Post-Hoc Test (Uji Lanjut) : Metode Tukey

Dalam pengujian ANAVA, kita dapat menarik kesimpulan apakah menerima atau menolak hipotesis. Jika kita menolak hipotesis, artinya bahwa dari variabel-variabel yang kita uji, terdapat perbedaan yang signifikan. Misalnya jika kita menguji perbedaan 4 metode mengajar terhadap prestasi siswa, kita bisa menyimpulkan bahwa ada perbedaan dari keempat metode tersebut. Akan tetapi, kita tidak mengetahui, metode manakah yang berbeda dari keempatnya. Secara statistik,kita tidak bisa mengatakan bahwa yang terbaik hanya dengan memperhatikan rata-rata dari setiap metode tersebut.

Untuk menjawab pertanyaan metode manakah yang berbeda, maka statistic memiliki teknik post hoc test untuk mengetahui, variabel manakah yang memiliki perbedaan yang signifikan. Ada banyak metode yang ada. Di SPSS ada banyak teknik post hoc. Diantaranya jika asumsi homogenitas varian terpenuhi, maka teknik yang bisa dipergunakan adalah: LSD (least square differences), Tukey, Bonferoni, Duncan, scheffe dan lain sebagainya. Dan jika tidak ada asumsi homogenitas varian, maka teknik yang bisa dipergunakan adalah tamhane T2, dunnett’s T3, games-howell dan dunnett’s C. 

Jika jumlah n setiap variabel sama, maka teknik yang bisa digunakan adalah LSD, student Newman-Keuls (SNK) dan Tukey. Akan tetapi jika jumlah n tiap variabel tidak sama, maka kita bisa menggunakan teknik scheffe. Untuk membicarakan setiap teknik itu, akan sangat membutuhkan waktu yang lama. Karena itu pada kesempatan ini saya hanya akan membahas salah satu teknik saja secara manual yaitu teknik Tukey.

Teknik Tukey juga biasa disebut dengan HSD (honestly Significant difference). Untuk melakukan teknik ini, kita memerlukan salah satu test statistic yaitu Q yang dianalogikan dari statistik-t yang didefinisikan secara matematis:

Sekarang kita lihat bagaimana cara menggunakan teknik ini. Misalnya kita memiliki empat metode yang kita uji untuk melihat apakah ada perbedaan metode serta jika ada, manakah di antara keempat metode tersebut yang berbeda secara signifikan.

dari data tersebut, kita bisa membuat rangkuman analisis varian seperti berikut ini: 

berdasarkan table tersebut, kita dapat menyimpulkan bahwa H0 di tolak sehingga kita bisa mengatakan ada perbedaan yang signifikan dari keempat metode yang di pergunakan. Pertanyaan selanjutnya adalah metode manakah yang berbeda? Untuk menjawabnya kita memerlukan teknik tukey.

Langkah pertama yang kita lakukan adalah kita membuat matriks korelasi dari rata-rata setiap variabel seperti ini:

Matriks dibuat mulai dari metode yang memiliki rata-rata terkecil. Langkah selanjutnya adalah mencari perbedaan setiap metode. Misalnya antara metode 2 dan metode 4 memiliki perbedaan: 12,4 – 8,4 = 4, antara metode 2 dan 1 memiliki perbedaan 13,6 – 8,4 = 5,2 dan seterusnya.

Langkah berikutnya adalah mencari nilai Q dengan membagi perbedaan mean antara masing-masing metode dengan

nilai Mean Square Within (MSW) diperoleh dari rangkuman table ANAVA). Dengan demikian, 

Sebagai contoh 4,00/1,19 = 3,36, 5,20/1,19 = 4,37. Untuk lebih jelasnya, saya rangkumkan dalam table berikut ini:

Dengan memperhatikan nilai Q dibandingkan dengan nilai r table, dimana r adalah jumlah means. Dalam kasus ini, jumlah kolom adalah 4. Adapun derajad kebebasan adalah 16. Jumlah 16 merupakan n – k = 20 -4 = 16. Dengan demikian, nilai kritis untuk Q adalah 4,05 dan 5,19 untuk tingkat kepercayaan 0,05 dan 0,01. Dengan demikian, nilai Q yang berada di atas nilai Q kritis hanyalah antara metode 1 dan 2 serta 1,3 pada tingkat kepercayaan 0,05 serta metode 1 dan 3 pada tingkat kepercayaan 0,01. 

Insya Allah pada postingan selanjutnya, saya akan menunjukkan bagaimana menggunakan post hoc test cara scheffe sekalian dengan interpretasinya.

Share

Konsep Dasar Probabilitas

Probabilitas atau dalam bahasa Indonesia sering di artikan kemungkinan adalah konsep dasar yang biasanya dipelajari pada awal-awal perkualiahan statistic. dalam postingan kali ini, saya akan menggunakan kata probabilitas.

Probabilitas adalah peluang terjadinya sebuah peristiwa. Biasanya probabilitas dinyatakan dalam pecahan seperti 1/2, 1/3, ¼ ataupun dalam bentuk decimal seperti 0,25, 0,50 ataupun 0,75. Rentangan probabilitas antara 0 sampai dengan 1. Jika kita mengatakan probabilitas sebuah peristiwa adalah 0, maka peristiwa tersebut tidak mungkin terjadi. Dan jika kita mengatakan bahwa probabilitas sebuah peristiwa adalah 1 maka peristiwa tersebut pasti terjadi.

Contoh yang paling sering digunakan dalam menerangkan tentang konsep probabilitas adalah pelemparan mata uang. Jika kita melempar mata uang, maka kemungkinan sisi depan untuk muncul sama dengan kemungkinan munculnya sisi belakang. Dengan demikian, probabilitas munculnya sisi depan adalah 1/2 atau 0,5 dan demikian pula dengan sisi belakang. Akan tetapi jika kita mengambil satu kartu dari satu set kartu bridge yang berjumlah 52, maka kemungkinan terambilnya satu kartu adalah 1/52.

Dua hal yang harus dipahami dalam konsep probabilitas adalah mutually exclusive dan collectively exhaustive. Mutually exclusive adalah peristiwa yang terjadi terpisah satu sama lain. ketika kita melempar uang logam, maka hanya ada satu sisi yang memiliki kemungkinan untuk muncul. Karena itulah kemungkinan munculnya sisi belakang atau sisi depan disebut mutually exclusive. Akan tetapi jika ada lebih dari satu kemungkinan untuk munculnya sebuah peristiwa maka hal itu disebut collectively exhaustic.

Share

nilai p dalam output SPSS

Dalam pengolahan data dengan SPSS pengambilan keputusan dilakukan dengan melihat tingkat signifikansi nilai sig. (2-tailed). Jika tingkat signifikansi yang ditentukan sebelumnya adalah 0,05, maka penolakan hipotesis dilakukan jika nilai untuk sig. (2-tailed) lebih kecil (<) dari 0,05 dan sebaliknya. Nilai sig. (2 tailed) dalam output SPSS adalah nilai p atau probabilitas.

Nilai p menunjukkan probabilitas untuk memperoleh nilai sebesar atau lebih ekstrem dari nilai statistic yang teramati. Nilai p biasanya kebalikan dari nilai statistic uji. Semakin besar nilai statistic uji, semakin kecil nilai p yang berarti semakin menunjukkan adanya perbedaan variabel yang di uji. 

Interpretasi nilai p senantiasa berkaitan dengan probabilitas. Nilai p = 0,3 dapat diinterpretasikan terdapat 3 diantara 10 bahwa hasil penelitian tersebut terjadi karena peluang. Dan secara kebetulan 3 tersebut masuk dalam sampel kita. 

Pemaknaan terhadap nilai p bisa berbeda-beda antara satu orang dengan orang lain. misalnya jika seorang peneliti mendapatkan nilai p = 0,04. Jika menggunakan patokan p = 0,05, maka temuannya tentang perbedaan variabel sudah dapat dikatakan signifikan. Akan tetapi bisa jadi oleh peneliti yang lain, nilai p = 0,04 belum cukup untuk menggambarkan adanya perbedaan tersebut. 



Share