CAUSE AND EFFECT DIAGRAM

What it is:

Graphically illustrates the relationship between a given outcome and all the factors that influence this outcome. Sometimes called an Ishikawa or “fishbone" diagram, it helps show the relationship of the parts (and subparts)
to the whole by:
• Determining the factors that cause a positive or negative outcome (or effect)
• Focusing on a specific issue without resorting to complaints and irrelevant discussion
• Determining the root causes of a given effect
• Identifying areas where there is a lack of data

Download Teori Lengkap

Read More..

Hruf Batrantakan

Murenut sautu pelneitian di Uinervtisas Cmabridge, utruan hruuf dlaam ktaa tiadk penitng. Ckuup huurf petrama dan trekahhir ynag ada pdaa tepmatyna. Siasyna bsia dtiluis bernataakn, teatp ktia daapt mebmacayna. Ini dsieabbkan kaerna oatk ktia tdiak m…ebmcaa huurf per hruuf, nmaun ktaa per ktaa.Laur bisaa kan?Sdaar aatu ngagk klaian brau sjaa mambcea dgnaen tiluasn ynag batrantakan...

Read More..

Duncan’s Multiple Range Test

Untuk mengetahui tingkatan-tingkatan taraf faktor pada rancangan penelitian yang mana yang berbeda pengaruhnya, maka diuji sepasang-sepasang dengan menggunakan Uji Jarak Berganda Duncan / Duncan’s Multiple Range Test.

Download Teori Lengkap
Download Tabel Duncan  
Contoh perhitungan download gratis di sini

Read More..

Testing of Assumptions

All statistical procedures have underlying assumptions. In some cases, violation of these assumptions will not change substantive research conclusions. In other cases, violation of assumptions is critical to meaningful research. Throughout this statistical resource, the assumptions of each statistical procedure are clearly indicated in an "Assumptions" section. Establishing that one's data meet the assumptions of the procedure one is using is an expected component of all quantitatively-based journal articles, theses, and dissertations.

Selengkapnya download di sini gratis

Read More..

P-Value

P value atau probabilitas dihitung adalah perkiraan probabilitas menolak hipotesis nol(H0) dari pertanyaan studi ketika hipotesis benar. Hipotesis nol biasanya merupakan hipotesis "ada perbedaan" misalnya tidak ada perbedaan antara tekanan darah dalam grup A dan grup B. Tentukan hipotesis null studi untuk setiap pertanyaan dengan jelas sebelum memulai studi Anda.

Satu-satunya situasi di mana Anda harus menggunakan nilai P satu sisi adalah ketika sebuah perubahan besar dalam arah yang tidak terduga akan sama sekali tidak ada relevansinya dengan riset Anda. Situasi ini tidak biasa, jika anda merasa ragu-ragu kemudian menggunakan nilai P dua sisi.

Istilah tingkat signifikansi (alfa) digunakan untuk merujuk kepada pra-probabilitas dipilih dan istilah "nilai P" digunakan untuk mengindikasikan kemungkinan bahwa anda menghitung setelah studi tertentu.

Download Gratis => klik di sini

Read More..

Korelasi Product-Moment Pearson

Dalam statistika, koefisien korelasi produk-momen Pearson/Pearson Product-Moment Correlation Coefficient (kadang-kadang disebut sebagai PMCC, dan biasanya dilambangkan dengan r) adalah ukuran korelasi (linear) antara dua variabel X dan Y, memberi nilai secara inklusif antara 1 dan -1.

Secara luas digunakan dalam ilmu pengetahuan sebagai ukuran kekuatan linear antara dua variabel. Pertama kali diperkenalkan oleh Francis Galton pada 1880-an, dan dinamai Karl Pearson. Koefisien korelasi kadang-kadang disebut "Pearson's r."

Download Gratis => klik di sini

Read More..

Korelasi Spearman’s Rho

Korelasi yang paling banyak digunakan untuk dua variable ordinal atau variable ordinal dan variable interval adalah korelasi Spearman’s Rho.

Download Gratis => klik di sini

Read More..

Konversi Z-Score dari Korelasi r – Pearson

Koefisien korelasi dapat ditransformasikan kedalam bentuk z-score untuk kebutuhan dalam pengujian hipotesis. Hal ini dapat dilakukan dengan menggunakan rumus :


Rumus diatas sering juga disebut Fisher’s z-score transformation of Pearson’s r.

Contoh :
Misalkan kita memilik r = 0,3 maka z-score adalah :


Download file

Read More..

Cluster Analysis (K - Mean Cluster)

Pendahuluan

Analisis Klaster pada prinsipnya bertujuan untuk mengalokasikan sekelompok individu pada suatu kelompok-kelompok yang saling bebas sehingga individu-individu di dalam kelompok itu mirip satu dengan yang lain, sementara itu individu-individu di dalam kelompok yang berbeda tidak mirip. Ada beberapa tujuan yang ingin dicapai sehubungan dengan dilakukannya analisis multivariate ini melalui analisis klaster. Analisis Klaster dapat dibagi menjadi dua jenis, yaitu Hirarki Klaster dan K-Means Klaster. Pengklasteran dengan menggunakan analisis K-Means Klaster dapat dilakukan apabila data sampelnya banyak (> 200).

Dalam Analisis K-Means Klaster ini kita dapat mengelompokkan data ke dalam bagian jumlah klaster. Disini sebenarnya bebas untuk menentukan berapa klaster yang akan dibentuk, walaupun dalam praktek biasanya akan dibuat dua sampai empat klaster, akan tetapi agar bisa dipertanggungjawabkan secara statistik dalam penentuan jumlah sampel sebelum melakukan K-Mean Kluster kita dapat menghitung terlebih dahulu menggunakan Analisis Kluster - Hierarchical.

Download Gratis => klik di sini

Read More..

Cluster Analysis - Hierarchical

Analisis Kluster dilakukan untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimiliki. Teknik ini dimasukkan ke dalam multivariate, akan tetapi konsep variat dalam teknik ini berbeda dari konsep multivariate lainnya. Dimana pada konsep multivariate, variat diartikan sebagai kombinasi linier berbagai variable, sedangkan dalam analisis Kluster, variat diartikan sebagai sejumlah variable (yang dianggap sebagai karakteristik) yang digunakan untuk membandingkan sebuah objek dengan objek lainnya. Jadi dalam analisis Kluster tidak dilakukan pencarian nilai variat secara empiris, sebagaimana pada teknik-teknik multivariate lainnya.

1.Tujuan Dasar

Tujuan utama analisis Kluster adalah untuk menempatkan sekumpulan objek ke dalam dua atau lebih grup berdasarkan kesamaan-kesamaan objek atas dasar berbagai karakteristik. Melalui prinsip homogenitas grup, menurut Hair, et al., terdapat 3 sasaran yg tersedia bagi peneliti, yaitu :

1)Deskripsi taksonomi (taxonomy description).

Dengan taksonomi kita dapat mengelompokkan sekumpulan objek secara empiris.

2)Simplikasi data (data simplication).

Dengan taksonomi, yang kita peroleh memang grup. Akan tetapi berdasarkan struktur yang diperoleh, kita juga bisa menjelaskan profil setiap grup berdasarkan karakteristik umum yg dimiliki. Kalau dalam analisis faktor menjelaskan ”dimensi” yang mendasari jumlah variabel, dengan analisis Kluster kita juga dapat melakukan hal yang sama, yaitu dimensi yang mendasari sejumlah observasi yang berada dalam suatu Kluster.

3)Identifikasi hubungan (relationship identification).

Setelah Kluster terbentuk dan struktur data yang mendasarinya diperlihatkan dalam Kluster, peneliti mendapat informasi tentang hubungan antar observasi yang tidak mungkin diperoleh dengan analisis observasi secara individu. Bahkan secara kualitatif hubungan tersebut bisa juga diidentifikasi.

Download Gratis => klik di sini

Read More..