Mohd Fadzil

Category: Penyelidikan

Analisis Kuasa (Power Analysis) Menggunakan Software G*Power

Apakah Analisis Kuasa (Power Analysis) ?

Kuasa mencari perbezaan yang wujud pada saiz sampel dan nilai kesan saiz yang anda gunakan.


RALAT JENIS I :- Mendapati terdapat perbezaan antara kumpulan , di mana perbezaan itu sebenarnya tidak wujud.

RALAT JENIS  II : – Kebarangkalian di mana terdapat perbezaan di antara kumpulan, namun ujian yang digunakan tidak dapat mengenalpasti perbezaan tersebut. 


Tujuan Analisis Kuasa (Power Analysis) ?

  • Statistik digunakan untuk membuat inferens iaitu sampel yang digunakan boleh digeneralisasikan ke populasi.
  • Pembuktian  inferens, pengkaji akan membuat pengujian hipotesis (Ho atau Ha) dan membuat keputusan untuk terima Ho atau tolak Ho.
  • Pengkaji mungkin membuat kesilapan iaitu – Terima Ho yang salah atau Tolak Ho yang betul.
  • Tolak Ho yang betul – pengkaji membuat kesalahan Ralat Jenis 1
  • Terima Ho yang salah – pengkaji membuat kesalahan Ralat Jenis 2
  • Kadang – kadang pengkaji boleh melakukan kesilapan di mana pengkaji gagal untuk mengesan perbezaan apabila sebenarnya terdapat perbezaan. ( Ralat Jenis II )
  • Pengkaji  boleh menggunakan Kuasa Statistik (Power Analysis) untuk menerima atau menolak hipotesis nul  dengan tepat.
  • Kuasa bagi kajian bersamaan dengan ( 1 – β) dan kebarangkalian gagal untuk mengesan perbezaan apabila sebenarnya terdapat perbezaan.
  • Kuasa kajian meningkatkan apabila peluang melakukan  ralat Jenis II menurun.
  • Biasanya kebanyakan kajian menerima kuasa sebanyak 80%.
  • Kadang-kadang untuk kajian penting atau besar, kuasa  ditetapkan pada 90% untuk mengurangkan 10% kebarangkalian  keputusan “ negatif palsu”.
  • Jadi Kuasa Statistik (Power Analysis) diperlukan untuk mengurangkan kemungkinan melakukan kedua-dua ralat. Dengan nilai Kuasa Statistik (Power Analysis) , pengkaji dapat merasionalkan dapatan.
  • Untuk tujuan tersebut , pengkaji boleh menggunakan software G*Power untuk pengiraan nilai Kuasa.

Pengiraan Analisis Kuasa (Power Analysis) Menggunakan Software G*Power

G*Power adalah software analisis bagi saiz sampel dan Analisis Kuasa (Power Analysis)  yang meliputi pelbagai prosedur statistik seperti berikut:

i.   T-Tests (Independent Samples, Correlations, And Any Other T-Test),

ii.  F-Tests (Anova, Multiple Correlation And Regression, And Any Other F-Test),

iii. Chi2-Tests (Goodness Of Fit And Contingency Tables).

Software ini juga dapat mengira nilai power bagi sesuatu saiz sampel, kesan saiz dan nilai alfa. Pengkaji boleh menggunakan G*Power dan menetapkan nilai  Power pada.8 atau 80%.

Analisis Kuasa (Power Analysis)  bergantung kepada ;

  • Alfa
  • Power (1- β)
  • Kesan Saiz
  • Saiz sampel

Kajian anda mempunyai Analisis Kuasa (Power Analysis)  apabila pengkaji menetapkan lazimnya alfa = 0.05 (95% keyakinan), power = 0.8 (80%  elak Ralat Jenis II) dan Kesan Saiz yang anda jangkakan 0.3 (30% dah cukup besar dalam kajian sains sosial).   


Semasa menetapkan pilihan dalam menu software G*Power, lazimnya terdapat dua buah pengujian Analisis Kuasa iaitu ;

A PRIORI = Penentuan saiz sampel yang diperlukan berdasarkan “Kesan Saiz” yang dianggarkan sebelum pengumpulan data bermula.

POST HOC = Penentuan “Kuasa” kajian anda berdasarkan “Saiz Sampel” yang digunakan dan “Kesan Saiz” yang dikira; lebih banyak “Kuasa” = kurang peluang untuk melakukan kesilapan Ralat II  (Kebarangkalian di mana terdapat perbezaan di antara kumpulan, namun ujian yang digunakan tidak dapat mengenalpasti perbezaan tersebut).


Download Software G*Power  


Sila klik link di bawah ini ;

https://drive.google.com/file/d/1MxkOLo12-KBdamyECCUCgCisV4PYNM4b/view?usp=sharing


Panduan Analisis Kuasa A Prior (Power Analysis) Menggunakan Software G*Power  


Contoh Penulisan Laporan Analisis Kuasa (Power Analysis)  


Penulisan (A PRIORI) – Penentuan Sampel Saiz

Kajian ini telah menetapkan Analisis Kuasa statistik pada .8 dan Kesan Saiz pada 0.6 untuk menguji Hipotesis Nul (Ho). Kesan Saiz ini adalah kesan yang sederhana mengikut Cohen (1998) yang dianggarkan dari kajian lepas yang berkaitan dengan penggunaan ICT dalam pengajaran (Fadzil, 2018). Kuasa dan kesan saiz ini memberikan saiz sampel antara kumpulan rawatan dan kawalan masing-masing 44 orang. Dengan kuasa .8 ini maka statistik Ujian-t (t-test) yang digunakan berupaya mengurangkan kemungkinan berlakunya Ralat Jenis II, iaitu menerima Hipotesis Nul (Ho) yang salah.


* Tujuannya rasionalisasi pengkaji mengambil sampel seramai 44 setiap kumpulan dalam penyelidikan yang dilakukan setelah pengkaji menetapkan kuasa pada .8 dan kesan saiz .6


Panduan Analisis Kuasa A Prior (Power Analysis) Menggunakan Software G*Power  


Penulisan (POST HOC) – Pembuktian untuk Elak Ralat Jenis I atau II

Jadual 1

Jadual 1 menunjukkan keputusan Kesan Saiz dan Analisis Kuasa Pos Hoc. Nilai kuasa Pos Hoc untuk analisis ialah 0.96 (96%) berdasarkan Jumlah Sampel (n = 62), Kesan Saiz (d = 0.440) dan Alfa ( .50), menunjukkan bahawa kebarangkalian untuk menolak hipotesis Nul kajian ini ialah 96% iaitu berupaya mengelak berlakunya Ralat Jenis I iaitu menolak Hipotesis Nul (Ho) yang betul. Analisis prior power analysis yang dijalankan juga menunjukkan bahawa cadangan bilangan sampel 34 adalah mencukupi bagi nilai Kesan Saiz sebesar 0.440 berdasarkan nilai Alfa ( .05) dan Power (0.8). Oleh itu, bilangan sampel dalam kajian ini (n = 62) telah mencapai aras signifikan iaitu melebihi jumlah sampel yang diperlukan.


* Analisis Kuasa Pos Hoc dijalankan untuk menentukan nilai kuasa rawatan berdasarkan nilai Kesan Saiz yang diperoleh daripada kajian seperti Ujian-t (T Test). Manakala penentuan nilai Alfa dan Power (1- β) bergantung kepada justifikasi pengkaji, lazimnya dalam kajian Sains Sosial, Alfa = 0.05 (95% keyakinan). Manakala bagi nilai Power kebanyakan kajian menerima nilai sebanyak 0.8 (80% elak Ralat Jenis I).


Rujukan :
Cunningham, J. B., & McCrum-Gardner, E. (2007). Power, effect and sample size using GPower: practical issues for researchers and members of research ethics committees. Evidence-Based Midwifery5(4), 132-137.

Erdfelder, E., Faul, F., & Buchner, A. (1996). GPOWER: A general power analysis program. Behavior Research Methods, Instruments, & Computers, 28, 1-11


Sebagai tanda terima kasih anda boleh tekan LIKE di bawah ini ;
 
 

 

Kesan Saiz (Effect Size) dalam Penyelidikan Pendidikan: Maksud & Kaedah Menggunakannya

Sumber gambar : https://pbs.twimg.com/media/DyO7lhmUcAE90IB.jpg

Apakah “Kesan Saiz”?

Saiz kesan adalah cara mudah pengukuran secara kuantitatif perbezaan antara dua kumpulan seperti Kawalan & Rawatan iaitu kaedah yang mempunyai banyak kelebihan berbanding penggunaan ujian tipikal statistik yang bersifat bersendirian sahaja (cth : Ujian-t / T-test).

Kesan Saiz adalah kekuatan hubungan antara IV dan DV (symbol r) atau magnitude perbezaan pada DV disebabkan oleh IV (symbol d).

Salah satu senario paling biasa digunakan untuk kaedah Kesan Saiz adalah untuk menentukan keberkesanan intervensi atau amalan pendidikan perbandingan antara kumpulan atau pendekatan. Kesan Saiz bukan sahaja menunjukkan jika berlakunya keberkesanan sesuatu intervensi , tetapi juga meramalkan sejauh mana kesan yang dijangkakan dalam pelbagai senario.

Pengiraan Kesan Saiz sebenarnya agak mudah dan merupakan perbezaan min antara dua buah kumpulan dibahagikan dengan Sisishan Piawai (sd) . Ia boleh dinyatakan sebagai persamaan:

Tetapi bagaimana para pendidik memahami amalan statistik ini mengenai Kesan Saiz yang sering disebut dalam penerbitan artikel jurnal dan buku penyelidikan pendidikan?

Sebagai contoh, jika anda membaca kertas penyelidikan dan program khusus (intervensi) mempunyai Kesan Saiz +0.35 (atau 35% daripada sisihan piawai), beberapa soalan yang mungkin anda minta adalah: Adakah program ini patut diikuti? Adakah kesan ini besar atau kecil? Jawapannya tidak jelas dan mudah dalam praktik sebenar kerana ia bergantung kepada banyak faktor yang boleh menjejaskan kualiti kajian seperti:


  • Adakah penyelidik menggunakan prosedur dan instrumen kajian yang berkualiti untuk kajian penilaian impak/keberkesanan program?
  • Adakah kajian ini jelas dan relatif terhadap keadaan bilik darjah sebenar?
  • Adakah saiz sampel terlalu kecil untuk digeneralisasikan kepada populasi yang lebih besar?

Tujuan dan Contoh Kesan Saiz

Tujuannya laporan kajian perbezaan antara kumpulan bukan sahaja dilaporkan signifikan secara stastik , tetapi juga lebih bermakna jika pengkaji mengira kesan saiz untuk mengetahui samaada kesan signifikan tersebut kecil, sederhana atau besar terhadap kesan rawatan tersebut.

Contoh : Dalam sesuatu kajian pengkaji ingin melihat kesan rawatan  (Pembelajaran menggunakan ICT) terhadap pencapaian pelajar berdasarkan markah ujian pra dan pos. Min markah  dalam ujian pra adalah 73 daripada 100 dan min markah ujian pos adalah 74 daripada 100. Walaupun didapati  perbezaan dalam markah adalah signifikan secara statistik , perbezaan markahnya adalah  sangat kecil ( = 1 ), jadi  rawatan (Pembelajaran menggunakan ICT) yang diberi tidaklah memberi kesan yang bermakna terhadap pencapaian pelajar. 


Bagaimana untuk Mentafsirkan (Interpret) Nilai Kesan Saiz?

Cohen, J. (1988) menggambarkan kaedah asas untuk tafsiran Kesan Saiz: .20 sebagai “kecil,” .50 sebagai “sederhana,” dan .80 sebagai “besar.” Sejak itu, nilai-nilai ini telah banyak disebut sebagai standard untuk menilai magnitud bagi kesan saiz yang terdapat dalam penyelidikan intervensi.

Sumber Gambar : http://imaging.mrc-cbu.cam.ac.uk/statswiki/FAQ/effectSize

Contohnya Kesan Saiz +.3 atau kurang untuk menunjukkan kesan kecil terhadap rawatan, +.4 hingga +.6 untuk merepresentasikan kesan rawatan sederhana dan +.70 atau lebih untuk menunjukkan rawatan yang sangat berkesan. Sudah tentu, kita dapat menyimpulkan bahawa semakin tinggi kesan saiz, semakin besar magnitud yang dijangkakan akan kesannya kepada kumpulan rawatan pelajar. (Sebagai contoh, kesan saiz 0.63 bermakna skor pelajar purata dalam kumpulan intervensi adalah 0.63 sisihan piawai yang lebih tinggi daripada purata pelajar dalam kumpulan kawalan. Nilai 0.63 ini adalah indikator bahawa kumpulan intervensi daripada segi perbezaan skor memberikan kesan sederhana ke besar bagi rawatan berbanding kawalan.


Bila perlu gunakan Kesan Saiz ?

Persoalan untuk pembuktian seperti isu:

  1. Adakah kesan rawatan (intervensi) tersebut signifikan untuk di buat inferensi dari sampel ke populasi kajian?
  2. Adakah kesan rawatan (intervensi) tersebut lemah, sederhana atau kuat?

Dalam keadaan biasa analisis menggunakan Ujian-t (T Test) digunakan untuk laporan. Walaubagaimanapun Ujian-t boleh dilaporkan dengan lebih komprehensif lagi, bukan sekadar “signifikan kerana p < .05” sahaja, tetapi dengan tambahan laporan Kesan Saiz (Effect Size). Perlu diingatkan Kesan Saiz tiada dalam laporan output daripada program SPSS iaitu dalam jadual t-test. Penyelidik perlu menggunakan pengiraan secara manual menggunakan kalkulator berdasarkan formula di atas ataupun menggunakan software seperti G*Power atau laman web seperti https://www.socscistatistics.com/effectsize/default3.aspx


Tutorial Pengiraan Kesan Saiz



Contoh Penulisan Laporan Ujian-t + Kesan Saiz

Kesan rawatan  (Pembelajaran menggunakan ICT) terhadap pencapaian pelajar.

Jadual 1

Jadual 1 menunjukkan keputusan ujian-t sampel berpasangan adalah signifikan (t = –6.573, p < 0.05, d = 1.18 ) secara statistik dan Kesan Saiz adalah besar berdasarkan Cohen (1988).


Rujukan :

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Hillsdale, NJ: Erlbaum.
Dunlap, W. P., Cortina, J. M., Vaslow, J. B., & Burke, M. J. (1996). Meta-analysis of experiments with matched groups or repeated measures designs. Psychological Methods, 1, 170-177.
Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 1-12.



Sebagai tanda terima kasih anda boleh tekan LIKE di bawah ini ;
 
 

 

Panduan Analisis SPSS : Ujian T-TEST [BM]

*Pesediaan Sebelum Laksana Ujian-t Test ( Wajib Data bertaburan Normal)

Tutorial SPSS Analisis Ujian Normaliti
https://youtu.be/4e0GgCtPTAo

  1. Tutorial SPSS Analisis : Ujian-t Sampel Sampel Bebas (Independent Samples t test)
    https://youtu.be/dH6KXDsIgHE
  2. Tutorial SPSS : Analisis Ujian-t Pengukuran Berulangan (Paired Samples T Test)
    https://youtu.be/KqoG5t-LxZQ
  3. Tutorial SPSS : Analisis Ujian-t Padanan (Matched samples t test)
    https://youtu.be/3E85qp7UjqY
  4. Tutorial SPSS : Analisis Ujian-t Satu Sampel (One Sample T Test)
    https://youtu.be/c0Nda4Sobjg

Playlist Youtube (Ujian-t)
https://www.youtube.com/playlist?list=PL05xCZeDFa-r2bhACXlSEDiABuHXDkDms

*Jangan lupa SUBSCRIBE (PERCUMA) untuk dapatkan video lain terkini SECARA AUTOMATIK melalui Notification. Hanya klik link ini >> http://www.youtube.com/user/MohdFadzil85 dan terus klik subscribe.

Sebagai tanda terima kasih anda boleh tekan LIKE di bawah ini ;