PREPROCCESING DATA

1. Missing Data
Mengidentifikasi Missing Data (data tidak tersedia)
--> Responden tidak menjawab
--> Enomorator tidak menanyakan pertanyaan
--> Terlewat diisi
--> Pertanyaan tidak berlaku bagi responden tertentu

Perlakuan Missing Data

--> Imputasi : pendugaan data yang missing dengan Metode tertentu
(Tidak berlaku untuk syarat no 4 diatas)
--> Penghapusan jika missing data kurang dari 5%

Menghitung Missing di Minitab :

Stat--> tables--> Tally--> Count dicentang

Menghitung Missing di SPSS :

file--> open --> data execel
analyze -->missing value analysis --> quantitative (scale); category (nominal)

Imputasi pada SPSS : (data yang dimasukkan min 2 dan skalanya harus sama)
analyze --> Multiple imputation -->Analyze patterns--Data dimasukkan variables in model

output imputasi missing value

Pada pola pertama var 1 tidak terdapat data yang missing dan
var 2 tidak terdapat data missing pula
Pada pola kedua var 1 terdapat data missing sedangkan var 2
tidak terdapat data missing
Pada pola kedua var 2 terdapat data missing sedangkan var 1
tidak terdapat data missing

Pada pie chart variabel dapat dilihat bahwa dari 3 variabel yang ada terdapat 2 variabel yang mempunyai data
missing dan 1 variabel yang mempunyai data lengkap
Pada pie chart cases dari total jumlah (n) pada tiap variabel dapat dilihat bahwa terdapat 5 data yang missing data
pada baris
 Pada pie chart values dapat dilihat bahwa dari total 57 data yang ada 5 diantaranya adalah missing dan 52 data
lengkap

2). DATA OUTLIER

Selain data missing, pada data preparation juga terdapat data outlier (pada SPSS terdapat pada tabel extreme)
Penyebab Outlier :
--> Kesalahan pada waktu menginput
--> Terdapat kondisi ekstrim
Perlakuan Data Outlier pada Minitab :
Graphboxplotmultiplesimple-masukkan variabelnyaok
Interpretasi :
Yang titik bunder diatas itu outlier silahkan interpretasinya..