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. Tabulasi menyajikan ringkasan, pengaturan atau penyusunan data dalam bentuk tabel numerik dan grafik.

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

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. 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. Rumus untuk mencari rata-rata sampel dan rata-rata populasi () :
n

Rata-rata sampel = x = xi/n

l=1

Rata-rata populasi = = xi/N

l =1

Dimana :
n

xi/n = merupakan notasi dari penjumlahan data X1 + X2 + X3 + ... + 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. Modus Modus mengukur tendensi sentral berdasarkan data yang memiliki frekuensi paling banyak dalam suatu distribusi data.

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

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

Berikut contoh perhitungan dispersi : n = 9, 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 1.300

Berdasarkan data diatas, 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 = 11,11 = 1.300/9 = 144,44 = 1.300/8 = 162,50 = 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. Antara korelasi dan regresi keduanya mempunyai hubungan yang sangat erat. Setiap regresi pasti ada korelasinya, tetapi korelasi belum tentu dilanjutkan dengan regresi. Korelasi yang tidak dilanjutkan dengan regresi, adalah korelasi antara dua variabel yang tidak mempunyai hubungan kuasal, atau hubungan fungsional. Analisis regresi dilakukan bila hubungan dua variabel berupa hubungan kausal atau fungsional. Untuk menetapkan kedua variabel mempunyai hubungan kausal atau tidak, 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. 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, yang menunjukkan angka peningkatan ataupun penurunan variabel dependen yang didasarkan pada variabel independen. Bila b (+) maka naik, dan bila (-) maka terjadi penurunan. X = subyek pada variabel independen yang mempunyai nilai tertentu.

Secara teknis harga b merupakan tangent dari (perbandingan ) antara panjang garis variabel dependen, setelah persamaan regresi ditemukan. REGRESI GANDA Analisis regresi ganda akan dilakukan bila jumlah variabel independennya minimal 2. Persamaan regresi untuk dua predictor adalah :

Y = a + b1X1 + b2X2

Persamaan regresi untuk n prediktor adalah : Y = a + b1X1 + b2X2 + + bnXn

Dalam analisis regresi, baik regresi sederhana (1 variabel bebas) maupun regresi berganda (lebih dari 1 variabel bebas) ada tiga hal dasar yang harus dicari, yaitu : 1) garis regresi, yaitu garis yang menyatakan hubungan antara variabel-variabel itu. 2) Standar error of estimate (Sy, X1, X2), yaitu harga yang mengukur pemencaran tiap-tiap titik (data) terhadap garis regresinya. Atau merupakan penyimpangan standar dari harga-harga dependen (Y) terhadap garis regresinya. 3) Koefisien korelasi (r), yaitu angka yang menyatakan eratnya hubungan antara variabel-variabel itu.

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

OTOKORELASI

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

(fo fh)2 = ----------i=1 fn

k 2

Dimana : 2 = Chi Kuadrat fo = frekuensi yang diobservasi fh = frekuensi yang diharapkan

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

=========================