APLIKASI KOMPUTER LANJUTAN TEORI DAN...
-
Upload
hoangkhanh -
Category
Documents
-
view
222 -
download
0
Transcript of APLIKASI KOMPUTER LANJUTAN TEORI DAN...
Silabus Kuliah
O Pengenalan SPSS
O Tipe Data Statistik dan Statistik Deskriptif
O One Sample T. Test
O Independent T.Test
O One Way Anova
O Regresi
O Regresi Berganda
O Korelasi
O Validitas & Realibilitas
O Uji Asumsi Klasik
O Analisis Jalur
O MRA
Penilaian
Variabel Penilaian :
1. Tugas
2. Quiz
3. UTS
4. UAS
5. Tugas Akhir
Kontrak Belajar
O Batas keterlambatan saudara 15 menit
O Berpakaian Rapi dan Sopan
O Selama Perkuliahan berlangsung di
harapkan tidak kelur masuk kelas
PERTEMUA KE - 1 Tipe Data Statistik dan Statistik Deskriptif
Cont..
O Dalam melakukan analysis data , kita harus memahami terlebih dahulu konsep dari jenis data statistik yaitu numeric dan kategorik.
O Data numeric adalah data yang berbentuk angka ( kombinasi dari 0,1,2..9 ) dan merupakan gambaran hasil mengukur atau menghitung.
O Data Kategorik merupakan data yang berbentuk peryataan, kualitas, atau pengelompokan misal (laki/perempuan, baik/buruk, setuju/tidak, SD/SMP/SMA/PT/, dls)
Statistik deskriptif
Statistik deskriptif berupa frekuensi dan
nilai-nilai pusat (central tendency).
Frekuensi biasanya dimunculkan dalam
bentuk proporsi atau persentase untuk
data atau variabel kategorik. Sedangkan
nilai pusat berupa nilai tengah dan nilai
sebaran (mean, median, dll) untuk data
atau variabel numerik.
Cont..
O Analysis data numeric akan berbeda dengan
analysis data kategorik, termasuk termasuk
penyajian dan interprestasinya. Data
numeric biasanya disajikan dalam bentuk
nilai tengah dan nilai sebaran ( misal rata-
rata dan standart deviasi ) sedangkan nilai
kategorik ditampilkan dalam bentuk persen.
LATIHAN :
O Berikut ini adalah Buku Kode yang memuat
variabel, keterangan dan value yang
mempengaruhi berat bayi lahir.
O Instruksi : simpan file saudara dengan nama
Pertemuan1.
BUKU KODE
VARIABEL VIEW SPSS
DATA VIEW SPSS
ANALYSIS DESKRIPTIF DATA KATEGORIK
O Cara yang paling sering digunakan adalah
dengan mengunakan tabel frekuensi.
O Langkahnya :
O Pada Menu Bar, Klik ANALYZE >
DESCRIPTIVE > FREQUENCIES …
O Pada sehingga akan ditampuilkan layar
sebagai berikut :
1
2
3
RESULT :
Cont.. O Pada kolom Frequency menunjukkan jumlah kasus
dengan nilai yang sesuai, jadi pada contoh diatas,
terdapat 3 ibu yang berpendidikan SD dari 12 Ibu yang
ada, Proporsi yang dapat dilihat dari kolom Percent
pada kolom diatas adalah 25,0% ibu yang
berpendidikan SD
O Kolom Valid Percen menampilkan proporsi jika missing
cases tidak diikutsertakan yaitu 25,0%
O Kolom Comulative Percen menjelaskan tetang persen
komulatif, jadi pada contoh diatas ada 75,0% ibu yang
perpendidikan SD – SMP ( 25,0% + 50 ,0%)
PENYAJIAN DATA KATEGORIK O Penyajian data mempunyai prinsip efisiensi,
Sajikan hanya informasi Penting saja.
O Contoh :
LATIHAN ANALYSIS DATA KATEGORIK
O Buatlah tabel distribusi frekuensi untuk variabel HT ,
ROKOK dan bblr
O Diminta : a. Sajikan, b. Interpretasikan
Pertemuan ke-2 ANALYSIS DESKRIPTIF DATA NUMERIK
ANALYSIS DESKRIPTIF DATA NUMERIK
O Pada data numerik atau kontinyu, peringkasan data dapat dilakukan dengan melaporkan ukuran tengah dan sebarannya. Ukuran tengah yang dapat digunakan adalah :
O rata-rata, median dan modus.
O Sedangkan ukuran sebaran yang dapat digunakan adalah :
O nilai minimum, maksimum, range, standar deviasi dan persentil.
O Dari ukuran-ukuran tersebut, yang paling sering digunakan adalah rata-rata dan standar deviasi.
O Pada file SPSS bayi2015 diatas, lakukan
langkah berikut ini :
O Analyze Descriptive Statistic
Descriptive … sehingga akan ditampilkan
kotak dialog sbb :
Result
Nilai rata-rata dapat dilihat pada kolom Mean, sedangkan nilai
standar deviasi dapat dilihat pada Std Devation. Pada contoh di
atas, rata-rata umur ibu adalah 25 tahun dengan standar deviasi
4,178 umur minimun 19 tahun serta umur maksimum 34 tahun.
Dengan cara di atas, kita dapat memperoleh nilai rata-rata,
minimum, maksimum serta standar deviasi. Tetapi kita tidak
memperoleh nilai standar error, padahal nilai ini diperlukan untuk
melakukan estimasi inteval pada parameter populasi.
O Analyze Descriptive Statistic Descriptive …
sehingga akan ditampilkan kotak dialog
deskriptive sbb, kemudian klik OPTION
Result
Dari hasil tersebut kita dapat melakukan estimasi interval dari
berat bayi. Kita dapat menghitung 95% confidence interval berat
bayi, yaitu 1559,00 + 1,96 x 129,326
(mean + SE mean). Jadi kita 95% yakin bahwa rata-rata berat
bayi di populasi berada pada selang 1305 sampai 1812 gram.
*1,96 nilai interval standart devisiasi
+
O Cara yang lain untuk mengeluarkan nilai
statistik deskriptif dari data numerik (nilai
rata-rata/mean std. Dev) beserta 95%
confidence interval adalah sebagai berikut:
Dari menu utama, pilihlah:
O Analyze Descriptive Statistic Explore
sehingga akan ditampilkan kotak dialog
Explorer sebagai berikut :
O Dari hasil tersebut kita mendapatkan estimasi
titik dan estimasi interval dari variabel numerik
yang diukur. Kita dapat melihat nilai rata-rata
dan 95% confidence interval dari BBAYI yaitu
1559.00 gram (1274.36—1843.64), kita 95%
yakin bahwa rata-rata berat bayi di populasi
berada pada selang 1274.36 sampai 1843.64
gram. Nilai ini tidak jauh berbeda dengan nilai
yang dihitung dari output yang didapat pada
langkah slide 25 sebelumnya.
GRAFIK HISTOGRAM PADA DATA NUMERIK
O Langkahnya : Klik Graph > Klik Legacy Dialog
> Klik Histogram
Result
UJI NORMALITAS DISTRIBUSI DATA NUMERIK
O Pengujian normalitas adalah pengujian tentang
kenormalan distribusi data. Uji ini merupakan
pengujian yang paling banyak dilakukan untuk
analisis statistik parametrik. Karena data yang
berdistribusi normal merupakan syarat
dilakukannya tes parametrik. Sedangkan untuk
data yang tidak mempunyai distribusi normal,
maka analisisnya menggunakan tes non
parametric.
O Statistik Parametrik
Parametrik dalam arti harfiah yaitu asumsi tentang
parameter dari distribusi data populasi yang
digunakan untuk menguji hipotesis mendekati normal
atau mendekati distribusi normal setelah teorema
limit sentral.
O Statistik Nonparametrik
Non-parametrik adalah metode yang tidak
mendasarkan pada asumsi distribusi populasi. Dalam
arti sempit non-parametrik adalah sebuah kategori nol
karena hampir semua uji statistik mengasumsikan
satu atau lain hal tentang sifat-sifat populasi.
Klik Analyze > klik Descriptive Statistic > kemudian klik Explore…
Pada kotak dialog tersebut, pilih variabel UMUR dan BBAYI, Kemudian klik tanda panah ke kanan >, untuk memasukkannya ke kotak Dependent list berikutnya klik Plot lalu klik Histogram dan Normality plot with
result Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
umur .167 12 .200* .960 12 .780
bbayi .154 12 .200* .931 12 .395
* This is a lower bound of the true significance.
a Lilliefors Significance Correction
O Dengan uji Kolmogorov-Smirnov, disimpulkan bahwa pada alpha 0.05 distribusi data umur ibu adalah normal (nilai-p = 0.780) begitu juga dengan distribusi data berat bayi normal (nilai-p = 0.395).
O Apabila diperhatikan grafik HISTOGRAM maka terlihat bahwa data umur ibu memang terlihat normal, dengan grafik distribusi tidak miring ke kanan (miring positif +)
PERTEMUAN KE 3 TRANSFORMASI DATA & T - TEST
Independen sample T-TEST
O Uji-t untuk data independen dilakukan terhadap dua kelompok data yang tidak saling berkaitan antara satu dengan lainnya. Misalnya membandingkan kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu perokok dengan ibu-ibu bukan perokok adalah dua kelompok yang tidak saling berkaitan.
O Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu perokok dengan bayi yang lahir dari ibu bukan perokok. Kita akan melakukan uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu bukan perokok dengan rata-rata berat bayi yang lahir dari ibu perokok
Klik Pada option dan tentukan derajat kepercayaan yang diinginkan
Hasil tersebut memperlihatkan bahwa ada 10 ibu yang tidak perokok dan
mereka mempunyai rata-rata berat bayi sebesar 1686.40 gram.
Sedangkan 2 ibu yang perokok melahirkan bayi yang lebih rendah beratnya
daripada kelompok sebelumnya yakni dengan rata-rata 922.00 gram.
Uji-t independen menyajikan dua buah uji statistik. Pertama adalah uji Levene’s
untuk melihat apakah ada perbedaan varians antara kedua kelompok
atau tidak. Kedua adalah uji-t untuk melihat apakah ada perbedaan rata-rata
kedua kelompok atau tidak. Jika p-value (Sig.) dari uji Levene’s besar
dari nilai α (0.05), hal ini berarti varians kedua kelompok adalah sama,
maka signifikansi uji-t yang dibaca adalah pada baris pertama
(Equal variances assumed). Tetapi jika p-value dari uji Levene’s kecil atau
sama dengan nilai α (0.05), hal ini berarti bahwa varians kedua kelompok
adalah tidak sama, maka signifikansi uji-t yang dibaca adalah pada baris
kedua (Equal variances not assumed).
O Pada contoh diatas signifikansi uji Levene’s
adalah 0.611, berarti varians kedua kelompok
adalah sama, maka hasil uji-t pada baris
pertama memperlihatkan p-value (sig.) adalah
0.018 untuk uji 2-sisi. (Jika uji yang kita lakukan
adalah uji 1-sisi maka nilai p-value harus
dikalikan 2 sehingga menjadi 0.036). Dapat kita
simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak
perokok lebih tinggi dari populasi ibu perokok.
PAIRED SAMPLE T TEST (UJI BEDA DUA SAMPEL BERPASANGAN)
O Paired sample t test merupakan uji beda dua
sampel berpasangan. Sampel berpasangan
merupakan subjek yang sama namun
mengalami perlakuan yang berbeda.
No Sebelum Sesudah
1 67 68
2 75 76
3 81 80
4 60 63
5 80 82
6 75 74
7 71 70
8 68 71
9 80 82
10 78 79
11 71 78
12 80 77
13 65 69
14 57 67
15 78 68
CONTOH KASUS
Akan diteliti mengenai perbedaan penjualan sepeda motor merk A
disebuah Kabupaten sebelum dan sesudah kenaikan harga BBM.
Data diambil dari 15 dealer.
Data yang diperoleh adalah sebagai berikut :
O Klik ANALYZE > COMPARE MEANS > PAIRED
SAMPLES t Tes
O Bagian pertama. Paired Samples Statistic
O Menunjukkan bahwa rata-rata penjualan pada sebelum dan sesudah kenaikan BBM. Sebelum kenaikan BBM rata-rata penjualan dari 15 dealer adalah sebanyak 72.4, sementara setelah kenaikan BBM jumlah penjualan rata-rata adalah sebesar 73.6 unit
O Bagian Dua. Paired samples Correlatian
O Hasil uji menunjukkan bahwa korelasi antara dua variabel adalah sebesar 0.809 dengan sig sebesar 0.000. Hal ini menunjukkan bahwa korelasi antara dua rata-rata penjualan sebelum dan sesudah kenaikan adalah kuat dan signifikan.
Hipotesis
Hipotesis yang diajukan adalah :
O Ho : rata-rata penjualan adalah sama
O H1 : rata-rata penjualan adalah berbeda
Nilai t hitung adalah sebesar -1.031 degan sig 0.320. Karena sig > 0.05 maka dapat disimpulkan bahwa Ho diterima, artinya rata-rata penjualan sebelum dan sesudah kenaikan BBM adalah sama (tidak berbeda). dengan demikian dapat dinyatakan bahwa kenaikan harga BBM tidak mempengaruhi jumlah penjualan sepeda motor di kabupaten A.
Kasus : independet sample t-test
Kasus 1 : Suatu tes dilakukan untuk melihat
tingkat stress pada karyawan yang
ditempatkan di ruangan berarsitektur
tradisional dan ruang berarsitekstur modern
dengan data sebagai berikut :
Paired Sample t-test
O Dilakukan
beberapa sample
data sebelum dan
sesudah dilakukan
pengetesan dengan
hasil sebagai
berikut :
O Sajikan dan interpretasikan
O Sajikan dan
interpretasikan ( soal
dan jawaban di buat di
microsft word
O Variabel view : 1 id,
2.arsitektur (value
:1.modern, 2.
tradisional)
O Hipotesa untuk menjawab kasus diatas.
O H0 : tidak ada perbedaan stres karyawan ketika berada di ruang tradisional
dengan ketika berada di ruang modern
O H1 : Ada perbedaan stress karyawan ketika berada di ruang tradisional dengan
ketika berada di ruang modern
Question ?
O Jelaskan perbedaan paired sample t test
dan independet sample t test
O Kapan saudara akan mengunakan alat uji
paired sample t- test dan independet
sample t test
O Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau lebih kelompok independen (data yang tidak saling berkaitan antara satu dengan lainnya).
O contoh analisis ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu yang berpendidikan SD, ibu yang berpendidikan SMP, dengan ibu yang berpendidikan SMA. Kita akan melakukan uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang berbeda
Untuk melakukan uji Anova, harus dipenuhi
beberapa asumsi, yaitu:
Sampel berasal dari kelompok yang
independen (nilai pada satu kelompok tidak
tergantung pada nilai di kelompok lain )
Varian antar kelompok harus homogen
Data masing-masing kelompok berdistribusi
normal
Langkah Uji Anova
O 1. Bukalah file BAYI95.SAV sampai tampak
pada Data editor window.
O 2. Klik Analyze > Compare Means > One-way
ANOVA
Kemudian Klik Option > Klik Descriptive dan Homogeneity of ….
Kemudian klik Continue dan Klik Ok
RESULT
ANALISIS DATA
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan pendidikan SD adalah 1233.33 gram, pada ibu dengan pendidikan SMP adalah 1648.50 gram, dan pada ibu berpendidikan SMA adalah 1705.67 gram. Standar deviasi, nilai minimum-maximun, dan interval 95% tingkat kepercayaan juga diperlihatkan
O Salah satu asumsi dari uji Anova adalah
varians masing-masing kelompok harus sama.
Untuk itu dilakukan uji homogenitas varians
yang hasilnya memperlihatkan bahwa p-value
(sig.) lebih besar dari nilai α=0.05, berarti
varians antar kelompok adalah sama
O Pada hasil di atas diperoleh nilai ANOVA F = 1.091 dengan p-value=0.000 (dalam keadaan ini boleh juga ditulis p < 0.001).
O Hipotesis nol pada uji ANOVA adalah tidak ada perbedaan rata-rata berat bayi antara kelompok ibu dengan pendidikan SD, SMP, dan SMA.
O Sedangkan hipotesis alternatifnya adalah salah satu nilai rata-rata berat bayi berbeda dengan lainnya.
O Dengan menggunakan α=0.05, dari hasil di atas kita menolak hipotesis nol. Sehingga kita menyimpulkan ada perbedaan berat badan bayi dari ke tiga kelompok ibu tersebut (setidaknya salah satu nilai mean berbeda dengan lainnya). Namun, kita belum tahu kelompok mana yang berbeda antara satu dengan yang lainnya untuk mengetahui perbedaan kelompok bisa mengunakan Post Hock Test
Analisi Regresi
Syarat Pengujian Analisis Regresi
1. Asumsi Normalitas
Kenormalan data diperlukan dalam analisis regresi, salah satu metode yang digunakan dalam menguji normalitas adalah metode Kolmogorov Smirnov (KS), dalam metode KS penerimaan H0 mengindikasikan bahwa data yang dianalisis tersebut tersebar normal
Jika nilai Sig value > 0,05 maka data regresi mengikuti sebaran normal, dan jika sebaliknya nilai Sig value < 0,05 maka dinyatakan bahwa sebaran data tidak normal
2. Asumsi Homogenitas / Heteroskedastisitas
O Salah satu metode yang digunakan dalam
menganalisa homogen atau tidaknya suatu
data dalam regresi adalah Uji Levene (
levene test)
O Jika Sig Value > 0.05 maka H0 diterima,
artinya data bersifat homogen sebaliknya
O Jika Sig Value <0.05 H0 di tolak, artinya
data bersifat tidak homogen
3. Asumsi tidak terjadi Multikolinier
Kolinier Ganda merupakan hubungan linier yang sama kuat antara variabel-variabel bebas dalam persamaan regresi berganda.
- Adanya kolinier berganda ini menyebabkan pendugaan koefisien menjadi tidak stabil.
- Sebagai catatan tidak multikolinier hanya terjadi pada regresi berganda saja, untuk regresi sederhana tidak terjadi kr variabel bebasnya hanya satu.
O Asumsi tidak terjadi autokorelasi
O Uji korelasi digunakan untuk melihat
kebebas data, kebebasan disini
dimaksudkan bahwa data suatu observasi
tertentu tidak dipengaruhi data observasi
sebelumnya.
O Salah satu metode yang digunakan dalam
menguji autokorelasi adalah metode Durbin
Watson (DW)
Latihan : Regresi Sederhana
O Klik Analyze > Regression > Linier sehingga akan
ditampilkan tampilan pada gambar berikut :
Output
Interpretasi
O Pada Uji Anova terlihat bahwa terdapat pengaruh yang significant antara Variabel Promosi (X1) terhadap variabel sales(Y) dimana:
O Nilai Sig < Alpha 5% ( 0,000 < 0,05)
O Atau pada uji-t terlihat nilai t hitung > t tabel (6,384) atau nilai alpha < 0.05 (0,000 < 0,05)
O Dari data tersebut diatas juga terlihat adanya korelasi yang kuat antara variabel Promosi(X1) terhadap variabel Sales(Y) hal ini dibuktikan dengan nilai korelasi(R) sebesar 0.612,
O sedangkan pada koefisien determinasinya (R Square) yaitu kemampuan untuk mempengaruhi antar variabel Promosi terhadap Sales sebesar 0.375 dan masih terdapat 62.5% (100%-37,5%) varibel lain yang mempengaruhi Sales (selain variabel promosi tersebut)
O Nilai Konstanta sebesar 214.675 menunjukkan
bahwa jika tidak ada aktivitas Promosi(X1=0) maka
nilai sales/penjualan hanya sebesar 214.675
O Nilai Slop 4.176 menunjukkan bahwa setiap
kenaikan kegiatan promosi 1 juta Rupiah, maka hal
tersebut akan meningkatkan sales/penjualan
sebesar 4.176 juta rupiah.
Take Home
No Kunjungan Kepuasan
1 47098 6754
2 56847 7925
3 36984 5687
4 87489 9483
5 23346 3514
6 38660 6642
7 41835 7411
8 60149 9935
9 25524 3543
10 55911 7634
11 47683 7603
• Sajikan dan
Interpretasika
n
KASUS : REGRESI BERGANDA
Tahap : 1. Lakukan Uji Normalias
O Klik Analyze > Klik Dtescriptive Statistik > Explore
O Berdasarkan hasil pengujian di dapat KS hitung untuk Kunjungan, tanggapan dan Kepuasan sebesar 147,173, dan 173 dengan nilai sigfikasi / nilai sig sebesar 200,200,200, dengan nilai sig > 0.05 maka dapat dikatakan bahwa sebaran data tersebut diatas adalah Normal
Tahap 2. Melakukan Uji Homogenitas O Buat variabel baru dengan nama group,
kemudian isikan datanya sebagai berikut
O Catatan : buatlah pengelompokan data, sbg contoh sauadara mempunyai 10 data, maka group angka 1 dari no 1 – 5 lalu group angka 2 dari 6-10
O Berdasarkan Levene Test tersebut diatas didapatkan nilai signifikasi/nilai sig sebesar 0.261 untuk variabel kunjungan, kemudian 0,730 untuk tanggapan dan 0.727 untuk kepuasan, sehingga dapat disimpulan bahwa sebaran data bersifat homogen dengan nilai sig > 0.05
Tahap 3|4 Bebas Multikolinier dan Multikorelasi O Klik analyze > Klik Regression > Linear kemudian
silahkan setting sesuai dengan kotak dialog linerar regression dan Linerar Regression Statistik berikut ini
O Interprestasi Uji Asumsi bebas Multiklinieritas (Nilai
VIF)
O Berdasarkan data diatas didapat nilai VIF sebesar
4.994 untuk variabel bebas Kunjungan dan 4.994
untuk variabel bebas tanggapan karena nilai VIF
dibawah 10 maka dapat disimpulkan bahwa
semua variabel tersebut bebas multi kolinieritas
(Nilai VIF) artinya tidak saling berhubungan /
korelasi antar variabel bebas
Interprestasi Uji Asumsi bebas Autokorelasi ( Nilai Durbin Watson )
O Berdasarkan data diatas, didapat nilai Durbin-watson sebesar 1.467 sehingga dapat disimpulkan tidak terjadi autokorelasi berdasarkan ketentuan autokrelasi terjadi jika nilai Durbin-Watson : 1 < DW < 3