TUGAS KELOMPOK STATISTIKA KOMPUTER

OLEH :

MUH. IKHSAN AL QADRY H /12.024.014.116 AKZAR AMALY / 12.024.014.271 ILHAM HAMRAN / 12.024.014.284

TEKNIK INFORMATIKA UNIVERSITAS ISLAM MAKASSAR

2013
I. DISTRIBUSI SAMPLING Distribusi Sampling merupakan distribusi teoritis dari semua hasil sampel yang mungkin, dengan ukuran sampel yang tetap N. pada statistic yang digeneralisasikan ke populasi. Beberapa Teknik Penarikan Penarikan Sampel : 1. Penarikan sampel acak sederhana : Pengacakan dapat dilakukan dengan undian, tabel bilangan acak, program komputer. 2. Penarikan Sampel Sistematik : Tetapkan interval lalu pilih secara acak anggota pertama sampel. 3. Penarikan Sampel acak berlapis : populasi terdiri dari beberapa kelas/kelompok. Dari setiap kelas diambil sampel secara acak. 4. Penarikan Sampel Gerombol/kelompok : populasi juga terdiri dari beberapa kelas/kelompok sampel yang diambil berupa kelompok bukan individu anggota. 5. Penarikan sampel area : prinsipnya sama dengan cluster sampling. Pengelompokan ditentukan oleh letak geografis atau administrative. Penarikan sampel acak dapat dilakukan dengan 2 cara 1. Penarikan sampel tanpa pemulihan/tanpa pengembalian : setelah didata, anggota sampel tidak dikembalikan ke dalam ruang sampel. 2. Penarikan sampel dengan pemulihan : bila setelah didata, anggota sampel dikembalikan ke dalam raung sampel. Berdasarkan Ukurannya, maka sampel dibedakan menjadi : 1. Sampel Besar jika ukuran sampel (n) > 30 2. Sampel Kecil jika ukuran sampel (n) < 30

II.

ESTIMASI Estimasi merupakan sebuah proses pengulangan. Pemanggilan ulang estimasi yang pertama dilakukan selama fase definisi, yaitu ketika anda menulis rencana pendahuluan proyek. Hal ini perlu dilakukan, karena anda membutuhkan estimasi untuk proposal. Setelah fase analisis direncanakan ulang, anda harus memeriksa estimasi dan merubah rencana pendahuluan proyek menjadi rencana akhir proyek. Ada tiga teknik yang digunakan untuk melakukan estimasi, yaitu : 1. Keputusan Profesional Katakanlah bahwa anda merupakan orang yang memiliki pengalaman yang luas dalam membuat program report generation modules. Anda

melakukannya dengan pendekatan merancang report tersebut dan memperkirakan berapa lama waktu yang dibutuhkan untuk membuat program tersebut. Setelah mempelajari rancangan program selama 5 menit, programmer lalu menutup matanya selama 5 menit (dia tidak tidur, tetapi berhitung), dan kemudian mengatakan 15 hari. Inilah yang disebut Keputusan Profesional murni. Keuntungan dari teknik ini adalah cepat , dan jika seseorang sudah ahli dalam teknik ini, maka estimasinya pasti akan lebih akurat. Sedangkan kerugian dari teknik ini adalah bahwa anda membutuhkan seorang ahli yang berpengalaman dalam bidang ini, dan beberapa ahli tersebut akan bekerja keras untuk mendapatkan estimasi yang tepat. 2. Sejarah Jalan keluar dari ketergantungan pada orang dan untuk membuat estimasi lebih khusus, yaitu anda harus mengerti tentang sejarahnya. Tulislah berapa lama masing-masing tugas dapat diselesaikan dan siapa yang bertanggung jawab atas tugas tersebut. Anda dapat membandingkan tuagas yang akan diestimasik dengan tugas yang sama yang dikerjakan lebih awal, setelah itu mulailah dengan melakukan estimasi. Hal ini dimaksudkan agar anda menjabarkan suatu proyek ke dalam beberapa tugas yang biasanya diulang dan mudah untuk dibandingkan. 3. Rumus-rumus Ada beberapa rumus yang digunakan dalam software estimasi. Software yang baik untuk diketahui adalah COCOMO (Referensi 15). COCOMO dapat digunakan untuk memperkirakan biaya proyek, usaha (person months), jadwal, dan jumlah staf untuk masing-masing fase berikut ini : Preliminary Design - our Analysis Phase Detailed Design (DD) - our Design Phase Code and Unit Tes (CUT) - same as ours System Test - our System Test and Acceptance Phase III. TESHIPOTESIS Tes hipotesis adalah cabang ilmu yang berasal dari statistik inferensi yang mendata tentang jumlah dari sampel data yang menguji sebuah hipotesis nol dan hipotesis nol juga dapat ditolak. Pertanyaan ini termasuk pertanyaan kunci yang dijawab dalam pengujian tes hipotesis : Apakah sebuah nilai dari sampel nilai statistik yang tidak mungkin cukup (dengan asumsi bahwa hipotesis nol adalah benar) untuk menolak hipotesis nol dan untuk sementara menerima hipotesis alternative ?

Contoh seorang peneliti melakukan sebuah experimen untuk membandingkan sebuah metode baru yang (diberikan kepada grup experimental) untuk tidak konseling sama sekali ( kontrol grup). Dalam penelitian ada 2 grup sangat berbeda sesudah tretmen, peneliti mungkin menjadi mampu untuk menolak hipotesis nol (H0) dan menerima hipotesis alternatif. Hipotesis Nol & Hipotesis Alternatif Jadi hipotesis nol ditandai dengan H0. Adapun pengertian Hipotesis nol itu adalah hipotesis yang mengarahkan uji menggunakan teori probabilitas. Hipotesis nol juga adalah hipotesis yang langsung teruji. Hipotesis alternative ditandai dengan H1. Hipotesis alternatif adalalah parameternya populasi adalah beberapa nilai lain dari nilai yang dinyatakan oleh hipotesis nol. Hipotesis alternatif berlawanan dengan H0 . H0 dan H1 secara logika bertentangan karena keduanya tidak dapat benar pada waktu yang bersamaan. Harnet (1982) menjelaskan : bahwa H0 berkembang dari awal, dalam teori hipotesis yang mana hipotesis ini berhubungan dengan sebuah teori tentang parameter populasi . H1 umumnya ditentukan nilai parameter yang peneliti percaya itu berlaku. Sebagai contoh dibuat 2 kelompok : kelompok dengan metode pengajaran diskusi dan metode pengajaran kuliah. Ada H0dan H1 : H0 : D = L H1 : D L Ket : D = simbol dari populasi mean kelompok diskusi L = simbol dari populasi mean kelompok dosen Hipotesis nol menyatakan bahwa rata-rata performa dari murid-murid di kelas diskusi sama dengan rata-rata performa dari murid-murid di kelas dosen. Hipotesis nol ini disebut sebagai hipotesis tepat karena adanya tanda sama dengan (=). Sedangkan hipotesis alternatif pernyataannya berlawanan dengan hipotesis nol dimana hipotesis alternatif mengatakan bahwa populasi diskusi tidak sama dengan populasi dosen. Jadi poin penting dalam tes hipotesis, pertama H1tidak pernah memasukkan tanda =. Kedua H1 ditandai dengan 3 tanda : , < , >. Ketiga H0 ditandai dengan tanda =, , dan persamaan selalu bagian dari hipotesis nol. Hipotesis Alternatif Directional & Non Directional Para peneliti membagi hipotesis alternatif kedalam 2 bagian : Hipotesis alternatif directional Hipotesis alternatif nondirectional

Hipotesis alternatif directional adalah sebuah hipotesis alternatif yang terdiri dari tanda lebih besar ( > ) atau tanda lebih kecil ( < ). Sedangkan hipotesis alternatif nondirectional adalah sebuah hipotesis alternatif yang ditandai dengan tanda tidak sama dengan ( ). Sebagai contoh : hipotesis nol H0 : D L Hipotesis alternatif H1 : D > L Disitu hipotesis alternatif bahwa mean populasi kelompok diskusi lebih besar daripada mean populasi kelompok dosen. Hipotesis nol juga berubah sehingga semua mungkin hasil termasuk didalamnya 2 hipotesis. Contoh lain : H0 : D L H1 : D < L Hipotesis alternatif menyatakan bahwa populasi grup diskusi lebih kecil dari populasi grup dosen.

IV.

CHI-SQUARE TEST Chi-Square disebut juga dengan Kai Kuadrat. Chi Square adalah salah satu jenis uji komparatif non parametris yang dilakukan pada dua variabel, di mana skala data kedua variabel adalah nominal. (Apabila dari 2 variabel, ada 1 variabel dengan skala nominal maka dilakukan uji chi square dengan merujuk bahwa harus digunakan uji pada derajat yang terendah). Uji chi-square merupakan uji non parametris yang paling banyak digunakan. Namun perlu diketahui syarat-syarat uji ini adalah: frekuensi responden atau sampel yang digunakan besar, sebab ada beberapa syarat di mana chi square dapat digunakan yaitu: 1. Tidak ada cell dengan nilai frekuensi kenyataan atau disebut juga Actual Count (F0) sebesar 0 (Nol). 2. Apabila bentuk tabel kontingensi 2 X 2, maka tidak boleh ada 1 cell saja yang memiliki frekuensi harapan atau disebut juga expected count ("Fh") kurang dari 5. 3. Apabila bentuk tabel lebih dari 2 x 2, misak 2 x 3, maka jumlah cell dengan frekuensi harapan yang kurang dari 5 tidak boleh lebih dari 20%. Rumus chi-square sebenarnya tidak hanya ada satu. Apabila tabel kontingensi bentuk 2 x 2, maka rumus yang digunakan adalah "koreksi yates". Untuk rumus koreksi yates, sudah kami bahas dalam artikel sebelumnya yang berjudul "Koreksi Yates".

Apabila tabel kontingensi 2 x 2 seperti di atas, tetapi tidak memenuhi syarat seperti di atas, yaitu ada cell dengan frekuensi harapan kurang dari 5, maka rumus harus diganti dengan rumus "Fisher Exact Test". Pada artikel ini, akan fokus pada rumus untuk tabel kontingensi lebih dari 2 x 2, yaitu rumus yang digunakan adalah "Pearson Chi-Square". Rumus Tersebut adalah:

Untuk memahami apa itu "cell", lihat tabel di bawah ini: Pekerjaan

Total 1 2 1 a b a+b 2 c d c+d 3 e f e+f Total a+c+e b+d+f N Tabel di atas, terdiri dari 6 cell, yaitu cell a, b, c, d, e dan f. Sebagai contoh kita gunakan penelitian dengan judul "Perbedaan Pekerjaan Berdasarkan Pendidikan". Maka kita coba gunakan data sebagai berikut: Responden Pendidikan Pekerjaan 1 1 1 2 2 2 3 1 2 4 2 2 5 1 2 6 3 2 7 2 2 8 1 2 9 2 2

Pendidikan

10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48

1 1 3 3 2 1 3 2 2 1 2 3 1 3 1 3 2 1 1 2 1 2 2 2 1 2 1 3 2 2 3 1 3 1 2 1 3 3 2

2 2 1 1 1 2 2 2 2 1 2 1 1 2 2 1 2 2 2 2 1 2 1 1 1 2 1 2 2 1 2 1 2 1 2 1 1 2 1

49 50 51 52 53 54 55 56 57 58 59 60

3 2 2 2 3 1 2 2 1 3 2 3

2 1 1 2 2 1 2 2 1 1 1 1

Dari data di atas, kita kelompokkan ke dalam tabel kontingensi. Karena variabel pendidikan memiliki 3 kategori dan variabel pekerjaan memiliki 2 kategori, maka tabel kontingensi yang dipakai adalah tabel 3 x 2. Maka akan kita lihat hasilnya sebagai berikut: Pekerjaan 1 11 8 7 26 2 9 16 9 34

Pendidikan 1 2 3 Total

Total 20 24 16 60

Dari tabel di atas, kita inventarisir per cell untuk mendapatkan nilai frekuensi kenyataan, sebagai berikut: Cell a b c d e f F0 11 9 8 16 7 9

Langkah berikutnya kita hitung nilai frekuensi harapan per cell, rumus menghitung frekuensi harapan adalah sebagai berikut:

Fh= (Jumlah Baris/Jumlah Semua) x Jumlah Kolom 1. Fh cell a = (20/60) x 26 = 8,667 2. Fh cell b = (20/60) x 34 = 11,333 3. Fh cell c = (24/60) x 26 = 10,400 4. Fh cell d = (24/60) x 34 = 13,600 5. Fh cell e = (16/60) x 26 = 6,933 6. Fh cell f = (16/60) x 34 = 9,067 Maka kita masukkan ke dalam tabel sebagai berikut: Cell a b c d e f F0 11 9 8 16 7 9 Fh 8,667 11,333 10,400 13,600 6,933 9,067 Kuadrat dari Frekuensi

Langkah berikutnya adalah menghitung Kenyataan dikurangi Frekuensi Harapan per cell. 1. Fh cell a = (11 - 8,667)2 = 5,444 2. Fh cell b = (9 - 11,333)2 = 5,444 3. Fh cell c = (8 - 10,400)2 = 5,760 4. Fh cell d = (16 - 13,600)2 = 5,760 5. Fh cell e = (7 - 6,933)2 = 0,004 6. Fh cell f = (9 - 9,067)2 = 0,004 Lihat hasilya pada tabel di bawah ini: Cell a b c d e f F0 11 9 8 16 7 9 Fh 8,667 11,333 10,400 13,600 6,933 9,067 F0 - Fh 2,333 -2,333 -2,400 2,400 0,067 -0,067

(F0 - Fh)2 5,444 5,444 5,760 5,760 0,004 0,004 Harapan per cell

Kuadrat dari Frekuensi Kenyataan dikurangi Frekuensi kemudian dibagi frekuensi harapannya: 1. Fh cell a = 5,444/8,667 = 0,628

2. 3. 4. 5. 6.

Fh cell b = 5,444/11,333 = 0,480 Fh cell c = 5,760/10,400 = 0,554 Fh cell d = 5,760/13,600 = 0,424 Fh cell e = 0,004/6,933 = 0,001 Fh cell f = 0,004/9,067 = 0,000

Kemudian dari nilai di atas, semua ditambahkan, maka itulah nilai chi-square hitung. Lihat Tabel di bawah ini: Cell a b c d e f F0 11 9 8 16 7 9 Fh F0 - Fh 8,667 2,333 11,333 -2,333 10,400 -2,400 13,600 2,400 6,933 0,067 9,067 -0,067 Chi-Square Hitung = (F0 - Fh)2 5,444 5,444 5,760 5,760 0,004 0,004 (F0 - Fh)2/Fh 0,628 0,480 0,554 0,424 0,001 0,000 2,087

Maka Nilai Chi-Square Hitung adalah sebesar: 2,087. Untuk menjawab hipotesis, bandingkan chi-square hitung dengan chi-square tabel pada derajat kebebasan atau degree of freedom (DF) tertentu dan taraf signifikansi tertentu. Apabila chi-square hitung >= chi-square tabel, maka perbedaan bersifat signifikan, artinya H0 ditolak atau H1 diterima. DF pada contoh di atas adalah 2. Di dapat dari rumus -> DF = (r - 1) x (c-1) di mana: r = baris. c = kolom. Contoh diatas, baris ada 3 dan kolom ada 2, sehingga DF = (2 - 1) x (3 -1) = 2. Apabila taraf signifikansi yang digunakan adalah 95% maka batas kritis 0,05 pada DF 2, nilai chi-square tabel sebesar = 5,991. Karena 2,087 < 5,991 maka perbedaan tidak signifikan, artinya H0 diterima atau H1 ditolak. Untuk mendapatkan nilai semua Chi-Square Tabel, maka baca artikel kami berjudul "Chi-Square tabel dalam Excel"

V.

REGRESI BERGANDA

Regresi berganda adalah metode analisis yang tepat ketika penelitian melibatkan satu variabel terikat yang diperkirakan berhubungan dengan satu atau lebih variabel bebas. Tujuan analisis regresi berganda adalah memperkirakan perubahan respon pada variabel terikat terhadap beberapa variabel bebas)(Hair,Anderson,Tatham,Black,1995). Analisis regresi berganda adalah sebuah pendekatan yang digunakan untuk mendefinisikan hubungan matematis antara variabel dependen (Y) dengan satu atau beberapa variabel independen (X) . Hubungan matematis digunakan sebagai suatu model regresi yang digunakan untuk meramalkan atau meprediksi nilai (Y) berdasarkan nilai (X) tertentu. Dengan analisis regresi akan diketahui variabel independen yang benar-benar signifikan mempengaruhi variabel dependen dan dengan variabel yang signifikan tadi dapat digunakan untuk memprediksi nilai variabel dependen. Hubungan matematis dapat digambarkan sebagai berikut : Y = a + b1X1 + b2X2 +.......+ bnXn + e Y = Variabel dependen b1,b2,bn = Koefisien regresi X1,X2,Xn = Variabel independen e = error/residu Sumber : Sofyan dan Heri, SPSS Complete, 2009 Beberapa uji asumsi klasik yang mendasar dalam analisis regresi antara lain : 1. Normalitas. Uji normalitas bertujuan untuk menguji apakah dalam sebuah model regresi, variabel independen dan dependen mempunyai distribusi normal atau mendekati normal. Deteksi pengambilan keputusan adalah sebagai berikut : jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal maka model regresi memenuhi asumsi normalitas. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas. 2. Multikolinieritas. Uji asumsi ini bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antarvariabel independen. Jika terjadi korelasi maka model regresi tersebut terdapat problem multikolinieritas. Sedangkan yang baik seharusnya dalam model regresi tidak terjadi korelasi antara variabel independen. Cara mendeteksi problem ini dengan melihat besarnya nilai VIF (variance inflation factor) dan tollerance. Nilai VIF disekitar angka 1 dan nilai tollerance mendekati 1. Kemudian melihat besarnya korelasi antara variabel independen,

besarnya nilai koefisien korelasinya antara variabel independen harus lemah (<0.05). 3. Heterokedastisitas. Pengujian ini dilakukan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varian dan residual dari satu pengamatan ke pengamatan lain. Adanya heterokedastisitasdapat dideteksi dengan melihat ada tidaknya pola tertentu pada grafik, dimana sumbu x adalah Y yang diprediksi dan sumbu Y adalah residual (Yprediksi-Ysesungguhnya) yang telah di studentized. Ada beberapa pengujian dalan analisis regresi berganda antara lain : Uji t. Uji ini digunakan untuk menguji pengaruh variabel independen terhadap variabel dependen secara parsial/sendiri. Uji F. Uji F digunakan untuk menguji variabel independen terhadap variabel dependen secara simultan/serentak.

VI.

DAFTAR PUSTAKA 1. Thomas Yuni Gunarto (2012). DISTRIBUSI SAMPLING. Tersedia: http://a2babrory.blogspot.com/2012/03/distribusi-sampling.html. (06 Februari 2013). 2. Kasmianto (2012). Makalah Singkat Mengenai Estimasi Tugas Mata Kuliah Statistik Bisnis Oleh Bpk. I Putu Artaya,SE.,MM. Tersedia: http://antho765.mhs.narotama.ac.id/2012/05/04/makalah-singkat-mengenai-estimasitugas-mata-kuliah-statistik-bisnis-oleh-bpk-i-putu-artayase-mm/. (06 Februari 2013). 3. Suseno Bimo (2009). REGRESI BERGANDA. http://www.statistikolahdata.com/2009/11/analisis-regresi-bergandaadalah-sebuah.html. (06 Februari 2013). 4. Rika Damayanti (2012). Tes Hipotesis. Tersedia: http://11018rika.blogspot.com/2012/03/tes-hipotesis.html. (06 Februari 2013). 5. Anwar Hidayat (2012). Rumus Chi-Square. Tersedia: http://statistikian.blogspot.com/2012/11/rumus-chi-square.html. (06 Februari 2013).