Monika Shyntia
Ester Siburian
190502217
Hanna Victoria
Hutasoit
190502236
Data Screening
Merupakan kegiatan untuk mengecek ulang data yang diperoleh telah sesuai dengan yang diharapkan atau
tidak. Data yang tidak sesuai dengan yang diharapkan dapat terjadi karena kesalahan dalam pengambilan
sampel, kesalahan dalam menginput data, atau memang karena adanya keanehan karakteristik pada data yang
diambil. Proyeksi dengan menggunakan data yang mengandung nilai yang ekstrim akan menghasilkan nilai
proyeksi yang bias.
Nilai Residual : perbedaan antara nilai observasi dengan prediksi yang diperoleh.
Screening data terhadap
normalitas data
Tendensi : kecondongan
Skewness
Skewness (Kemencengan) merupakan suatu
ukuran/derajat distribusi pada data untuk mengetahui
bentuk simetrik dari suatu distribusi pada data. Simetris
sempurna (distribusi normal) terjadi apabila nilai
skewness dari suatu data adalah 0.
Bentuk Distribusi
yang Baik
Data set dengan nilai skewness dan kurtosis sama dengan 0 yang menunjukkan
data sempurna atau data berdistribusi normal.
Bentuk Distribusi dan Nilai
Skewness tidak
berdistribusi normal
Normal tidaknya suatu data dapat dideteksi juga lewat plot grafik
histogram, hanya gambar grafik kadang-kadang dapat menyesatkan
karena kelihatan distribusinya normal tetapi secara statistic sebenarnya
tidak normal.
Perempuan sebagai Tenaga Profesional (Persen), 2018-2019
Perempuan sebagai Tenaga Profesional
Provinsi / Kabupaten / Kota
2017 2018 2019
ACEH 54,71 54,69 53,92 Isikan seluruh data pada halaman Data
SIMEULUE 38,89 40,68 45,22
View
ACEH SINGKIL 35,48 50,19 48,13
ACEH SELATAN 53,19 54,43 56,21
ACEH TENGGARA 58,73 56,50 41,72 Nama Folder : Data SPSS
ACEH TIMUR 63,54 54,71 59,74 Nama File : 02. Data Uji Normalitas
ACEH TENGAH 52,18 52,26 53,58 Histogram
ACEH BARAT 52,47 47,86 52,71
ACEH BESAR 51,94 53,95 43,59
PIDIE 71,37 64,22 60,53
BIREUEN 57,28 58,28 63,06
ACEH UTARA 53,81 57,14 61,05
ACEH BARAT DAYA 59,31 61,71 60,87
GAYO LUES 54,12 56,28 46,23
ACEH TAMIANG 51,50 56,07 59,48
NAGAN RAYA 62,96 60,77 43,55
ACEH JAYA 55,33 50,00 54,37
BENER MERIAH 60,88 48,85 55,14
PIDIE JAYA 67,76 61,71 60,39
KOTA BANDA ACEH 46,71 49,66 48,12
KOTA SABANG 48,70 54,28 50,34
KOTA LANGSA 51,28 60,35 51,69
KOTA LHOKSEUMAWE 48,83 49,79 60,23
KOTA SUBULUSSALAM 47,46 54,35 49,42
SUMATERA UTARA 52,46 54,51 54,16
NIAS 37,60 40,03 41,55
MANDAILING NATAL 54,10 54,34 57,40
TAPANULI SELATAN 53,44 52,62 53,13 Sumber Badan Pusat Statistik
TAPANULI TENGAH 51,81 57,80 63,26
Langkah-
langkah :
Klik Analyze → Non Parametic Test → Pindahkan semua ke kotak Variable, Centang
1 Sample K-S Normal lalu klik Ok!
Pada nilai Asymp Sig (2-tailed) terlihat nilai 0.000, 0.000 dan 0.044 dimana angka ini
dibawah nilai 0.05 dengan demikian variable residual tidak berdistribusi normal
Strategi Missing Data
Jika hanya beberapa titik data, katakanlah 5% atau kurang, yang hilang
dalam pola acak dari kumpulan data yang besar, masalahnya tidak
terlalu serius dan hampir semua prosedur untuk menangani nilai yang
hilang menghasilkan hasil yang lumayan serupa.
02. Transformasi Data
Transformasi adalah perubahan data dari variable yang sebenarnya menjadi skala konversi nilai tertentu. Transformasi Data
adalah upaya yang dilakukan dengan tujuan utama untuk mengubah skala pengukuran data asli menjadi bentuk lain sehingga
data dapat memenuhi asumsi-asumsi yang mendasari analisis ragam. Transformasi data dapat dilakukan untuk data numerik.
Tranformasi untuk Mencapai Normalitas Beberapa teknik
statistik mensyaratkan bahwa suatu variabel harus memiliki
distribusi normal. Distribusi normal adalah distribusi yang
berbentuk lonceng. Dua bentuk distribusi yang tak normal
yang umum ditemui adalah distribusi rata (flat distribution)
atau distribusi miring (skewed distribution).
Tujuan / Alasan Dilakukannya Transformasi Data
3. Memudahkan interpretabilitas
2. Tahapan kedua adalah menentukan bentuk Transformasi sesuai dengan bentuk grafik pada tahap
pertama. Berikut bentuk-bentuk transformasi data:
Contoh Transformasi Data
Tabel 3.1 kualitas dan HargaProduk Acuan pembelian pada CV
Buana
Isikan seluruh data pada halaman Data ViewNama Folder : Data SPSS
Nama File : 4. Data Transformasi dan data outlier
HISTOGRAM
01
02
Klik Plot pada bagian kanan
Pindahkan SRESID ke Y
Pindahkan ZPRED ke X
Continue
Klik Analyze →Regression→Linier
03
04
05
06
Jika ada empat mahasiswa, Tina mempunyai uang saku per bulan
Rp. 500 ribu, Tono Rp. 600 ribu, Marimar Rp. 700 ribu, dan
Ronaldo karena merupakan anak orang kaya, mempunyai uang saku
per bulan sampai dengan Rp. 5 juta. Secara sekilas tampak bahwa
nilai 5 juta relatif jauh dibandingkan uang saku ketiga mahasiswa
yang lain.
Isikan seluruh data pada halaman Data ViewNama Folder : Data SPSS
Nama File : 4. Data Transformasi dan data outlier
Langkah-langkah :
Mars
Klik Boxplot lihat gafik yang muncul dan ada tanda bintang dan
bulat
X2
X2
Y
Y