Aplikasi Komputer Statistik

Nama : Dion Antony

Nim : BBA 118 161
Kelas: Manajemen/C

Jurusan Manajemen
Fakultas Ekonomi & Bisnis
Uiversitas Palangka Raya 2019/2020
 St. 4 Multivariate Data Analysis

Multivariate Analysis
Metode analisis multivariat adalah suatu metode statistika yang tujuan digunakannya adalah untuk menganalisis data yang terdiri dari
banyak variabel serta diduga antar variabel tersebut saling berhubungan satu sama lain. Analisis multivariat adalah salah satu dari tek
nik statistik yang diterapkan untuk memahami struktur data dalam dimensi tinggi. Dimana variabel-variabel yang dimaksud tersebut s
aling terkait satu sama lain.

Univariate Analysis
Analisis univariate adalah analisa yang dilakukan menganalisis tiap variabel dari hasil penelitian. Analisa univariat b
erfungsi untuk meringkas kumpulan data hasil pengukuran sedemikian rupa sehingga kumpulan data tersebut ber
ubah menjadi informasi yang berguna. peringkasan tersebut dapat berupa ukuran statistik, tabel, grafik..

2
 Statistics 4 Multivariate Data Analysis

Contoh Univariate Analysis

Kekerasan Seksual F Persentase (%)
Tidak Pernah 206 79,2
Pernah 54 20,8
Total 260 100
Dari data diatas menunjukan bahwa sebagian responden tidak pernah mengalami kekerasan seksual,
yaitu sebanyak 206 responden (79,2%)

3
 Tipe Skala Pengukuran
Data hasi pengukuran yang dapat diuru
tkan atas dasar kriteria tertentu serta
Diperloreh melalui pengelompokan ob munujukan semua sifat yang dimiliki ol
yek berdasarakan kategori tertentu. eh data ordinal.

Data Nominal Data Interva

l

Data Ordinal Data Rasio

Data menghimpun semua sifat yang di

Data yang berasal dari suatu objek atau miliki oleh data nominal, data ordinal, s
kategori yang telah disusun secara berj erta data interval. Data ini berbentuk a
engjang menurut besarnya.. ngka dalam arti yang sesungguhnya kar
ena dilengkapi dengan titik nol absolut.

4
 Statistics 5 Examining The Data

Missing Data Data hilang atau Missing Data dapat diartikan sebagai data ata
u informasi yang “hilang” atau tidak tersedia mengenai subjek
penelitian pada variabel tertentu akibat faktor non sampling er
ror.

5
Add an image

Contoh Missing Data

Semua terjadi di V4. dengan membandingkan nilai V2 untuk lima

kasus yang tersisa dengan data yang hilang untuk V4 (kasus 2, 6,
14, 16 dan, 18) dibandingkan dengan kasus-kasus yang memiliki
nilai V4 yang valid, pola yang berbeda muncul. lima kasus denga
n nilai hilang untuk V4 memiliki lima nilai terendah untuk V2, me
nunjukkan bahwa data yang hilang untuk V4, sangat terkait deng
an skor yang lebih rendah pada V2

6
 Proses Perbaikan Missing Data
Icon
Jenis Type MD
menentukan jenis data yang hilang
yang terlibat. di sini peneliti khawat
ir apakah data yang hilang adalah b
agian dari desain penelitian dan di
bawah kendali peneliti atau apakah
"penyebab" dan dampaknya benar-
benar tidak diketahui.
Icon
Extent MD
His eros fugit appareat id, vim p
robo tibique accommodare ne.
At eos quis ullum persius, eum
et tempor iisque deserunt.
Icon
Randomness MD
Erat semper qualisque at nec, r
eque denique eos ut. Mollis lab
ores eu usu, essent lobortis ea
m an. Vis ad molestiae repudia
ndae.
Icon
Imputasi
At timeam facilis fastidii pro, ut
his facer oblique, nec ut ponder
um scriptorem. Nostrud sanctu
s an mea. No pro iuvaret pericu
lis.
7
 Outliers

Outliers adalah data yang memiliki nilai sangat jauh dari nilai umumnya, atau dengan kata lain memiliki nilai yang ekstrem. Adanya o
utliers ini dapt berpengaruh pada hasil uji asumsi, seperti uji normalitas, lineraritas, maupun homogenitas varians.

Outliers berpengaruh terhadap proses analisa data, salah satunya terhadap nilai mean dan standard deviasi. Outlier dapat menyeba
bkan variance data menjadi besar, interval data dan range menjadi lebar, mean tidak dapat menunjukan nilai yang sebenarnya (bias),
dan pada beberapa analisa inferensia outliers dapat menyebabkan kesalahan dalam pengambilan keputusan dan kesimpulan.

8
 Kesalahan Penginputan Da Add an image Subjek yg Mengerjakan Se
ta cara asal-asalan

Kesalahan Pengambilan Sa Fakta di Lapangan Meman

mpel g Demikian

Penyebab Terjadinya Outliers

Jika alasan munculnya outliers adalah karena kesalahan penginputan, maka bisa kita koreksi. Namun jika munculnya outliers adalah karena kes
alahan pengambilan sampel atau subjek yang mengerjakan secara asal-asalan, maka lebih baik kita bersihkan terlebih dahulu data tersebut seb
elum kita melakukan analisis statistik.

9
 Cara Mendeteksi Outliers

Add an image Add an image Add an image Add an image Add an image

Klik tombol SAVE. Maka akan terbuka jendel

lakukan regresi seperti cara berikut:
Buat dataset untuk regresi linear b
Klik Analyze pada Menu -> Regressio
erganda seperti gambar di atas ini.
n -> Linear.
Jika sudah kembali ke jendela utama,
a seperti di bawah ini. Kemudian klik Studen
tiz-ed dan Mahalanobis. Lalu tekan tombol klik OK. Selanjutnya lihat Output
Continue.

Anda dapat melihat bahwa pada output terdapat tabel Casewise Diagnostics, hal itu menunjukkan bahwa terdapat observasi atau sampel dengan nilai absolut studenti
zed residual lebih dari 3. Maka observasi tersebut menjadi outlier. Langkah terakhir di atas, hanya dapat mendeteksi adanya outlier univariat saja. Untuk mendeteksi o
utlier univariat, maka anda harus melakukan langkah berikut: pada menu, klik Transform -> Compute Variable. Jika jendela baru terbuka, ketikkan target variable: Proba
bilitas Mahalanobis. Dan ketikkan kode ekspresi pada Numeric Expression sebagai berikut: CDF.CHISQ(Mah,3). Penjelasan kode: Mah: Mahalanobis Distance. 3 adalah b
anyaknya jumlah variabel bebas.

10
 Mengatasi Outliers

Add an image Add an image Add an image

Membuang outlier tersebut dari analisis regresi linear berganda, yaitu dengan langkah sebagai berikut: Pada menu, klik Data -> Select Case -> Pilih if condition satisfie
d -> tekan tombol If. maka selanjutnya pada kolom isian ekspresi, ketikkan kode sebagai berikut: Abs(SRE_1)<3 and Probabilitas Mahalanobis>0.001. Maksud kode: Ab
s: Absolut, SRE_1: Studentized Residual. Artinya kita akan membuang observasi yang mempunyai nilai absolut studentized residual lebih dari 3 dan/atau probabilitas
kurang dari 0.001. Kemudian tekan tombol Continue. Di jendela utama tekan OK. Lihat pada dataset, ada tanda yang menunjukkan bahwa beberapa observasi dikelu
arkan dari analisis.

11
Thank You for Watching!