Teorema, Teori dan Hipotesis.

TEOREMA
adalah suatu pernyataan matematika yang masih memerlukan pembuktian dan pernyataan itu dapat ditunjukkan bernilai benar. Nilai kebenarannya Mutlak dan abadi
contoh teorema phytagoras, teorema steward, teorema chebysev.

TEORI

Teori adalah seperangkat konsep atau konstruk, defenisi dan proposisi yang berusaha menjelaskan hubungan sistimatis suatu fenomena, dengan cara memerinci hubungan sebab-akibat yang terjadi, berdasarkan hasil temuan dari Suatu penelitian, Kebenaran dari teori bersifat “SEMENTARA”. Teori dapat tidak berlaku dengan adanya penemuan baru hasil penelitian sejalan dengan perkembangan jaman
Contoh Teori Evolusi Darwin. Sekarang teori ini Jelas sudah tidak berlaku lagi dan bertentangan dengan faktaa ilmiah.

HIPOTESIS

berasal dari dua kata hypo yang berarti “kurang dari” dan thesis yang berarti pendapat. Jadi, hipotesis merupakan suatu pendapat atau kesimpulan yang belum final, yang harus diuji kebenarannya (Djarwanto, 1994 : 13). Bisa juga dikatakan teori yang masih lemah. FUNGSINYA sebagai jawaban sementara dari suatu penelitian. Biasanya digunakan pada penelitian statistik inferensial.
Dalam statistik hipotesis merupakan pernyataan mengenai keadaan parameter yang akan diuji melalui statistik sample (Sumadi Suryabrata, 2000 : 69).
Jika TEORI saja bisa tak berlaku lagi ketika ada temuan baru dari suatu penelitian, pantaskah seorang peneliti melakukan FALSIFIKASI (mengubah-ubah datanya) hanya demi memperjuangkan diterimanya HIPOTESIS (teori lemah) yang dia bangun?

Tanpa Memahami 3 hal tersebut, penelitian saja saja membuat bangunan yang siap Roboh.

Roboh dan ROboh lagi

Fungsi Uji Normalitas

Apa gunanya uji normalitas? hanya mempersulit, mempersempit sampel saja!!!

Jika itu pernah terlintas di benak anda, Bayangkanlah anda baru bekerja di rumah sakit X, Hanya diperoleh informasi rata-rata total bayi yang ditangani dalam sebulan 600, rata-rata berat badan bayi 2,7 KG dengan simpangan baku 0,5. Pimpinan anda berkata ada penanganan khusus yang jauh lebih ekstra sigap bagi bayi yang beratnya kurang dari 2 KG.
terus kira-kira berapa kali tim anda ekstra sigap dalam 1 bulan?
Itulah fungsinya uji normalitas. Jika diketahui data berat badan bayi berdistribusi normal, inilah jawabannya.

N =690
R = 2,7
Sb = 0,5
Re = 2
Z =(Re-R)/sb = (2– 2,7)/0,5 = -1,4.
Lihat tabel Z berapa peluang Z= -1,4?
Ternyata diperoleh peluangnya 0,0808.

Terus ada berapa kira-kira itu bayi kurang dari 2 KG per bulan? Ekstra sigap berapa kali timku?

Tar dulu,

Kamu rutin melewati lampu merah, peluang ketemu hijau Cuma ¼ kira-kira berapa kali “pas” ketemu hijau jika lewat disitu 8 kali? Nah itu gampang berati 8 x ¼ = 2. Artinya kemungkinan Cuma 2 kali aja langsung ketemu ijo dari delapan kali.

Iya terus kasus bayi?

sama tinggal kalikan saja 690 x 0,0808 = 55,75 dibulatkan jadi 56.
Jadi 56 kali perbulan tim anda harus ekstra sigap.

Jenis-Jenis Data Penelitian

1. Data Nominal biasa disebut data skala nominal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi tanpa mengindahkan urutan.

Contoh.
1 Jenis pekerjaan ( 1. Untuk pegawai negri, 2. Untuk pegawai swasta dan 3 wiraswasta).
2 Asal daerah ( 1 untuk semarang, 2 untuk tegal, 3 untuk cilacap, 4 untuk Pekalongan).
3 jenis olahraga (basket 1, sepakbola 2, badminton 3)
2. Data ordinal yaitu data yang mempunyai urutan atau boleh diurutkan berdasarkan peringkat atau atribut tertentu. Biasanya diperoleh data pengamatan
Contoh. 1) Tingkat pendidikan (1 SD, 2 SMP, 3 SMA 4 sarjana)

2) Tingkat obesitas (Normal, obesitas 1, obesitas 2)

3. Data interval yaitu data yang diperoleh dengan cara pengukuran, dimana jarak antar dua titik pada skala, sudah diketahui. Berbeda dengan skala ordinal, dimana jarak dua titik tidak diperhatikan (seperti berapa jarak antara puas dan tidak puas, yang sebenarnya menyangkut perasaan orang saja),
Jenis data ini TIDAK MEMILIKI NOL MUTLAK, angka yang tertera tidak bisa dibandingkan secara matematis.
Contoh. Temperatur ( misal suhu udara malam hari disaudi 15o C, suhu udara siang hari 45o C). Tidak bisa kita katakan suhu udara siang hari 3 kali lipat lebih panas dari suhu udara malam hari. Meskipun demikian dapat dikatakan suhu siang hari 300C lebih tinggi dari malam hari.
Maksud tidak memiliki nol mutlak dalam contoh. Suhu 00C. Bukan berarti tidak ada suhunya.

4. Data rasio
Ukuran yang meliputi semua ukuran pada data interval ditambah dengan satu sifat yang lain, yakni ukuran yang memberikan keterangan tentang nilai absolut dari objek yang diukur dalam hal ini adalah NOL MUTLAK. Disa dilakukan operasi matematika (+, -, :, x)

Contoh.
Berat badan (Misal berat badan Abdullah 25 KG, berat badan ayahnya Zubair bin Awwam 75 Kg). Bisa dikatakan berat badan Zubair bin awwam 3 kali berat badan Abdullah. Perbandingan berat badan Zubair dengan Abdullah adalah 3:1.
Contoh lain penghasilan perbulan. Jika si A penghasilan perbulannya Rp 0. Maka bisa dikatakan si A TIDAK BERPENGHASILAN, inilah representasi dari 0 mutlak.
Pertanyaan: Masuk ke kategori manakah skala likert?

Penggunakan kata yang tepat dalam judul penelitian

1. Regresi : pengaruh
Cth : disiplin vs hasil belajar

2. Korelasi : hubungan
Cth : disiplin vs motivasi

3. Komparasi : perbandingan
Cth1 : membandingkan hasil belajar 2 kelompok siswa atau lebih dengan metode pembelajaran berbeda
Cth 2: membandingkan hasil panen lele yang diberi konsentrat berbeda (sebaiknya pada kasus ini judulnya perbedaan jumlah hasil panen yang diberi konsentrat dengan kadar a,b,c. Jangan pengaruh pemberian konsentratterhadap hasil panen lele.)

4. Analisis Faktor : singkatnya mengelompokkan item menjadi beberapa faktor.
Jika faktor sudah ditentukan terlebih dahulu disebut analisis faktor konfirmatori, jika faktor yang terbentuk dipasrahkan pada hasil analisis (berdasarkan nilai eigen) namanya analisis faktor ekplanatori.
Panjangnya: teknik yang digunakan untuk mencari faktor-faktor yang mampu menjelaskan hubungan atau korelasi antara berbagai indikator independen yang diobservasi.
Tujuannya rtujuan untuk meringkas atau mereduksi variable amatan secara keseluruhan menjadi beberapa variable atau dimensi baru, akan tetapi variable atau dimensi baru yang terbentuk tetap mampu merepresentasikan variable utama.
Cth : Analisis faktor-faktor yang mempengaruhi keberhasilan belajar.


5. Analisis Cluster : mengelompokkan orang/responden/sampel
Cth : .mengelompokkan jenis perbaikan sekolah-sekolah didaerah Jakarta barat sesuai kebutuhan
jadi dalam analis cluater akan terkelompok sekolah a1,2,3,....n mereka membutuhkan perbaikan bangunan dari selainnya
Sekolah b1,2,3....k lebih membutuhkan perlengkapn didalm kelas asprt lcd dll,
Sekolah c1,2,3,.... lbh membuthkn perbaikan tenaga pengajar.

Beda one tai dan two tail

Jika engkau tak mampu menahan lelahnya belajar, Maka kau harus sanggup menahan perihnya Kebodohan."( Imam syafi’i Rahimahullah)

Pengambilan Keputusan Pada Pengujian Hipotesis One Tail Pihak Kiri, One Tail Pihak Kanan Dan Two Tail.

ILUSTRASI

Misal Luas sumur pertama 2,5 satuan luas dan luas sumur kedua 2 kali luas sumur pertama yaitu 5 satuan luas.ambil dua batu, berdirilah diantara dua sumur yang masing-masing jaraknya sama dengan tempatmu berdiri, tarulah 10 M. Sudah?
Lebih besar mana peluang batu yang engkau lempar itu TIDAK masuk? Kesumur 1 atau ke sumur 2? tentunya sumur 1 memiliki peluang TIDAK masuk 2 X lebih besar dari sumur kedua. Kenapa? Karena sumur kedua 2 kali lebih luas.
Jika peluang batu yang engkau lempar TIDAK masuk ke lubang sumur kedua hanyalah 3%, berapa peluang batu itu tidak masuk pada sumur pertama yang memiliki luas setengahnya? Pastinya adalah 2 x 3% = 6%.

Lihatlah Gambar Inilah Yang Harus Diketahui
1. Luas daerah dibawah kurva berwarna biru adalah 1 = 100%. (pelajari Fungsi kepadatan peluang jika ingin mendalami).

2. Luas daerah yang diarsir itulah nilai alpha, jadi luas daerah yang diarsir = 0,05.

3. Hindari membandingkan one tail dan two tail karena itu hanya akan memusingkan,bandingkanlah one tail pihak kiri dengan two tail, one tail pihak kanan dan Two tail.

Gambar 1, merupakan two tail/ uji hipotesis 2 arah,
Gambar diarsir luasnya 0.05 =5%. Maknanya arsiran sebelah kanan 5%/2 = 2.5% begitu juga sebelah kiri. Itulah daerah penerimaan Ha (batu masuk sumur)

Gambar 2 adalah one tail pihak kanan,
Gambar diarsir luasnya 0.05 = 5%
Gambar 3 adalah one tail pihak kiri.
Gambar diarsir luasnya 0.05 = 5%
Pernahkah sodara dengar nilai Sig Atau P-Value? Itu adalah nilai yang menunjukan KEMUNGKINAN SALAH MENERIMA HA. (KEMUNGKINAN BATU TIDAK MASUK SUMUR).
Kita bandingkan Two tail dan one tail pihak kanan.

Daerah yang dibatasi garis biru kekanan adalah daerah peneriamaan Ha pada two tail luasnya 2.5% (sumur 1)
Daerah yang dibatasi garis hitam kekanan adalah daerah penerimaan Ha pada one tail pihak kanan. Luasnya 5% (sumur 2).
Sebagaimana peluang batu tidak masuk sumur satu adalah 2 kali lipat lebih besar dari peluang tidak masuk sumur kedua, itulah kenapa Pvalue atau nilai sig 2 tail besarnya 2 kali lipat one tail.

Jadi, kalau sudah jelas arah positif negatifnya menguntungkan menggunakan one tail/ two tail?
Setelah ini semua, masihkan mau menggunakan two tail pada kasus yang arah positif negatifnya sudah diketahui?

link download vidio beda one tail two tail ada di channel youtube statistik model apip
ini link nya
beda one tail two tail

Membaca output uji normalitas homogenitas dan uji hipotesis

Pernahkan kalian dipusingkan dengan penerimaan dan penolakan hipotesis?

kenapa pada uji normalitas/ homogenitas justru dikatakan normal/ homogen ketika sig > 0.05 namun saat hipotesis penelitian dikataan diterima ketika nilai sig < 0.05?

Jadi begini kaidah sederhananya DALAM KONDISI APAPUN, ketika sig lebih dari 0.05 artinya SAMA, kurang dari 0.05 BERBEDA. (ga usah pikirin maksudnya sama beda gimana langsung saja lanjut kebawah).

1. Pada uji normalitas jika dikaji lebih dalam, ketika signya lebih dari 0.05 maka maknanya persebaran erornya dianggap membentuk fungsi distribusi normal (SAMA dengan fungsi dstribusi normal) jadi sig > 0.05 data berdistribusi nrmal.

2. Pada uji homogrnitas (menguji sama atau tidaknya variansi) ketika sig > 0.05 maka dianggap variansi beberapa kelompok sampel SAMA, maka dari itu sig > 0.05 dikatakan variansi antara kelompok sampel SAMA / nama lainnya Homogen.

3. Pada uji t (misal uji beda) , ketika sig > 0.05 artinya rata-rata 2 kelompok sampel dianggap SAMA, sementara hipotesis penelitian akan mengatakan ada perbedaan yg signifikan antara kondisi A dan kondisi B, jadi hipoteis diterima ketika sig < 0.05. (Maknanya kondisi A dan Kondisi B memiliki rata-rata yang BERBEDA).

4. Begitu juga untuk uji korelasi ataupun regresi, ketika signya < 0.05 artinya tinggi rendahnya nilai suatu variabel (variabel independen) mengakibatkan PERBEDAAN tinggi rendahnya variabel dependennya, maknanya variabel independen berpengaruh signifikan terhadap variabel dependen. sementara hipotesis penelitian akan mengatakan variabel independen (apapun namanya) berpengaruh terhadap variabel dependen. Jadi hipotesis diterima ketika sig < 0.05.

vidio tutorial lengkapnya ada di  channel youtube statistik model apip
ini link nya
Cara membaca output uji normalitas, homogenitas dan uji hipotesis

Uji normalitas data pada tiap-tiap teknik analisis data

1. Uji korelasi
hanya pearson korelasi yang perlu uji normalitas yang di uji variabel-variabel yang dikorelasikan.

2. Uji regresi
Dilakukan pada uji regresi linier sederhana, berganda, moderasi dan intervening, yang diuji hanya varibel unstandardized (variabel yaang isinya nilai-nilai error) variabel independen dan dependen TIDAK PERLU di uji.

3. Uji komparasi
3.1 One sampel t test yang diuji variabel yang akan dianalisi
Contoh hasil belajar siswa kelas 5 A. Maka hasil belajar kelas 5 A yang diuji normalitas.

3.2 Uji paired sampel t test
Contoh menguji perbedaan hasil belajar siswa sebelum dan setelah dilakukan pembelajran X.
Yang diuji varibel hasil belajar sebelum dan hasil belajar setelah (2 variabel diuji)

3.3 Uji independen sampel t test
Contoh menguji perbedaan hasil belajar siswa yang diberi model pembelajran N (jumlah siswa 33) [kelompok 1] dan hasil belajar siswa yang diberi model pembelajaran M (jumlah siswa 35) [kelompok 2].
Cara menguji normalitas hasil belajar siswa siswa kelompok 1 dan kelompok 2 disatukan menjadi satu variabel misal namanya HB. Nah yang diuji normalitas hanya variabel HB [jumlah siswa 68] <bukan kelompok 1 sendiri, kelompok 2 sendiri>.

3.4 Uji anova
Contoh menguji perbedaan hasil belajar siswa yang diberi model pembelajran N (jumlah siswa 33) [kelompok 1], hasil belajar siswa yang diberi model pembelajaran M (jumlah siswa 35) [kelompok 2]. hasil belajar siswa yang diberi model pembelajaran O (jumlah siswa 30) [kelompok 3]
Cara menguji normalitas hasil belajar siswa siswa kelompok 1, kelompok 2, kelompok 3 disatukan menjadi satu variabel ,misal namanya HB. Nah yang diuji normalitas hanya variabel HB [jumlah siswa 98] < BUKAN kelompok 1 sendiri, kelompok 2 sendir, kelompok 3 sendiri >.

3,5 Mann whitney, proporsi, kruskal wallis, wilcoxon TIDAK PERLU uji Normalitas.

vidio tutorial melakukan uji normalitas pada tiap-tiap uji selengkapnya bisa dilihat di channel youtube statistik model apip.  klik link ini

 Uji normalitas data pada regresi, korelasi dan komparasi