STATISTIKA :
Kegiatan untuk :
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, resiko untuk keliru paling kecil.
5. Mengambil kesimpulan
PERAN STATISTIKA
Metode Pengumpulan Data
1. METODE OBSERVASI:
PARTISIPASI
NON PARTISIPASI
2. METODE WAWANCARA
TERSTRUKTUR
TAK TERSTRUKTUR
3. METODE LEMBAR PERTANYAAN
TERTUTUP
TERBUKA
KOMBINASI TERBUKA DAN TERTUTUP
4. METODE UJIAN /TES
6
METODE &INSTRUMEN PENGUMPULAN DATA
- TERBUKA
DAFTAR PERTANYAAN
- TERTUTUP - CHECLIST
- SKALA
- SOAL UJIAN
UJIAN /TES
- CHECLIST
DOKUMEN - DUMMY TABEL
Data (Datum)
CIRI YANG DIPUNYAI INDIVIDU
SIFAT
- DATA KUALITATIF
- DATA KUANTITATIF
JENIS :
DATA PRIMER
DATA SEKUNDER
WAKTU :
DATA CROSSECTIONAL
DATA TIME SERIES
SKALA PENGUKURAN:
DATA RASIO / NISBAH
DATA INTERVAL / SELANG
DATA ORDINAL / JENJANG
DATA NOMINAL / KATEGORIAL
8
3. Data
DATA
NOMINAL INTERVAL
ORDINAL RASIO
4. Data
DATA NOMINAL :
Data berskala nominal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi.
CIRI : posisi data setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : jenis kelamin, jenis pekerjaan
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
Tingkat Pengukuran
A. Ukuran Nominal,
adalah angka yang berfungsi hanya untuk
membedakan, dan merupakan identitas saja. Agama
Islam =1
Kristen Katolik = 2
Kristen Protestan = 3
Hindu =4
Budha =5
B. Ukuran Ordinal,
adalah angka yang selain berfungsi sebagai nominal
juga menunjukkan urutan. Pendidikan
SD =1
SMP =2
SMA =3
Diploma = 4
Sarjana = 5
C. Ukuran Interval,
adalah angka yang selain berfungsi sebagai nominal
dan ordinal juga menunjukkan jarak yang sama, titik
nol letaknya sembarang (tidak absolut).
miskin 0 - 1.200.000
sedang 1.200.001 – 12.000.000
kaya 12.000.001- 25.000.000
konglomerat lebih 25.000.000.
D. Ukuran Rasio,
adalah angka yang selain berfungsi sebagai nominal,
ordinal dan interval, juga menunjukkan berapa kali,
sebab angka nol absolut. Tinggi badan
MULAI
Grafik(cepat memberi
10
0
1st Qtr 2nd Qtr 3rd Qtr 4th Qtr •
TABEL
Tabel 1.1 Bidang Pekerjaan berdasarkan Latar Belakang Pendidikan
Count
pendidikan
SMU Akademi Sarjana Jumlah
bidang administrasi 1 8 6 15
pekerjaan personalia 1 7 8
produksi 4 3 5 12
marketing 2 14 11 27
keuangan 3 4 6 13
Jumlah 10 30 35 75
bidang pekerjaan
GRAFIK administrasi
personalia
produksi
marketing
keuangan
TABEL : memberikan informasi secara rinci. Terdiri atas kolom dan baris
Prestasi Kerja
Bidang pekerjaan Sangat Jelek Cukup Baik Sangat Jumlah
jelek baik baik
Administrasi
Personalia
Produksi
Marketing
Keuangan
Jumlah
9. Membuat Grafik
GRAFIK : memberikan informasi dengan benar dan cepat, tetapi tidak rinci.
Syarat :
1. Pemilihan sumbu (sumbu tegak dan sumbu datar), kecuali grafik lingkaran
2. Penetapan skala (skala biasa, skala logaritma, skala lain)
3. Ukuran grafik (tidak terlalu besar, tinggi, pendek)
Jenis Grafik :
4
• Grafik Batang (Bar)
Sumbu tegak
3
• Grafik Garis (line)
2
• Grafik Lingkaran (Pie)
1
• Grafik Interaksi (Interactive)
0
1 2 3 4
Titik
pangkal Sumbu datar
10. Jenis Grafik
30
20
20
10
10
Jumlah
0
Count
bidang pekerjaan
keuangan
administrasi
700000
600000
personalia
500000
Mean gaji perbulan
Jenis kelamin
400000
marketing
laki-laki
produksi
300000 w anita
sangat jelek jelek cukup baik baik sangat baik
prestasi kerja
PENYEDERHANAAN DATA
FREKUENSI : banyaknya data untuk satu kelompok/klasifikasi
k
n = Σ fi = f1 + f2 + f3 +….. + fi + …… + fk
i=1
DISTRIBUSI FREKUENSI : mengelompokkan data interval/rasio dan
menghitung banyaknya data dalam satu kelompok/klasifikasi
n
X + X2 + X3 + … + Xn
X= 1 Σ Xi
n i =1
n
Bila terdapat sekumpulan bilangan di mana masing-masing bilangannya memiliki frekuensi,
maka rata-rata hitung menjadi :
k
X f + X2 f2 + X3 f3 + … + Xkfk Σ Xifi
X= 1 1
f1 + f2 + f3 + … + fk i =1
k
Σ fi
Cara menghitung : i =1
MEDIAN : nilai tengah dari sekumpulan data setelah diurutkan yang fungsinya membantu
memperjelas kedudukan suatu data.
Contoh : diketahui rata-rata hitung nilai ulangan dari sejumlah siswa adalah 6.55.
Pertanyaannya adalah apakah siswa yang memperoleh nilai 7
termasuk istimewa, baik, atau biasa-biasa saja ?
Jika sekumpulan data banyak bilangannya genap (tidak mempunyai bilangan tengah)
Maka mediannya adalah rerata dari dua bilangan yang ditengahnya.
Contoh : 1 2 3 4 5 6 7 8 8 9 maka median (5+6) : 2 = 5.5
15. Modus
Contoh : A : 100 90 80 70 60 50 40 30 20 10
X = 55
B : 100 100 100 100 100 10 10 10 10 10
r = 100 – 10 = 90
C : 100 100 100 90 80 30 20 10 10 10
Rata-rata
17. Deviasi rata-rata
Deviasi Rata-rata : penyebaran
Berdasarkan harga mutlak simpangan Kelompok A Kelompok B
bilangan-bilangan terhadap rata- Nilai X X - X |X – X| Nilai X X - X |X – X|
ratanya. 100 45 45 100 45 45
90 35 35 100 45 45
80 25 25 100 45 45
70 15 15 90 35 35
60 5 5 80 25 25
Rata-rata 50 -5 5 30 -25 25
40 -15 15 20 -35 35
30 -25 25 10 -45 45
20 -35 35 10 -45 45
10 -45 45 10 -45 45
Jumlah 0 250 Jumlah 0 390
DR = 250 = 25 DR = 390 = 39
10 10
n
|Xi – X|
Rata-rata DR = Σ
n
i=1
8250 15850
n s= √ 9 = 30.28 s= √ 9 = 41.97
√ Σ (Xi – X)
2
s=
i=1 n-1
Kesimpulan :
Kelompok A : rata-rata = 55 ; DR = 25 ; s = 30.28
Kelompok B : rata-rata = 55 ; DR = 39 ; s = 41.97
Maka data kelompok B lebih tersebar daripada kelompok A
19. Normalitas, Hipotesis, Pengujian
Distribusi Normal : kurva berbentuk bel, simetris, simetris terhadap sumbu yang
melalui nilai rata-rata
Kurtosis = keruncingan
Skewness = kemiringan
5% 2.5% 2.5%
Uji t : menguji apakah rata-rata suatu populasi sama dengan suatu harga tertentu atau
apakah rata-rata dua populasi sama/berbeda secara signifikan.
Contoh :
Peneliti ingin mengetahui apakah korban yang mengalami kerugian paling besar
memang berbeda dibandingkan dengan korban lainnya.
Ho : k1 = k2
Diperoleh = 2.865.625 ; std. Dev = 1.789.112,5 ; df = 79 ; t hitung = -22.169
α
Berdasarkan tabel df=79 dan = 0.05 diperoleh t tabel = 1.6644
Kesimpulan : t hitung > t tabel sehingga Ho ditolak
korban yang mengalami kerugian paling besar secara signifikan berbeda
dengan korban lainnya
23. Uji t
2. Uji t dua sampel bebas
Menguji apakah rata-rata dua kelompok yang tidak berhubungan sama/berbeda
Contoh :
Peneliti ingin mengetahi apakah ada perbedaan penghasilan setelah bencana antara
korban ringan dengan korban berat
Ho : Pr = Pb
Diperoleh : = 1547368 ; y = 1537500 ; t hitung = .066
D
t= s Di mana D = rata-rata selisih skor pasangan
D
ΣD2 – (ΣD)2
√
sD = Σ d2 Σd =
2
N(N-1) N
Contoh :
Seorang guru ingin mengetahui perbaikan terhadap pengembangan model pembelajaran
debat. Setelah selesai pembelajaran pertama, ia memberikan tes dan setelah selesai
pembelajaran kedua kembali ia memberikan tes. Kedua hasil tes tersebut dibandingkan
dengan harapan adanya perbedaan rata-rata tes pertama dengan kedua.
Ho : t1 = t2
Diperoleh t1 = 51.36 ; t2 = 52.55 ; korelasi 0.873
Korelasi sangat erat dan benar-benar berhubungan dengan nyata
α
Berdasarkan tabel df=21 dan = 0.05 diperoleh t tabel = 1.7207
Kesimpulan : t hitung < t tabel sehingga Ho diterima
Tidak ada perbedaan yang signifikan antara hasil tes pertama dengan
hasil tes kedua, sehingga ia menyimpulkan model masih belum
diimplementasikan dengan baik
25. Uji Keterkaitan
POSITIF NEGATIF
makin besar nilai variabel 1 makin besar nilai variabel 1
menyebabkan makin besar menyebabkan makin kecil
pula nilai variabel 2 nilai variabel 2
Contoh : makin banyak waktu contoh : makin banyak waktu
belajar, makin tinggi skor bermain, makin kecil skor
ulangan korelasi positif ulangan korelasi negatif
antara waktu belajar antara waktu bermain
dengan nilai ulangan dengan nilai ulangan
NOL
tidak ada atau tidak menentunya hubungan dua variabel
contoh : pandai matematika dan jago olah raga ; pandai
matematika dan tidak bisa olah raga ; tidak pandai
matematika dan tidak bisa olah raga
korelasi nol antara matematika dengan olah raga
26. Uji Keterkaitan
1. KORELASI PEARSON :
apakah di antara kedua variabel terdapat hubungan, dan jika ada hubungan bagaimana
arah hubungan dan berapa besar hubungan tersebut.
Digunakan jika data variabel kontinyu dan kuantitatif
Contoh :
10 orang siswa yang memiliki waktu belajar berbeda dites dengan tes IPS
Siswa : A B C D E F G H I J
Waktu (X) : 2 2 1 3 4 3 4 1 1 2
Tes (Y) : 6 6 4 8 8 7 9 5 4 6
Apakah ada korelasi antara waktu belajar dengan hasil tes ?
Siswa X X2 Y Y2 XY
A
B
ΣX ΣX2 ΣY ΣY2 ΣXY
27. Uji Keterkaitan
Contoh :
10 orang siswa yang memiliki perilaku (sangat baik, baik, cukup, kurang) dibandingkan
dengan tingkat kerajinannya (sangat rajin, rajin, biasa, malas)
Siswa : A B C D E F G H I J
Perilaku : 2 4 1 3 4 2 3 1 3 2
Kerajinan : 2 4 1 4 4 3 2 1 2 3
Apakah ada korelasi antara perilaku siswa dengan kerajinannya ?
Siswa A B C D
Perilaku
Kerajinan
d
d2 Σd2
28. Uji Chi-Square (X2)
Chi-Square (tes independensi) : menguji apakah ada hubungan antara baris dengan
kolom pada sebuah tabel kontingensi. Data yang digunakan adalah data kualitatif.
(O – E)2
X2 = Σ E
Di mana
O = skor yang diobservasi
E = skor yang diharapkan (expected)
Contoh :
Terdapat 20 siswa perempuan dan 10 siswa laki-laki yang fasih berbahasa Inggris, serta
10 siswa perempuan dan 30 siswa laki-laki yang tidak fasih berbahasa Inggris.
Apakah ada hubungan antara jenis kelamin dengan kefasihan berbahasa Inggris ?
Ho = tidak ada hubungan antara baris dengan kolom
H1 = ada hubungan antara baris dengan kolom
P L Σ O E (O-E) (O-E)2 (O-E)2/E
a b a 20 (a+b)(a+c)/N
Fasih
c d b 10 (a+b)(b+d)/N
Tidak fasih c 10 (c+d)(a+c)/N
Σ d 30 (c+d)(b+d)/N
df = (kolom – 1)(baris – 1)
Jika X2 hitung < X2 tabel, maka Ho diterima
Jika X2 hitung > X2 tabel, maka Ho ditolak
29. Uji Chi-Square (X2)
Chi-Square dengan menggunakan SPSS
KASUS : apakah ada perbedaan pendidikan berdasarkan status marital responden
Ho = tidak ada hubungan antara baris dengan kolom atau tidak ada perbedaan pendidikan
berdasarkan status marital
H1 = ada perbedaan pendidikan berdasarkan status marital
Dasar pengambilan keputusan :
1. X2 hitung < X2 tabel Ho diterima ; X2 hitung > X2 tabel Ho ditolak
2. probabilitas > 0.05 Ho diterima ; probabilitas < 0.05 Ho ditolak
pendidikan terakhir * status marital Crosstabulation
Count
status marital
belum kawin kawin janda duda Total Chi-Square Tests
pendidikan SD 1 4 5 3 13
terakhir SMP 9 24 1 2 36 Asymp. Sig.
SMA Value df (2-sided)
5 10 1 2 18
Pearson Chi-Square 30.605 9 .000
Sarjana 0 13 0 0 13
Total 15 51 7 7 80
Likelihood Ratio 29.160 9 .001
Linear-by-Linear
3.412 1 .065
Symmetric Measures Association
N of Valid Cases 80
Value Approx. Sig.
Nominal by Nominal Contingency Coefficient .526 .000
N of Valid Cases 80
Anova : menguji rata-rata satu kelompok / lebih melalui satu variabel dependen / lebih
berbeda secara signifikan atau tidak.
k
JKa = Σ J j - J Di mana :
2
RJKa 2
Σ 21 7 15 Jki = 11.838
RJKi = = 10/15-3 = 0.833
4.2 1.4 3
N-k
32. Uji Anova
Apakah ada perbedaan rata-rata penghasilan sesudah bencana jika dilihat dari
sumbangan yang diterima ?
Ho = rata-rata penghasilan tidak berbeda dilihat dari sumbangan yang diterima
Langkah-langkah :
1. Analysis > compare mean > one way anova
2. Dependent list penghasilan (kuantitatif) ; factor sumbangan yg diterima (kualitatif)
3. Option > descriptive & homogeneity of variance diberi tanda check
4. Post hoc > bonferroni & tukey diberi tanda check
5. Ok
Pemaknaan interpretasi :
Descriptives
Karena probabilitas > 0.05 (lihat sig. 0.905) maka keputusan Ho diterima, artinya
varians homogen sehingga pengujian anova dapat dilanjutkan
ANOVA
Mean
Difference 95% Confidence Interval
(I) sumbangan diterima (J) sumbangan diterima (I-J) Std. Error Sig. Lower Bound Upper Bound
Tukey HSD sedikit sedang -143620.69 135050.2 .540 -466371.94 179130.56
banyak -411001.64* 148595.3 .019 -766123.91 -55879.37
sedang sedikit 143620.690 135050.2 .540 -179130.56 466371.94
banyak -267380.95 147551.5 .172 -620008.61 85246.70
banyak sedikit 411001.642* 148595.3 .019 55879.37 766123.91
sedang 267380.952 147551.5 .172 -85246.70 620008.61
Bonferroni sedikit sedang -143620.69 135050.2 .873 -474143.15 186901.77
banyak -411001.64* 148595.3 .021 -774674.55 -47328.73
sedang sedikit 143620.690 135050.2 .873 -186901.77 474143.15
banyak -267380.95 147551.5 .222 -628499.18 93737.27
banyak sedikit 411001.642* 148595.3 .021 47328.73 774674.55
sedang 267380.952 147551.5 .222 -93737.27 628499.18
*. The mean difference is significant at the .05 level.
Data yang digunakan untuk variabel dependen adalah data kuantitatif, sedangkan
faktor atau kelompok adalah data kualitatif
Contoh Kasus :
Langkah-langkah :
1. Analysis > general linear model > multivariat
2. Dependent variables usia & penghasilan sebelum bencana (kuantitatif) ;
fix factor status marital (kualitatif)
3. Option > descriptive statistic & homogeneity test diberi tanda check
4. Ok
Uji varians dilakukan 2 tahap :
Tahap 1 :
Pengujian terhadap varians tiap-tiap variabel dependen
Ho = varians populasi identik (sama)
alat analisis : Lavene Test ;
keputusan : probabilitas > 0.05 maka Ho diterima
a
Levene's Test of Equality of Error Variances
Ho diterima
Varians tiap variabel identik
Tahap 2 :
Pengujian terhadap varians populasi secara keseluruhan
Ho = matriks varians sama (varians populasi sama yakni keseluruhan variabel dependen)
alat analisis : Box’s M ;
keputusan : probabilitas > 0.05 maka Ho diterima
probabilitas < 0.05 maka Ho ditolak
a
Box's Test of Equality of Covariance Matrices
Box's M 9.578
F .956
df1 9
df2 2964.095
Sig. .475
Tests the null hypothesis that the observed covariance
matrices of the dependent variables are equal across groups.
a. Design: Intercept+STATUS
Ho diterima
Varians populasi identik
Uji Multivariat :
Ho = rata-rata vektor sampel identik (sama)
alat analisis : Pillai Trace, Wilk Lambda, Hotelling Trace, Roy’s
keputusan : probabilitas > 0.05 maka Ho diterima
Multivariate Testsc
Artinya :
Perubahan status marital menyebabkan terjadinya perubahan penghasilan
dan penambahan usia
Nominal
Ordinal
Tidak Transfor
Parametrik
Normal masi
Interval
Periksa
Normalitas Mendekati
Rasio Normal
ANALISAUNIVARIAT
ANALISA UNIVARIAT
Mean,
Mean,Median,
Median,Mode,
Mode,Sd,Sd, Se,
Se, Range,
Range,
Min-Max, Skewness,
Min-Max, Skewness, Kurtosis
Kurtosis
Boxplot;
Boxplot;Stem-Leaf
Stem-Leaf
Tujuan:
Tujuan:
1.Deskripsi
1. Deskripsisetiap
setiapvariabel
variabelditeliti
diteliti
2.Diagnosis
2. Diagnosisasumsi
asumsistatistik
statistiklanjut
lanjut
3.Deteksi
3. Deteksi nilai
nilai ekstrim/outlier
ekstrim/outlier
ANALISIS BIVARIAT:
1. Diagnosis data
2. Uji Hipotesis 2 var
ANALISIS MULTIVARIAT:
53
1. Pemodelan Kuantitatif
ANALISIS BIVARIAT
skala
skala NOMINAL
NOMINAL ORDINAL
ORDINAL Intv&Rasio
Intv&Rasio
NOMINAL Chi-Sq.
NOMINAL Chi-Sq.
Phi-Coeff.
Phi-Coeff.
Cramer'sVV
Cramer's
G-KLambda
G-K Lambda
RelativeRisk
Relative Risk
Fisher'sExact
Fisher's Exact
ORDINAL Chi-Sq.
ORDINAL Chi-Sq. Chi-Sq.
Chi-Sq.
G-KLambda
G-K Lambda G-KLambda
G-K Lambda
Kruskal-Wallis
Kruskal-Wallis Kendal'sTau
Kendal's Tau
Mediantest
Median test Spearmanrr
Spearman
SignTest
Sign Test Somer'sdd
Somer's
WicoxonTest
Wicoxon Test
Somer'sdd
Somer's
Kolmogorov
Kolmogorov
Runstest
Runs test
54
INTERVALPaired
INTERVAL Pairedt-test
t-test Pearson-r
Pearson-r
&&RASIO
RASIO ANOVA
ANOVA Regresi
Regresi
ANALISIS MULTIVARIAT:
- Uji Wilcoxon
- Uji Friedman
- Berganda - Berganda
- Sederhana - Sederhana
Korelasi Partial -W
-T
6. Uji x 2
- Koef. Phi
- Koef. Cramer C.
56
MODEL REGRESI
Motivasi
Kinerja
Pegawai
Bakat
Yi = 0 + 1X1i + 2X2i + i
MODEL REGRESI
Serv-Qual
Satisfaction Loyality
Image
Y1 = 0 + 1X1i + 2X2i + 0
Y2 = 1 + 5Y1i + 1
MODEL REGRESI
INTENSITAS KINERJA
PROMOSI PENJUALAN
DAYA BELI
MASYARAKAT
59
MODEL REGRESI
Kebijakan
E1 Hutang
Kebijakan
Kinerja Dividen
E2 Keuangan
Nilai Prsh
E3
Y1 = 0 + 1X1 + 2X2 + 1
Y2 = 0 + 1Y1 + 1X1 + 2X2 + 2
Y3 = 0 + 1Y1 + 2Y2 + 1X1 + 2X2 + 3
MODEL REGRESI
Kepuasan
E1
kompetensi,
kompensasi
Kinerja E2
Volume Penjualan = 1 KP + 1
Pertumbuhan Pelanggan = 2 KP + 2
Pertumbuhan Penjualan = 3 KP + 3
Durabilitas Instrumen = 4 KB + 4
Imitabilitas Instrumen = 5 KB + 5
Kemudahan Menyamai = 6 KB + 6
MODEL PERSAMAAN STRUKTURAL
Thank You
70
71