DATA BANGKITAN | SEM VALIDITAS RELIABILITAS VALID DAN RELIABLE

DATA BANGKITAN | SEM VALIDITAS RELIABILITAS VALID DAN RELIABLE

Aneh bukan…😀😀 Begini ceritanya.

Ada 3 orang mahasiswi datang konsultasi ke rumah, dengan baju yang sedikit basah dan seoerti merass kedinginan, sementara diluar cuacanya hujan lebat dan udaranya terasa dingin menusuk tulang.
Mereka mengaku sebagai mahasiswa di salah satu universitas terkenal di Surabaya, dengan wajah yg lelah, bingung, menggosok-gosokkan kedua telapak tangannya, kemudian mulai bercerita yang mereka hadapi hingga datang kemari
” Mb, kami lagi penelitian dengan desain penelitian Pre dan Post, rencana sampel 125 responden, dan kami sudah diburu waktu untuk segera wisuda semester ini” ketiganya sambil melihat kearah saya, terdiam sesaat.
” bisakah kami dibantu untuk datanya, sekalian analisa datanya? dan minta dibantu hasilnya bisa sesuai teory yang ada di bab proposal”.
“Kalian pake data primer apa data sekunder?” Kata saya.
“Data primer, pake kuisioner mb.” Jawab mereka.
Lho.. kok jadi serius..
LUPAKAN LUPAKAN..
DAN PERHATIKAN yang saya sampaikan.

Kami akan membantu untuk membuatkan data seperti yang kalian inginkan dan analisa data yang sesuai dengan penelitian anda. Kontak kami di 08125253494 konsultasikan apapun tentang penelitian anda pada kami sekarang dan selama penelitan anda. SUKSES milik kita bersama.

JASA ANALISA DATA STATISTIK TERBAIK DI MALANG

JASA ANALISA DATA STATISTIK TERBAIK DI MALANG

Menerima Analisa data statistics ( Dengan Program SmartPLS /SPSS / MINITAB / AMOS / LISREL / DS / QM )
1. STATISTIKA DESKRIPTIF (Tabel Frekuensi, Crosstabs, Explore, Grafik, dll)
2. Pengujian Asumsi Data: Missing value analysis, outlier, linieritas, Uji Asumsi Klasik
(Normalitas data, Heteroskedastisitas, Autokorelasi, & Multikolinieritas), Uji Validitas &
Reliabilitas, Transformasi Data.
3. STATISTIKA INFERENSIAL (PARAMETRIK)A. UNIVARIAT : Uji t, ANOVA RAL, RAK,
Faktorial, Regresi untuk Rancob, dll.B. MULTIVARIAT : Analisis Faktor, Conjoint,
Diskriminan, Cluster Analysis (K-Means dan Hierarchical cluster), MANOVA, MANCOVA,
Canonical Correlation, Multidimensional Scalling (MDS), Correspondence Analysis (CA), dll.
4. ANALISIS KORELASI (Product Momen Pearson) & Regresi LinierSederhana & Berganda,
Regresi non-Linier (regresi binary, polinomial, dll).
5. STATISTIKA NONPARAMETRIKUji Binomial, Runtest, Chi-Square (Independency dan
Goodness Of fit), Mann-Whitney, Wilcoxon, Signtest, Kruskall-Wallis, Friedman, Cochran,
Korelasi (Spearman, Tau kendall, Gamma, Cramers, dll).
6. Bagan Kendali Statistik (Quality Control)
7. Struktural Equation Modelling (SEM)
8. Goal Programming*

Penggunaan Smartpls

Penggunaan Smartpls

SmartPLS adalah perangkat lunak yang digunakan untuk analisis jalur parsial berbasis keragaman (partial least squares path modeling) dalam penelitian. Ini adalah alat yang populer dalam analisis data untuk menguji model konseptual dan hubungan antarvariabel.

Berikut adalah langkah-langkah umum dalam melakukan analisis data menggunakan SmartPLS:

  1. Persiapan Data: Siapkan data Anda dalam format yang sesuai. Biasanya, data yang digunakan dalam SmartPLS harus berupa data skala interval atau rasio. Pastikan data Anda lengkap dan siap untuk dianalisis.
  2. Membuat Model: Identifikasi model konseptual Anda dan buat model struktural yang mencerminkan hubungan antarvariabel yang ingin Anda analisis. Model ini dapat berupa diagram yang menggambarkan hubungan antarvariabel dan hipotesis yang diajukan.
  3. Memasukkan Data ke SmartPLS: Impor data Anda ke dalam SmartPLS. Ini melibatkan memasukkan variabel dan nilai pengamatan yang sesuai ke dalam perangkat lunak. Pastikan variabel yang tepat telah ditentukan sebagai variabel dependen atau independen sesuai dengan model Anda.
  4. Pengolahan Data: SmartPLS akan melakukan praproses data untuk menghilangkan nilai yang hilang atau tidak valid, melakukan normalisasi jika diperlukan, dan menghitung statistik yang relevan. Pastikan untuk memeriksa apakah praproses data telah dilakukan dengan benar.
  5. Mengevaluasi Model: SmartPLS akan memberikan analisis statistik tentang model Anda, termasuk signifikansi koefisien jalur, nilai R-squared, dan lain-lain. Ini akan membantu Anda mengevaluasi sejauh mana model Anda sesuai dengan data Anda.
  6. Menginterpretasi Hasil: Interpretasikan hasil analisis untuk memahami hubungan antarvariabel, signifikansi koefisien jalur, dan pengaruh variabel-variabel tertentu dalam model. Perhatikan bahwa interpretasi hasil ini harus dilakukan dengan hati-hati dan sesuai dengan konteks penelitian Anda.
  7. Melaporkan Hasil: Buat laporan atau artikel yang menjelaskan hasil analisis Anda menggunakan SmartPLS. Jelaskan temuan Anda, interpretasikan hasil, dan berikan penjelasan yang memadai untuk mendukung temuan Anda.

Selain langkah-langkah di atas, penting juga untuk mempelajari dokumentasi SmartPLS yang tersedia, serta literatur yang relevan tentang analisis jalur parsial dan konsep statistik yang mendasarinya. Ini akan membantu Anda memahami lebih baik konsep dan teknik yang terlibat dalam analisis data dengan SmartPLS.

Apa yang Baru di Statistik SPSS 27.0.1.0?

Apa yang Baru di Statistik SPSS 27.0.1.0?

Seperti Paket Perbaikan tradisional, rilis modifikasi ini menyertakan banyak peningkatan kualitas, tetapi dengan manfaat tambahan dari tambahan baru tersebut.

Prosedur dan Peningkatan Statistik

Uji-Z dan interval kepercayaan untuk Proporsi dan perbedaan dalam Proporsi: Untuk analisis Satu Sampel, Sampel Berpasangan, Sampel Independen.

Ditemukan di bawah menu Analyze> Compare Means, prosedur Proportions baru memungkinkan pengguna untuk menguji perbedaan dalam proporsi populasi dan membangun interval kepercayaan pada perbedaan yang diamati menggunakan berbagai metode untuk setiap jenis analisis.

Tonton video SPSS Statistics 27.0.1.0 di sini untuk: One-Sample , Paired-Samples , dan Independent-Samples .

Peningkatan Analisis Keandalan: McDonald’s Omega

Sebagai bagian dari prosedur Keandalan, McDonald’s Omega memungkinkan pengguna alternatif dari statistik Alpha Cronbach. Untuk menemukan peningkatan ini, buka Analisis> Skala> Analisis Keandalan, dan di bawah Model tarik-turun pada dialog Analisis Keandalan, pilih Omega. 

Tonton video tentang McDonald’s Omega di SPSS Statistics 27.0.1.0 di sini .

Peningkatan Korelasi Bivariat: Interval Keyakinan yang Ditambahkan

Peningkatan dalam Statistik SPSS 27.0.1.0 ini dapat ditemukan di menu dialog Korelasi Bivariat di bawah sub dialog Interval Keyakinan. Pengguna akan dapat mengatur parameter interval kepercayaan, menerapkan penyesuaian bias jika diinginkan untuk Korelasi Pearson, dan memilih di antara berbagai metode untuk koefisien korelasi lainnya.

Tonton video tentang peningkatan Interval Keyakinan Korelasi Bivariat di sini .

Bersamaan dengan tambahan baru di atas, kami juga menyertakan interval kepercayaan untuk keluaran CONTRAST dalam ANOVA satu arah, menambahkan bootstrap dan beberapa imputasi ke Proporsi, dan membuat peningkatan pada beberapa pencocokan rata-rata prediktif imputasi untuk mengaktifkan kemampuan untuk memilih jumlah pencocokan potensial kasus.

Peningkatan Kegunaan

Manajemen Sesi: Pulihkan Poin

Ekstensi untuk fungsi pemulihan otomatis yang diperkenalkan dalam SPSS Statistics 27.0.0.0 memungkinkan pengguna untuk menyimpan titik waktu dalam analisis mereka sehingga pengguna dapat kembali ke sana jika diperlukan nanti dalam analisis, sambil tetap memungkinkan pengguna untuk melanjutkan analisis saat ini. jalan. Manajemen Sesi ditemukan di Dialog Selamat Datang di tab Restore Points di sebelah tab Recent Files dan Sample Files. Pada tab Restore Points, pengguna akan menemukan file Auto-Recovery mereka, serta Restore Points yang disimpan.

Pelajari cara mendapatkan hasil maksimal dari Titik Pemulihan Manajemen Sesi dengan menonton videonya di sini .

Peningkatan Output: Pengalaman Editor

Beberapa peningkatan telah diperkenalkan di SPSS Statistics 27.0.1.0 untuk Pembuat Grafik, serta Editor Tabel & Bagan. Peningkatan ini mengurangi jumlah klik yang diperlukan untuk mendapatkan keluaran yang dapat disesuaikan dalam aplikasi dengan memanfaatkan tambahan dan pengalaman toolbar baru.

Pelajari cara memanfaatkan penyempurnaan untuk menyesuaikan keluaran di sini .

Penyempurnaan SPSS Statistics Syntax juga diperkenalkan dalam SPSS Statistics 27.0.1.0 yang memungkinkan pengguna untuk memilih variabel dari kumpulan data aktif menggunakan fungsi mengetik di depan. Ini akan meningkatkan efisiensi dalam menulis skrip dan memudahkan pengguna untuk menemukan variabel yang benar sebagai referensi dari kumpulan data aktif.


Peningkatan Kualitas: Seiring dengan peningkatan fitur dan produktivitas baru, ada juga beberapa peningkatan kualitas yang dilakukan pada aplikasi untuk 27.0.1.0. Daftar perbaikan tersebut dapat ditemukan di sini . 

Informasi Produk Tambahan

Mengupgrade ke macOS Big Sur? Baca blog ini untuk mempelajari tentang masalah umum.

Jika Anda sudah memiliki versi 27.0.0.0 dan ingin meningkatkan ke 27.0.1.0, unduh penginstal baru dari situs web IBM  Passport Advantage atau melalui Fix Central untuk Windows , macOS , Linux . 

Kabar baik: Kode otorisasi perangkat lunak versi 27 Anda akan berfungsi dengan versi baru dan akan diterapkan secara otomatis ketika Anda menginstalnya pada mesin yang saat ini memiliki versi 27.

Jika Anda ingin membeli atau meningkatkan ke SPSS Statistics 27.0. 1.0, silakan hubungi perwakilan Penjualan IBM  atau  mitra bisnis SPSS IBM .
Informasi lebih lanjut tentang Statistik SPSS , harga dan opsi pembelian. 

Sumber : IBM.COM

Processing Data Penelitian Kuantitatif menggunakan EVIEWS

Processing Data Penelitian Kuantitatif menggunakan EVIEWS

Pengenalan EViews
Eviews (Econometric Views) adalah software pengolahan data yang digunakan untuk berbagai
keperluan mulai dari Bisnis, Riset Internal serta penelitian. EViews menawarkan akses statistik yang kuat
kepada peneliti akademis, perusahaan, instansi pemerintah, dan siswa seperti peramalan (forecasting),
hubungan (Correlation), pengaruh dan sebagainya dengan antar muka (user interface) yang lebih friendly dan
mudah digunakan.
Gambar 1 : Proses Pengolahan Data
a. Uji Asumsi Klasik
1. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi terbentuk adanya korelasi tinggi
atau sempurna antar variabel bebas (independen). Jika ditemukan ada hubungan korelasi yang tinggi antar
variabel bebas maka dapat dinyatakan adanya gejala multikorlinear pada penelitian.
2. Uji Autokorelasi
Uji autokolerasi merupakan kolerasi yang terjadi antara residual pada satu pengamatan dengan
pengamatan lain pada model regresi. Autokorelasi dapat diketahui melalui Uji Durbin-Watson (D-W
Test), adalah pengujian yang digunakan untuk menguji ada atau tidak adanya korelasi serial dalam model
regresi atau untuk mengetahui apakah di dalam model yang digunakan terdapat autokorelasi diantara
variabel-variabel yang diamati
3. Uji Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik.
Heteroskedastisitas yaitu adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model
regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya gejala heteroskedastisitas.

4. Uji Normalitas
Uji normalitas untuk menguji apakah nilai residual yang telah distandarisasi pada model regresi
berdistribusi normal atau tidak. Cara melakukan uji normalitas dapat dilakukan dengan pendekatan analisis
grafik normal probability Plot. Pada pendekatan ini nilai residual terdistribusi secara normal apabila garis
(titik-titik) yang menggambarkan data sesungguhnya akan mengikuti atau merapat ke garis diagonalnya.
b. Uji Kelayakan Model (Goodness of Fit)
Uji kelayakan model adalah uji R2
untuk melihat kemampuan variable independen dalam menjelaskan
variable dependen. Nilai R2
berkisar antara 0 – 99, nilai R Square yang semakin mendekati 1 maka semakin
layak suatu model untuk digunakan.
c. Uji Parsial (Uji t)
Uji partial (uji t) adalah uji yang dilakukan untuk melihat apakah suatu variable independen
berpengaruh atau tidak terhadap variable dependen dengan membandingkan nilai thitung dengan ttabel.
Kriteria pengujian uji t adalah sebagai berikut :
– Jika nilai thitung > ttabel maka hipotesis di tolak, artinya variable tersebut berpengaruh terhadap variable
dependen.
– Jika nilai thitung < ttabel maka hipotesis di terima, artinya variable tersebut tidak berpengaruh terhadap
variable dependen.
d. Uji Simultan (Uji F)
Uji Simultan (uji F) adalah uji yang dilakukan untuk melihat apakah semua variable independen secara
bersama-sama berpengaruh atau tidak terhadap variable dependen dengan membandingkan nilai Fhitung dengan
Ftabel.
– Jika nilai Fhitung > Ftabel maka hipotesis di tolak, artinya secara bersama-sama variable independen
tersebut berpengaruh terhadap variable dependen.
– Jika nilai Fhitung < Ftabel maka hipotesis di terima, artinya secara bersama-sama variable independen
tersebut tidak berpengaruh terhadap variable dependen.
Regresi Linear Sederhana
Regresi linear sederhana adalah regresi linear yang terdiri dari 1 variabel dependen (Y) dan 1
variabel independen (X).
Yt=β0 + β1X1t+ εt

Dimana :
Y : Variabel Dependen
X : Variabel Independen
ε : error term (Standar Error)
t : menunjukkan jenis data berupa data runtun waktu (Time Series)
Uji-uji yang perlu dilakukan :
– Uji Normalitas
– Uji Autokorelasi
– Uji Heteroskedastistas
“ Uji Multikolinearitas TIDAK dilakukan dalam regresi liear sederhana karena hanya terdiri dari 1
variabel independen”.

Sumber Tutorial Download

Analisis SEM (Structural Equation Modelling) Dengan SMARTPLS (Partial Least Square)

Analisis SEM (Structural Equation Modelling) Dengan SMARTPLS (Partial Least Square)

Analisis SEM (Structural Equation Modelling) Dengan
SMARTPLS (Partial Least Square)

Analisis SEM (Structural Equation Modelling) Dengan
SMARTPLS (Partial Least Square)

Structural Equation Modelling

Pemodelan Persamaan Struktural (Structural Equation Modelling) atau lebih
dikenal dengan SEM memiliki beberapa sebutan lain, seperti analisis struktur kovarian
(covariance structure analysis), analisis variabel laten (latent variable analysis) analisis
faktor konfirmatori (confirmatory factor analysis) dan analisis Linier Structural
Relations (Lisrel) (Hair, dkk. 1998). Berdasarkan sebutan-sebutan tersebut, SEM dapat
dideskripsikan sebagai suatu analisis yang menggabungkan pendekatan analisis faktor
(factor analysis), model struktural (structural model) dan analisis jalur (path analysis).
SEM merupakan suatu metode analisis statistik multivariat. Melakukan olah data SEM
berbeda dengan melakukan olah data regresi atau analisis jalur. Olah data SEM lebih rumit, karena SEM dibangun oleh model pengukuran dan model struktural. Structural
Equation Modeling (SEM) adalah sekumpulan teknik statistika yang memungkinkan
pengujian sebuah rangkaian hubungan yang relatif rumit yang tidak dapat diselesaikan
oleh persamaan regresi linear. SEM dapat juga dianggap sebagai gabungan dari analisis
regresi dan analisis faktor. Disisi lain disebut juga Path Analysis atau Confirmatory factor
Analysis, karena keduanya merupakan jenis-jenis khusus dari SEM. Hubungan tersebut
dapat dibangun antara satu atau beberapa variabel dependen dengan satu atau
beberapa varibel independen
Di dalam SEM terdapat 3 (tiga) kegiatan secara bersamaan, yaitu pemeriksaan
validitas dan reliabilitas instrumen (confirmatory factor analysis), pengujian model
hubungan antara variabel (path analysis), dan mendapatkan model yang cocok untuk
prediksi (model struktural dan analisis regresi). Sebuah pemodelan lengkap pada
dasamya terdiri dari model pengukuran (measurement model) dan structural model atau
causal model. Model pengukuran dilakukan untuk menghasilkan penilaian mengenai
validitas dan validitas diskriminan, sedangkan model struktural, yaitu pemodelan yang
menggambarkan hubungan-hubungan yang dihipotesakan. Untuk melakukan olah data
SEM dengan lebih mudah dapat menggunakan bantuan software statistik. Saat ini sudah
tersedia berbagai macam software untuk olah data SEM diantaranya adalah Lisrel,
AMOS dan Smart PLS.
Dalam memudahkan kita mengolah data dengan analisa statistika dapat
menggunakan berbagai macam alat bantu atau software. Adapun software statistika
yang dapat digunakan sangatlah banyak namun tidak semuanya memiliki keakuratan
yang baik. Ada beberapa software statistika yang sering digunakan baik dalam dunia
pendidikan ataupun dalam bidang yang lain yaitu : SPSS (Statistical Package for the
Social Software), Minitab, SAS (Statistical Analysis System), Lisrel (Linear Structural
Relationship), SMARTPLS (PARTIAL LEAST SQUARE), AMOS (Analysis of Moment
Structure), EVIEWS (Economic Views), R-Software, STATA (Statistika dan Data).
Kelebihan SMARTPLS
1. Smart PLS atau Smart Partial Least Square adalah software statistik yang sama
tujuannya dengan Lisrel dan AMOS yaitu untuk menguji hubungan antara
variabel.
2. Pendekatan smartPLS dianggap powerful karena tidak mendasarkan pada
berbagai asumsi.

3. Jumlah sampel yang dibutuhkan dalam analisis relatif kecil. Penggunaan Smart
PLS sangat dianjurkan ketika kita mememiliki keterbatasan jumlah sampel
sementara model yang dibangung kompleks. hal ini tidak dapat dilakukan ketika
kita menggunakan kedua software di atas. Lisrel dan AMOS membutuhkan
kecukupan sampel.
4. Data dalam analisis smartPLS tidak harus memiliki distribusi normal karena
SmartPLS menggunakan metode bootstraping atau penggandaan secara acak.
Oleh karenanya asumsi normalitas tidak akan menjadi masalah bagi PLS. Selain
terkait dengan normalitas data, dengan dilakukannya bootstraping maka PLS
tidak mensyaratkan jumlah minimum sampel.
5. SmartPLS mampu menguji model SEM formatif dan reflektif dengan skala
pengukuran indikator berbeda dalam satu model. Apapun bentuk skalanya (rasio
kategori, Likert, dam lain-lain) dapat diuji dalam satu model.

Langkah-Langkah Pengolahan Data dengan SmartPLS yaitu : Download

Ditulis Oleh : Lenni Khotimah Harahap, M.Pd

DAMPAK KONSELING INDIVIDU DAN KONSELING BERPASANGAN TERHADAP PENGGUNAAN KONTRASEPSI PASCASALIN: RANDOMIZED CONTROLLED TRIALS (RCT)

DAMPAK KONSELING INDIVIDU DAN KONSELING BERPASANGAN TERHADAP PENGGUNAAN KONTRASEPSI PASCASALIN: RANDOMIZED CONTROLLED TRIALS (RCT)

DAMPAK KONSELING INDIVIDU DAN KONSELING
BERPASANGAN TERHADAP PENGGUNAAN KONTRASEPSI
PASCASALIN: RANDOMIZED CONTROLLED TRIALS (RCT)

DAMPAK KONSELING INDIVIDU DAN KONSELING
BERPASANGAN TERHADAP PENGGUNAAN KONTRASEPSI
PASCASALIN: RANDOMIZED CONTROLLED TRIALS (RCT)

Pengertian Analisis Data

Program keluarga berencana memiliki makna yang strategis, komprehensif dan fundamental dalam mewujudkan manusia Indonesia yang sehat dan sejahtera. Penelitian yang dilakukan oleh Mujiati1 menjelaskan mengenai UU Nomor 52 Tahun 2009 tentang perkembangan kependudukan dan pembangunan keluarga menyebutkan bahwa keluarga berencana adalah upaya untuk mengatur kelahiran anak, jarak, dan usia ideal melahirkan, mengatur kehamilan, melalui promosi, perlindungan, dan bantuan sesuai hak reproduksi untuk mewujudkan keluarga yang berkualitas.1 Berdasarkan penelitian Glasier2 di negara-negara dengan tingkat kelahiran yang tinggi, keluarga berencana bermanfaat baik untuk kesehatan ibu dan bayi, dengan diperkirakan dapat menurunkan 32% kematian ibu dengan mencegah kehamilan yang tidak diinginkan dan dapat menurunkan 10% kematian anak, dengan mengurangi jarak persalinan kurangdari 2 tahun. Salah satu upaya dalam meningkatkan pemakaian kontrasepsi adalah dengan konseling. Konseling merupakan suatu upaya untuk meningkatkan kualitas sumber daya manusia dalam rangka meningkatkan kesadaran, kemauan serta kemampuan untuk hidup sehat termasuk didalamnya mengenai kesehatan reproduksi guna mendukung terwujudnya pembangunan kesehatan yang lebih baik. Konseling kontrasepsi dapat membantu calon atau pasangan suami istri untuk mengambil keputusan serta mewujudkan kesehatan reproduksi sehingga upaya konseling dapat berperan dalam menurunkan angka kematian ibu.3 Kontrasepsi sebaiknya digunakan pada waktu atau sebelum melakukan hubungan seksual untuk pertama kalinya setelah melahirkan.4 Hingga saat ini masih banyak juga ibu-ibu yang menolak menggunakan kontrasepsi. Penelitian yang dilakukan Romero-Guttierrez menjelaskan bahwa dari 1025 responden didapatkan 50% menggunakan kontrasepsi dan 50% tidak menggunakan kontrasepsi. Beberapa alasan yang disampaikan adalah karena minimnya informasi yang didapatkan sehingga menunda memakai kontrasepsi hingga periode postpartum berakhir. Selain itu mereka juga beranggapan bahwa memakai kontrasepsi mengurangai kenyamanan dalam melakukan hubungan seksual.5 Pada beberapa penelitian ditemukan bahwa salah satu yang mempengaruhi konseling pada pemakaian kontrasepsi adalah karena dukungan suami, seperti penelitian yang dilakukan oleh Romero-Guttierrez dimana 50% ibu postpartum menolak menggunakan kontrasepsi karena tidak ada dukungan suami.5 Sejalan dengan penelitian Prataya itu persetujuan dari pihak suami sangat berpengaruh pada pemakaian kontrasepsi karena adanya persamaan persepsi antara suami dan istri.6 Tana Paser merupakan ibu kota Kabupaten Paser di Provinsi Kalimantan Timur dimana pusat pelayan kesehatan menjadi rujukan dari seluruh kecamatan termasuk klinik bersalinnya. Dari hasil studi pendahuluan didapatkan bahwa konseling sering kali tidak menjadi perhatian utama sehingga data konseling sulit ditemukan. Ditemukannya fakta di lapangan bahwa sebagian besar ibu postpartum tidak mendapatkan konseling KB yang sesuai standar serta jarang ditemukan adanya keterlibatan suami saat melakukan konseling. Penulisan ini merupakan bagian dari tesis dengan judul “Penggunaan Konseling Individu dan Berpasangan Pada Utilisasi Kontrasepsi Pasca Persalinan: Randomized Controlled Trials (RCT)”

METODE

Disain penelitian ini adalah kuantitatif eksperimental dengan menggunakan rancangan penelitian Randomised Controlled Trials (RCT) dengan non blinding yaitu memberikan intervensi berupa konseling kepada individu dan berpasangan. Tempat penelitian ini adalah di Klinik Bersalin Permata Bunda dan Klinik Bersalin Sayang Ibu Kabupaten Paser. Waktu yang dipilih oleh peneliti adalah selama tiga bulan dengan pertimbangan masa follow up yang dilakukan adalah 42 hari. Populasi dalam penelitian ini adalah ibu hamil trimester ketiga yang memeriksakan diri ke klinik bersalin Permata Bunda dan Sayang Ibu kabupaten Paser dan bertempat tinggal di kabupaten Paser. Subjek atau sampel penelitian ini adalah ibu hamil pada trimester ke tiga yang telah memenuhi kriteria inklusi dan eksklusi. Cara pengambilan sampel berdasarkan Sastroasmoro dan Ismael dilakukan dengan simple random sampling yaitu semua subjek yang datang dan memenuhi inklusi akan dipilih secara acak sampai jumlah sampel yang diperlukan terpenuhi.8 Dilakukan randomisasi untuk menentukan subjek mana yang masuk dalam kelompok intervensi atau kelompok kontrol. Analisis univariabel dilakukan untuk mendapatkan gambaran karakteristik masingmasing variabel penelitian dengan menggunakan distribusi frekuensi dan proporsi. Analisis bivariabel bertujuan untuk mengetahui hubungan antara variabel bebas (konseling) dengan variabel terikat (utilisasi kontrasepsi pascapersalinan), varibel luar dengan variabel terikat dan variabel luar dengan variabel bebas. Uji statistik yang digunakan adalah uji chisquare dengan CI 95% dan tingkat kemaknaan p<0,05. Analisis multivariabel bertujuan untuk mengetahui pengaruh variabel bebas terhadap variabel terikat secara bersama-sama dengan mengontrol variabel luar. Analisis multivariabel yang digunakan adalah dengan uji binomial regresi logistik dengan tingkat kemaknaan sebesar P ><0,05 dengan CI95%. Analisis univariabel, bivariabel dan multivariabel tersebut dilakukan dengan menggunakan software Stata.21> <0,05. Analisis multivariabel bertujuan untuk mengetahui pengaruh variabel bebas terhadap variabel terikat secara bersama-sama dengan mengontrol variabel luar. Analisis multivariable yang digunakan adalah dengan uji binomial regresi logistik dengan tingkat kemaknaan sebesar P <0,05 dengan CI95%. Analisis univariabel, bivariabel dan multivariabel tersebut dilakukan dengan menggunakan software Stata.

Sumber : Linda Shintiana1
, Detty Siti Nurdiati2
, Sumarni

Pengertian dan Manfaat Analisis Data

Pengertian dan Manfaat Analisis Data

Pengertian Analisis Data

Analisis Data adalah suatu proses atau upaya untuk mengolah data menjadi informasi baru sehingga karakteristik data menjadi lebih mudah dipahami dan berguna untuk solusi masalah, terutama yang terkait dengan penelitian.

Analisis data juga dapat didefinisikan sebagai kegiatan yang dilakukan untuk mengubah hasil data dari penelitian menjadi informasi baru yang dapat digunakan dalam membuat kesimpulan.

Secara umum, tujuan analisis data adalah untuk menjelaskan suatu data agar lebih mudah dipahami, kemudian dibuat kesimpulan.

Kesimpulan dari analisis data diperoleh dari sampel yang umumnya dibuat berdasarkan pengujian hipotesis atau dugaan.

Menurut Taylor (1975)

Analisis data adalah proses yang menentukan bisnis secara formal untuk menemukan tema dan merumuskan hipotesis (ide) seperti yang disarankan dan sebagai upaya untuk memberikan bantuan dan tema ke hipotesis.

Menurut Lexy J. Moleong (2002)

Analisis data adalah proses mengatur urutan data, mengorganisasikannya ke dalam pola, kategori, dan unit dasar deskripsi.

Langkah-langkah dan Prosedur Analisis Data

Dalam melakukan analisis data harus didasarkan pada prosedur dan langkah-langkah tertentu. Berikut ini adalah beberapa langkah dalam analisis data:

  1. Pengumpulan Data, tahap awal kegiatan analisis data adalah pengumpulan data untuk dianalisis.
  2. Tahap Penyuntingan, yaitu proses pengecekan kejelasan dan kelengkapan terkait pengisian instrumen pengumpulan data.
  3. Tahap pengkodean, yang merupakan proses mengidentifikasi dan mengklasifikasikan semua pernyataan pada instrumen untuk mengumpulkan data berdasarkan variabel yang sedang dipelajari.
  4. Tahap Pengujian, yaitu proses pengujian kualitas data, baik dari segi validitas maupun reliabilitas instrumen dari pengumpulan data.
  5. Tahap Mendeskripsikan Data, yaitu proses menggambarkan data dengan menyajikannya dalam bentuk tabel frekuensi atau diagram dengan berbagai ukuran kecenderungan sentral dan ukuran dispersi. Tujuannya adalah untuk memahami karakteristik data sampel dari suatu penelitian.
  6. Tahap Pengujian Hipotesis, yaitu proses pengujian proposisi apakah itu dapat diterima atau ditolak, apakah itu memiliki makna atau tidak. Berdasarkan tahap ini nanti kesimpulan atau keputusan akan dibuat.

Jenis Analisis Data

Jenis analisis data dapat dibedakan berdasarkan metode atau metode. Berikut ini adalah jenis analisis data secara umum:

  1. Analisis Data Deskriptif

Definisi analisis data deskriptif adalah teknik analisis yang digunakan dalam menganalisis data dengan membuat gambar dari data yang dikumpulkan tanpa membuat generalisasi dari hasil penelitian.

Beberapa di antaranya dimasukkan dalam teknik analisis data deskriptif misalnya penyajian data dalam bentuk:

  • Grafik
  • Meja
  • Presentasi
  • Frekuensi
  • Diagram
  • dan lain-lain
  1. Analisis Data Inferensial

Definisi analisis data inferensial adalah teknik menganalisis data menggunakan statistik dengan membuat kesimpulan yang berlaku secara umum.

Analisis inferensial menggunakan rumus statistik tertentu. Hasil perhitungan formula akan menjadi dasar untuk generalisasi sampel untuk populasi.

Dengan kata lain, analisis inferensial berfungsi untuk menggeneralisasi hasil studi sampel untuk populasi.

Manfaat Analisis Data

Ada beberapa keuntungan untuk menganalisis data untuk studi. Berikut ini adalah beberapa keuntungan menganalisis data:

  • Mendapatkan hasil pengukuran yang lebih jelas.
  • Proses identifikasi yang lebih andal.
  • Memungkinkan untuk mengidentifikasi hal-hal yang penting.
  • Dapat dilihat secara visual sehingga membantu dalam mengambil keputusan dengan cepat dan tepat.
  • Dalam kegiatan bisnis, ini membantu proses mengidentifikasi masalah yang memerlukan tindakan atau keputusan.
  • Memiliki kesadaran yang lebih baik tentang potensi pelanggan.

Demikian pembahasan tentang pengertian analisis data beserta prosedur, jenis dan manfaatnya. Semoga bermanfaat, dan Terima kasih.

Sumber : By Gumelar Ardiansyah

DASAR STRUCTURAL EQUATION MODELING (SEM)

DASAR STRUCTURAL EQUATION MODELING (SEM)

DEFINISI DAN PENGERTIAN 

Apa sebenarnya yang dimaksud dengan Structural Equation Modeling (SEM) itu? Beberapa definisi

SEM adalah sebagai berikut:

Structural Equation Modeling, yang dalam buku ini untuk selanjutnya akan disebut SEM, adalah suatu

teknik modeling statistik yang bersifat sangat cross-sectional, linear dan umum. Termasuk dalam SEM ini

ialah analisis faktor (factor analysis), analisis jalur (path analysis) dan regresi (regression).

Definisi berikutnya menyebutkan SEM adalah teknik analisis multivariat yang umum dan sangat bermanfaat

yang meliputi versi-versi khusus dalam jumlah metode analisis lainnya sebagai kasus-kasus khusus.

Definisi lain mengatakan bahwa SEM merupakan teknik statistik yang digunakan untuk membangun dan

menguji model statistik yang biasanya dalam bentuk model-model sebab akibat. SEM sebenarnya meru-

pakan teknik hibrida yang meliputi aspek-aspek penegasan (confirmatory) dari analisis faktor, analisis jalur

dan regresi yang dapat dianggap sebagai kasus khusus dalam SEM.

Sedikit berbeda dengan definisi-definisi sebelumnya, disebutkan SEM berkembang dan mempunyai

fungsi mirip dengan regresi berganda, tetapi nampaknya SEM menjadi suatu teknik analisis yang lebih kuat

karena mempertimbangkan pemodelan interaksi, nonlinearitas, variabel – variabel bebas yang berkore-

lasi (correlated independents), kesalahan pengukuran, gangguan kesalahan-kesalahan yang berkorelasi

(correlated error terms), beberapa variabel bebas laten (multiple latent independents) dimana masing-

masing diukur dengan menggunakan banyak indikator, dan satu atau dua variabel tergantung laten yang

juga masing-masing diukur dengan beberapa indikator. Dengan demikian menurut definisi ini, SEM dapat

digunakan sebagai alternatif lain yang lebih kuat dibandingkan dengan menggunakan regresi berganda.,

analisis jalur, analisis faktor, analisis time series, dan analisis kovarian

Dari definisi di atas dapat disimpulkan bahwa SEM mempunyai karakteristik yang bersifat sebagai

teknik analisis untuk lebih menegaskan (confirm) daripada menerangkan. Maksudnya, seorang peneliti lebih

cenderung menggunakan SEM untuk menentukan apakah suatu model tertentu valid atau tidak dari pada

menggunakannya untuk menemukan suatu model tertentu cocok atau tidak, meski analisis SEM sering pula

mencakup elemen-elemen yang digunakan untuk menerangkan.

Sumber : http://ejournal.ukrida.ac.id/ojs/index.php/IMB/article/viewFile/576/563

Praktek Model Persamaan Struktural (SEM) Melalui Program Amos

Praktek Model Persamaan Struktural (SEM) Melalui Program Amos

Wahyu Widhiarso | Fakultas Psikologi UGM

Banyak orang yang menghindari melakukan penelitian dengan menggunakan pendekatan Model
Persamaan Struktural (SEM) dengan alasan kompleksitas prosedur analisis SEM. Analisis dengan
menggunakan SEM memang sangat kompleks karena SEM merupakan analisis multivariat dengan banyak variabel. Namun dengan menggunakan AMOS, analisis SEM menjadi menarik dan menantang. AMOS menyediakan kanvas di dalam programnya agar peneliti menuangkan modelnya dalam bentuk gambar di dalam kanvas tersebut. Analisis menjadi semakin mudah karena dengan satu kali klik, gambar model yang dituangkan di dalam kanvas langsung dianalisis dengan lengakap. Makalah ini akan menyajikan prosedur analisis SEM melalui AMOS yang dilengkapi dengan beberapa informasi mengenai dasar-dasar SEM.

Download

Relationship between chest radiographic characteristics, sputum bacterial load, and treatment outcomes in patients with extensively drug-resistant tuberculosis

Relationship between chest radiographic characteristics, sputum bacterial load, and treatment outcomes in patients with extensively drug-resistant tuberculosis

A B S T R A C T


Background: Data about the relationship between chest radiographs and sputum bacillary load, with
treatment outcomes, in patients with extensively drug-resistant tuberculosis (XDR-TB) from HIV/TB
endemic settings are limited. Methods: Available chest radiographs from 97 South African XDR-TB patients, at the time of diagnosis, were evaluated by two independent readers using a validated scoring system. Chest radiograph findings were correlated with baseline sputum bacillary load (smear-grade and culture time-to-positive in MGIT), and prospectively ascertained clinical outcomes (culture conversion and all-cause mortality). Results: Radiographic bilateral lung disease was present in 75/97 (77%). In the multivariate analysis only a higher total radiographic score (95% CI) was associated with higher likelihood of death [1.16 (1.05–1.28) p = 0.003], and failure to culture convert[0.85 (0.74–0.97) p = 0.02]. However, when restricting analyses to HIV-infected patients, disease extent, cavitation, and total radiographic scores were not associated with mortality or culture-conversion. Finally, cavitary, disease extent, and total radiographic scores all positively correlated with bacterial load (culture time-to-positive). Conclusions: In endemic settings, XDR-TB radiological disease extent scores are associated with adverse clinical outcomes, including mortality, in HIV uninfected persons. These data may have implications for clinical and programmatic decision-making and for evaluation of new regimens in clinical trials.
© 2018 The Authors. Published by Elsevier Ltd on behalf of International Society for Infectious Diseases.

Relationship between chest radiographic characteristics, sputum bacterial load, and treatment outcomes in patients with extensively drug-resistant tuberculosis

KORELASI PEARSON PRODUCT MOMENT

A.      Pengertian Korelasi Pearson

Korelasi Pearson atau sering disebut Korelasi Product Moment (KPM) merupakan alat uji statistik yang digunakan untuk menguji hipotesis asosiatif (uji hubungan) dua variabel bila datanya berskala interval atau rasio. KPM dikembangkan oleh Karl Pearson (Hasan, 1999).

KPM merupakan salah satu bentuk statistik parametris karena menguji data pada skala interval atau rasio. Oleh karena itu, ada beberapa persyaratan untuk dapat menggunakan KPM, yaitu :

1.     Sampel diambil dengan teknik random (acak)

2.     Data yang akan diuji harus homogen

3.     Data yang akan diuji juga harus berdistribusi normal

4.     Data yang akan diuji bersifat linier

Fungsi KPM sebagai salah satu statistik inferensia adalah untuk menguji kemampuan generalisasi (signifikasi) hasil penelitian. Adapun syarat untuk bisa menggunakan KPm selain syarat menggunakan statistik parameteris, juga ada persyaratan lain, yaitu variabel independen (X) dan variabel (Y) harus berada pada skala interval atau rasio.

Nilai KPM disimbolkan dengan r (rho). Nilai KPM juga berada di antara -1 < r < 1. Bila nilai r = 0, berarti tidak ada korelasi atau tidak ada hubungan anatara variabel independen dan dependen. Nilai r = +1 berarti terdapat hubungan yang positif antara variabel independen dan dependen. Nilai r = -1 berarti terdapat hubungan yang negatif antara variabel independen dan dependen. Dengan kata lain, tanda “+” dan “-“ menunjukkan arah hubungan di antara variabel yang sedang diopersionalkan.

Uji signifikansi KPM menggunakan uji t, sehingga nilai t hitung dibandingkan dengan nilai t tabel. Kekuatan hubungan antarvariabel ditunjukkan melalui nilai korelasi. Berikut adalah tabel nilai korelasi beserta makna nilai tersebut :

Tabel 1.1 Makna Nilai Korelasi Product Moment

Nilai Makna
0,00 – 0,19 Sangat rendah / sangat lemah
0,20 – 0,39 Rendah / lemah
0,40 – 0,59 Sedang
0,60 – 0,79 Tinggi / kuat
0,80 – 1,00 Sangat tinggi / sangat kuat
   
   

B.       Menghitung Korelasi Product Moment

Langkah – langkah menghitung KPM adalah sebagai berikut :

1.     Merumuskan hipotesis (H1 dan H0)

2.     Menentukan taraf signifikansi (α = 0,05)

3.     Menghitung KPM dengan rumus. Ada beberapa rumus KPM, yaitu :

rxy =   ……………………………. Rumus 1.1

            rxy =           …………………………….. Rumus 1.2

            rxy =    …………………………………………………………. Rumus 1.3

dengan :

sdx       : standar deviasi x

sdy         : standar deviasi y

Untuk menghitung besarnya kontribusi variabel X dalam mempengaruhi variabel Y, digunakan rumus :

KD = rx 100% …………………………………………………………… Rumus 1.4

Dengan :

KP       : Koefisien determinan

r           : Nilai korelasi variabel x dan y

1.     Melakukan uji signifikansi

       Untuk menguji signifikansi KPM, selain menggunakan tabel r, juga dapat menggunakan uji t, dengan rumus :

       t hitung =  ………………………………………………………… Rumus 1.5

       dengan dk = n -2

1.     Mengambil kesimpulan, dengan ketentuan :

       – Bila t hitung > t tabel, maka rxy adalah signifikan

       – Bila t hitung < t tabel, maka rxy adalah tidak signifikan