KONSEP DASAR
DOSEN:
DR. SRI MARYATI
Statistika dalam Kehidupan Sehari-hari
Kemajuan ilmu pengetahuan dan teknologi tidak dapat
dipisahkan dari statistika
STATISTIKA :
Fokus utama :
KEGUNAAN
• mengumpulkan data
• menyajikan data
• menganalisis data dengan metode tertentu ?
• menginterpretasikan hasil analisis
Melalui fase
STATISTIKA DESKRIPTIF :
Berkenaan dengan pengumpulan, pengolahan, dan penyajian sebagian
atau seluruh data (pengamatan) tanpa pengambilan kesimpulan
dan fase
STATISTIKA INFERENSI :
Setelah data dikumpulkan, maka dilakukan berbagai metode statistik untuk
menganalisis data, dan kemudian dilakukan interpretasi serta diambil kesimpulan.
Statistika inferensi akan menghasilkan generalisasi (jika sampel representatif)
2. Statistika & Metode Ilmiah
METODE ILMIAH :
Adalah salah satu cara mencari kebenaran yang bila ditinjau dari segi
penerapannya, meminimalkan resiko kesalahan/kekliruan.
5. Mengambil kesimpulan
INSTRUMEN
SAMPEL
SIFAT DATA
PERAN STATISTIKA
VARIABEL
METODE ANALISIS
PENGGUNA STATISTIKA
DATA
NOMINAL INTERVAL
ORDINAL RASIO
SUMBER DATA
1. Wawancara langsung
2. Wawancara tidak
Data Primer langsung
3. Pengisian kuisioner
DATA
DATA ORDINAL :
Data berskala ordinal adalah data yang dipeoleh dengan cara kategorisasi atau klasifikasi, tetapi
di antara data tersebut terdapat hubungan
CIRI : posisi data tidak setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : kepuasan kerja, motivasi
DATA INTERVAL :
Data berskala interval adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara
dua titik skala sudah diketahui.
CIRI : Tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : temperatur yang diukur berdasarkan 0C dan 0F, sistem kalender
DATA RASIO :
Data berskala rasio adalah data yang diperoleh dengan cara pengukuran, di mana jarak antara
dua titik skala sudah diketahui dan mempunyai titik 0 absolut.
CIRI : tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : gaji, skor ujian, jumlah buku
5. Pengolahan Data
Multi-Variabel
Analisis multivariate
MULTIVARIATE ANALYSIS
Multivariate Analysis (MA):
Metode analisis yang berkenaan dengan sejumlah besar variabel yang
datanya diperoleh secara simultan dari setiap obyek pengataman
Input Data: Data dari variabel observasi atau skor dari indikator variabel latent.
Data yg dianalisis data mentah, bukan data standardize
Metode Estimasi:
Model Rekursif = Metode OLS
Exact identified = Metode ILS
Over identified = Metode TSLS
Under identified = Diberi kendala, shg menjadi Exactidentified
Output:
Berupa model, setara dengan hasil analisis Regresi
Kegunaan:
Alat untuk eksplanasi, atau prediksi, setara dengan REGRESI
ANALISIS PATH = Analisis Jalur, Analisis Lintas, Sidik Lintas
Input Data:
Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis
data standardize
Metode Estimasi:
Modelnya harus rekursif, sehingga dapat digunakan metode OLS
Output:
Model Lintasan atau Jalur-Jalur, pengaruh
Kegunaan:
Untuk menentukan variabel mana yang berpengaruh dominan dan jalur mana yang
berpengaruh lebih kuat
SEM = Sructural Equation Modelling
Input Data:
Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis
berupa matriks kovarians atau matriks korelasi.
Metode Estimasi:
Maximum Likelihood (ML), TSLS, PLS
Output
Model struktural, Model Lintasan Pengaruh
Kegunaan:
Merupakan gabungan kegunaan antara analisis faktor, Analisis Path, dan Analisis Regresi
ANALISIS KORELASI KANONIK
Keeratan hubungan antara kelompok variabel dgn kelompok variabel lainnya
Input Data:
Data yg digunakan adalah data hasil pengukuran (metrik)
Metode Estimasi:
Output:
Koefisien Korelasi Kanonik
Kegunaan:
Alat untuk eksplanasi ke-eratan hubungan antar kelompok variabel
MANOVA = Menguji perbedaan variabel dependent pada kategori-kategori dari variabel
independent. Kalau adavariabel penyerta dapat digunakan MANCOVA
Input Data:
Untuk variabel dependent: data hasil pengukuran (metrik)
Untuk variabel independent: Data kategori (non-metrik)
Metode Estimasi:
Konsep dekomposisi komponen ragam (varians)
Output:
Tabel MANOVA
Kegunaan:
Untuk mengetahui apakah secara simultan dari sekumpulan variabel dependent terjadi
perbedaan yang signifikan.
REGRESI BERGANDA = Regresi Linear Berganda
Output:
Model atau persamaan regresi berganda
Kegunaan:
Alat untuk eksplanasi atau alat untuk prediksi,
Prediksi nilai variabel dependent kalau nilai variabel independent diketahui
ANALISIS DISKRIMINAN
Input Data:
Raw data, bukan standardize data
Variabel dependent: kategori n(non-metrik)
Variabel independent: Metrik dan/atau non-metrik
Metode Estimasi:
Konsep Eigen Value dan Eigen Vector
Output:
Fungsi deskriminan
Kegunaan:
Alat untuk prediksi alternatif, pengelompokkan obyek, faktor determinan
Alat untuk menentukan variabel mana yang merupakan pembeda terkuat
MODEL LOGIT, PROBIT, TOBIT, GOMPIT, LPM
Input Data:
Raw data, bukan standardize data
Variabel dependent: kategori n(non-metrik)
Variabel independent: Metrik dan/atau non-metrik
Output:
Model atau persamaan
Kegunaan:
Alat untuk eksplanasi odd-ratio
Alat untuk prediksi peluang suatu kategori dari variabel dependent kalau nilai
variabel independen diketahui
PRINCIPLE COMPONENT ANALYSIS: PCA
Input Data:
Matriks kovarians: kalau semua variabel punya satuan yg sama dan homogen, dipakai raw data
Matrik korelasi: kalau satuannya tidak sama, standardize data
Metode Estimasi:
Konsep Eigen Value dan Eigen Vector
Output:
Variabel komposit atau disebut Dimensi, Komponen Utama
Nilai dari variabel komposit
Kegunaan:
Eksplorasi Dimensi yg terkandung dalam sekumpulan variabel
Mendapatkan skor dari Komponen Utama
Mapping objects
Clustering objects
Menghilangkan multikolinearitas pd regresi berganda
FACTOR ANALYSIS
Input Data:
Raw data atau standardize data, seluruh variabel mempunyai “common factor”
Metode Estimasi:
Konsep Eigen value & Eigen vector
Output:
Faktor hasil ekstraksi, Skor dari faktor ini (data dari variabel laten). Variabel laten ini
juga disebut DIMENSI
Kegunaan:
Analisis faktor konfirmatori: Mencari dimensi yg terkandung dalam
sekumpulan variabel (atau faktor)
Mapping objects
Clustering object
Mendapatkan data dari suatu DIMENSI atau Variabel Laten
ANALISIS GEROMBOL = CLUSTER ANALYSIS
INPUT DATA:
Raw data atau standardize data
Data metrik atau non metrik
Kegunaan:
Identifikasi banyaknya kelompok (Analisis hierarkhis)
Prediksi anggota setiap kelompok (gerombol)
Identifikasi karakteristik gerombol.
MULTIDIMENTIONAL SCALLING
Input data:
Pendekatan komposisional: Data hasil pengukuran variabel
Pendekatan dekomposisional: Data jarak antar obyek
Output:
Peta, mapping, obyek kajian
KEGUNAAN:
Positioning obyek
Clustering obyek
Identifikasi karakter setiap obyek atau kelompok
obyek.
ANALISIS KORESPONDENSI
METODE PERHITUNGAN:
Konsep Eigen value dan Eigen vektor
OUTPUT:
Berupa peta (mapping) kategori dari variabel
KEGUNAAN:
Positioning kategori variabel
Clustering kategori dari beberapa variabel
Identifikasi profil suatu variabel berkaitan dengan kategori variabel
lainnya.
2/27/2023 31