P. 1
Modul+11+Analisis+Data+2

Modul+11+Analisis+Data+2

|Views: 4|Likes:
Published by Mafidatul Ilmi
analisis data
analisis data

More info:

Categories:Types, Reviews
Published by: Mafidatul Ilmi on May 09, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

01/30/2014

pdf

text

original

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

FREKUENSI Merupakan salah satu ukuran dalam statistik deskriptif yang menunjukkan nilai distribusi data penelitian yang memiliki kesamaan kategori.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. pengaturan atau penyusunan data dalam bentuk tabel numerik dan grafik. . Penyajiannya dapat berupa tabel numerik atau grafik. Frekuensi suatu distribusi data penelitian dinyatakan dengan ukuran absolut (f) atau proporsi (%). TENDENSI SENTRAL (CENTRAL TENDENCY) Merupakan ukuran dalam statistik deskriptif yang menunjukkan nilai sentral dari distribusi data penelitian. Tabulasi menyajikan ringkasan.

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. . yaitu : 1) rata-rata (mean) 2) median 3) modus yang masing-masing mengukur nilai sentral dalam pengertian yang berbeda.. Modus Modus mengukur tendensi sentral berdasarkan data yang memiliki frekuensi paling banyak dalam suatu distribusi data..Tendensi sentral dapat dinyatakan dalam tiga macam ukuran. + 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.

Perbedaan antara nilai data yang diteliti dengan nilai rata-ratanya disebut dengan deviasi (deviation). 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. Ada berbagai cara untuk mengukur deviasi. . selain dengan deviasi rata-rata absolut. ∑│ 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. maka deviasi rata-rata yang merupakan penjumlahan akan sama dengan nol. ∑ ( 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. adalah dengan mengkuadratkan masing-masing deviasi.DISPERSI Dispersi mengukur variasi data yang diteliti dari angka rata-ratanya. 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.

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

Analisis regresi dilakukan bila hubungan dua variabel berupa hubungan kausal atau fungsional. atau hubungan fungsional. 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. 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. . Setiap regresi pasti ada korelasinya.300/9 = 144.300 Berdasarkan data diatas.300/8 = 162. Korelasi yang tidak dilanjutkan dengan regresi. Antara korelasi dan regresi keduanya mempunyai hubungan yang sangat erat. Untuk menetapkan kedua variabel mempunyai hubungan kausal atau tidak.Berikut contoh perhitungan dispersi : n = 9. maka harus didasarkan pada teori atau konsep-konsep tentang dua variabel tersebut.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.44 = 1. tetapi korelasi belum tentu dilanjutkan dengan regresi.11 = 1.50 = 12. adalah korelasi antara dua variabel yang tidak mempunyai hubungan kuasal.

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

bentuk persamaan. ataupun setelah melalui tes linieritas regresi. baik secara satu persatu atau secara simultan. ubah kembali nilai a dan b tersebut tidak lamam bentuk log. 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. Beberapa contoh nama model. dan cara mencari nilai a dan b dijelaskan dibawah ini : a. 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. tidak terjadi multikolinieritas. b. yaitu : menghilangkan sebuah atau beberapa variabel X menambah data baru OTOKORELASI . Dalam statistika. Lalu bagaimana melakukan prediksi dengan garis yang nonlinier ? yaitu dengan menggunakan modelmodel regresi nonlinier tetapi yang dapat diubah modelnya menjadi regresi linier. Ada beberapa cara untuk mengatasi terjadinya multikolinieritas. persamaan telah selesai dibentuk dan dapat dipakai untuk melakukan prediksi. baik dilihat secara kasat mata pada scatter diagram. Dengan demikian.REGRESI NONLINIER Ada kalanya regresi yang didapat ternyata tidak linier.

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

========================= . bila datanya berbentuk ordinal. 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. Run Test Run test digunakan untuk menguji hipotesis deskriptif (satu sample).3.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->