MODUL 7

KETEPATAN STRUKTUR DATA RIIL

Dr. Anna Islamiyati, S.Si., M.Si.

Dra. Nasrah Sirajang, M.Si.
Anisa, S.Si., M.Si.

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

DEPARTEMEN STATISTIKA/PRODI STATISTIKA

RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tgl Penyusunan

Analisis Data Kategorik 18H05130203 Matakuliah Pilihan T=3 P=0 5 30-Agus-2019

OTORISASI Pengembang RPS Koordinator RMK Ketua PRODI

Anna Islamiyati Anna Islamiyati Dr. Nurtiti Sunusi,M.Si.

Capaian CPL-PRODI yang dibebankan pada MK

Pembelajaran (CP)
CPL-1 Mengelola pembelajaran secara mandiri dan menunjukkan kinerja mandiri, bermutu, dan terukur dan mengambil keputusan secara
tepat dalam konteks penyelesaian masalah di bidang keahliannya, berdasarkan hasil analisis informasi dan data (U3).

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

Capaian Pembelajaran Mata Kuliah (CPMK)

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.

Bahan Kajian / 1. Pengantar Data Kategorik.

Materi 2. Tabel Kontingensi.
Pembelajaran 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.
Pustaka Utama :

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

Matakuliah syarat Metode Statistika dan Teori Peluang

Syarat Matakuliah Tuliskan mata kuliah yang menjadikan mata kuliah sebagai syarat, jika ada (satu atau lebih)

Sub-CPMK Bentuk Pembelajaran, Bobot

Pekan Materi Pembelajaran
(Kemampuan akhir tiap Penilaian Metode Pembelajaran, Penilaian
Ke- [ Pustaka ]
tahapan belajar) Penugasan Mahasiswa, (%)

vi
 [ Estimasi Waktu]

Indikator Bentuk & Kriteria Luring (offline) Daring (online)

(1) (2) (3) (4) (5) (6) (7) (8)
 Memahami materi Bentuk: Kuliah BM [1x(3x60”)] Perkenalan
dan kegiatan dari
mata kuliah Metode: Small LMSAlur Kontrak kuliah
Analisis Data Group Discussion PembelajaranPertemua Pengantar Data
Kategorik n minggu 1 Modul 1, Kategorik; Pengertian
TM[1x(3x50”)] dan Klasifikasi Data,
Bentuk : Tes PPT,Tugas 1 Referensi
terkait materi pertemuan Transformasi Data,
 Ketuntasan 5
Memahami bentuk minggu 1 Distribusi Probabilitas
memahami tentang
data dan distribusi Data Kategorik
Mahasiswa mampu data kategorik dan
kategorik PT [1x(3x60”)]
memahami dan distribusi [Categorical Data
menjelaskan konsep probabilitas dari Peserta menyelesaikan Analysis, 2007:
Kriteria : Rubrik
data kategorik, jenis data kategorik Tugas 1 yang ada di LMS Chapter 1, Modul
1- Penilaian 1 : Data
skala data, distribusi kategorik 1:Kegiatan 1]
2 probabilitas data
kategorik dan statistika Ketuntasan dalam Bentuk : Tes Bentuk: Kuliah BM [1x(3x60”)] Statistika Inferensi;
inferensi untuk proporsi menjelaskan tahapan Metode: Small Statistika inferensi
dan data diskrit (U3, fungsi likelihood, Menjelaskan Group Discussion LMSAlur untuk Proporsi dan
P1). MLE, Uji significance tahapan estimasi PembelajaranPertemua Statistika Inferensi
proporsi binomial, uji binomial dengan TM[1x(3x50”)] n minggu 2Modul 1, untuk Data Diskrit
wald dan uji MLE PPT, Tugas 2  Referensi
likelihood ratio terkait materi pertemuan [Categorical Data 5
Kriteria : Rubrik Analysis, 2007:
minggu 2
Penilaian 2 : Chapter 1, Modul
Inferensi data PT [1x(3x60”)] 1:Kegiatan 2]
kategorik
Peserta menyelesaikan
Tugas 2 yang ada di LMS

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 LMSAlur Independensi
kontingensi menjelaskan tabel PembelajaranPertemua
dan pengujian tabel kontingensi TM[1x(3x50”)] n minggu 3Modul 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 LMSAlur
dan taksiran titik risiko relative dan PembelajaranPertemua [Categorical Data
odds ratio tabel ods ratio TM[1x(3x50”)] n minggu 4Modul 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

Ketuntasan dalam Bentuk : Tes Bentuk: Kuliah BM [1x(3x60”)] Inferensi Uji

Mahasiswa mampu menguraikan Kelompok Metode: Small Kontingensi Dua Arah;
menguraikan inferensi distribusi Poisson, Group Discussion LMSAlur Distribusi Sampling, Uji
5 sampling Menguraikan Goodness of Fit, Uji 5
uji kontingensi (P1,
distribusi poisson, TM[1x(3x50”)] PembelajaranPertemua
KM1). multinomial, uji Independensi, Uji
goodness of fit dan multinomial dan n minggu 5Modul 3, Interval Kepercayaan
estimasi frekuensi PPT, Tugas 5  Referensi

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

Bentuk : Non tes Bentuk: Kuliah BM [1x(3x60”)] Model Regresi Logistik

Metode: Small Biner: Variabel,
Mahasiswa Group Discussion LMSAlur Bentuk, Ketepatan,
mendiskusikan PembelajaranPertemua odds Ratio, Uji
Ketuntasan dalam tentang model TM[1x(3x50”)] n minggu 6Modul 4, Signifikansi Parameter
menjelaskan regresi logistik biner PPT, Tugas 6  Referensi
komponen GLM, ke dalam Forum terkait materi  Forum [Applied Logistic
model regresi Diskusi diskusi pertemuan Regression : Chapter
1, Modul 4:Kegiatan 1] 10
Mahasiswa mampu logistik, estimasi minggu 6
menjelaskan variabel, parameter, odds
ratio, dan uji PT [1x(3x60”)]
ketepatan, odds ratio, Kriteria : Rubrik
6- uji signifikansi koefisien siginifansi parameter Penilaian 6 (Forum Peserta terlibat dalam
dan inferensi interval diskusi model regresi Forum Diskusi tentang
7
kepercayaan dari model logistik biner) Model regresi logistik
regresi logistik biner biner
(U3, P1).
Ketepatan dalam Bentuk : Tes Bentuk: Kuliah BM [1x(3x60”)] Inferensi Regresi
menjelaskan uji Metode: Small Logistik Biner; Uji
interval Menjelaskan uraian Group Discussion LMSAlur Interval Kepercayaan,
kepercayaan, uji uji interval PembelajaranPertemua Uji Diagnosa Model,
kepercayaan regresi TM[1x(3x50”)] n minggu 7Modul 4, 5
devians dan diagnosa Uji Kecocokan Model
model logistik biner PPT, Tugas 7  Referensi Logit
terkait materi pertemuan
minggu 7 [Applied Logistic

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

8 Ujian Tengah Semester (UTS) : Modul 5 10

Mahasiswa mampu Bentuk : Tes Bentuk: Kuliah BM [1x(3x60”)] Prediktor Kategorik;

membuat struktur dan Metode: Small Variabel Dummy, Satu
memodelkan variabel Membuat dan Group Discussion LMSAlur Peubah Bebas
dummy yang terbentuk memodelkan PembelajaranPertemua Kategorik, Lebih dari
Ketepatan membuat struktur variabel TM[1x(3x50”)] n minggu 9Modul 5,
dari prediktor kategorik Satu Peubah Bebas
dan memodelkan
(KK2) dummy dari sebuah PPT, Tugas 9  Referensi Kategorik
struktur variabel data terkait materi pertemuan
9 dummy dari satu [Categorical Data 5
minggu 9
peubah bebas dan Analysis : Chapter 4,
lebih satu peubah PT [1x(3x60”)] Modul 5]
bebas. Kriteria : Rubrik
Penilaian 9 (Peubah Peserta menyelesaikan
dummy) Tugas 9 yang ada di LMS

Ketepatan Bentuk : Non tes Bentuk: Tutorial BM [1x(3x60”)] Pemodelan data

Mahasiswa mampu memahami dan Metode: Small kategorik melalui
menjelaskan Forum diskusi Group Discussion LMSAlur software
memahami dan tentang langkah-
langkah-langkah PembelajaranPertemua
menjelaskan langkah-
10- analisis data langkah analisis data TM[1x(3x50”)] n minggu 10Modul 6, [SAS/Stata, User's
langkah analisis data
kategorik melalui dengan software PPT, Tugas 10  Guide Introduction to 5
11 kategorik melalui
software SPSS/R/SAS Referensi terkait materi Categorical Data
software statistika Analysis Procedures,
dengan arti setiap pertemuan minggu 10
Sas Documentation,
output (U3, KK2) Kriteria : Rubrik
PT [1x(3x60”)] Modul 6:Kegiatan 1]
Penilaian 10
(Penggunaan Peserta diskusi di Forum

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 LMSAlur
diperoleh dari tentang arti/makna PembelajaranPertemua [SAS/Stata, User's
software setiap output dari TM[1x(3x50”)] n minggu 11Modul 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 LMSAlur
data rill ke dalam data riil ke dalam menyusun dan PembelajaranPertemua [Journal penelitian,
bentuk data kategorik bentuk data menyajikan data riil TM[1x(3x50”)] n minggu 12Modul 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 LMSAlur Interpretasi Data Riil
melalui software ke dalam analisis tentang analisis data Based Learning PembelajaranPertemua dengan software
statistika (U3, KK3) data kategorik riil melalui software n minggu 13Modul 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

Ketepatan menyusun Bentuk :Tes Bentuk: Kuliah BM [1x(3x60”)] Membangun Model

laporan hasil analisis Metode: Project Terbaik: Laporan Hasil
dan interpretasinya Laporan Based Learning LMSAlur Analisis
pada data riil dengan PembelajaranPertemua
analisis data TM[1x(3x50”)] n minggu 14Modul 9, [Journal penelitian,
Mahasiswa mampu kategorik PPT, Tugas 14  Modul 9:Kegiatan 1]
Kriteria : Rubrik
menyusun , Referensi terkait materi 10
Penilaian 14
mempresentasikan dan pertemuan minggu 14
(Laporan untuk satu
mempertanggungjawab
14- data riil)
kan hasil makalah PT [1x(3x60”)]
16 terkait data riil melalui
pendekatan regresi Peserta menyelesaikan
logistik atau regresi tugas yang ada di LMS
peubah kategorik (U3,
Ketuntasan dan Bentuk : Tes Bentuk: Diskusi BM [1x(3x60”)] Membangun Model
KK3, KM1).
terintegrasinya Metode: Terbaik: Pemaparan
konsep dalam Presentasi kelompok Collaborative LMSAlur hasil analisis data riil
PembelajaranPertemua 5
mempresentasikan learning
makalah yang telah n minggu 15Modul 9, [Journal penelitian,
disusun Kriteria : Rubrik
TM[1x(3x50”)] PPT, Tugas 15  eferensi Modul 9:Kegiatan 2]
terkait materi pertemuan

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 LMSAlur Lengkap
learning PembelajaranPertemua
n minggu 15Modul 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”)]

Peserta diskusi dalam

Forum Diskusi tentang
hasil makalah yang dibuat

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.

Tabel 1. Data tingkat kepuasan mahasiswa terhadap pembelajaran melalui LMS

Nama Mahasiswa Semester Tingkat kepuasan

A I Puas
B II Tidak puas
C II Sangat puas
… … …
ZZ V Sangat puas

Data Tabel 1 untuk kepentingan analisis, Tabel 1 harus dibentuk seperti berikut ini:

Tabel 2. Data tingkat kepuasan mahasiswa terhadap pembelajaran melalui LMS

Nama Mahasiswa Semester Tingkat kepuasan

A 1 2
B 2 1
C 3 3
… … …
ZZ 5 3

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.

Tabel 3. Data IPK mahasiswa Departemen Statistika Tahun Ajaran 2019/2020

Nama Mahasiswa Lama studi IPK

A 3 3.02
B 2 3.34
C 5 2.98
… … …
ZZ 3 3.86

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)

Tabel 4. Data IPK mahasiswa Departemen Statistika Tahun Ajaran 2019/2020

Nama Mahasiswa Lama studi IPK

A 3 2
B 2 3
C 5 1
… … …
ZZ 3 3

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.

Tabel 5. Data IP mahasiswa Departemen Statistika Tahun Ajaran 2019/2020

Nama Mahasiswa Angkatan IP

A 2014 2.52
B 2015 3.11
C 2018 3.20
… … …
ZZ 2017 3.56

Data pada Tabel 5 apabila akan dianalisis dengan pendekatan kategorik maka data harus
dibuat dalam bentuk kategorik dan numerik,seperti pada Tabel 6.

Tabel 6. Data IP mahasiswa Departemen Statistika Tahun Ajaran 2019/2020

Nama Mahasiswa Angkatan IP

A 1 1
B 2 2
C 5 2
… … …
ZZ 4 3

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.