Pada artikel ini secara umum akan dijelaskan tentang pengertian kasus satu sampel bebas beserta alat analisisnya. Tujuan pembuatan artikel ini agar kita tidak salah menggunakan alat analisis sehingga output statistiknya bisa efektif. Ibarat seorang tukang bangunan, tentu banyak memiliki alat. Tukang tersebut tentunya tidak akan mendatangkan molen untuk membangun sebuah gubuk di pinggir sawah.
Pengertian satu sampel bebas
Satu sampel bebas terdiri dari kata “satu sample” dan “bebas”. Satu sampel berarti bahwa data yang diperoleh berasal dari satu populasi atau satu kelompok yang sama. Bebas berarti antara responden satu dengan yang lain tidak berhubungan atau juga dikenal dengan istilah random (tidak ada pola khusus yang menentukan responden ke-n).
Kasus satu sampel bebas ini biasa dikenal juga dengan univariate, dimana nilai Y atau populasi yang dimasukan kedalam penelitian hanya berjumlah satu.
Contoh kasus satu sampel bebas adalah misalkan dalam Sekolah Menengah Umum Negeri 3 Bandar Lampung, diambil sampel sebanyak 60 orang. Siswa siswi tersebut diwawancara tentang tingkat kepuasan terhadap salah satu program ekstrakurikuler di dalam sekolahnya, yakni Kelompok Ilmiah Remaja. 40 diantaranya menyataan tidak puas, sedangkan sisanya menyatakan puas.
Kelompok yang dimaksud adalah satu populasi yakni satu sekolah. Kemudian sample diambil secara acak sebanyak 60 responden. Contoh kasus seperti ini berarti menandakan kasus satu sample bebas.
Pilihan tehnik statistika yang digunakan untuk uji pemusatan data Y pada kasus 1 sampel bebas, tergantung dari tingkat pengukuran Y.
Metrik dan normal
Jika sampel data yang diambil berjenis metrik dan menyebar secara normal, maka pengujian statistika bisa digunakan dengan Uji T.
Contoh : dari sebuah desa diambil data berat badan bayi yang berusia 0 – 3 bulan. Apakah dari data tersebut dapat disimpulkan bahwa berat badan bayi tersebut diatas berat badan yang dianjurkan? Misalnya berat badan yang dianjurkan 3.1 Kg. >> ini misal lho…saya tidak paham berat badan bayi ideal untuk umur 3 bulan.
Data ada disini, silahkan download
Mari buka minitabnya, kemudian copykan data di sheet minitab, klik stat – basic statistic – one sample t seperti pada gambar dibawa ini:
Kemudian isikan data di kolom yang tersedia, beri tanda checklist pada perform hypothesis test. Dan masukkan nilai standar berat yang akan dihitung (dalam kasus ini 3.1). kemudian klik OK
Akan keluar hasilsebagai berikut:
One-Sample T: C1
Test of μ = 3,1 vs ≠ 3,1
Variable N Mean StDev SE Mean 95% CI T P
C1 24 3,346 0,838 0,171 (2,992; 3,700) 1,44 0,163
Diperoleh nilai T = 1,44 dengan nilai P value adalah 0,163 atau signifikan pada 16,3. Artinya dapat disimpulkan bahwa sample data berat badan bayi tersebut tidak signifikan berbeda dari berat standar yakni 3,1 Kg (tolak H1).
Metrik, namun tidak normal
Jika nilai Y merupakan data berskala metrik atau minimal ordinal, namun sebaran yang dimiliki tidak menyebar normal, maka uji yang digunakan adalah Uji Tanda, atau Uji Bertanda Ranking Wilcoxon.
Contoh: masih tentang berat badan, misalnya dalam suatu kantor perusahaan makanan dan minuman, perusahaan akan menentukan apakah berat karyawannya lebih dari 60 Kg. Kemudian data berat badan secara sample diambil secara acak. Data tersedia di file excel sebelumnya.
Data yang diperoleh ternyata tidak menyebar normal. Berikut data gambar histogramnya.
Cara menggunakan uji tanda: buka minitab, kemudian copikan data di sheet meinitab. Klik stat – nonparametrik – 1 sample sign.
Kemudian masukkan variabel di kolom yang tersedia, dibawahnya ada pilihan apakah test akan dilakukan dalam interval kepercayaan 95% ataukah akan dilakukan secara spesifik berupa perbandingan terhadap nilai tertentu. Pada kasus ini karena akan ditentukan apakah data berat badan tersebut signifikan diatas 60 kg, maka diisi 60 pada test median dan greater than pada pilihan alternative. Kemudian klik OK
Hasil yang diperoleh:
Sign Test for Median: C1
Sign test of median = 60,00 versus > 60,00
N Below Equal Above P Median
C1 39 33 0 6 1,0000 52,42
Nilai P value 1.0000 artinya tidak signifikan bahwa berat badan karyawan tersebut diatas 60 Kg. Hal ini bisa diperjelas bahwa frekuensi karyawan yang berada di bawah 60 Kg sebanyak 33 orang dan hanya 6 orang yang ada di atas 60 Kg.
Kategori
Kasus satu sampel selanjutnya adalah jika nilai Y berupa kategori. Jika Y berupa kategori yang jumlahnya lebih dari 2 maka digunakan Chi square, namun jika hanya 2 kategori, bisa menggunakan Uji Binomial. Misalnya soal kepuasan yang tidak hanya puas dan tidak puas, tapi ada yang cukup. Artinya ada 3 kategori Y.
Contoh :
Dari 43 siswa diambil pendapatnya apakah puas mengikuti sebuah pelatihan. Diberi 3 pilihan, puas, cukup, dan tidak puas. Panitia menargetkan 60% peserta puas, 30% peserta cukup, dan 20% peserta tidak puas (total proporsi 100%). Dari hasil survey diperoleh bahwa peserta yang menyatakan puas sebanyak 13 orang, peserta yang menyatakan cukup sebanyak 10 orang dan peserta yang menyatakan tidak puas sebanyak 20 orang. Dari informasi tersebut apakah terdapat perbedaan proporsi antara jumlah peserta yang puas, cukup dan tidak puas?
Sebelumnya kita simpulkan H0 = proporsi ketiganya sama, H1 = frekuensi ketiganya berbeda.
Buka minitab, masukkan data diminitab. Kemudian klik stat – tables – Chi square Goodness of fit (one variabel).
Isikan frekuensi dalam observed count , kategori TK Puas dalam category names. Dan dibagian bawah, kita bisa memilih apakah proporsi ketiganya dianggap sama dengan memilih equal proportions, atau ada proporsi sendiri. Pada kasus ini kita memilih specific proportion, dan mengisi kolom proporsi sesuai yang ditetapkan panitia pelatihan. Klik OK
Hasilnya adalah
N DF Chi-Sq P-Value
43 2 19,1240 0,000
Dapat terlihat bahwa nilai p value dibawah 0.05 artinya tolak H0. Menandakan bahwa ada beda secara signifikan antara proporsi peserta yang menyatakan puas,cukup puas, dan tidak puas.
Perlu diingat bahwa chi squared digunakan apabila Y bersifat kategori. Jadi, bukan sebuah dummy dalam regresi linear.
Selamat Belajar!
Tinggalkan Balasan