APLIKASI KOMPUTER STATISTIK

”TUGAS UNTUK ST.4 DAN ST.5”

Dosen Pengampu :
Drs. Yoga Manurung, MM

Nama : Anggi Tri Saputra S. (BBA 118 171)

JURUSAN MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS PALANGKARAYA
TA.2019/2020
 Statistics 4.
Multivariate Data Analysis
“Multivariate Analysis”

Analysis multivariate merupakan objek kajian pada statistika yang

Mempelajariperilaku dan hubungan antara dua atau lebih variabel. Dasar dari
kajian ini adalah analisis korelasi dan analisis regresi untuk dua variabel.
Prinsip yangsama kemudian dikembangkan untuk lebih dari dua variabel.
Kompleksitas yang muncul akibat penambahan variabel dan tipenya (nominal,
ordinal, atau rasional), serta teknik penyaringan informasi yang bisa diambil
menjadi kajian pembahasannya.
Analisis statistik multivariat merupakan metode statistik yang memungkinkan
kita melakukan penelitian terhadap lebih dari dua variable secara bersamaan.
Dengan menggunakan teknik analisis ini maka kita dapat menganalisis
pengaruh beberapa variable terhadap variabel – (variable) lainnya dalam
waktu yang bersamaan. Contoh kita dapat menganalisis pengaruh variable
kualitas produk, harga dan saluran distribusi terhadap kepuasan pelanggan.
Contoh yang lain, misalnya pengaruh kecepatan layanan, keramahan petugas
dan kejelasan memberikan informasi terhadap kepuasan dan loyalitas
pelanggan. Analisis multivariat digunakan karena pada kenyataannnya
masalah yang terjadi tidak dapat diselesaikan dengan hanya menghubung
hubungkan dua variable atau melihat pengaruh satu variable terhadap
variable lainnya. Sebagaimana contoh di atas, variable kepuasan pelanggan
dipengaruhi tidak hanya oleh kualitas produk tetapi juga oleh harga dan
saluran distribusi produk tersebut.
 “Univariate Analysis”
analisis univariat adalah analisis data secara serentak dimana data yang
diamati hanya memiliki satu variabel dependen (variabel tidak bebas)
pada setiap objek yang diamati. Analysis univariate adalah analisa yang
dilakukan menganalisis tiap variabel dari hasil penelitian (Notoadmodjo,
2005 : 188). Analisa univariat berfungsi untuk meringkas kumpulan data
hasil pengukuran sedemikian rupa sehingga kumpulan data tersebut
berubah menjadi informasi yang berguna. peringkasan tersebut dapat
berupa ukuran statistik, tabel, grafik. Analisa univariat dilakukan masing–
masing variabel yang diteliti.
Analisis Multivariate yang kita bahas ini juga tidak lepas dari jenis
data atau skala data. Skala data yang digunakan ada dua macam,
yaitu datametrik dan data non metrik.
Data metrik adalah data yang bersifat numerik atau berisi angka-angka dan
dapat dilakukan perhitungan matematis di dalamnya, misal nilai ujian, tingkat
IQ, berat badan, dll. Data metrik disebut juga dengan data numerik atau data
kuantitatif.
Dalam hal ini data metrik ada 2 macam, yaitu data interval dan data rasio.
Untuk lebih jelasnya pelajari artikel kami tentang skala data. Sedangkan
data non metrik adalah data non numerik atau disebut juga data kualitatif
atau data kategorik.
Contoh :
misalnya pengaruh kecepatan layanan, keramahan petugas dan kejelasan
memberikan informasi terhadap kepuasan dan loyalitas pelanggan. Analisis
multivariat digunakan karena pada kenyataannnya masalah yang terjadi tidak
dapat diselesaikan dengan hanya menghubung-hubungkan dua variable atau
melihat pengaruh satu variable terhadap variable lainnya. Sebagaimana contoh di
atas, variable kepuasan pelanggan dipengaruhi tidak hanya oleh kualitas produk
tetapi juga oleh harga dan saluran distribusi produk tersebut.
Analisis Data adalah suatu proses atau upaya pengolahan data menjadi sebuah
informasi baru agar karakteristik data tersebut menjadi lebih mudah dimengerti dan
berguna untuk solusi suatu permasalahan, khususnya yang berhubungan dengan
penelitian.
Dalam melakukan analisis data harus berdasarkan prosedur dan langkah-langkah
tertentu. Berikut ini adalah beberapa langkah-langkah dalam analisis data:
1. Pengumpulan Data, tahap awal dari aktivitas analisis data adalah pengumpulan
data yang akan dianalisis.
2. Tahap Editing, yaitu proses pemeriksaan kejelasan dan kelengkapan terkait
pengisian instrumen pengumpulan data.
3. Tahap Koding, yaitu proses identifikasi dan klasifikasi terhadap semua pernyataan
yang ada pada instrumen pengumpulan data berdasarkan variable yang sedang
diteliti.
4. Tahap Pengujian, yaitu proses pengujian kualitas data, baik dari sisi validitas dan
realibilitas instrumen dari pengumpulan data.
5. Tahap Mendeskripsikan Data, yaitu proses membuat deskripsi data dengan
menyajikannya dalam bentuk tabel frekuensi atau diagram dengan beragam ukuran
tendensi sentral maupun ukuran dispersi. Tujuannya adalah agar memahami
karakteristik data sampel dari suatu penelitian.
6. Tahap Pengujian Hipotesis, yaitu proses pengujian terhadap proposisi apakah bisa
diterima atau ditolak, apakah memiliki makna atau tidak. Berdasarkan tahap inilah
nantinya akan dibuat kesimpulan atau keputusan.
 Statistics 5.
Examining The Data
“Missing Data”
Missing Data (Data Hilang) dapat diartikan sebagai data atau informasi yang
hilang atau tidak tersedia mengenai subjek penelitian pada variabel tertentu
akibat faktor non sampling Error.

Metode untuk Menangani Missing Data

Terdapat berbagai metode untuk menangani permasalahan missing data dalam
analisis statistik. Berbagai metode tersebut dapat dibagi ke dalam kategori
sebagai berikut:

1). Prosedur berbasis unit yang lengkap (completely recorded units)

Pada prosedur ini analisis hanya dilakukan terhadap unit (sebanyak n 1 case, baris
pada matriks data n x m) dimana untuk seluruh m variabel nilainya tercatat atau
memiliki data yang lengkap. Sedangkan sebanyak n2 cases yang terdapat missing
data pada variabel-variabelnya diabaikan, atau dikeluarkan dari analisis.
Metode ini cukup memuaskan jika jumlah missing data tidak terlalu besar, tapi
prosedur ini menjadi tidak efisien jika persentase missing data (n2/n).100 meningkat
atau jika missing data tersebut mengelompok. Hal tersebut akan menyebabkan hasil
yang sangat bias.

2). Prosedur berbasis Imputasi.

Imputasi merupakan suatu alternatif yang umum dan fleksibel. Dalam prosedur ini,
missing value diisi baik dengan menduga langsung atau menggunakan penduga
berbasis korelasi. Namun bagaimanapun metode ini tetap menghasilkan bias, dimana
nilai yang diimput berbeda dengan nilai sebenarnya dari missing data. Terdapat
beberapa macam pendekatan untuk imputasi ini, antara lain :
a. Hot deck imputation, dimana dari unit-unit yang tercatat disubstitusikan terhadap
missing data.
b. Cold deck imputation, dimana missing value diganti oleh suatu nilai yang konstan.
c. Mean imputation, yaitu dimana nilai yang hilang diganti oleh rata-rata (mean) dari
kelompok sampel unit terkait.
d. Regression (correlation) imputation, yaitu dimana missing value dari suatu variabel
diestimasi menggunakan nilai penduga dari regresi atau korelasi variabel tersebut pada
variabel lainnya yang diketahui.
3). Prosedur Weighting
Pada prosedur ini estimasi biasanya didasarkan pada design weight, yaitu
proporsional secara  terbalik terhadap peluang pemilihan sampelnya.
4). Prosedur berbasis Model
Suatu prosedur yang dibentuk dengan menentukan suatu model sebagian data yang
hilang (missing data) tersebut dan selanjutnya melakukan inferensi berbasis pada
likelihood dibawah model tersebut. Parameter diestimasi dengan suatu prosedur
iteratif maximum likelihood dimulai dengan unit atau cases yang lengkap.
 Outliers
Outliers adalah data yang memiliki nilai sangat jauh dari nilai umumnya, atau
dengan kata lain memiliki nilai yang ekstrem. Adanya outliers ini dapat
berpengaruh pada hasil uji asumsi, seperti uji normalitas, lineraritas, maupun
homogenitas varians. Lebih parah lagi, outliers ini dapat berpengaruh pada
pegambilan kesimpulan penelitian dari hasil uji statistik. Ada beberapa faktor
yang menyebabkan munculnya data outliers, diantaranya adalah :
• Kesalahan penginputan data
• Kesalahan pengambilan sampel
• Subjek yang mengerjakan secara asal-asalan
• Fakta di lapangan memang demikian
Jika alasan munculnya outliers adalah karena kesalahan penginputan, maka bisa
kita koreksi. Namun jika munculnya outliers adalah karena kesalahan pengambilan
sampel atau subjek yang mengerjakan secara asal-asalan, maka lebih baik kita
bersihkan terlebih dahulu data tersebut sebelum kita melakukan analisis statistik.
Cara mengidentifikasi outliers
Ada berbagai macam cara mengidentifikasi outliers, seperti
dengan menampilkan histogram, menampilkan nilai Z, dan
boxplot. Secara umum, data disebut outliers jika memiliki nilai
Z di atas 2,5 atau di bawah -2,5. Berikut adalah cara
mengidentifikasi dengan boxplot di SPSS. Untuk melihat data
outliers, kita dapat melakukannya di menu analyze –
descriptive statistics – explore. Kemudian kita masukan
variabel yang dinyatakan tidak normal, yakni variabel
kepuasan ke kotak dependent list, lalu klik menu statistics
dan centang bagian outliers. Jika sudah klik continue dan OK.
Mengapa Outliers dapat terjadi?
Outliers adalah data yang memiliki skor ekstrem, baik ekstrem tinggi maupun
ekstrem rendah. Adanya outliers dapat membuat distribusi skor condong ke
kiri atau ke kanan. Beberapa ahli menilai data outliers ini lebih baik kita
buang, karena ada kemungkinan subjek mengerjakan dengan asal-asalan,
selain itu adanya data outliers juga mengacaukan pengujian statistik. Namun
beberapa ahli tetap mendukung bahwa data outliers tetap harus dimasukkan
dalam analisis karena memang fakta di lapangan adalah demikian. Dalam
kasus ini, kita akan membuang outliers yang dapat mengacaukan data kita,
sehingga diperoleh distribusi yang normal.
 Deteksi Outliers

1. Pelajari cara mengenali datum yang berpotensi menjadi pencilan.

2. Susun datum-datum dalam satu kumpulan datum dari yang terendah
sampai yang tertinggi.
3. Hitung median dari kumpulan datum tersebut.
4. Hitung kuartil bawah.
5. Hitung kuartil atas
6. Mencari jarak interkuartil
7. Temukan “pagar dalam” pada kumpulan datum
8. Temukan “pagar luar” pada kumpulan datum
9. Gunakan penilaian kualitatif untuk menentukan apakah akan
“membuang” datum pencilan atau tidak.
10. Ketahui pentingnya (terkadang) mempertahankan pencilan
 Mengatasi Outliers
1. Mengurangi jumlah data, yaitu data-data yang dinilai ekstim (outlier)
2. Melakukan transformasi data ke dalam bentuk :
Logaritma,Ln,Kuadrat,Akar kuadrat,dan lain-lain.
3. Merubah jenis uji menjadi jenis uji non-parametrik tidak
mempersyaratkan sebuah data harus normal.