MODUL 11 ANALISIS DATA (BAGIAN 2

)

Tujuan Instruksional Khusus Agar mahasiwa mampu : 1. Menentukan kecenderungan sentral 2. Melakukan pengujian signifikansi, parametrik. 3. Melakukan pengujian signifikansi nonparametrik 4. Melakukan pengujian kualitas data

Materi Bahasan : 1. 2. 3. 4. 5. Statistik Deskriptif Frekuensi Tendensi Sentral Dispersi Uji Kualitas data

ANALISIS DATA (BAGIAN 2) STATISTIK DESKRIPTIF Tipe Pengukuran dan Analisis Deskriptif Frekuensi (absolut & proporsi) Mode Skala Nominal Skala Ordinal Urutan ranking Median Rata-rata Aritmatik Angka Indeks Rata-rata Geometrik Rata-rata Harmonik Skala Interval Skala Rasio Statistik deskriptif pada dasarnya merupakan proses transformasi data penelitian dalam bentuk tabulasi sehingga mudah dipahami dan diinterpretasikan. Frekuensi suatu distribusi data penelitian dinyatakan dengan ukuran absolut (f) atau proporsi (%). . pengaturan atau penyusunan data dalam bentuk tabel numerik dan grafik. Penyajiannya dapat berupa tabel numerik atau grafik. FREKUENSI Merupakan salah satu ukuran dalam statistik deskriptif yang menunjukkan nilai distribusi data penelitian yang memiliki kesamaan kategori. Tabulasi menyajikan ringkasan. TENDENSI SENTRAL (CENTRAL TENDENCY) Merupakan ukuran dalam statistik deskriptif yang menunjukkan nilai sentral dari distribusi data penelitian.

. Modus Modus mengukur tendensi sentral berdasarkan data yang memiliki frekuensi paling banyak dalam suatu distribusi data. + Xn l=1 n = jumlah sampel yang diteliti N = jumlah populasi yang diteliti Median Median adalah pengukuran tendensi sentral berdasarkan nilai data yang terletak ditengah-tengah (midpoint) dari suatu distribusi data penelitian yang disusun secara berurutan. Rumus untuk mencari rata-rata sampel dan rata-rata populasi (μ) : n Rata-rata sampel = x = ∑ xi/n l=1 n Rata-rata populasi = μ = ∑ xi/N l =1 Dimana : n ∑ xi/n = merupakan notasi dari penjumlahan data X1 + X2 + X3 + . Rata-rata (mean) Pengukuran rata-rata merupakan cara yang paling umum digunakan untuk mengukur nilai sentral suatu distribusi data berdasarkan nilai rata-rata yang dihitung dengan cara memebagi nilai hasil penjumlahan sekelompok data dengan jumlah data yang diteliti.Tendensi sentral dapat dinyatakan dalam tiga macam ukuran. . yaitu : 1) rata-rata (mean) 2) median 3) modus yang masing-masing mengukur nilai sentral dalam pengertian yang berbeda..

∑ ( xi – x ) Deviasi rata-rata = --------------n Kelemahan deviasi rata-rata adalah jika nilai deviasi yang bertanda negatif sama besar dengan nilai deviasi yang bertanda positif. Ada berbagai cara untuk mengukur deviasi. antara lain : 1) Deviasi rata-rata 2) Deviasi absolut rata-rata 3) Deviasi kuadrat rata-rata 4) Varian 5) Deviasi standar 1) Deviasi Rata-rata (Average Deviation) Deviasi rata-rata adalah penjumlahan dari deviasi masing-masing data yang diteliti dengan nilai rata-ratanya dibagi dengan jumlah data.DISPERSI Dispersi mengukur variasi data yang diteliti dari angka rata-ratanya. ∑│ xi – x │ Deviasi absolut rata-rata = --------------n 3) Deviasi Kuadrat Rata-rata (Mean Squared Deviation) Cara lain yang digunakan untuk menghilangkan tanda positif atau negatif pada masingmasing deviasi. Perbedaan antara nilai data yang diteliti dengan nilai rata-ratanya disebut dengan deviasi (deviation). maka deviasi rata-rata yang merupakan penjumlahan akan sama dengan nol. adalah dengan mengkuadratkan masing-masing deviasi. . 2) Deviasi Absolut Rata-rata (Mean Absolute Deviation) Deviasi ini menghitung deviasi rata-rata dengan mengabaikan tanda positif atau negatif pada nilai deviasi setiap data yang diteliti dan hanya menggunakan nilai absolut untuk masing-masing deviasi. selain dengan deviasi rata-rata absolut.

pernghitungan nilai rata-rata deviasi yang dikuadratkan dibagi dengan (n-1). Perhitungan rata-rata ini selanjutnya disebut dengan varian sampel (s2). ∑ ( xi – x ) 2 Varian = s = ---------------(n-1) 2 5) Deviasi Standar (Standard Deviation) Varian mengukur dispersi dengan nilai yang dikuadratkan. maka variannya dalam bentuk rupiah yang dikuadratkan. Penggunaan kudrat sebagai ukuran mempunyai kelemahan. . dihitung nilai akar dari varian yang selanjutnya disebut dengan deviasi standar (s). Jika data yang diteliti berupa satuan uang (Rupiah). Penghitungan nilai rata-rata tersebut dalam kaitannya dengan proses inferensi akan cenderung menghasilkan estimasi yang lebih rendah terhadap parameter populasinya. yaitu : • • Semakin besar nilai deviasi masing-masing data yang diteliti dari rata-ratanya. Untuk mengeliminasi masalah estimasi tersebut. maka nilai variannya juga semakin besar. karena menggunakan jumlah data (n) sebagai pembagi dari jumlah deviasi yang dikuadratkan. Untuk mengembalikan ukuran dispersi menjadi ukuran (semula) yang sama dengan ukuran data yang diteliti.∑ ( xi – x ) 2 Deviasi rata-rata = --------------n 4) Varian (variance) Nilai rata-rata dari eviasi yang dikuadratkan tersebut bermanfaat untuk mengukur variabilitas sampel.

pengukuran tendensi sentral dan dispersi adalah sebagai berikut : • • • • • Deviasi rata-rata Deviasi absolut rata-rata Deviasi kuadrat rata-rata Varian Deviasi standar =0 = 100/9 = 11. .44 = 1. atau hubungan fungsional.Berikut contoh perhitungan dispersi : n = 9. tetapi korelasi belum tentu dilanjutkan dengan regresi. x = 30 x 40 10 20 40 35 25 15 40 45 ∑ ( xi – x ) 10 -20 -10 10 5 -5 -15 10 15 0 │ xi – x │ 10 20 10 10 5 5 15 10 15 100 ( xi – x ) 2 100 400 100 100 25 25 225 100 225 1.11 = 1. Analisis regresi dilakukan bila hubungan dua variabel berupa hubungan kausal atau fungsional. Antara korelasi dan regresi keduanya mempunyai hubungan yang sangat erat. Untuk menetapkan kedua variabel mempunyai hubungan kausal atau tidak. Setiap regresi pasti ada korelasinya.50 = 12.75 REGRESI LINIER SEDERHANA Istilah regresi digunakan dalam analisis statistik yang digunakan dalam mengembangkan suatu persamaan untuk meramalkan sesuatu variabel dari variabel kedua yang telah diketahui. adalah korelasi antara dua variabel yang tidak mempunyai hubungan kuasal.300/9 = 144.300/8 = 162.300 Berdasarkan data diatas. Korelasi yang tidak dilanjutkan dengan regresi. maka harus didasarkan pada teori atau konsep-konsep tentang dua variabel tersebut.

Regresi sederhana didasarkan pada hubungan fungsional ataupun kausal satu variabel independen dengan satu variabel dependen. X = subyek pada variabel independen yang mempunyai nilai tertentu. Secara teknis harga b merupakan tangent dari (perbandingan ) antara panjang garis variabel dependen. Persamaan regresi untuk dua predictor adalah : Y = a + b1X1 + b2X2 Persamaan regresi untuk n prediktor adalah : Y = a + b1X1 + b2X2 + … + bnXn Dalam analisis regresi. Atau merupakan penyimpangan standar dari harga-harga dependen (Y) terhadap garis regresinya. Persamaan umum regresi linier sederhana adalah : Y = a + bX Dimana : Y = subyek dalam variabel dependen yang diprediksikan a = harga Y bila X = 0 (harga konstan) b = angka arah atau koefisien regresi. 3) Koefisien korelasi (r). dan bila (-) maka terjadi penurunan. setelah persamaan regresi ditemukan. yaitu garis yang menyatakan hubungan antara variabel-variabel itu. yaitu angka yang menyatakan eratnya hubungan antara variabel-variabel itu. yaitu : 1) garis regresi. X2). Bila b (+) maka naik. X1. yang menunjukkan angka peningkatan ataupun penurunan variabel dependen yang didasarkan pada variabel independen. 2) Standar error of estimate (Sy. yaitu harga yang mengukur pemencaran tiap-tiap titik (data) terhadap garis regresinya. . baik regresi sederhana (1 variabel bebas) maupun regresi berganda (lebih dari 1 variabel bebas) ada tiga hal dasar yang harus dicari. REGRESI GANDA Analisis regresi ganda akan dilakukan bila jumlah variabel independennya minimal 2.

baik secara satu persatu atau secara simultan. Beberapa contoh nama model. model eksponensial Y = abx Mencari nilai a dan b : ubah persamaan menjadi berbentuk logaritma : log Y = log a + log bX Setelah nilai log a dan log b diketahui. yaitu : menghilangkan sebuah atau beberapa variabel X menambah data baru OTOKORELASI . baik dilihat secara kasat mata pada scatter diagram. model geometrik Y = a Xb Mencari nilai a dan b : ubah persamaan menjadi berbentuk logaritma : log Y = log a + b logX MULTIKOLINIERITAS Salah satu asumsi model regresi linier berganda adalah bahwa tidak terjadi korelasi yang signifikan antar variabel bebasnya. Dengan demikian. dan cara mencari nilai a dan b dijelaskan dibawah ini : a. b. bentuk persamaan. Lalu bagaimana melakukan prediksi dengan garis yang nonlinier ? yaitu dengan menggunakan modelmodel regresi nonlinier tetapi yang dapat diubah modelnya menjadi regresi linier.REGRESI NONLINIER Ada kalanya regresi yang didapat ternyata tidak linier. Ada beberapa cara untuk mengatasi terjadinya multikolinieritas. Dalam statistika. persamaan telah selesai dibentuk dan dapat dipakai untuk melakukan prediksi. ubah kembali nilai a dan b tersebut tidak lamam bentuk log. tidak terjadi multikolinieritas. ataupun setelah melalui tes linieritas regresi.

adalah teknik statistic yang digunakan untuk menguji hipotesis deskriptif bila dalam populasi terdiri atas dua atau lebih klas. Test Binomial Tes binomial digunakan untuk menguji hipotesis bila dalam populasi terdiri atas dua kelompok klas. yaitu adanya momentum yang masuk ke dalam variabel-variabel X yang terus menerus sehingga sesuatu akan terjadi dan mempengaruhi nilai-nilai pada variabel-variabel X-nya. Bentuk fungsi yang salah. 1. Rumus Chi Kuadrat (χ2) adalah : (fo – fh)2 χ = ∑----------i=1 fn k 2 Dimana : χ2 = Chi Kuadrat fo = frekuensi yang diobservasi fh = frekuensi yang diharapkan .Salah saru asumsi regresi linier adalah tidak terdapatnya otokorelasi. nilai populasi itu akan diteliti dengan menggunakan sample yang diambil dari populasi tersebut. Selanjutnya. data berbentuk nominal dan sampelnya besar. Adanya lags (tenggang waktu) Manipulasi data yang mengakibatkan data tidak akurat. STATISTIK NONPARAMETRIS Statistik ini digunakan untuk menguji hipotesis bila datanya berbentuk nominal dan ordinal. Otokorelasi ialah korelasi antara sesama urutan pengamatan dari waktu ke waktu. datanya berbentuk nominal dan jumlah sampelnya kecil ( <25). Chi Kuadrat (χ2) Chi Kuadrat (χ2) satu sample. 2. dan tidak berlandaskan asumsi bahwa distribusi data harus normal. Terjadi penyimpangan spesifikasi karena adanya variabel X lain yang tidak dimasukkan pada model. Mengapa bisa terjadi ? alasan-alasannya bisa saja : inertia.

========================= .3. Pengamatan terhadap data dilakukan dengan mengukur banyaknya “run” dalam suatu kejadian. Pengujian dilakukan dengan cara mengukur kerandoman populasi yang didasarkan atas data hasil pengamatan melalui data sample. bila datanya berbentuk ordinal. Run Test Run test digunakan untuk menguji hipotesis deskriptif (satu sample).

Sign up to vote on this title
UsefulNot useful