STATISTIKA IIMATERI KULIAH 1

Prof. Dr. Maruf Akbar

PROGRAM PASCASARJANAUNIVERSITAS NEGERI JAKARTA

2010

STATISTIKA II

DESKRIPSI MK Mata kuliah ini dirancang untuk mahasiswa S3 pada semester I. Tujuan dari mata kuliah Statistika II ni adalah

memberikan kemampuan lebih dalam segi tataran konseptual maupun penerapan operasional Statistika Inferensial. Prosesnya melalui kegiatan perhitungan manual maupun dengan alat bantu program piranti lunak statistika. Melalui penguasaan materi dalam mata kuliah ini, mahasiswa diharapkan mampu menyelesaikan disertasi secara efektif, variatif dan relevan dengan kompetensi inti di bidang program studinya.

Materi dari mata kuliah ini berisi konsep-konsep penting mengenai regresi ganda (multiple regression), analisis varians (analysis of variance), analysis of covarianve (anacova), analisis jalur (path analysis), dan model persamaan struktural (structural equation model) atau SEM.

STANDAR KOMPETENSI

Mahasiswa memahami dan mampu menggunakan teknik-teknik analisis statistika inferensial yang sifatnya lanjutan untuk mendukung mahasiswa dalam menganalisis data penelitian disertasi

KOMPETENSI DASAR

1. Menjelaskan konsep dasar statistika inferensial dalam hubungannya dengan pengujian hipotesis

2. Pendalaman analisis regresi ganda tiga prediktor, baik secara konseptual maupun aplikasi

3. Pendalaman secara konseptual dan aplikasi analysis of varians (anava) satu factor

4. Pendalaman secara konseptual dan aplikasi analysis of covarians (anacova) satu factor

LANJUTAN

5. Pendalaman secara konseptual dan aplikasi analysis of covarians (anacova) dua factor

6. Pendalaman secara konseptual dan aplikasi analisis jalur (path analysis)

7. Menjelaskan konsep dasar teknik analisis Model Persamaan Struktural (Structural Equation Modeling)

8. Pendalaman teknik analisis Model Persamaan Struktural (Structural Equation Modeling)

TAHAPAN PERKULIAHANBAHASAN

Pertemuan Topik Pembahasan I Overview Perkuliahan Statistika I

- Konsep Dasar Statistika - Pengujian Hipotesis

II, III Regresi ganda tiga prodektior - Pengertian - Konsep dasar regresi ganda tiga predictor - Disain penelitian dari analisis regresi ganda tiga

predictor - Asumsi-asumsi yang diperlukan - Prosedur perhitungan manual - Estimasi model regresi dan menilai Overall Fit - Interpretasi variat regresi - Validasi terhadap hasil analisis - Komputasi pengujian regresi ganda melalui

aplikasi Software Statisika (SPSS) IV Analysis of Varians (Anava ) satu factor

- Pengertian - Konsep dasar Analisis Varians Satu Faktor - Asumsi-asumsi yang diperlukan - Prosedur perhitungan manual - Signifikansi pengujian - Interpretasi hasil analisis - Komputasi pengujian analisis varians melalui

aplikasi Software Statistika SPSS V, VI Analysis of Varians (Anava ) dua factor

- Pengertian - Konsep dasar Analisis Varians dua factor - Asumsi-asumsi yang diperlukan - Signifikansi pengujian - Interpretasi hasil analisis - Komputasi pengujian analisis varians melalui

aplikasi Software Statistika SPSS

LANJUTANVII Ujian Tengah Semester VIII, IX Analysis of Covarians (ANACOVA) satu factor

- Pengertian - Konsep dasar Analysis of Covarians (ANACOVA)

satu factor - Asumsi-asumsi yang diperlukan - Signifikansi pengujian - Interpretasi hasil analisis - Komputasi pengujian analysis of covariance satu

factor melalui Software Statistika SPSS X,XI Analysis of Covarians (ANACOVA) dua factor

- Pengertian - Konsep dasar Analysis of Covarians (ANACOVA)

dua factor - Asumsi-asumsi yang diperlukan - Signifikansi pengujian - Interpretasi hasil analisis - Komputasi pengujian analysis of covariance dua

factor melalui Software Statistika SPSS XII, XIII Analysis Jalur (Path Analysis)

- Pengertian analisis jalur - Diagram jalur dan persamaan structural - Koefisien Jalur - Prosedur perhitungan manual untuk tiga variable

eksogen - Pengaruh Variabel Eksogen terhadap variable

endogen - Interpretasi hasil analisis - Komputasi pengujian keberartian koefisien jalur

melalui aplikasi Software Statistika SPSS

LANJUTAN

XIV, XV Model Persamaan Struktural (Structural Equation Modeling, atau SEM)

- Pengantar - Konsep dasar Model Persamaan Struktural - Prosedur SEM - Prelis - Model Pengukuran - Model structural - Penilaian model - Modifikasi model - Komputasi model persamaan struktural dengan

program LISREL XVI Ujian Akhir Semester

MATERI I

Overview Perkuliahan Statistika IKonsep Dasar Statistika ARTI STATISTIKA Statistics is the science of data - PENGUMPULAN - KLASIFIKASI - PENYAJIAN - ANALISIS - INTERPRETASI

DESKRIPTIF

INFERENSIAL

ANALISIS STATISTIKA

- Variabel : X (Indenpendent variable- IV) Y (Dependent variable- DV)- Hubungan IV – DV - predictor- criterion - stimulus-response - task – performance - input- out put- Univariate statistics = analisis satu variabel DV - Bivariate statistics = analisis dua variabel – untuk mengetahui hubungan antar dua variabel - Multivariate statistics = analisis secara simultan terhadap sejumlah IV dan DV

KONSEP DASAR

POPULASI dan SAMPEL - Suatu himpunan unit yang akan dianalisis (orang, unit

organisasi, peristiwa) yang menjadi perhatian untuk diteliti oleh peneliti

- Unit analisis adalah objek (orang/person, unit organisasi, benda, peristiwa) yang akan menjadi perhatian peneliti untuk sumber pengukuran dan pengumpulan data

SAMPEL - Adalah suatu himpunan bagian dari unit-unit dari populasi

LANJUTAN

VARIABEL DAN DATA

VARIABEL : suatu karakteristik atau ciri dari suatu individu unit

populasi yang memiliki ragam nilai, berbeda antara individu unit, berubah, dapat diukur/diamati

DATA (jamak): hasil pengukuran atau pengamatan Himpunan data : adalah himpunan hasil

pengukuran atau pengamatan

LANJUTANPARAMETER DAN STATISTIK PARAMETER : - nilai yang biasanya berbentuk numerik, yang menggambarkan

suatu populasi - parameter diturunkan dari pengukuran terhadap individu-

inidvidu unit pada populasi

STATISTIK : - nilai yang berbentuk numerik, yang menggambarkan suatu

sampel- Statistik diturunkan dari pengukuran terhadap individu-

individu unit pada sampel

HUBUNGAN POPULASI DENGAN SAMPEL

POPULASI

HASIL SAMPELANALISIS(GENERALISASI)

PENGUKURAN PADA ANGGOTA/UNIT SAMPEL

BAGAN METODE ILMIAH

MASALAH

KERANGKA BERPIKIRKHASANAH ILMU

rasional

DATA RE-EVALUASI

TAK TERUJIUJI HIPOTESISTERUJI

deduktif

matematik

koherensi

HIPOTESIS

induktif

statistik

korespondensi

faktual

pragmatisme

Kebenaran ilmiah:Koherensi - rasional

Kebenaran ilmiah:Korespondensi-faktual

LANJUTAN

TIPE DATA Klasifikasi data berkaitan dengan identifikasi dan pengukuran/measurement (karena berkaitan dengan informasi keragaman/variasi yang terdapat pada sejumlah variabel NON METRIC DATA - NOMINAL SCALEDATA - ORDINAL SCALE METRIC DATA - INTERVAL SCALE - RATIO SCALE

ELEMEN STATISTIKA INFERENSIAL

1. POPULASI (YANG MENJADI PERHATIAN PENELITI) 2. DUA ATAU LEBIH VARIABEL ( Karakteristik unit analisis populasi penelitian) YANG AKAN DITELITI 3. SAMPEL PENELITIAN 4. INFERENSI TENTANG POPULASI ATAS DASAR INFORMASI DARI DATA SAMPEL 5. RELIABILITAS INFERENSI (PENARIKAN KESIMPULAN)

LOGIKA UJI HIPOTESIS

1. RUMUSAN HIPOTESIS STATISTIKA2. MENGGUNAKAN HIPOTESIS UNTUK MEMPREDIKSI

KARAKTERISTIK POPULASI DENGAN DATA SAMPEL3. MENENTUKAN SAMPEL RANDOM DARI POPULASI

PENELITIAN4. MELAKUKAN UJI HIPOTESIS DENGAN

MEMBANDINGKAN HASIL STATISTIK UJI DENGAN KRITERIA PENGUJIANNYA

PENGUJIAN HIPOTESIS

1. Hipotesis (tentang populasi)2. Statistik Uji (Test statistic)3. Asumsi (sejumlah asumsi yang jelas tentang

populasi4. Kalkulasi statistik uji (hitung statistik uji)5. Konklusi

TIPE KEKELIRUAN I (α ) DAN II (β)

Tabel

Tipe kekeliruan I = Menolak Ho yang sebenarnya Ho benar Tipe kekeliruan II = Menerima Ho yang sebenarnya Ho salah

KENYATAAN SEBENARNYA KONKLUSI

H0 benar H0 salah

Terima H0 Keputusan benar Type kekeliruan II

(β)

Tolak H0 Type kekeliruan I

( α )

Keputusan benar

CONTOH

TABEL

KENYATAAN SEBENARNYA KONKLUSI

(statistic) Tidak ada perbedaan

(H0 benar)

Ada perbedaan

(Ho salah)

H0. : µ1 = µ2

(Terima H0 )

Keputusan benar

(1- α )

Type kekeliruan II

(β)

H0. : µ1 = µ2

(Tolak H0 )

Type kekeliruan I

( α )

Keputusan benar

( 1- β)

(power of the statistical inference test)

NILAI p ( p – VALUES)

Definisi : The observed significance level, or p – value, for a specific

statistical test is the probability (assuming that Ho is true) of observing a value of the test statistic that is at least as contradictory to the null hypothesis, and supportive of the alternative hypothesis, as the actual one computed from the data sample

{ McClave-Sincich. Statistics. (New Jersey: Pearson Education, 2009), p. 365}

REFERENSI

Lattin, James M. Carrol, Douglas J, Green, Paul E. (2003). Analyzing Multivariate Data. Pacific Grove, CA : Thomson Learning

Muelller, Ralp O. (1996). Basic Principle of Structural Equation Modeling: An Introduction to LISREL and EQS. New York, NY: Springer-Verlag New York, Inc

Nie, Norman H., et.all. (1986). SPSS:Statistical Package for The Social Sciences. Third Edition. New York: McGraw-Hill Book Company

Pedhazur, Elazar J. (1986). Multiple Regression in Behavioral Research: Explanation and Prediction. Second Edition. New York: Holt, Rienhart and Winston

Schumacker, Randall E., dan Lomax, Richard G. (1996). Beginner’s guide to Structural Equation Modeling. New Jersey: Lawrence Erlbaum Ass., Publhs