Departemen Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Hasanuddin
Makassar
2020
i
PRAKATA
Alhamdulillah, secara keseluruhan, modul ini digunakan sebagai bahan ajar mata kuliah
Analisis Data Kategorik di Departemen Statistika FMIPA Universitas Hasanuddin. Analisis
Data Kategorik disajikan sebagai mata kuliah pilihan untuk Semester V.
Modul 7 berisikan tentang ketepatan struktur data riil. Mahasiswa diarahkan untuk
menemukan satu data riil yang memiliki struktur data kategorik. Data yang harus diperoleh
berupa data mentah dalam bentuk kategorik. Kategorik dapat berasal dari respon maupun
prediktornya. Hal ini dijadikan sebagai pembelajaran mahasiswa untuk mengenal data riil
yang banyak terdapat di lapangan.
Kami menyadari bahwa Modul 6 ini masih jauh dari sempurna, oleh karena itu kritik
dan saran dari semua pihak yang bersifat membangun selalu kami harapkan demi
kesempurnaan makalah ini. Selain itu, kami akan terus melakukan revisi pada setiap
perkualiahan berjalan. Akhir kata, kami sampaikan terima kasih kepada semua pihak yang
telah berperan serta dalam penyusunan makalah ini dari awal sampai akhir. Semoga Allah
SWT senantiasa meridhai segala usaha kita. Aamiin.
ii
DAFTAR ISI
halaman
PRAKATA ii
DAFTAR ISI iii
RENCANA PEMBELAJARAN SEMESTER (RPS) iv
MODUL 7 1
A. Deskripsi Singkat 3
B. Relevansi 3
C. Capaian Pembelajaran Mata Kuliah
1. Uraian 3
2. Latihan 7
3. Rangkuman 7
4. Pustaka 7
D. Tugas dan Lembar Kerja 7
E. Tes Formatif 8
F. Umpan Balik 8
iii
RENCANA PEMBELAJARAN SEMESTER (RPS)
UNIVERSITAS HASANUDDIN
Kode
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM Dokumen
Menguasai konsep dasar keilmuan statistika dan metode-metode analisis statistika yang dapat diaplikasikan pada berbagai bidang
CPL-2 terapan (P1).
iv
CPL-3 Mampu melakukan manajemen dan analisis data menggunakan teknik-teknik statistika dengan bantuan perangkat lunak (KK2).
CPL-4 Mampu menyelesaikan permasalahan nyata secara statistika dan mampu menyajikan serta mengkomunikasikannya dalam bentuk
yang mudah dipahami baik secara tertulis maupun lisan (KK3).
Mampu bekerja sama dan berkomunikasi dalam tim serta bertanggung jawab terhadap pekerjaan (KM1).
CPL-5
CPMK-1 Mampu menjelaskan teori dasar dan model analisis data kategorik (U3, P1, KM1).
CPMK-2 Mampu menganalisis dan menginterpretasikan data kategorik melalui software statistika (U3, KK2).
CPMK-3 Mampu menyelesaikan data riil yang memuat data kategorik (U3, KK3, KM1).
CPL Sub-CPMK
CPMK-1 1. Mahasiswa mampu menjelaskan konsep data kategorik, jenis skala data, distribusi probabilitas data kategorik dan statistika
inferensi untuk proporsi dan data diskrit (U3, P1).
2. Mahasiswa mampu membuat dan menjelaskan tabel kontingensi dan odds ratio(U3, P1).
3. Mahasiswa mampu menguraikan inferensi uji kontingensi (P1, KM1).
4. Mahasiswa mampu menjelaskan variabel, ketepatan, odds ratio, uji signifikansi koefisien, dan inferensi interval kepercayaan dari
model regresi logistik biner (U3, P1).
CPMK-2 5. Mahasiswa mampu membuat struktur variabel dummy yang terbentuk dari prediktor kategorik (U3, KK2).
6. Mahasiswa mampu memahami dan menjelaskan langkah-langkah analisis data kategorik melalui software statistika dengan arti
setiap output (U3, KK2).
CPMK-3 7. Mahasiswa mampu menyusun struktur data rill ke dalam bentuk data kategorik (U3, KK3).
8. Mahasiswa mampu menganalisis data riil melalui software statistika (U3, KK3).
9. Mahasiswa mampu menyusun dan mempresentasikan satu makalah dengan judul terkait data riil melalui pendekatan regresi
logistik atau regresi peubah kategorik (U3, KK3, KM1).
Deskripsi Singkat Mata kuliah Analisis Data Kategorik merupakan salah satu mata kuliah wajib yang memuat konsep, bentuk model, distribusi, dan pengujian data
MK yang berbentuk kategorik. Jenis data ini banyak diketemukan di dunia riil, misalnya pada dunia pendidikan, kesehatan, industri, ekonomi, maupun
v
pada bidang kehidupan lainnya. Oleh sebab itu, pemanfaatan kajian pendekatan untuk data kategorik sangat diperlukan bagi pengguna statistika.
Diharapkan, mata kuliah ini dapat memberikan wawasan pengetahuan bagi mahasiswa dalam menganalisis berbagai data kategori sehingga dapat
menjadi pengetahuan dalam memasuki dunia kerja. Analisis Data Kategorik digunakan untuk Variabel Respon yang berbentuk kualitatif/kategori.
Pengujian dimulai Uji Kontingensi, Model Regresi Logistik Biner, Model Regresi Logistik dengan Prediktor Kualitatif, Uji Ketepatan Model, dan
Strategi Membangun Model Terbaik.
1. Alan Agresti, 2007, "Categorical Data Analysis, Second Edition", Wiley Interscience, A John Wiley & Sons, Inc Publication.
2. David W. Hosmer & Stanley Lemeshow, 2000, “Applied Logistic Regression, Second Edition", John Wiley & Sons in Probablity and Statistics.
3. Bahan Ajar Analisis Data Kategorik 2019.
Pendukung :
1. SAS/Stata, User's Guide Introduction to Categorical Data Analysis Procedures, Sas Documentation.
2. Jurnal Kategorik.
Dosen Pengampu Anna Islamiyati, Nasrah Sirajang, Anisa
Syarat Matakuliah Tuliskan mata kuliah yang menjadikan mata kuliah sebagai syarat, jika ada (satu atau lebih)
vi
[ Estimasi Waktu]
vii
Ketuntasan dalam Bentuk : Tes Bentuk: Kuliah BM [1x(3x60”)] Tabel Kontingensi Dua
membuat dan Metode: Small Arah ; Struktur Tabel,
menjelaskan tabel Membuat dan Group Discussion LMSAlur Independensi
kontingensi menjelaskan tabel PembelajaranPertemua
dan pengujian tabel kontingensi TM[1x(3x50”)] n minggu 3Modul 2, [Categorical Data
kontingensi dua arah PPT, Tugas 3 Referensi Analysis, 2007:
melalui uji terkait materi pertemuan Chapter 2, Modul 5
independensi minggu 3 2:Kegiatan 1]
Kriteria : Rubrik
Penilaian 3 : Tabel
PT [1x(3x60”)]
kontingensi dua arah
Mahasiswa mampu Peserta menyelesaikan
3- membuat dan Tugas 3 yang ada di LMS
menjelaskan tabel
4 kontingensi dan odds Ketuntasan dalam Bentuk : Tes Bentuk: Kuliah BM [1x(3x60”)] Uji Kontingensi; Resiko
ratio(U3, P1). menjelaskan risiko Metode: Small Relatif, Odds Ratio
relative, odds ratio, Menjelaskan nilai Group Discussion LMSAlur
dan taksiran titik risiko relative dan PembelajaranPertemua [Categorical Data
odds ratio tabel ods ratio TM[1x(3x50”)] n minggu 4Modul 2, Analysis, 2007:
kontingensi PPT, Tugas 4 Referensi Chapter 2, Modul
terkait materi pertemuan 2:Kegiatan 2] 5
Kriteria : Rubrik minggu 4
Penilaian 4 : RR dan
PT [1x(3x60”)]
Odds ratio
Peserta menyelesaikan
Tugas 4 yang ada di LMS
viii
harapan goodness of fit terkait materi pertemuan [Categorical Data
minggu 5 Analysis, 2007:
Chapter 2, Modul 3]
PT [1x(3x60”)]
Kriteria : Rubrik
Penilaian 5 : Peserta menyelesaikan
Inferensi uji Tugas 5 yang ada di LMS
kontingensi
ix
Kriteria : Rubrik PT [1x(3x60”)] Regression : Chapter
Penilaian 7 (inferensi 1, Modul 4:Kegiatan 2]
regresi logistik biner) Peserta menyelesaikan
Tugas 7 yang ada di LMS
x
software) Diskusi tentang langkah-
langkah analisis data
dengan software
Ketepatan dalam Bentuk : Non tes Bentuk: Kuliah BM [1x(3x60”)] Interpretasi Output
menjelaskan setiap Metode: Small Software
output yang Forum diskusi Group Discussion LMSAlur
diperoleh dari tentang arti/makna PembelajaranPertemua [SAS/Stata, User's
software setiap output dari TM[1x(3x50”)] n minggu 11Modul 6, Guide Introduction to
software PPT, Tugas 11 Categorical Data
Referensi terkait materi Analysis Procedures,
Sas Documentation, 5
pertemuan minggu 6
Modul 6:Kegiatan 2]
Kriteria : Rubrik
PT [1x(3x60”)]
Penilaian 11
(Pemaknaan oput Peserta diskusi di Forum
software) Diskusi tentang arti
output dari hasil software
Mahasiswa mampu Ketepatan dalam Bentuk : Tes Bentuk: Kuliah BM [1x(3x60”)] Ketepatan Struktur
menyusun dan menyusun dan Metode: Project Data Riil
menyajikan struktur menyajikan struktur Membuat, Based Learning LMSAlur
data rill ke dalam data riil ke dalam menyusun dan PembelajaranPertemua [Journal penelitian,
bentuk data kategorik bentuk data menyajikan data riil TM[1x(3x50”)] n minggu 12Modul 7, Modul 7]
(U3,KK3) kategorik, tabel ke dalam bentuk PPT, Tugas 12
12 kontingensi, dan kategorik yang dapat Referensi terkait materi 5
struktur dummy dianalisis pertemuan mnggu 12
Kriteria : Rubrik PT [1x(3x60”)]
Penilaian 12
(Penyajian struktur Peserta menyelesaikan
data riil) Tugas 12 yang ada di LMS
13 Mahasiswa mampu Ketepatan Bentuk : Non tes Bentuk: Kuliah BM [1x(3x60”)] Analisis dan 5
xi
menganalisis data riil menganalisis data riil Forum diskusi Metode: Project LMSAlur Interpretasi Data Riil
melalui software ke dalam analisis tentang analisis data Based Learning PembelajaranPertemua dengan software
statistika (U3, KK3) data kategorik riil melalui software n minggu 13Modul 8,
TM[1x(3x50”)] [Journal penelitian,
melalui software PPT, Tugas 13
Modul 8]
Referensi terkait materi
Kriteria : Rubrik pertemuan minggu 13
Penilaian 13 (Analisis
PT [1x(3x60”)]
data riil)
Peserta berdiskusi
melalui Forum Diskusi
tentang data riil yang
diperoleh dan analisisnya
xii
Penilaian 15 minggu 15
(Presentasi
kelompok) PT [1x(3x60”)]
Peserta menyelesaikan
tugas yang ada di LMS
Ketuntasan dalam Bentuk : Non tes Bentuk: Diskusi BM [1x(3x60”)] Membangun Model
menyusun makalah Metode: Terbaik: Makalah
Forum Diskusi Collaborative LMSAlur Lengkap
learning PembelajaranPertemua
n minggu 15Modul 9, [Journal penelitian,
Kriteria : Rubrik TM[1x(3x50”)] PPT, Tugas 16 Modul 9:Kegiatan 3]
Penilaian 16 (Forum Referensi terkait materi 10
diskusi tentang isi pertemuan minggu 15
makalah)
PT [1x(3x60”)]
xiii
MODUL 7
KETEPATAN STRUKTUR DATA RIIL
Mata kuliah Analisis Data Kategorik merupakan salah satu mata kuliah wajib yang
memuat konsep, bentuk model, distribusi, dan pengujian data yang berbentuk kategorik. Jenis
data ini banyak diketemukan di dunia riil, misalnya pada dunia pendidikan, kesehatan,
industri, ekonomi, maupun pada bidang kehidupan lainnya. Oleh sebab itu, pemanfaatan
kajian pendekatan untuk data kategorik sangat diperlukan bagi pengguna statistika.
Diharapkan, mata kuliah ini dapat memberikan wawasan pengetahuan bagi mahasiswa dalam
menganalisis berbagai data kategori sehingga dapat menjadi pengetahuan dalam memasuki
dunia kerja. Analisis Data Kategorik digunakan untuk Variabel Respon yang berbentuk
kualitatif/kategori. Penggunaan data kategorik membutuhkan analisis tersendiri, tidak dapat
dengan analisis kuantitatif, karena interpretasi dan maksud yang dihasilkan berbeda, sehingga
analisis untuk data kategorik yang tepat adalah analisis data kategorik. Pengujian dimulai Uji
Kontingensi, Model Regresi Logistik Biner, Model Regresi Logistik dengan Prediktor
Kualitatif, Ketepatan Struktur Data Riil, Analisis dan Interpretasi Data Riil dan Membangun
Model Terbaik.
Berbagai macam data yang diperoleh di lapangan, salah satunya adalah data kategorik,
atau yang biasa disebut data kualitatif. Yaitu salah satu jenis data yang bukan merupakan
sebuah hasil pengukuran, tetapi hanya dalam bentuk kategori. Misalnya data jenis kelamin
(laki-laki dan perempuan), data pendidikan (SD, SLTP, SMU, S1), dan data tingkat
kepuasaan (sangat puas, puas, cukup puas, kurang puas, tidak puas). Tentunya masih banyak
lagi jenis data kategorik yang akan dijumpai dalam kehidupan sehari-hari, yang membutuhkan
analisis statistika sehingga dapat memberikan sebuah informasi ilmiah dan rekomendasi yang
kuat bagi pengambil kebijakan.
1. Kegunaan Mata Kuliah
Mata kuliah Analisis Data Kategorik bertujuan untuk:
1) Menguasai konsep dasar keilmuan statistika dan metode-metode analisis statistika yang
dapat diaplikasikan pada berbagai bidang terapan.
2) Menguasai minimal dua perangkat lunak statistika termasuk perangkat lunak yang
berbasis open source
3) Mampu melakukan manajemen dan analisis data menggunakan teknik-teknik statistika
dengan bantuan perangkat lunak.
1
4) Mampu menyelesaikan permasalahan nyata secara statistika dan mampu menyajikan
serta mengkomunikasikannya dalam bentuk yang mudah dipahami baik secara tertulis
maupun lisan.
2. Sasaran Belajar
Sasaran pembelajaran mata kuliah Analisis Data Kategorik adalah:
1) Memberikan wawasan pengetahuan statistika bagi mahasiswa dalam menganalisis dan
menginterpretasikan data yang berbentuk kategori.
2) Mahasiswa mampu memahami jenis data, bentuk, dan berbagai metode analisis untuk
data kategorik.
3) Mahasiswa mengetahui cara menganalisis data kategorik melalui software statistika.
4) Mahasiswa mengetahui cara menginterpretasikan hasil dari analisis data kategorik.
5) Mahasiswa mampu membuat suatu rekomendasi hasil dari analisis data kategorik.
3. Urutan Penyajian
Urutan penyajian mata kuliah Analisis Data Kategorik adalah:
1) Pengantar Data Kategorik.
2) Tabel Kontingensi.
3) Inferensi Tabel Kontingensi.
4) Model Regresi Logistik Biner.
5) Model Regresi Logistik dengan Prediktor Kategorik.
6) Pemodelan Data Kategorik melalui Software.
7) Ketepatan Struktur Data Riil.
8) Interpretasi Analisis Data Kategorik.
9) Membangun Model Terbaik.
4. Petunjuk Belajar bagi Mahasiswa dalam Mempelajari Modul
Mahasiswa diharapkan membaca dengan baik isi dari Modul pada setiap minggu. Modul
terdiri dari 9 Modul dan dapat didownload melalui LMS Unhas. Isi Modul memberikan
ringkasan materi yang dapat dipelajari sebelum dimulai perkuliahan. Beberapa latihan soal
harus diselesaikan oleh mahasiswa dan dikumpulkan melalui LMS.
2
A. Deskripsi Singkat
Hal penting dari manfaat mata kuliah ini adalah mampu menganalisis data riil yang
berbentuk kategorik dengan tepat. Teori dan cara menganalisis data melalui software telah
dipelajari pada modul sebelumnya. Pada Modul 7 ini, mahasiswa diarahkan untuk
mendapatkan data riil yang berbentuk kategorik atau data kuantitatif yang dikualitatifkan. Hal
ini dimaksudkan supaya mahasiswa dapat mengenal banyak kasus riil dan mampu
mengidentifikasi data-data yang berbentuk kategorik.
Berbagai data kategorik yang banyak diperoleh di lapangan, misalnya dalam bidang
sosial yang banyak diperoleh dari data kuesioner berupa persepsi dan tingkat kepuasan.
Bidang ekonomi misalnya tingkat pendapatan, bidang pendidikan misalnya kategori nilai dan
tingkat pendidikan, dan banyak lagi data yang akan diperoleh di dunia riil. Yang perlu diingat
bahwa data kategorik tidak selamanya sumber datanya sudah dalam bentuk kategorik, akan
tetapi terkadang ditemukan data kuantitatif yang dapat dikategorikan. Misalnya data nilai
mahasiswa yang berbentuk kuantitatif, namun dapat dikategorikan menjadi rendah, sedang,
dan tinggi.
B. Relevansi
Mahasiswa mampu menyusun dan menyajikan data riil dalam bentuk kategorik. Yang paling
penting bahwa data kuantitatif yang diperoleh mahasiswa mampu ditransformasi ke dalam
bentuk kategorik.
C. Capaian Pembelajaran Mata Kuliah
Capaian Pembelajaran Mata Kuliah/CPMK-3 adalah Mampu menyelesaikan data riil yang
memuat data kategorik (U3, KK3, KM1).
Sub Capaian Pembelajaran Mata Kuliah/Sub CPMK adalah Mahasiswa mampu menyusun
dan memodelkan struktur data rill ke dalam bentuk data kategorik (U3, KK3). Indikator
materi adalah Ketepatan dalam menyusun dan menyajikan struktur data riil ke dalam bentuk
data kategorik, tabel kontingensi, dan struktur dummy.
Adapun petunjuk belajar bagi mahasiswa dalam mempelajari modul adalah Mahasiswa
diharapkan membaca dengan baik isi dari Modul 7. Modul 7 dapat didownload melalui LMS
Unhas. Isi Modul memberikan ringkasan materi yang dapat dipelajari sebelum dimulai
perkuliahan. Beberapa latihan soal harus diselesaikan oleh mahasiswa dan dikumpulkan
melalui LMS.
1. Uraian
Petunjuk khusus Modul 7 adalah Mahasiswa diharapkan membaca dengan baik isi dari
Modul 7 yang dapat didownload melalui LMS Unhas. Isi Modul memberikan ringkasan
3
materi yang dapat dipelajari sebelum dimulai perkuliahan. Beberapa latihan soal harus
diselesaikan oleh mahasiswa dan dikumpulkan melalui LMS.
Urutan Pembahasan Modul 7 adalah:
1. Data kategorik
2. Data kuantitatif
3. Data dengan peubah dummy
Data Kategorik
Data yang ditampilkan disini adalah data tingkat kepuasan mahasiswa terhadap pembelajaran
melalui LMS. Tingkat kepuasan dibagi menjadi 3 kategori yaitu tidak puas, puas, sangat puas.
Yang akan diteliti adalah tingkat kepuasan mahasiswa terhadap pembelajaran LMS
berdasarkan tingkat semester mahasiswa.
Data Tabel 1 untuk kepentingan analisis, Tabel 1 harus dibentuk seperti berikut ini:
4
Data Kuantitatif
Data kuantitatif yang dimaksudkan disini bahwa data awal dalam bentuk kuantitatif, akan
tetapi data tersebut dapat ditransformasi ke dalam bentuk kategori yang selanjutnya dianalisis
melalui pendekatan analisis data kategorik. Misalnya data tingkat IPK mahasiswa Departemen
Statistika Tahun Ajaran 2019/2020. Yang akan diteliti adalah tingkat IPK mahasiswa
Departemen Statistika berdasarkan lama studi.
Data pada Tabel 3 untuk variabel IPK bentuk datanya masih dalam bentuk kuantitatif.
Apabila data Tabel 3 ingin dianalisis dengan pendekatan kategorik dengan IPK sebagai
respon dan Angakatan sebagai prediktor maka IPK harus ditransformasi ke dalam bentuk
kategorik seperti pada Tabel 4. Data IPK dibagi ke dalam 3 kelompok yaitu rendah (IPK
kurang dari 3.00), sedang (IPK antara 3.00 hingga 3.30), dan tinggi ( Di atas 3.30)
Apabila data sudah dibentuk seperti pada Tabel 4, maka data sudah dapat dianalisis dengan
pendekatan analisis data kategorik.
5
Data dengan Peubah Dummy
Data dengan peubah dummy sangat banyak ditemukan dalam kasus riil. Pada bagian ini,
difokuskan pada respon kategorik dengan prediktor dengan peubah dummy. Prediktor yang
dapat dimodelkan dengan peubah dummy apabila datanya berbentuk kategorik. Misalnya data
IP mahasiswa berdasarkan angkatan pada tahun ajaran 2019/2020. Variabel respon adalah IP
mahasiswa dan angkatan mahasiswa sebagai variabel prediktor.
Data pada Tabel 5 apabila akan dianalisis dengan pendekatan kategorik maka data harus
dibuat dalam bentuk kategorik dan numerik,seperti pada Tabel 6.
Selanjutnya data Tabel 6 yang telah dikategorikan dapat dibuat ke dalam tabel kontingensi
juga dapat dimodelkan dengan logistik dummy. Banyaknya dummy untuk variabel angkatan
adalah 5-1 = 4.
6
2. Latihan Soal
Buatlah simulasi data untuk tiga kondisi data seperti pada modul ini.
3. Rangkuman
Beberapa rangkuman dari bab ini, adalah:
1) Struktur data riil ada yang telah berbentuk kategorik ada pula yang bersumber dari
data kuantitatif.
2) Kategorik berlaku untuk respon dan dapat pula berlaku untuk prediktor.
3) Kategorik pada prediktor akan menghasilkan peubah dummy dalam model.
4. Daftar Pustaka
1) Alan Agresti, 2007, "Categorical Data Analysis, Second Edition", Wiley Interscience, A
John Wiley & Sons, Inc Publication.
2) David W. Hosmer & Stanley Lemeshow, 2000, “Applied Logistic Regression, Second
Edition", John Wiley & Sons in Probablity and Statistics.
D. Tugas dan Lembar Kerja
1) Analisa form kuesioner yang sudah dibagikan, tentukan variabel respon dan prediktor
yang menurut anda dapat dipilih dalam kuesinoner tersebut.
2) Buatkan variabel dummy untuk data yang prediktor memuat prediktor kategorik.
3) Silahkan berdiskusi melalui Forum Diskusi di SIKOLA.