Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

ANALISIS
DATA
PENELITIAN
Mempersiapkan Data Untuk Analisis

1) Pengkodean

2) Entri data
3) Mengedit data:

4) Transformasi data
 Aturan Pengkodean

Sesuai dengan
Lengkap
permasalahan penelitian

Kategori
seharusnya

Berasal dari satu

Saling eksklusif
prinsip klasifikasi
 Mengedit Data

Tepat Konsisten

Kriteria
Diatur untuk Seragam
penyederhanaan masuk

Menyelesaikan
 Menangani Jawaban “Tidak Tahu”.

◼ Ketika jumlah jawaban “tidak tahu” (DK) rendah, hal itu tidak menjadi
masalah.

◼ Namun, jika ada beberapa yang diberikan, berarti pertanyaannya dirancang

dengan buruk, terlalu sensitif, atau terlalu menantang bagi responden.

◼ Cara terbaik untuk menghadapi jawaban DK yang tidak diinginkan adalah merancang
pertanyaan yang lebih baik di awal.
 Transformasi Data

◼ Transformasi data, variasi pengkodean data, adalah proses

mengubah representasi numerik asli dari nilai kuantitatif ke nilai
lain.
◼ Data biasanya diubah untuk menghindari masalah pada tahap selanjutnya dari
proses analisis data.

◼ Misalnya, para ekonom sering menggunakan transformasi

logaritmik agar data terdistribusi lebih merata.
 Kode Ilegal, Penyimpangan & Kelalaian

◼ Kode ilegal adalah nilai yang tidak ditentukan dalam

instruksi pengkodean. Misalnya kode 6

◼ Outlier adalah observasi yang secara substansial berbeda dengan

observasi lainnya

◼ Kelalaian dapat terjadi karena responden tidak memahami

pertanyaan, tidak tahu jawabannya, atau tidak bersedia
menjawab pertanyaan
B. Statistik
Deskriptif
 Merasakan Data
✔kecenderungan sentral
✔Penyebaran
✔Frekuensi
✔Bagan
✔Hubungan antar variabel
 Tendensi Sentral Mana yang Digunakan?

Statistik yang mengidentifikasi di mana pusat atau tengah kumpulan skor

berada

Ukuran Tendensi Sentral:

Hai Nominal: Modus
Hai Ordinal: Median
Hai Interval: Rata-Rata Aritmatika
Hai Rasio: Rata-rata Aritmatika Atau Geometrik
 Rata-Rata Aritmatika & Geometrik

◼ Berapa rata-rata 2 ,4, 8 ?

◼ Rata-rata hitung = (2+4+8) / 3 = 4,67

◼ Rata-rata geometris= {(2)(4)(8)}1/3= (64)1/3= 4

 Ukuran Variabilitas

Mencerminkan bagaimana skor berbeda satu sama lain.

Menunjukkan dispersi, penyebaran, variasi, penyimpangan:

Deviasi Standar
Contoh "Abstraksi" Dari Fenomena
 "Distribusi kemungkinan"

* Memiliki distribusi pengamatan sebagai berikut

 Bentuk Distribusi: Kemiringan

Ukuran dari
kurangnya simetri
distribusi.
 BENTUK DISTRIBUSI: KURTOSIS

Seberapa datar atau memuncak distribusi

muncul. (Tidak mempengaruhi tendensi sentral)

Leptokurtik Mesokurtik Platikurtik

(Distribusi normal)
 Hubungan Antar Variabel
Contoh tabel Korelasi

Y X1 X2

Y 1.000

X1 0,802 1.000

X2 0,848 0,578 1.000

Tabel korelasi dapat menyarankan variabel independen mana yang mungkin

signifikan.
Umumnya, variabel independen yang memiliki korelasi lebih dari 3 dengan variabel
dependen dan kurang dari 7 dengan variabel independen lainnya dapat dimasukkan
sebagai prediktor yang memungkinkan.
C. INFERENSI STATISTIK
 TEKNIK STATISTIK

A. Teknik Univariat:

Pengujian Hipotesis pada DUA MEAN:

A.MANDIRISampel:
Data Metrik : Sampel Independent Tes :
Data Non Metrik Tes Mann-Withney

B.TERKAITSampel:
Data Metrik : Sampel BerpasanganUji-T :
Data Non Metrik Wilcoxon

Menguji Hipotesis pada BEBERAPA MEAN:

Data Metrik : ANOVA Satu Arah
Data Nonmetrik : Chi Persegi
CONTOH, DUAINDEPENDENSAMPEL BERARTI
Sampel MAHASISWA S-1 MAHASISWA MBA

1 75 55
2 60 85
3 80 90
4 - 80
BERARTI BERARTI

◼ Akankah MAHASISWA MBA tampillebih baik daripadaMAHASISWA S-1?

MANDIRISampel:
Data Metrik : Uji t Sampel Independen :
Data Non Metrik Uji Mann-Withney
 CONTOH:DUA BERARTI TERKAIT

Sampel berpasangan Sebelum Setelah Perbedaan

1 75 55 - 20
2 60 85 + 25
N
BERARTI

◼ Akankah sekelompok karyawan tampillebih baik setelahnyamenjalani pelatihan daripada yang mereka
lakukan sebelumnya?

B.TERKAITSampel:
Data Metrik : Paired Sample T-test :
Data Non Metrik Wilcoxon
A. Teknik Univariat:
A) dua MEAN - SAMPEL INDEPENDEN T -
UJI

◼ Nilai signifikansi 0,039 < 0,05, Ho ditolak, Ha diterima, bahwa terdapat perbedaan skor antara Grup 1 dengan Grup 2

◼ Selisih rata grup 1 dan grup 2 = 77.817 - 87.240 = - 9.4233…Grup 1 , Grup 2

A. Teknik Univariat:
A) dua MEAN - SAMPEL INDEPENDEN, uji MANN-WHITNEY

Tes Mann Whitneydigunakan apabila data tidak berdistribusi normal dan digunakan
hanya untuk data bertipe interval atau rasio.

◼ Nilai signifikansi 0,013 < 0,05, Ho ditolak, Ha diterima, bahwa terdapat perbedaan skor antara Grup 1 dengan Grup 2
 A. TEKNIK UNIVARIAT:
B) UJI T SAMPEL TERKAIT DUA

Nilai signifikansi 0,002 < 0,05,

Ho ditolak, Ha diterima, bahwa terdapat perbedaan skor pada grup mhsw MBA antara sebelum dan
 A. TEKNIK UNIVARIAT:
B) DUA SAMPEL TERKAIT

Wilcoxon menandatangani tes peringkatdigunakan apabila data tidak berdistribusi normal dan digunakan hanya
untuk data bertipe interval atau rasio.

Nilai p value (asymp. Sig 2 tailed) sebesar 0,006 kurang dari batas kritis penelitian 0,05 sehingga
keputusan hipotesis adalah menerima H1 atau yang berarti terdapat perbedaan bermakna antara
kelompok pretest dan posttest.
 UJI-F ANOVA SATU-ARAH:CONTOH

Anda ingin melihat apakah 3 suplemen makanan memiliki

rata-rata hasil susu yang berbeda.
Makanan1 Makanan2 Makanan3
Anda menugaskan 15 sapi, 5
25.40 23.40 20.00
per suplemen makanan.
26.31 21.80 22.20
24.10 23.50 19.75
Pertanyaan: 23,74 22,75 20.60
25.10 21.60 20.40
Pada.05tingkat, apakah ada perbedaan dalam
berartihasil?

EPI809/SPRING 2008 26
 TEKNIK STATISTIK
◼ B. TEKNIK MULTIVARIAT:

◼ SatumetrikBergantungvariabel:
◼ Regresi berganda

◼ Satunon-metrikBergantungSampel:
◼ Regresi logistik
◼ Diskriminan

◼ Lagidari Satu metrikbergantungSampel:

◼ Anova Multivariat (MANOVA)
 © 1984-1994 T/Pembuat
Bersama.

EPI 809/MUSIM SEMI 2008 28

 JENIS-JENIS MODEL REGRESI
2atau lebih
1 Penjelasan
Penjelasan Regresi
Variabel Model Variabel

Sederhana Banyak

EPI 809/MUSIM SEMI 2008 29

 Regresi Berganda dengan X1dan X2

Statistik untuk Manajer Menggunakan Microsoft Excel, 5e

BAB 15-30
© 2008 Prentice-Hall, Inc.
REGRESI BERGANDA DIMODERASI

◼ (1) Y = a + b1X1+ bX2+ bX3

◼ (2) Y = a + bX1+ bX2+ bX3+bX2*X3

LOGISTIKREGRESI

◼ Y = A BINARY RESPONSE (DV) (Sukses/Gagal; Bangkrut/Tidak Bangkrut)

◼ 1 RESPON POSITIF (Sukses; Bangkrut)
◼ 0 RESPON NEGATIF (Gagal; Tidak Bangkrut)
ANALISIS DISKRIMINAN
◼ ANALISIS KONJOINT:
◼ APAKAH ANDA MEMILIH TELEPON X ATAU Y? Telepon X Telepon Y

PENYIMPANAN XX XX

DAYA TAHAN BATERAI XX XX

KAMERA XX XX

HARGA XX XX

◼ RESMI:
◼ Meneliti hubungan antara 2 atau lebih variabel dependen dan beberapa
variabel independen
◼ Contoh:
Korelasi antara SET perilaku kerja & pengaruhnya terhadap SET
faktor kinerja
Asumsi Regresi Berganda:

▪ Error berdistribusi normal: residu terjadi secara acak dan

berdistribusi normal.

▪ Kesalahan independen: residu pada setiap pengukuran tidak berkorelas S

(tidak terjadi multikolineritas)

▪ Independensi: nilai dari DV berasal dari individu yang berbeda (tidak

terjadi autokorelasi)

▪ Linearitas: hubungan antara IV & DV terjadi secara linear.