09 Desember 2009

ANALISIS DISKRIMINAN

"Discriminant analysis is useful in situation where the total sample can be divide into group based on a dependent variable characterizing several known case. The primary objectives of multiple discriminant analysis are to understandgroup differencess and to predict the likelihood that an entity (individual or object) will belong to a particular class or group based on several metric independent variable," (Hair, Anderson, Tatham, Black,1995)
("Analisis diskriminan berguna pada situasi di mana sampel total dapat dibagi menjadi grup-grup berdasarkan karakteristik variabel yang diketahui dari beberapa kasus. Tujuan utama dari analisis multipel diskriminan adalah untuk mengetahui perbedaan antargrup,"(Hair, Tatham, Anderson, Black,1995).
Sumber : Sofyan dan Heri, 2009

Analisis diskriminan digunakan untuk untuk memodelkan suatu hubungan antara variabel dependen yang berdata kategori dengan beberapa variabel independen (prediktor). Analisis diskriminan berusaha untuk mengelompokan setiap objek ke dalam dua atau lebih kelompok berdasarkan pada sejumlah kriteria variabel independen. Asumsi dalam analisis diskriminan yaitu :

  1. Tidak adanya multikolinieritas antara variabel independen 
  2. Setiap variabel independen mengikuti fungsi distribusi normal 
  3. Adanya homogenitas varians antara kelonpok data.
Contoh kasus
Sebuah tempat pariwisata, yang banyak dikunjungi wisatawan akan melakukan survey terhadap para pengunjung. Variabel penelitian, antara lain informasi tempat wisata, sikap/persepsi, jumlah keluarga, umur kepala keluarga dan pendapan responden. Informasi tempat wisata dibagi 2 kelompok yaitu kelompok yang mendapatkan informasi dari promosi dan kelompok yang tidak mendapatkan informasi promosi. Pihak manajemen ingin mengetahui faktor apa yang mempengaruhi padamasing-masing kelompok? dan apakah ada perbedaan yang signifikan antara kelompok pertama dan kedua.

Download artikelnya [PDF]

KORELASI DAN ASOSIASI

"The primary objective is to measure the strength or degree associatioan between two variables. Ther coefficient correlation measures this strength of (linier) association. For example we may be interested in finding the correlation (coefficient) between smooking and lung cancer, between scores of statistics and mathematic examination, between high school grades and collage grades, and so on," (Gujarati, Damodar, 1995).

("Tujuan utama adalah mengetahui ukuran kekuatan atau kekuatan hubungan antara dua variabel. Koefisien korelasi mengukur kekuatan hubungan tersebut (linier). Misalnya kita tertarik untuk mencari korelasi (koefisien) antara merokok dengan kanker paru-paru, antara nilai statistik dan matematika, antara sekolah menengah dengan perguruan tinggi, dan sebagainya,"(Gujarati, Damodar,1995).
Sumber : Yamin dan Kurniawan,2009

Analisis korelasi adalah metode statistik yang digunakan untuk mengukur besarnya hubungan antara dua variabel atau antar set-variabel. Nilai korelasi berkisar antara -1 dan 1, dimana nilai korelasi -1 berarti hubungan antara dua variabel tersebut adalah negatif sempurna, nilai korelasi 0 berarti tidak ada hubungan antara dua variabel tersebut, sedangkan nilai korelasi 1 berarti bahwa terdapat hubungan positif sempurna antara dua variabel terswebut. Interpretasi dari besarnya nilai korelasi antara variabel dapat diklasifikasikan sebagai berikut :
0,00-0,09 : Hubungan korelasi diabaikan
0,10-0,29 : Hubungan korelasi rendah
0,30-0,49 : Hubungan korelasi moderat
0,50-0,70 : Hubungan korelasi sedang
di atas 0,70 : Hubungan korelasi sangat kuat

Selain itu, untuk menentukan apakah besarnya hubungan itu signifikan atau tidak, kita dapat menyimpulkan dari nilai signifikan value (p-value) hasil uji korelasi.
(Sumber : Sofyan dan Heri, SPSS Complete, 2009)


Ada beberapa uji korelasi dan asosiasi yaitu :
  1. Koefisien Korelasi Rank Spearman dan Kendall's Tau. Korelasi ini digunakan untuk mengetahui hubungan antara dua variabel data yang berskala ordinal.
  2. Korelasi Pearson. Korelasi ini digunakan untuk mengetahui hubungan antara dua variabel yang berskalan interval. Dalam korelasi ini bahwa kedua variabel diasumsikan mengikuti diatribusi normal.
  3. Koefisien Kontigency C (Cramer's V). Korelasi ini digunakan untuk mengetahui hubungan antara variabel yang berskala nominal.
  4. Measure of Agreement Cohen's Kappa. Korelasi ini digunakan untuk mengukur kesesuaian antara hasil evaluasi dua buah alat ukur ketika alat ukur tersebut digunakan untuk subyek yang sama.
  5. Asosiasi ETA. Asosiasi ini digunakan untuk mengetahui besarnya hubungan antara variabel data yang berskala nominal dan interval.

03 Desember 2009

ANALISIS K-MEAN CLUSTER

"Cluster analyse is a technique for grouping individual or object into clusters so that object in same cluster are more like one another than they are like object in other cluster. Specifically the objective is to classify a sample of entities (individual or object) into a small number mutually exclusive groups based on the similarities among the entities. The first is the measurement of some form of similarity or association between the entities to determine how many groups really exsist in the sample. the second step is to profile the person or variable to determine their composition,"(Hair, Anderson, Tatham, Balck,1995).

("Analisis kluster adalah teknik untuk mengelompokkan individu atau objek menjadi beberapa kelompok tertentu dimana setiap objek yang berada dalam kuster yang sama mempunyai kemiripan satu dengan yang lain di bandingkan dengan anggota kluster lain. Secara khusus, tujuan analisis kluster adalah untuk mengklasifikasikan entitas sampel (individu atau objek) menjadi sejumlah kecil kelompok khusus yang di dasarkan pada kemiripan antarentitas. Analisis cluster umumnya menbutuhkan dua tahapan. Pertama, mengukur kemiripan atau asosiasi di antara entitas untuk menentukan berapa banyak kelompok yang akan dipakai pada sampel. Kedua, memprofilkan orang atau variabel untuk menentukan posisinya," (Hair, Anderson, Tatham, Black,1995).

Sumber : Sofyan dan Heri, SPSS Complete, 2009

Pada praktiknya, analisis kluster digunakan untuk segmentasi sejumlah konsumen (responden) ke dalam beberapa kelompok (kluster) berdasarkan kemiripan sejumlah atribut yang didefinisikan .
Ada dua teknik analisis kluster yaitu :
    1. K-Mean Cluster. K-Mean Cluster adalah analisis statistik yang berguna untuk mengelompokan sejumlah objek ke dalam jumlah kelompok yang sudah ditetapkan di mana karakteristik objek hanya dikelompokan berdasarkan variabel tertentu akan tetapi karakteristik latar belakang objek belum diketahui dengan pasti. Analisis ini sangat efektif dan efisien jika digunakan untuk mengelompokkan objek yang berjumlah besar. berdasarkan pengalaman, K-Mean Cluster ini digunakan untuk objek yang berjumlah lebih dari 100.
    2. Hierarchical Cluster. Hierarchical cluster adalah sebuah analisis kluster yang berusaha untuk mengelompokan objek berdasarkan kemiripan yang ada pada objek tersebut di mana objek yang serupa akan dikelompokkan bersama. Tipe analisis kluster ini digunakan bila objek yang akan dikelompokan berjumlah kecil. Biasanya jumlah objek kurang dari 100.
     Dalam prakteknya, langkah analisis dilakukan 2 proses :
    1. Melakukan standarisasi nilai/data yang akan dianalisis (dengan Z score)
    2. Setelah mendapatkan nilai yang distandarisasi, lakukan analisis selanjutnya.
    Selengkapnya download artikel [PDF]

    01 Desember 2009

    PATH ANALYSIS Dengan SPSS

    "Employing simple bivariate correlations to estimate the relationships in a system of structural equation. The methode is based on specifying the relationships in a series of regression like a equation (portrayed graphically in a path diagram) that can then be estimated by determining the amount of correlation attributable to each effect in each equation simultaneously," (Hair, Anderson, Tatham, Black,1995)
    ("Korelasi bivariate sederhana digunakan untuk mengestimasi hubungan pada sistem persamaaan structural. Metodenya didasarkan pada pengkhususan hubungan pada seri regresi seperti persamaan (digambarkan berupa grafik pada diagram jalur) yang kemudian dapat diestimasikan dengan menetapkan jumlah korelasi yang menghubungkan masing-masing efek pada tiap persamaan secara simultan",(Hair, Anderson, Tatham, Black, 1995)

    Sumber : Sofyan dan Heri, 2009

    Pada dasarnya analisis jalur merupakan pengembangan dari analisis korelasi, yang dibangun dari diagram jalur yang dihipotesiskan oleh peneliti dalam menjelaskan mekanisme hubungan kausal antarvariabel dengan cara menguraikan koefisien korelasi menjadi pengaruh langsung dan tidak langsung. Analisis jalur dapat dikatakan sebagai analisis regresi linier dengan variabel-variabel yang dibakukan. Oleh karena itu, koefisien jalur pada dasarnya merupakan koefisien beta atau regresi baku. Diagram jalur yang dibangun oleh peneliti harus mempunyai dasar pertimbangan teoritis yang benar serta pengetahuan yang logis dan dapat dipertanggungjawabkan.
    beberapa istilah yang perlu dikatahui dalam analisis jalur adalah variabel eksogen, variabel endogen, variabel eror, dan koefisien jalur.

    27 November 2009

    REGRESI LOGISTIK

    "Logistic regression may be used to model a relationship between a two category (binary) outcame variable (also called a dependent variable) and one or more axplanatory variables (also called insdependent or predictor variables). The estimates from a logistic regression model for each independent variables give an estimate of the effect of that variable on the outcame variable after adjusting for all other independent variables in the model,"(Cath Robert, Rachel Dolman, Anne Kingdon,2007).

    ("Model regresi logistik dapat digunakan untuk memodelkan hubungan antara dua kategori (binary) variabel hasil (variabel dependen/terikat) dan dua atau lebih variabel penjelas (variabel independen/bebas. Estimasi model regresi logistik untuk masing-masing variabel bebas memberikan perkiraan efek variabel tersebut terhadap variabel terikat setelah menyesuaikan dengannya dengan variabel bebas lainnya pada pemodelan tersebut," (Cath Robert, Rachel Dolman, Anne Kingdon,2007)).
    Sumber : Sofyan dan Heri, SPSS Complete, 2009

    Ada beberapa perbedaan antara analisis regresi berganda dengan analisis regresi logistik/binary logistik yaitu :
    1. Analisis regresi berganda terdapat uji F yaitu uji pengaruh bersama-sama variabel independen terhadap variabel dependen dan uji t yaitu untuk mengetahui pengaruh tiap variabel/masing-masing variabel independen terhadap variabel dependen. sedangkan analisis regresi logistik hanya terdapat uji t.
    2. Pada analisis logistik variabel dependennya berskala dikotomis (dua pilihan), misalnya ya atau tidak, berkualitas atau tidak berkualitas, lulus atau gagal, sering atau jarang
    Selanjutnya Langkah Analisis Regresi Logistik dengan SPSS 
    Silahkan download artikelnya [PDF]

    26 November 2009

    ANALISIS FAKTOR

    "Factor analysis, including variations such as component analysis and common factor analysis is a statistical approach that can be used to analyse interrelationship among a large number of variabel and to explain these variable in term of their common underlying dimension (factor). The objective is to find a way of codensing the information contained in a number of origin variable into a smaller set of variable (factor) with a minimum loss of information," (Hair, Anderson, Tatham, Black,1995).

    ("Faktor analisis, termasuk variasi seperti analisis komponen dan faktor analisis umum adalah pendekatan statistik yang dapat digunakan untuk menganalisis hubungan diantara beberapa variabel dan menjelaskan variabel-variabel ini dalam keadaan umumnya berdasarkan dimensi (faktor). Tujuannya adalah untuk mencari cara menyingkat informasi yang terdapat dalam beberapa variabel asal menjadi serangkaian variabel yang lebih kecil (faktor) dengan meminimalkan kehilangan informasi,"(Hair, Anderson, Tatham, Black,1995)
    Sumber : Sofyan dan Heri, SPSS Complete, 2009

    Asumsi mendasar pada analisis faktor adalah bahwa variable-variabel yang dianalisis memiliki keterkaitan atau saling berhubungan karena analisis faktor berusaha untuk mencari common dimension (kesamaan dimensi) yang mendasari variabel-variabel tersebut.

    09 November 2009

    VALIDITAS DAN RELIABILITAS

    "Reliability is a set of latent construct indicators consistent in their measurement. In more formal term, reliability is degree to which a set of two or more indicator "share" in their measurement of a construct. The indicator highly reliable consruct are highly intercorrelated, indicating that they all are measuring the same laten construct. As reliablity decreases, the indicators become less consistent and then are poorer indicator of laten construct,"(Hair,Anderson,Tatham,Black,1995).
    ("Reliabilitas merupakan serangkaian indikator gagasan laten yang konsisten dalam pengukuranya. dalam istilah yang lebih formal, reliabilitas adalah tingkatan di mana serangkaian dua atau lebih indikator "berbagi" di dalam pengukuran gagasan mereka. Indikator gagasan yang dapat dipercaya sangat berhubungan, menunjukan bahwa mereka semua mengukur gagasan laten yang sama. Ketika reliabilitas menurun, indikator menjadi kurang konsisten, sehingga menjadi indikator gagasan laten yang buruk."(Hair, Anderson, Tatham, Black, 1995).
    Sumber : Yamin dan Kurniawan, 2009.

    Validitas
    Istilah valid atau validitas berasal dari kata validity yang mempunyai arti sejauh mana ketepatan dan kecermatan alat ukur dalam melakukan fungsi ukurnya. Suatu dimensi atau indikator dikatakan valid apabila indikator tersebut mampu mencapai tujuan pengukuran dari kotnstrak amatan yang tepat. Suatu indikator mengukur konstrak amatan a haruslah indikator yang pada akhirnya memberikan informasi dan menggambarkan konstrak amatan A. Dalam prakteknya, kecermatan pengukuran baik dalam bidang eksak, sosial atau psikologi masih didapati suatu kesalahan. Kesalahan itu dapat berupa hasil yang tinggi (overestimate). Kesalahan-kesalahan ini yang dikenal dengan istilah measurement error. Indikator yang valid adalah indikator yang memiliki measurement error yang kecil.
    Uji validitas adalah suatu ukuran yang menunjukkan sejauhmana kevalidan kesahihan/data suatu instrumen. Tinggi rendahnya validitas instrumen menunjukkan sejauhmana data yang terkumpul tidak menyimpang dari gambaran tentang variabel yang dimaksud (Bilson Simamora, 2004:72). Variabel-variabel terukur dikatakan valid jika r hasil > r tabel (nilai kritis). Untuk menguji validitas dapat menggunakan rumus Bivariate Pearson.


    Rumus Bivariate Pearson


    Dimana :

    = Korelasi item pertanyaan dengan item total
    n     = jumlah responden
    X    =  Skor item pertanyaan
    Y    = Skor total item pertanyaan

    Reliabilitas
    Uji reliabilitas atau kehandalan menunjukkan sejauhmana pengukuran dapat memberikan hasil yang tidak berbeda bila dilakukan pengukuran kembali terhadap subyek yang sama artinya mempunyai konsistensi pengukuran yang baik. Sebaliknya, apabila suatu instrumen dikatakan reliabel bila nilai Alpha Cronbach > 0.7. Pengujian reliabiltas dapat dilakukan dengan rumus KR 2.1 (Kuder Richardson).
    Formula Alpha cronbach's :

    Rumus Alpha Cronbach's

    Dimana :
       = Nilai Alpha Cronbach's
    k   = banyaknya item pertanyaan
    = varian item pertanyaan
      = varian skor tes.  

    Silahkan download artikelnya [PDF]

    REGRESI BERGANDA

     "Multiple regression is the appropirate method of analysis, when the reseach problem involves a single metrice independen variable. The objective of multiple regression analysis is to predict the change in the dependent variable, variable is response to change several independent variable"(Hair, Anderson,Tatham, Black,1985).
    (Regresi berganda adalah metode analisis yang tepat ketika penelitian melibatkan satu variabel terikat yang diperkirakan berhubungan dengan satu atau lebih variabel bebas. Tujuan analisis regresi berganda adalah memperkirakan perubahan respon pada variabel terikat terhadap beberapa variabel bebas)(Hair,Anderson,Tatham,Black,1995)
    Sumber : Yamin dan Kurniawan (2009)

    Analisis regresi berganda adalah sebuah pendekatan yang digunakan untuk mendefinisikan hubungan matematis antara variabel dependen (Y) dengan satu atau beberapa variabel independen (X) . Hubungan matematis digunakan sebagai suatu model regresi yang digunakan untuk meramalkan atau meprediksi nilai (Y) berdasarkan nilai (X) tertentu. Dengan analisis regresi akan diketahui variabel independen yang benar-benar signifikan mempengaruhi variabel dependen dan dengan variabel yang signifikan tadi dapat digunakan untuk memprediksi nilai variabel dependen. Hubungan matematis dapat digambarkan sebagai berikut :


    Dimana :
    Y = variabel deoenden
    = konstanta
    = Koefisien regresi
      = variabel independen
    = eror/residu

    Sumber : Sofyan dan Heri, SPSS Complete, 2009


    Ada beberapa uji asumsi klasik yang mendasar dalam analisis regresi antara lain :
    1. Normalitas. Uji normalitas bertujuan untuk menguji apakah dalam sebuah model regresi, variabel independen dan dependen mempunyai distribusi normal atau mendekati normal. Deteksi pengambilan keputusan adalah sebagai berikut : jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal maka model regresi memenuhi asumsi normalitas. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas. Uji Normalitas dapat dilakukan dengan Kolmogorov-Smirnov. Pengujian ini dilakukan pada nilai standardized Residual. Jadi sebelum melakukan uji tersebut, lakukan analisis regresi terlebih dahulu, untuk mendapatkan nilai standardized residual.
    2. Multikolinieritas. Uji asumsi ini bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antarvariabel independen. Jika terjadi korelasi maka model regresi tersebut terdapat problem multikolinieritas. Sedangkan yang baik seharusnya dalam model regresi tidak terjadi korelasi antara variabel independen. Cara mendeteksi problem ini dengan melihat besarnya nilai VIF (variance inflation factor) dan tollerance. Nilai VIF disekitar angka 1 dan nilai tollerance  mendekati 1. Kemudian melihat besarnya korelasi antara variabel independen, besarnya nilai koefisien korelasinya antara variabel independen harus lemah (<0.05).
    3. Heterokedastisitas.  Pengujian ini dilakukan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varian dan residual dari satu pengamatan ke pengamatan lain. Adanya heterokedastisitasdapat dideteksi dengan melihat ada tidaknya pola tertentu pada grafik, dimana sumbu x adalah Y yang diprediksi dan sumbu Y adalah residual (Yprediksi-Ysesungguhnya) yang telah di studentized.
    Ada beberapa pengujian dalan analisis regresi berganda antara lain :
    1. Uji t. Uji ini digunakan untuk menguji pengaruh variabel independen terhadap variabel dependen secara parsial/sendiri.
    2. Uji F. Uji F digunakan untuk menguji variabel independen terhadap variabel dependen secara simultan/serentak.
    Download artikelnya [PDF]

    25 Oktober 2009

    PERBANDINGAN RATA-RATA

    Perbandingan rata-rata digunakan untuk membandingkan deskripsi rata-rata kelompok data. Sebenarnya opsi utama dari Compare Means/Means pada program SPSS adalah analisis deskriptif yang terdiri dari mean dan standar deviasi dari setiap kelompok data.
    Contoh kasus
    Seorang manajer pemasaran yang memproduksi minuman kaleng merk A ingin mengetahui rata-rata preferensi rasa minuman kaleng dari 30 responden yang dipilih berdasarkan jenis kelamin(gender). Pertanyaan yang diajukan yaitu : seberapa suka bapak/ibu/saudara terhadap rasa minuman merk A? format skala rasa 1-7 dalam bentuk semantic differential.

    Data Input Perbandingan Rata-Rata


    Langkah-langkah :
    1. Klik Analyze >Compare Means>Means
    2. Masukkan variabel rasa ke dalam kolom Dependent List
    3. Masukkan variabel jenis kelamin ke dalam Independen List
    4. Klik Option pilih Anova Table and Eta, pilih Test of Linierity
    5. Klik OK
    Untuk selanjutnya, apakah rata-rata dari data memiliki perbedaan yang nyata (berbeda signifikan) maka dapat dilakukan analisis tambahan yaitu Anova table and eta dan Test for Linierity.

    Download artikelnya [PDF]

    DESKRIPSI CROSSTAB

    Statistik deskriptif crosstab (tabulasi silang) termasuk dalam analisis deskripsi. Namun ada perbedaan dibandingkan dengan statistik deskriptif frekuensi,dan eksplore. Deskriptif crosstab menyajikan data dalam bentuk tabulasi, yang meliputi baris dan kolom. Ciri-ciri crosstab pada umumnya adalah dua variabel atau lebih yang mempunyai hubungan secara deskriptif. Penyajian data pada umumnya adalah data kualitatif, khususnya berskala nominal seperti hubungan antara jenis kelamin dengan usia, jenis kelamin dengan pekerjaan dan lain sebagainya.

    Contoh kasus.
    Sebuah rumah sakit ingin mengetahui respon dari pasien mengenai pelayanan di rumah sakit tersebut dengan kriteria adalah usia, gender, dan persepsi pasien. Apakah ada hubungan antara usia dengan persepsi (sikap) dan hubungan antara gender dengan sikap pasien mengenai pelayanan yang telah diberikan ?
    Langkah analisisnya :
    1. Pilih Analyse
    2. Descriptive Statistics
    3. Crosstabulation
    4. Pindahkan variable ke Rows, dan variabel yang lain ke Colums
    5. Klik Statistics dan chi-square, continue
    6. Klik OK untuk di proses.
    Hasil Output SPSS



    Crosstabulasi Usia dan Sikap Pasien

    Crosstabulasi Usia daan Sikap (Lanjutan)

    Pada tabel usia*sikap pasien di atas menunjukan, responden yang besikap sangat puas sebanyak 13 (52%) dan tidak puas sebanyak 12 responden (48%). Responden yang bersikap sangat puas terdiri dari responden yang berumur di atas 13 tahun (15,4%), umur 13-19 th (7,7%),22-24 th (23,1%), umur 25-34 th (7,7%), umur 35-44 th (23,1%). Begitu juga untuk sikap responden yang lainnya.

    Chi-Square tes



    Chi-Square test Usia dengan Sikap Pasien


    Chi-square test menunjukkan signifikansi p-value sebesar 0,726 (lebih kecil dari 0,05), hal ini berarti tidak ada hubungan antara usia dengan sikap pasien pada pelayanan.
    Chi-Square test Gender dengan Sikap Pasien

    Pada tabel chi-square test di atas menunjukkan nilai signifikansi p-value 0,543 (lebih kecil dari 0.05). Hal ini berarti tidak ada hubungan antara gender dengan sikap responden pada pelayanan rumah sakit tersebut.

    Download artikel [PDF]

    DESKRIPSI EXPLORE

    Pada analisis ekplorasi ini juga termasuk statistik deskriptif yang digunakan untuk menggambarkan data dalam bentuk kuantitatif yang tidak menyertakan pengambilan keputusan melalui hipotesis. Statistik eksplorasi digunakan untuk :
    1. Mengetahui ukuran pemusatan data dan penyebaran data
    2. Menguji normalitas
    3. Mengetahui ada tidaknya data pencilan/outlier
    4. Mengetahui homogenitas varians dari beberapa kelompok data
    Langkah-langkah analisis :

    1. Pilih Analyse, Descriptive, Explore
    2. Masukan variabel ke dalam Dependen List. Pada contoh ini variabel Pengeluaran belanja.
    3. Pada Display klik Both yang berarti baik statistics maupun plot akan digunakan.
    4. Klik Statistics dan default pada Descriptive
    5. Klik Plot, pada kotak dialog Boxplot pilihan default pada Factor levels together dan kotak Descriptive pada stem and leaf.
    6. Klik pilihan Normality plots with tests.
    7. Tekan Continue kemudian OK.
    8.  
      Menu Explore Plots
      Hasil Output SPSS
       
      Tabel Deskripsi Penjualan
      Pada tabel descriptives di atas menunjukkan rata-rata penjualan 589,07, standar deviasi 226,681, minimum penjualan 202, maximum penjualan 1142, skewness 0,417 dan kurtois 0,210.
      Test of Normality
      Untuk menjawab apakah data penjualan berdistribusi normal, maka digunakan uji kolmogorov smirnov dan Shapiro-wilk, diagram Histogram dan grafik QQ plot. Hipotesis dalam analisis ini :
      H0= data mengikuti distribusi normal
      H1= data tidak mengikuti distribusi normal
      Kriteria uji :
      Tolak hipotesis H0 apabila nilai p-value < 0,05.
      Berdasarkan tabel Test of Normality dadapat nilai p-value statistik uji Kolmogorov Smirnov dan Shapiro Wilk sebesar 0,200 dan 0,302 (> 0,05) hal ini berarti menerima H0 sehingga data mengikuti distribusi normal.
      Grafik Histogram Penjualan
    Pada grafik histogram menunjukkan grafik menyerupai bentuk bel sehingga dapat disimpulkan data penjualan menunjukkan distribusi normal.
    Data yang berdistribusi normal juga dapat dilihat pada grafik QQ Plot di bawah ini. Data yang berdistrbusi normal akan mengikuti arah garis melintang/diagonal seperti pada grafik di bawah ini.
    Grafik Normal QQ Plots Penjualan
    Download artikelnya [PDF]

    DESKRIPSI STATISTIK

    Statistik deskripsi digunakan untuk mengetahui :
    1. Ukuran pemusatan data
    2. Ukuran penyebaran data (standar deviasi, maksimum, minimum, dan range).
    3. Ditribusi data yaitu skewness dan kurtois
    Contoh kasus.
    Seorang manajer pemasaran ingin mengetahui rata-rata penjualan minuman kaleng selama bulan Agustus tahun 2009.
    Langkah-langkah analisis :

    Langkah Analisis Deskripsi
    1. Klik Analyse, Descriptive Statistic, Descriptives
    2. Masukan variabel ke dalam kotak variable(s)
    3. Klik Option, dan pilih Mean, Standar deviation, Minimum, Maksimum, dan Range
    4. Klik Continue kemudian OK
    Hasil Output SPSS
    Tabel Deskripsi Penjualan




    Tabel Nilai Kurtosis Penjualan
    Dari tabel di atas dapat disimpulkan bahwa rata-rata penjualan minuman adalah 589,07 (589) kaleng setiap bulan. dengan standar deviasi 226,681. Penjualan minuman adalah 202 kaleng dan penjualan maksimum 1142 kaleng.
    Rata-rata penjualan mempunyai nilai skewness dan kurtois sebesar 0,417 dan kurtois sebesar 0,210 . Umumnya, bila skewness dan kurtois terletak pada range -2 hingga 2, maka variabel data tersebut akan mengikuti distribusi normal.

    Download artikelnya [PDF]

    DESKRIPSI FREKUENSI

    Dari titel/judul dapat diketahui bahwa statistik deskripsi frekuensi merupakan statistik deskripsi yang menggambarkan data dalam bentuk kuantitatif yang tidak menyertakan pengambilan keputusan melalui hipotesis. Statiktik deskripsi frekuensi digunakan untuk :
    1. Mengetahui frekuensi setiap variabel data
    2. Mengetahui distribusi respons dari setiap responden (misal : setuju, tidak setuju,dan lain-lain)
    Contoh.
    Sebuah pusat perbelanjaan sedang melakukan riset untuk mengealuasi tingkat kepuasan pengunjung terhadap pelayanan kasir di pusat pembelanjaan  tersebut. Diambil 50 responden dan diminta menjawab pertanyaan yang diajukan.
    Langkah-langkah Analisis :

    1. Pilih Analyse, Descriptive Statistics, Frequencies
    2. Masukan variabel yang akan dianalisis ke dalam kotak variable(s)
    3. Klik Continue kemudian OK
    Hasil Output SPSS 

    Tabel Validasi Input Data



    Tabel statistic digunakan untuk memvalidasi apakah terdapat data yang tidak diisi oleh responden (missing value). Berdasarkan tabel di atas, diketahui bahwa tidak terdapat missing value. Hal ini dapat dilihat dari row missing  yang menunjukkan nilai nol untuk semua kolom (variabel).

    Tabel Frekuensi Jenis Kelamin



    Tabel jenis kelamin menunjukkan bahwa dari 50 responden, terdapat 25 responden laki-laki dan 25 responden wanita yang berpartispasi dalam survei.

    Tabel Sikap Responden
    Tabel pelayanan kasir menerangkan distribusi frekuensi sikap responden terhadap pelayanan kasir. Terlihat bahwa dari 50 responden ,5 orang (10%) menunjukkan sikap sangat puas, 12 responden (24%) puas, 10 responden (20%) cukup puas, 16 responden (32%) tidak puas dan 7 responden (14%) sangat tidak puas).
    apabila ditampilkan dalam Bar Chart seperti terlihat di bawah ini.

    Grafik Frekuensi Jenis Kelamin
    Grafik Sikap Responden Terhadap Pelayanan Kasir

    Download artikel [PDF]

    08 Oktober 2009

    PENGENALAN SPSS

    Blog ini didedikasikan untuk mahasiswa dan peneliti yang ingin belajar SPSS. SPSS (Statistic Product and Service Solution) sangat mudah dipelajari. Blog ini menyediakan cara menganalisis data penelitian dengan menggunakan software komputer SPSS for Windows, disertai dengan e-book yang dapat didownload (gratis). Yo...belajar menganalisis riset penelitian baik skripsi, KTI (Karya Tulis Ilmiah), maupun tesis yang pakai data kuantitatif baik ilmu sosial maupun eksak.
    Penggunaan ilmu statistik sebagai alat analisis dewasa ini telah luas dikembangkan dan di pakai berbagai bidang seperti biologi, fisika, kimia, pertanian, psikologi sosial, ekonomi, dan manajemen. Pesatnya perkembangan penggunaan statistik didukung oleh software statistik yang mempermudah pengolahan data. Salah satunya adalah software SPSS, yang telah umum digunakan peneliti untuk menganalisis data penelitian.

    Hingga kini software SPSS terus menambah tool-tool yang terbaru untuk analisis data mengikuti perkembangan ilmu statistik. adapun software statistik lainnya yang banyak digunakan adalah : Minitab, Statistica, JMP, Lisrel, TSP, dan Stata.
    Proses langkah SPSS meliputi :
    1. Data yang akan diproses dimasukkan lewat menu DATA EDITOR yang akan muncul dilayar saat SPSS dijalankan
    2. Data yang telah diinput kemudian diproses lewat menu DATA EDITOR
    3. Hasil pengolahan data akan muncul di layar (window) yang lain dari menu SPSS yaitu : OUTPUT
      NAVIGATOR
     Output hasil analisis dapat berupa :
    1. Teks atau tulisan, pengerjaan (perubahan huruf, penambahan pengurangan dan lain-lain) dapat dilakukan berhubungan dengan output berbentuk teks dapat dilakukan lewat menu teks OUTPUT EDITOR
    2. Tabel, pengerjaan (Pivoting table, penambahan, pengurangan, tabel dan lain-lain) yang berhubungan dengan output berbentuk tabel dapat dilakukan lewat menu PIVOT TABLE EDITOR
    3. Chart atau grafik, pengerjaan (perubahan tipe grafik dan lain-lain) yang berhubungan dengan output berbentuk grafik dapat dilakukan lewat menu CHART EDITOR
    Untuk mengetahui lebih lanjut, bisa di download artikelnya.

    Silahkan download [PDF]