fenomena yang mempunyai urutan waktu pada periode tertentu.

Tujuan penggunaan data time series secara umum adalah untuk menganalisis data-data di masa lalu untuk meramalkan kondisi di masa depan. Contohnya terdapat pada penelitian Al’afi, dkk. (2020) yang menggunakan model SARIMA untuk memperkirakan penumpang pesawat di Bandara Raden Intan II dengan data tahun 2012-2018 untuk tahun 2018-2019.

Kelebihan dari data time series di antaranya, yaitu model lebih mudah dibuat, data lebih mudah diinterpretasikan, dan hasil analisisnya lebih mendala dibanding regresi berganda. Sedangkan kekurangannya adalah butuh banyak data dan tidak dapat mengetahui kemungkinan pengaruh variabel lainnya di masa depan selain dari informasi yang sudah ada.

The post Data Time Series: Pengertian – Tujuan dan Contoh Penggunaannya appeared first on HaloEdukasi.com.

Terdapat berbagai cara memperoleh data kuantitatif, salah satunya dengan data panel. Berikut adalah penjelasan mulai dari pengertian, tujuan, contoh penelitian, hingga kelebihan dan kekurangan dari data panel.

Pengertian Data Panel

Berdasarkan situs Pelatihan LPEM FEB UI, data panel merupakan metode gabungan antara data time series dengan data cross section. Data cross section tersebut dapat berupa karakteristik suatu perusahaan, wilayah, maupun negara.

Selain itu, dalam situs DQ Lab, data panel diartikan sebagai salah satu kombinasi data antara cross section atau disebut juga dengan satu waktu tertentu dan kemudian disandingkan dengan data time series atau disebut juga dengan data runtun waktu.

Pengertian tersebut tidak jauh berbeda dengan yang disampaikan dalam sumber lain disampaikan bahwa data panel merupakan penggabungan antara data runtun waktu (time series) dengan data silang (cross section). 

Menurut Dr. Faurani Santi, data runtun waktu pada umumnya meliputi suatu objek atau individu, seperti harga saham, kurs mata uang, SBI, atau tingkat inflasi dengan tetap memperhatikan periodenya, baik perhari, perbulan, perkuartal, atau pertahun.

Pasangan data silang terdiri atas beberapa objek atau responden, seperti perusahaan dengan berbagai jenis data. Misalnya, laba, biaya iklan, laba ditahan, dan tingkat investasi dalam suatu periode tertentu, tetapi hanya ada satu data yang diambil.

Tujuan Penggunaan Data Panel

Ketika peneliti ingin melakukan observasi, misal pada perilaku unit ekonomi, seperti rumah tangga, perusahaan, atau negara, peneliti tidak dapat hanya melakukan observasi terhadap setiap unit tersebut dalam satu waktu secara bersamaan, tetapi juga perlu melakukan observasi pada perilaku setiap unit pada berbagai periode waktu.

Oleh sebab itu, data panel digunakan oleh peneliti untuk mendapatkan data yang komprehensif, baik itu dari banyak unit maupun dari beberapa periode. Dengan demikian, hasil dari penelitian menjadi lebih luas dan dapat digeneralisasikan.

Selain itu, terdapat tujuan lain dari analisis secara data panel, yakni untuk memberi deskripsi terkait perubahan sosial, pertumbuhan individu, serta kejadian atau ketidakjadian suatu hal. Tidak hanya itu, hasil dari data panel dapat dijadikan sebagai cara untuk menginformasikan kebijakan dan mengevaluasi kebijakan

Contoh Penggunaan Data Panel

Salah satu penelitian yang menggunakan data panel, tepatnya regresi data panel dilaksanakan oleh mahasiswa dan staf pengajar jurusan Statistika di Universitas Diponegoro, yakni Mariska Srihardianti, Mustafid, dan Alan Prahutama pada tahun 2016 dengan judul Metode Regresi Data Panel untuk Peramalan Konsumsi Energi di Indonesia.

Peneliti menggunakan data total konsumsi energi akhir di Indonesia menggunakan buku Handbook of Energy and Economic Statistics of Indonesia 2012 dan 2015 serta data Produk Domestik Bruto (PDB) di Indonesia atas dasar harga konstan berdasarkan lapangan usaha dari Badan Pusat Statistik Indonesia. 

Kedua data tersebut diperoleh mulai dari tahun 1990 sampai 2014. Selain itu, data juga diklasifikasikan dalam 5 sektor, yakni rumah tangga, industri, transportasi, komersial, dan lainnya. Dengan demikian penelitian ini terdiri atas data cross sectional dan time series sesuai dengan pengertian dari data panel.

Hasil dari penelitian dengan analisis regresi panel data ini menunjukkan perkiraan, yakni konsumsi energi di Indonesia pada tahun 2015 dan 2016 akan meningkat pada sektor rumah tangga dan transportasi. Sedangkan pada sektor industri, komersial, dan lainnya akan menurun pada 2015 dan meningkat pada tahun 2016.

Kelebihan dan Kekurangan Data Panel

Pengguanan data panel memiliki kelebihan dan kekurangan dalam penelitian, yakni sebagai berikut:

Kelebihan

• Meningkatkan jumlah observasi (sampel).
• Memperoleh variasi antar unit yang berbeda berdasarkan ruang dan variasi berdasarkan waktu.
• Menyediakan data yang lebih komprehensif.
• Data yang dihasilkan memiliki degree of freedom atau derajat bebas yang lebih besar.
• Mengurangi kolinearitas antar variabel penjelas sehingga estimasi ekonometrika yang diperoleh lebih efisien.
• Mengatasi masalah yang timbul apabila terdapat masalah pada penghilangan variabel (omitted-variable).
• Dalam penelitian ekonomi, data panel memiliki keuntungan yang besar dibanding hanya data jenis cross section maupun time series. 

Kekurangan

• Kemungkinan adanya faktor pengganggu yang lebih besar karena menggunakan observasi dari data runtut waktu dan antar ruang atau dengan kata lain gabungan dari gangguan kedua data membuat faktor pengganggu menjadi semakin meningkat.
• Observasi antar ruang yang digunakan berpotensi membuat ketidakkonsistenan parameter regresi sebab skala data yang berbeda.
• Observasi data runtut waktu menimbulkan terjadinya autokorelasi antar observasi.

Kesimpulan Pembahasan

Demikianlah penjelasan mengenai pengertian, tujuan, contoh penelitian, serta kelebihan dan kekurangan dari data panel. Kesimpulannya, data panel merupakan gabungan dari data time series dan data cross section. Tujuannya adalah untuk memberikan data yang komprehensif, seperti mendeskripsikan perubahan dan menginformasikan kebijakan.

Contoh penelitian dengan data panel dilakukan oleh Srihardianti, Mustafid, dan Prahutama (2016) yang menggunakan data cross sectional mengenai total konsumsi energi akhir di Indonesia dan PDB pada 5 sektor, yaitu umah tangga, industri, transportasi, komersial, dan lainnya. Sedangkan data time series ditunjukkan dengan sumber data tahun 1990-2014.

Kelebihan dari data panel adalah jumlah sampel meningkat sehingga variasi anat unit meningkat, data lebih komprehensif, dan derajat bebas lebih besar. Namun, kekurangan data ini adalah kemungkinan faktor pengganggu meningkat dua kali lipat da mungkin ada autokorelasi.

The post Data Panel: Pengertian – Tujuan dan Contoh Penggunaannya appeared first on HaloEdukasi.com.

Salah satu bagian penting dalam penelitian terkait manusia adalah jumlah subjek yang diperlukan untuk membuktikan suatu hipotesis dalam penelitian. Penting bagi peneliti untuk menggunakan jumlah sampel yang tepat agar dapat merepresentasikan populasi sesungguhnya serta agar penelitian dapat lebih efektif.

Jumlah sampel yang terlalu sedikit dapat menimbulkan masalah, seperti karakteristiknya kurang dapat menggambarkan karakteristik populasi sebenarnya. Sedangkan jumlah sampel yang terlalu banyak juga kurang baik, karena akan memakan banyak waktu, tenaga, serta biaya. Oleh sebab itu diperlukan cara yang tepat untuk mengetahui jumlah sampel, yakni dengan rumus Slovin.

Pengertian Rumus Slovin

Rumus Slovin diperkenalkan oleh seorang tokoh bernama Slovin pada tahun 1960. Meskipun belum dapat diketahui pasti siapakah tokoh Slovin ini dan sumber buku/artikel mengenai rumus Slovin, tetapi rumus yang ia buat sangat populer dan sering digunakan dalam berbagai penelitian hingga saat ini. 

Berdasarkan KBBI, kata rumus sendiri didefinisikan sebagai ringkasan (hukum, patokan, dan sebagainya dalam ilmu kimia, matematika, dan sebagainya) yang dilambangkan oleh huruf, angka, atau tanda. Sedangkan kata Slovin dapat dilihat berasal dari nama tokoh yang memperkenalkannya, yakni Slovin.

Sugiyono (2017) dalam bukunya menyebutkan bahwa rumus Slovin merupakan sebuah rumus yang digunakan untuk menemukan besaran sampel yang dianggap representatif atau dapat menggambarkan karakteristik dari keseluruhan populasi.

Kemudian pengertian lainnya mengenai rumus Slovin juga disampaikan oleh Nalendra et al. (2021), yakni formula untuk menghitung jumlah sampel minimal yang dibutuhkan apabila populasi penelitian belum dapat diketahui secara pasti.

Ciri-ciri Rumus Slovin

Terdapat beberapa ciri dari rumus Slovin atau dapat disebut juga sebagai syarat untuk menggunakan rumus ini, di antaranya yaitu:

• Digunakan pada jenis penelitian yang membutuhkan untuk mengestimasi proporsi.
• Teknik sampling yang digunakan adalah simple random sampling.
• Umumnya digunakan ketika jumlah populasi penelitian relatif banyak.
• Peneliti belum mengetahui perkiraan proporsi populasi.
• Diperlukan nilai tingkat kesalahan.

Tujuan Penggunaan Rumus Slovin

Rumus Slovin digunakan dengan tujuan untuk menemukan jumlah sampel minimal yang diperlukan agar hasil penelitiannya dapat diterapkan bagi populasi secara luas karena sampel tersebut sudah mewakili populasinya atau disebut juga dengan proporsi populasi. 

Pada umumnya dalam penelitian peneliti tidak mengetahui proporsi populasi yang tepat. Nilai proporsi tersebut sebenarnya dapat diketahui melalui studi literatur pada penelitian terdahulu maupun pendapat orang-orang yang sudah ahli dalam memperkirakan proporsi.

Namun, kebanyakan penelitian terdahulu tidak mencantumkan nilai proporsi tersebut sehingga peneliti memerlukan cara lain. Oleh sebab itu, digunakan rumus Slovin yang dapat menunjukkan besaran proporsi untuk menghasilkan besaran varian tertinggi.

Cara Menghitung Rumus Slovin

n = Jumlah sampel

N = Jumlah populasi

E2 = Batas kesalahan

Pada rumus di atas, terdapat lambang n atau ukuran sampel yang sedang dicari, terdapat huruf N yang melambangkan ukuran dari populasi, serta huruf e yang menjadi simbol dari margin of error atau besaran kesalahan yang mungkin terjadi dan sudah ditetapkan berdasarkan studi penelitian.

Toleransi kesalahan harus ditentukan sejak awal berdasarkan confidence level, yakni tingkat keyakinan terhadap hasil dari kebenaran penelitian atau taraf signifikansi hasil meski mungkin ada kekeliruan pada batas tertentu. Taraf signifikansi ini dapat berbeda tergantung bidang studi penelitiannya.

Misalnya, peneliti di bidang studi kedokteran harus menggunakan taraf signifikansi sebesar 99%, maka toleransi kesalahan hanya sampai 1% saja. Sedangkan peneliti di bidang studi ilmu sosial dapat menggunakan taraf signifikansi sebesar 95% sehingga toleransi kesalahan hanya sampai 5% saja. Perlu diketahui bahwa besaran tersebut masih memiliki variasi lain.

Contoh Penelitian yang Menggunakan Rumus Slovin

Salah satu penelitian yang menggunakan rumus Slovin adalah studi yang dilakukan oleh mahasiswa Universitas Muhammadiyah Surakarta, yakni Muchlis, Imam, dan Hakim (2015) dengan judul Pengaruh Stres Kerja terhadap Kinerja Karyawan di PT. Batik Danar Hadi Surakarta.

Diketahui bahwa populasi penelitian tersebut adalah 877 orang karyawan yang bekerja di PT. Batik Danar Hadi Surakarta (N). Kemudian, diketahui pula persentase kelonggaran kesalahan pengambilan sampel yang masih bisa ditoleransi sebesar 10% (e). Untuk mengetahui jumlah sampel yang dapat merepresentasikan populasi, peneliti menggunakan rumus Slovin.

Hasil perhitungan yang dilakukan adalah sebagai berikut:

Keterangan:

N atau populasi= 877

e atau margin of error = 10% = 10^2

n atau sampel yang dibutuhkan = 89,7

Berdasarkan perhitungan rumus Slovin tersebut, penelitian ini akan menggunakan 100 orang karyawan sebagai sampel (n) atau sekitar 12 persen dari populasi karyawan PT. Batik Danar Hadi Surakarta. Sampel akan dipilih menggunakan teknik probability sampling berjenis simple random sampling.

Kesimpulan Pembahasan

Demikianlah penjelasan mengenai rumus Slovin. Kesimpulannya, penelitian pada manusia pasti membutuhkan subjek yang mampu menjawab hipotesis penelitian. Jumlah dari subjek ini sangat penting sebab jika terlalu sedikit menjadi kurang representatif terhadap populasi, tetapi jika terlalu banyak juga kurang efektif sehingga dapat menggunakan rumus Slovin untuk menemukan jumlah yang tepat.

Rumus Slovin adalah rumus yang diperkenalkan oleh Slovin pada 1960. Rumus ini didefinisikan sebagai formula atau rumus yang digunakan untuk menemukan jumlah sampel minimal yang dapat merepresentasikan karakteristik populasi secara keseluruhan ketika jumlah sampelnya belum diketahui secara pasti.

Ciri dari rumus Slovin, yaitu digunakan pada penelitian yang memerlukan estimasi proporsi, teknik samplingnya simple random sampling, jumlah populasi relati banyak, dan lain-lain. Tujuan penggunaan rumus Slovin adalah untuk mengetahui jumlah sampel yang dibutuhkan agar dapat mewakili karakteristik populasi.

Cara menghitung rumus Slovin adalah dengan membagi N dengan 1+N(e)^2 sehingga menghasilkan jumlah sampel atau n. N adalah populasi dan e adalah tingkat kekeliruan. Penelitian yang menggunakan rumus ini dilakukan oleh Muchlis, Imam, dan Hakim (2015) dengan hasil dari 877 populasi, sampel yang dibutuhkan adalah 89,7 dari error 10%.

The post Rumus Slovin: Ciri – Tujuan dan Contoh Penelitian yang Menggunakannya appeared first on HaloEdukasi.com.

Apakah kalian sudah mengetahui secara jelas apa itu variabel dependen? Di sini kami akan membahas mengenai variabel dependen secara umum untuk menambah pengetahuan, terutama bagi kalian yang sedang melakukan penelitian. Mari kita simak pembahasan berikut ini.

Pengertian Variabel Dependen

Variabel dependen merupakan variabel yang keberadaannya dipengaruhi dan disebabkan karena sebuah variabel bebas atau yang disebut juga dengan variabel independen. Oleh karena itu, variabel dependen memiliki sebutan lain yakni variabel terkait.

Variabel bebas atau variabel independen sangat mempengaruhi besarnya variabel dependen. Variabel independen atau variabel bebas memberikan sebuah peluang berubahnya variabel dependen yang dinamakan dengan koefisien atau besaran yang terjadi pada variabel independen.

Dengan kata lain, ketika pada variabel independen mengalami perubahan dalam rentang sekian satuan, akan terjadi perubahan juga pada variabel dependen dengan jumlah yang sama dengan perubahan variabel bebas.

Variabel ini mengacu paada sebuah variabel bebas yang digunakan dalam sebuah eksperimen. Biasanya para peneliti mengukur variabel dependen untuk mencerminkan sebuah proses yang terjadi yang biasanya dipengerahui oleh keberadaan variabel independen.

Sebagian orang masih kesulitan membedakan bagaimana variabel dependen dan variabel independen. Sebenarnya mudah saja, kuncinya ada pada siapa yang mempengaruhi dan siapa yang dipengaruhi. Untuk lebih gampangnya, coba bangun kalimat kausal yang mana variabel independen menjadi penyebab, sedangkan variabel dependen menjadi akibat.

Pengertian Variabel Dependen Menurut Para Ahli

Adapun para ahli yang mengemukakan pendapatnya mengenai pengertian variabel dependen. Berikut beberapa pengertian variabel dependen menurut para ahli antara lain sebagai berikut.

• Pengertian Variabel Dependen Menurut Widiyanto (2013)

Widiyanto mengemukakan pendapatnya bahwa variabel dependen merupakan suatu variabel yang keberadaannya merupakan pengaruh dari suatu variabel yang lain.

• Pengertian Variabel Dependen Menurut Sugiyono (2016)

Sugiyono mengemukakan pendapatnya bahwa variabel dependen merupakan sebuah variabel yang disebabkan karena pengaruh dari variabel yang memberikan akibat yakni karena variabel independen.

Cara Mengenali Variabel Dependen

Sebelum mengenali variabel dependen, ada baiknya untuk memahami terlebih dahulu bagaimana variabel indepen dan juga variabel dependen itu sendiri. Berikut cara memahami variabel independen dan dependen.

1. Variabel independen dianggap sebagai sebuah faktor yang dapat memberikan efek dan pengaruh tertentu. Variabel independen menjadi karakteristik yang terukur dalam sebuah eksperimen dan tidak terpengaruh dengan adanya variabel lain.
2. Variabel dependen di asumsikan sebagai hasil, karena variabel ini merupakan efek atau hasil dari pengaruh adanya faktor lain. Yang mana besarnya akan mengikuti dan bergantung dengan faktor lain tersebut. Oleh karena itu, disebutkan bahwa variabel dependen merupakan hasil dari variabel independen.
3. Ditekankan kembali bahwa variabel dependen tidak dapat memberikan perubahan terhadap variabel independen.

Setelah belajar memahami bagaimana variabel independen dan variabel dependen itu sendiri, kami akan lanjut pada bagaimana cara mengenali variabel dependen. Berikut langkah – langkah mengenalinya.

1. Untuk mewakili masing – masing variabel terutama variabel dependen, gunakanlah notasi. Pasalnya, dengan mengubah pernyataan pada variabel yang ada di dalam persamaan, akan memudahkan mengindentifikasi jenis variabel yang ada di dalamnya.
2. Buatlah sebuah persamaan dengan menggunakan variabel – variabel yang telah ditentukan tersebut. Jumlah variabel dependen di dalam sebuah persamaan akan bergantung dan mengikuti variabel independen.
3. Cobalah untuk mulai memecahkan persamaan yang ada untuk melihat sebab akibat dan hubungan antara variabel yang ada di dalamnya.
4. Setelah menemukannya, coba kita masukkan beberapa angka yang berbeda – beda pada variabel independen. Perlu diingat bahwa di dalam sebuah eksperimen, peneliti cenderung mengubah nilai variabel independen supaya dapat mengetahui efek yang terjadi pada variabel – variabel yang lainnya.

Contoh Variabel Dependen

Untuk memperjelas bagaimana dan apa itu variabel dependen, mari kita perhatikan contoh variabel dependen di bawah ini.

• Contoh variabel dependen dalam bidang pendidikan dengan topik eksperimen berjudul Pengaruh Metode yang Digunakan dalam Belajar Mengajar terhadap Peningkatan Prestasi Mahasiswa. Yang perlu kita tekankan di sini bahwa yang menjadi variabel dependennya adalah peningkatan prestasi mahasiswa.
• Contoh variabel dependen dalam bidang pertanian dengan judul Pengaruh Pupuk NPK terhadap Kualitas Tanaman Singkong. Di sini, yang menjadi variabel dependennya adalah kualitas tanaman singkong.
• Contoh variabel dependen dalam bidang manjemen pemasaran yang berjudul Pengaruh Motivasi Kerja yang Diberikan pada Karyawan Swasta terhadap Produktivitas Sales di Semarang. Variabel dependen yang ada pada topik tersebut adalah produktivitas sales di Semarang.
• Contoh variabel dependen yang ada di dalam bidang eksata dengan topik Pengaruh Suhu dan Lokasi terhadap Jumlah Ganggang yang Ada di Dalam Sampel Air. Jika demikian topiknya, maka yang menjadi variabel dependennya adalah jumlah ganggang yang ada di dalam sampel air.
• Contoh lain variabel dependen dari bidang pendidikan dalam sebuah penelitian dengan topik Pengaruh Komunikasi Antara Guru dengan Siswa di Sekolah terhadap Minat Belajar Siswa. Jika begitu, yang menjadi variabel dependennya adalah minat belajar siswa.
• Contoh variabel dependen dari bidang psikologi dengan topik Pengaruh Hubungan dan Kedekatan Anak dan Orang Tua terhadap Kreativitas Seorang Anak. Yang menjadi variabel dependen di sini adalah kreativitas anak.

The post Pengertian Variabel Dependen dan Contohnya appeared first on HaloEdukasi.com.

Purposive sampling merupakan sebuah teknik non random sampling yang mana para peneliti melakukan penentuan pengambilan sampel berdasarkan ciri khusus yang cocok dan sesuai dengan tujuan dari penelitian tersebut, agar permasalahan dari penelitian tersebut dapat terjawab.

Terdapat dua kunci utama yang sangat penting antara lain non random sampling dan ciri khusus yang sesuai dengan tujuan penelitian.

Teknik non random sampling itu sendiri merupakan teknik sampling tanpa adanya kesempatan yang sama untuk tiap – tiap anggota populasi yang menjadi sampel dalam sebuah penelitian. Para peneliti membuat ciri – ciri khusus supaya sampel yang diambil sesuai dengan kriteria yang mendukung penelitian tersebut. Kriteria yang dimaksud dapat berupa kriteria inklusi maupun eksklusi.

Pengertian Purposive Sampling Menurut Para Ahli

Supaya kita dapat mengerti lebih lanjut mengenai purposive sampling, mari kita perhatikan pengertian purposive sampling menurut para ahlinya. Berikut purposive sampling menurut para ahli :

• Pengertian Purposive Sampling Menurut Arikunto (2006)

Menurut Arikunto (2006), purposive sampling merupakan sebuah teknik untuk melakukan pengambilan sampel dengan tidak random, namun berdasar dengan sebuah pertimbangan yang menitik fokuskan tujuan tertentu.

• Pengertian Purposive Sampling Menurut Notoatmodjo (2010)

Menurut Notoatmodjo (2010), purposive sampling merupakan cara pengambilan sampel atas dasar pertimbangan tertentu misalnya sifat populasi atau ciri yang sebelumnya telah diketahui dan ditentukan.

• Pengertian Purposive Sampling Menurut Sugiyono (2010)

Menurut Sugiyono (2010), purposive sampling merupakan teknik yang membantu dalam penentuan sampel sebuah penelitian berdasarkan dengan sebuah pertimbangan tertentu yang memiliki tujuan supaya perolehan data menjadi lebih representatif.

Teknik Pengambilan Sampel

Terdapat dua jenis pengambilan sampel antara lain random sampling dan non-random sampling. Berikut penjelasannya!

• Teknik Random Sampling

Teknik ini adalah salah satu teknik pengambilan data yang mana didasarkan pada sebuah pemilihan dengan menggunakan kriteria maupun ciri khusus yang telah ditentukan dalam upaya mendapatkan hasil yang relevan terkait penelitian yang dikerjakan. Beberapa teknik random sampling antara lain :

1. Random Sampling. Teknik ini memiliki kesempatan dan kemungkinan pada setiap populasi untuk dipilih sebagai sampel.
2. Stratified Random Sampling. Teknik ini membagi populasi dalam berbagai kelompok, yang mana sampel tersebut didapatkan dari masing – masing kelompok yang telah dibagi sebagai perwakilan dari kelompok.
3. Systematic Sampling. Teknik ini memilih sampel dari urutan nilai interval berdasarkan jarak tertentu.
4. Clustered Sampling. Teknik ini terbagi dalam kelompok – kelompok tertentu, yang mana dalam pemilihan sampel, dipilih bukan berdasarkan individu melainkan perkelompok.

• Teknik Non-Random Sampling

Teknik non-random sampling digunakan dalam mengambil data berdasarkan pemilihan karakteristik maupun ciri khusus dalam mencari sampel yang relevan agar tujuan dari sebuah penelitian dapat tercapai. Beberapa jenis teknik pengambilan sampel non-random sampling :

1. Quota Sampling.  Merupakan teknik yang mengambil sampel berdasarkan jumlahnya.
2. Purposive Sampling. Teknik ini menekankan pengambilan sampel yang berdasarkan pertimbangan karakteristik maupun ciri khusus.
3. Accidental Sampling. Teknik ini mengambil sampel dari siapapun yang dijumpai atau siapapun yang sedang berada di dekat peneliti.

Tujuan Purposive Sampling

Berdasarkan pengertian para ahli atau pakar di atas, kita dapat mengambil poin – poin penting perihal pengertian teknik sampling tersebut serta indikasi terhadap penggunannya.

Berdasarkan teori yang dikemukakan oleh statistikian, teknik ini cocok bagi para penelitian yang membutuhkan suatu kriteria – kriteria khusus dalam penelitiannya. Hal tersebut ditujukan agar sampel yang didapatkan nanti dapat mencapai tujuan penelitian, permasalahan penilitian dapat terpecahkan, dan menghasilkan nilai yang representatif.

Purposive sampling memiliki tujuan utama yakni untuk dapat memberikan hasil sampel yang bersifat logis dan keberadaannya dapat mewakili populasi.

Kelebihan dan Kekurangan

Sama halnya dengan teknik pengambilan sampel lainnya, teknik purposive sampling mempunyai beberapa kelebihan dan kekurangan. Berikut kita simak beberapa kelebihan dan kekurangan dari teknik purposive sampling.

• Kelebihan Purposive Sampling

Beberapa kelebihan purposive sampling yang perlu kita ketahui antara lain :

1. Dalam menggunakan purposive sampling, tujuan penelitian kita akan dapat tercapai dengan mudah terutama mengingat sampel yang kita dapatkan sesuai dengan kebutuhan sebuah penelitian.
2. Teknik purposive sampling merupakan proses yang cukup efisien.
3. Dalam pengambilan sampel menggunakan purposive sampling, dapat mengeksplorasi dan memprediksi situasi yang sifatnya antropologis secara efektif, yang mana bertujuan agar penelitian mendapatkan banyak manfaat melalui pendekatan yang sifatnya intuitif.
4. Purposive sampling merupakan satu – satunya teknik yang tepat jika digunakan bersama sumber data primer. Oleh karena itu, dapat memberi sebuah kontribusi terkait penelitian dengan data ataupun populasi yang terbatas.
5. Metode purposive sampling ini sangat mudah dilakukan oleh para peneliti.

• Kekurangan Purposive Sampling

Meskipun purposive sampling memiliki berbagai macam kelebihan atau keunggulan yang menjadi alasan kita menggunakannya, puposive samplingtak luput dari kekurangannya. Berikut kekurangan purposive sampling yang dapat kita pertimbangkan antara lain :

1. Tidak ada jaminan mengenai representasi jumlah sampel yang ada dalam purposive sampling yang diambil dari sebuah populasi penelitian.
2. Pada sebuah simpulan yang memiliki sifat statistik, purposive sampling tidak dapat digneralisasi.
3. Teknik ini tidak termasuk ke dalam teknik random sampling.
4. Biasanya teknik ini kurang dikenali oleh orang di dalam studi – studi tertentu, misalnya saja pada studi yang berkaitan dengan bisnis.
5. Jika menggunakan teknik purposive sampling, hasil penelitian kurang mampu untuk digeneralisasi.
6. Penelitian dengan menggunakan purposive sampling, yang mana berasal dari penelitian peneliti memiliki potensi rentan terjadi kesalahan.

Langkah – Langkah Purposive Sampling

Seorang peneliti harus menjalankan dan melakukan langkah – langkah saat hendak melakukan sebuah penelitian dalam rangka meneruskan tahap atau langkah pengambilan sampel jika ingin menggunakan teknik pengambilan sampel dengan purposive sampling. Berikut langkah – langkah purposive sampling!

1. Langkah pertama yang harus dilakukan seorang peneliti adalah menentukan dan juga menetapkan tujuan dari sebuah penelitian yang hendak dilakukannya.
2. Kemudian, setelah mengerti dan menentukan tujuan dari penelitian yang hendak dilakukan, para peneliti hendaknya menentukan kriteria – kriteria apa saja yang kiranya mendukung tujuan penelitian untuk dapat dicapai. Kriteria – kriteria yang ditetapkan tersebut baiknya dibuat secara spesifik, dengan maksud supaya tidak terjadi kebingungan, keambiguan, maupun hal – hal lain yang sifatnya umum dalam sebuah populasi.
3. Langkah yang ketiga adalah menentukan populasi yang sesuai berdasarkan spesifikasi yang telah ditentukan dalam melakukan penelitian tersebut.
4. Langkah yang terakhir adalah menyiapkan dan menyelesaikan pengumpulan sampel penelitian yang layak dan memenuhi kriteria – kriteria yang sudah ditetapkan dan diharapkan dari penelitian tersebut.

Syarat Purposive Sampling

Dalam melakukan penelitian dan menentukan sampel dalam teknik pengambilan sampel menggunakan purposive sampling, ada beberapa syarat yang harus kita perhatikan dengan baik agar penelitian dapat berjalan dengan baik ke depannya. Syarat – syarat dalam pengambilan sampel menggunakan purposive sampling antara lain sebagai berikut :

• Menentukan karakteristik sebuah populasi dengan cermat, teliti, dan penuh kehati – hatian di dalam suatu penelitian dengan kata lain anggota populasi yang ditentukan telah memenuhi kriteria – kriteria yang telah ditentukan sesuai dengan kebutuhan para peneliti.
• Pengambilan sampel dilakukan dengan mengacu pada ciri – ciri, karakteristik, maupun sifat – sifat spesifik yang mana didasarkan pada sebuah pokok di dalam suatu populasi yang sesuai dengan tujuan dari penelitian tersebut.
• Dengan menentukan dan mempertimbangkan suatu hal berdasarkan latar belakang yang diinginkan dan dikehendaki oleh para peneliti, peneliti dapat memilih dan menentukan sampel berdasarkan dengan individu, kelompok, hingga wilayah.
• Pengambilan sampel dilakukan dengan mengambil dari subjek yang benar – benar termasuk dalam ciri – ciri terbanyak dari suatu populasi atau dengan kata lain paling dominan.

Rumus Purposive Sampling

Teknik pengambilan sampel dengan menggunakan rumus purposive sampling di dalam sebuah penelitian eksploratori maupun penelitian kualitatif harus memperhatikan dan mengacu pada rumus perhitungan. Berikut ini merupakan rumus purposive sampling yang perlu kita pahami dan mengerti dalam melakukan pengambilan sampel.

1. Rumus pertama purposive sampling yakni dalam melakukan pengambilan sampel menggunakan teknik purposive sampling ini memilih dan menentukan sampel yang paling banyak akan menjadikan hasil yang didapatkan akan semakin baik.
2. Yang kedua adalah ukuran dan banyaknya jumlah sampel tergantung pada sebuah alasan yang digunakan dan ditentukan oleh para peneliti dalam melakukan penelitiannya, apakah sudah sesuai atau belum dengan kriteria, ciri – ciri, atau alasan lainnya.
3. Rumus yang terakhir adalah adanya karakteristik yang tepat dan sesuai dengan latar belakang dari sampel yang ada pada sebuah populasi penelitian tersebut.

Contoh Purposive Sampling

Purposive sampling dapat dilakukan untuk melakukan penelitian pada kehidupan sehari – hari misalnya dalam meneliti kualitas pelayanan atau kinerja karyawan. Berikut contoh – contoh dari purposive sampling antara lain :

• Penelitian pada Kepuasan Nasabah terhadap Kualitas Pelayanan Sebuah Koperasi

Pada penelitian yang dilakukan menggunakan teknik purposive sampling ini, yang diteliti adalah respon dan kepuasan nasabah dari pelayanan yang diberikan oleh sebuah koperasi. Pada tahun 2020, sebuah koperasi memiliki total 500 nasabah dengan masing – masing terdiri dari, 275 nasabah tabungan, 175 nasabah kredit, dan 50 nasabah deposito.

Adapun beberapa kriteria yang harus dipenuhi dan diperhatikan dalam melakukan penelitian tersebut antara lain nasabah telah menjadi anggota selama 1 tahun, dengan jumlah pengisi 100 orang. Yang mana pengisi kuisioner masing – masing yakni 50 nasabah tabungan, 35 nasabah kredit, dan 15 nasabah deposito.

Jika dilihat dari populasi di atas, dapat disimpulkan bahwa sampel dalam penelitian ini berjumlah 100 orang nasabah.

• Penelitian Kinerja Karyawan pada Suatu Perusahaan

Penelitian terhadap kinerja karyawan memiliki kriteria pengambilan sampel antara lain sampel merupakan seluruh karyawan tetap, mengisi keperluan kuisioner penelitian, dan sudah bekerja selama 3 tahun di perusahaan tersebut.

Dari kriteria tersebut kemudian didapatkan sampel karyawan yang sesuai dengan kriteria tersebut, karyawan tetap berjumlah 100 orang, karyawan yang mengisi kuisioner penelitian 81 orang, dan karyawan yang sudah bekerja selama 3 tahun di perusahaan tersebut selama 3 tahun berjumlah 33 orang.

Berdasarkan kriteria – kriteria yang sudah disebutkan di atas, kita dapat menarik kesimpulan bahwa sampel yang berhasil dipeorleh dan layak digunakan dalam penelitian tersebut berjumlah 33 orang karyawan.

The post Purposive Sampling: Pengertian, Tujuan dan Contoh appeared first on HaloEdukasi.com.

1. Data Kuantitatif: Data tentang jumlah yang dapat diukur dan ditulis dalam angka (misalnya nilai ujian, berat).
2. Data Kualitatif: Data kategorikal atau frekuensi, dan tidak dapat dinyatakan dalam angka (misalnya laki-laki/perempuan, jenis kendaraan).
3. Cronbach’s alpha: Ukuran yang dimulai dari 0 hingga 1 yang mewakili proporsi ukuran gabungan (yaitu, jumlah item individual) yang terdiri dari atribut dasar.   
4. Alpha value:  Kriteria probabilitas yang dibandingkan dengan p value untuk menentukan apakah hipotesis nol akan ditolak atau tidak. Umumnya level alpha adalah 0,05.
5. Analisis Kovarians (ANCOVA): Variasi pada regresi linier dimana variabel kuantitatif digabungkan dengan variabel kualitatif dalam model regresi.   
6. Analisis Varians (ANOVA): Jenis analisis statistik bivariat atau multivariabel untuk penelitian kuantitatif ketika semua variabel bersifat kualitatif dalam pengukurannya. 
7. Uji Chi-Square ( χ2 ) : Uji hipotesis yang digunakan untuk menguji hubungan antara dua variabel kualitatif atau untuk menguji utilitas model.
8. Koefisien Korelasi: Ukuran mulai dari 1 hingga +1 yang menunjukkan arah hubungan linier antara dua variabel kuantitatif. 
9. Data: Angka, huruf, atau karakter khusus yang mewakili pengukuran sifat unit analitik seseorang, atau kasus, dalam sebuah studi; data adalah bahan mentah statistik.
10. Statistik Deskriptif: Teknik statistik yang berkaitan dengan penggambaran variabel yang digunakan dalam studi seseorang.     
11. Standar Deviasi: Selisih antara nilai variabel dan rata-rata variabel untuk mengetahui sebaran data.
12. Dispersi: Tingkat penyebaran yang ditunjukkan oleh nilai-nilai variabel, biasanya dinilai dengan standar deviasi.   
13. Distribusi Variabel (atau distribusi probabilitas): Kumpulan semua nilai variabel dengan probabilitas yang terkait untuk diamati. 
14. Uji F: Uji statistik yang hipotesis nolnya adalah bahwa semua mean kelompok adalah sama (ANOVA) atau bahwa semua koefisien regresi sama dengan nol dalam populasi (regresi linier).
15. Hipotesis: Pernyataan tentatif tentang nilai satu atau lebih parameter populasi.
16. Statistik Inferensial: Teknik statistik yang berkaitan dengan pembuatan kesimpulan tentang populasi berdasarkan pengambilan sampel darinya.  
17. Regresi Linier: Suatu jenis analisis di mana penelitian kuantitatif dilakukan yang ditentukan oleh satu atau lebih variabel dalam persamaan linier.
18. Missing Data: Masalah data yang tidak ada atau tidak muncul untuk satu atau lebih variabel dalam penelitian.
19. Analisis Multivariat atau Multivariabel: Analisis untuk menguji efek simultan dari dua atau lebih variabel pada penelitian  
20. Model Nonlinier: Model statistik yang parameternya tidak linier, misalnya model regresi Poisson.
21. Non Probability Sampling: Teknik pengambilan data atau sampel agar semua data yang memiliki kemungkinan terpilih tidak sama besar.
22. Hipotesis Nol: Kebalikan dari hipotesis penelitian. 
23. Uji T Berpasangan: Uji untuk mengetahui perbedaan antara rata-rata dua kelompok ketika kelompok-kelompok tersebut tidak dijadikan sampel secara independen.     
24. Parameter: Ukuran dari beberapa karakteristik untuk populasi, seperti rata-rata populasi atau proporsi.  
25. Distribusi Poisson: Distribusi probabilitas untuk variabel jenis integer (data bilangan bulat) yang mewakili jumlah kejadian.     
26. Probability Sampling: Teknik pengambilan sampel di mana peneliti memilih sampel dari populasi yang lebih besar dengan menggunakan metode berdasarkan teori probabilitas, misalnya sampel acak.
27. R2 : Ukuran statistik yang menunjukkan seberapa dekat data dengan garis regresi. R2 juga dikenal sebagai koefisien determinasi, atau koefisien determinasi berganda untuk regresi berganda.
28. Range: Selisih antara nilai tertinggi dan terendah dalam sebuah distribusi. 
29. Distribusi sampel: Distribusi probabilitas untuk sampel statistik; distribusi ini menentukan nilai p untuk uji statistik.   
30. Scatterplot: Tampilan grafis yang menunjukkan hubungan antara dua variabel kuantitatif dengan memplot titik-titik yang mewakili perpotongan nilai masing-masing variabel.   
31. Standar error: Standar deviasi dari distribusi sampling statistik. 
32. Uji Dua Arah: Uji hipotesis yang hipotesis penelitiannya tidak terarah, yaitu hipotesis penelitian menunjukkan kemungkinan bahwa nilai parameter yang sebenarnya bisa jatuh di kedua sisi nilai hipotesis nol. 
33. Sampel Dependen: Satu sampel dipengaruhi oleh sampel lainnya
34. Sampel Independen: Sampel tidak dipengaruhi oleh sampel lainnya.
35. Mean: Rata-rata; jumlah nilai data dibagi banyaknya data
36. Median: Nilai tengah yang membagi data menjadi dua kelompok yang sama 
37. Distribusi normal: Distribusi probabilitas yang simetris; mean, median, dan modus semuanya adalah nilai yang sama (titik tertinggi pada kurva)
38. Outliers Scores: Data yang sangat berbeda dari kumpulan data utama sehingga akurasinya dipertanyakan. 
39. p-value: Probabilitas dengan nilai uji statistik yang sama dengan atau lebih dari yang diamati, dengan asumsi hipotesis nol benar 
40. Populasi: Kumpulan orang, objek, atau peristiwa yang memiliki satu atau lebih karakteristik tertentu
41. Random sampling: Metode pengambilan sampel dari suatu populasi sehingga setiap sampel memiliki peluang yang sama untuk dipilih.
42. Sampel: Bagian dari populasi 
43. Tingkat Signifikansi: P-value yang menunjukkan kesimpulan untuk menolak H0.
44. Uji Non Parametrik: Metode analisis statistik yang tidak memerlukan distribusi untuk memenuhi asumsi yang diperlukan untuk dianalisis (terutama jika data tidak berdistribusi normal).
45. Variabel Diskrit: Sekumpulan data dikatakan diskrit jika memiliki nilai yang berbeda yaitu dapat dihitung. Contohnya adalah jumlah anak dalam satu keluarga atau jumlah hari hujan dalam sebulan.
46. Frekuensi: Jumlah atau berapa kali nilai tertentu diperoleh dalam suatu variabel.
47. Skewness: Jika distribusi suatu variabel tidak simetris terhadap median atau meannya, variabel tersebut dikatakan condong. 
48. Kurtosis: Mengacu pada bagaimana nilai terkumpul di pusat distribusi, atas dan bawah, dan samping dari suatu distribusi.
49. Korelasi: Hubungan antara variabel, ketika variabel bergerak bersama-sama.
50. Korelasi positif: Ketika satu variabel naik atau turun, yang lain juga mengikuti (misalnya, asupan kalori dan berat badan). 
51. Korelasi negatif: Dua variabel bergerak berlawanan arah (misalnya kecepatan kendaraan dan waktu tempuh).
52. Uji parametrik: Uji untuk menemukan asumsi spesifik tentang distribusi data atau asumsi spesifik tentang parameter model. Contohnya termasuk uji-t dan uji korelasi linier.
53. Kuartil: Persentil ke-25, ke-75 dan median. Ketiga nilai tersebut membagi distribusi variabel menjadi empat interval yang berisi jumlah pengamatan yang sama.
54. Generalisasi: Suatu usaha untuk memperluas hasil suatu sampel kepada suatu populasi dan hanya dapat dilakukan apabila sampel tersebut benar-benar mewakili seluruh populasi.
55. Reliabilitas: Sejauh mana suatu metode menghasilkan hasil yang sama (konsistensi hasil) ketika digunakan pada waktu yang berbeda, dalam keadaan yang berbeda, baik oleh pengamat yang sama atau lainnya.

The post Istilah-Istilah dalam Statistika appeared first on HaloEdukasi.com.

Berbicara mengenai statistika, tentu tidak bisa dilepaskan dari statistik. Sebab statistika sendiri merupakan cabang ilmu yang menjadikan statistik sebagai objek kajiannya. Jika statistika adalah ilmunya, maka statitik adalah data yang akan diolah dengan menggunakan prinsip-prinsip ilmu statistika. Pada kesempatan kali ini, akan dibahas mengenai salah satu klasifikasi dari statistik yaitu statistik inferensial.

Pengertian Statistik Inferensial

Dalam Kamus Besar Bahasa Indonesia (KBBI), statistik didefinisikan sebagai data yang berupa angka yang dikumpulkan, ditabulasi, digolongkan, sehingga bisa memberikan informasi yang bermakna tentang suatu masalah atau gejala. Sementara itu, inferensial didefinisikan sebagai sesuatu yang dapat disimpulkan.

Menurut Hasan (2003), statistik inferensial adalah statistik yang berhubungan dengan pendugaan populasi dan pengujian hipotesis dari suatu data atau keadaan atau fenomena.

Dari defnisi-definisi diatas, maka secara umum pengertian dari statistika inferensial adalah metode statistik yang bertujuan untuk menarik kesimpulan berdasarkan data-data yeng diperoleh dari sampel penelitian yang dilakukan. Hasil analisis dari statistik inferensial sendiri dapat digeneralisasikan untuk menduga atau memprediksi kondisi dari suatu populasi.

Fungsi Statistik Inferensial

Fungsi dari statistik inferensial adalah sebagai berikut:

• Melakukan penafsiran atau membuat kesimpulan mengenai kondisi dan karakter populasi dengan menggunakan data dari sampel.
• Membuat prediksi, estimasi atau dugaan tentang apa yang mungkin terjadi pada populasi yang diteliti.
• Menentukan hubungan antar karakteristik dalam populasi.
• Melakukan uji hipotesis
• Menarik kesimpulan secara umum tentang suatu populasi

Manfaat Statistik Inferensial

Adapun manfaat yang bisa diperoleh dari statistik inferensial adalah:

• Sebagai alat untuk menduga populasi yang diharapkan hasil pengukurannya bisa akurat dan tepat dalam menggambarkan kondisi populasi yang sebenarnya.
• Metode analisis statistik inferensial yang terstruktur dan teruji secara ilmiah sehingga hasil yang didapatnya juga tidak menjadi bias.

Tujuan Statistik Inferensial

Ada dua tujuan utama dari metode statistik inferensial, yaitu:

• Melakukan generalisasi data suatu populasi dengan menggunakan sampel dari populasi yang diteliti tersebut.
• Memberikan ringkasan atau menarik kesimpulan dari sampel data yang diterapkan untuk keseluruhan data induk (populasi).

Prosedur Penggunaan Statistik Inferensial

Beberapa langkah atau prosedur yang harus dilakukan dalam penggunaan statistik inferensial adalah sebagai berikut:

• Menentukan data dari populasi yang ingin diteliti
• Menentukan sampel yang representatif atau mewakii populasi secara umum
• Memilih jenis analisis yang cocok atau sesui untuk digunakan berdasarkan jenis data dan tujuan penelitian yang dilakukan.
• Melakukan analisis
• Membuat kesimpulan berdasarkan hasil analisis yang dilakukan.

Contoh Statistik Inferensial

Ada beberapa contoh alat analisis statistik inferensial yang sering digunakan, yaitu:

Analisis Regresi

Analisis regresi merupakan alat analisis yang sering digunakan dalam statistik inferensial. Analisis ini biasa digunakan untuk memprediksi keterkaitan antara variabel dependen dengan variabel independen dari sampel dan juga menentukan variabel yang berpengaruh signifikan bagi penelitian yang dilakukan.

Contohnya :

Untuk mengetahui faktor-faktor apa yang mempengaruhi prestasi belajar siswa, maka digunakan beberapa variabel seperti kondisi fisik, kondisi psikis, latar belakang ekonomi, hubungan dengan keluarga, pergaulan siswa, dan lain-lain. Setelah dianalisis dengan analisis regresi, maka akan ditemukan faktor apa yang paling berpengaruh terhadap prestasi belajar siswa.

Uji Hipotesis

Uji hipotesis adalah pengujian statistik inferensial untuk membuktikan kebenaran sari suatu dugaan, klaim, atau pendapat misalnya saja terhadap opini-opini yang berkembang di masyarakat. Uji hipotesis dengan statistik inferensial dilakukan dengan mengambil sampel yang representatif dan melakukan analisis terhadap data yang diperoleh sehingga bisa diambil kesimpulan akan kondisi sebenarnya dari opini-opini yang berkembang tersebut.

Confidence Interval

Confidence interval atau tingkat kepercayaan  adalah uji statistik inferensial yang digunakan untuk mengukur keakuratan rata-rata sebuah sampel yang mewakili rata-rata dari populasi sesungguhnya.

Perbedaan Statistik Inferensial Dan Statistik Deskriptif

Selain statistik inferensial, kita juga mengenal statistik deskriptif. Lantas, apa perbedaan diantara keduanya?

Kesimpulan Pembahasan

Kesimpulan dari pembahasan tentang statistik inferensial diatas adalah sebagai berikut:

• Statistik inferensial adalah metode statistik yang digunakan untuk membuat kesimpulan atau melakukan uji hipotesis terhadap sampel untuk menggambarkan kondisi populasi secara keseluruhan.
• Fungsi dari statistik inferesial adalah untuk melakukan generalisasi dari sampel ke populasi dan juga melakukan uji hipotesis.
• Manfaat dari analisis deskriptif adalah untuk alat menduga populasi dengan menggunakan metode yang terstruktur sehingga hasil analisis tidak bias.
• Tujuan dari analisis deskriptif adalah untuk menarik kesimpulan mengenai kondisi keseluruhan populasi dengan menggunakan sebagian data populasi yang representatif sebagai sampel.
• Prosedur dalam teknik statistik inferensial adalah: menentukan data, menentukan sampel yang representatif, memilih jenis analisis yang sesuai, melakukan analisis, dan menarik kesimpulan berdasarkan hasis analisis.
• Contoh penggunaan statistik inferensial diantaranya adalah untuk melakukan analisis regresii, uji hipotesis, dan confidence interval.
• Perbedaan mendasar dari statistik inferensial dengan statistik deskriptif adalah statistik inferensial menggunakan data sampel untuk membuat kesimpulan yang menggambarkan keseluruhan populasi, sedangkan statistik deskriptif hanya menyajikan data apa adanya dalam bentuk numerik maupun visual.

The post Statistik Inferensial: Pengertian – Tujuan dan Contohnya appeared first on HaloEdukasi.com.