Fp unsam spss mm
Upcoming SlideShare
Loading in...5
×
 

Fp unsam spss mm

on

  • 598 views

 

Statistics

Views

Total Views
598
Views on SlideShare
580
Embed Views
18

Actions

Likes
0
Downloads
6
Comments
0

2 Embeds 18

http://cvrahmat.blogspot.com 17
http://www.answered-questions.com 1

Accessibility

Categories

Upload Details

Uploaded via

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Fp unsam spss mm Fp unsam spss mm Presentation Transcript

  • Statistika Konsep dasar dan metodapenggunaannya dalam penelitian
  • Tujuan : Untuk memajukan pemikiran yang tertib, runut dan jelas, terutama yang berhubungan dengan pengumpulan dan interpretasi data numerik, serta menyediakan sejumlah teknik statistika yang mempunyai kegunaan yang luas dalam penelitian. Melakukan penyajian, peringkasan dan pencirian dataStatistika adalah cara berpikir perihal ketidakpastian .
  • Penelitian : Penyelidikan terencana untuk mendapatkan fakta baru, untuk memperkuat atau menolak hasil hasil percobaan terdahulu. Penyelidikan demikian ini akan membantu pengambilan keputusan
  • Pertanyaan yang harus dijawab : Untuk setiap perhitungan statistik, selalu muncul pertanyaan mengenai ketelitiannya, berapa angka yang masih dapat dipercaya sebagai akhir dari serangkaian perhitungan yang kita lakukan
  • StatisticsDescriptive Inferential
  • Aplikasi Statistik dibagi menjadi dua bagian : Statistik Deskriptif Menjelaskan / menggambarkan berbagai karakteristik data seperti mean, std dev, variansi dan sebagainya Statistik Induktif (Inferensi) Membuat berbagai inferensi terhadap sekumpulan data yang berasal dari suatu sampel. Tindakan inferensi tersebut seperti melakukan perkiraan, peramalan, pengambilan keputusan dan sebagainya.
  • Dalam prakteknya kedua bagian statistiktersebut digunakan bersama-sama,umumnya dimulai dengan statistikdeskriptif lalu dilanjutkan dengan berbagaianalisis statistik untuk inferensi.
  • Descriptive Statistics Measures of Measure of GraphicCentral Tendency Variability Displays Mean Variance Frequency Distribution tables Median Standard Deviation Frequency Distribution Polygon Mode Range Histogram Deviation Bar Graph Mean Deviation Sum of Squared Deviation
  • Inferential StatisticsEstimation Correlation & Chi-Square Regressionz-scores Pearson Test for Correlation Goodness of FitSingle Sample Phi-coefficient Test fort statistic IndependenceIndependent Linear Regressiont statisticDependentt statistic
  • Elemen Statistik. 1. Populasi Sekumpulan data yang mengidentifikasikan suatufenomena yang tergantung dari kegunaan danrelevansi data yang dikumpulkan. 2. Sampel Sekumpulan data yang diambil / diseleksi darisuatu populasi. (sampel adalah bagian daripopulasi).
  • 3. Statistik Inferensi Suatu keputusan, perkiraan atau generalisasi tentang suatu populasi berdasarkan informasi yang terkandung dari suatu sampel 4. Pengukuran Reabilitas dari Statistik Inferensi. Tujuan dari statistik pada dasarnya adalah melakukan deskripsi terhadap data sampel, kemudian melakukan inferensi terhadap populasi data berdasar pada informasi (hasil statistik deskriptif) yang terkandung dalam sampel.Catatan :Karena sampel yang diambil hanya sebagian dari populasi, dapat terjadi bias dalamkesimpulannya. Sebagai konsekuensi dari kemungkinan timbulnya berbagai bias dalam inferensi,perlu diukur reabilitas dari setiap inferensi yang telah dibuat.
  • Tipe Data Statistik. Data Kualitatif a. Nominal Mis gender, tgl lahir dsb yang untuk mudahnya dapat dikategorikan dengan angka. (level sama) b. Ordinal Misal selera, dsb (level tidak sama)
  • Tipe Data Statistik. Data Kuantitatif a. Data Interval Data yang memiliki jangkauan Mis pengukuran suhu, Cukup panas antara 50 – 80 derajat C, Panas antara 80 – 110 C, dan Sangat panas antara 110 – 140 C b. Data Rasio. Data dengan tingkat pengukuran ter “tinggi” diantara jenis lainnya. Sehingga dapat dilakukan operasi matematika. Mis jumlah barang, berat badan dsb.
  • Statistik Deskriptif Bagian ini lebih berhubungan dengan pengumpulan danperingkasan data, serta penyajian hasil peringkasan tersebut.Penyajian tabel dan grafik misalnya 1. Distribusi Frekuensi 2. Histogram, Pie chart dsb Dua ukuran penting yang sering digunakan dalam pengambilankeputusan adalah : 1. Mencari Central Tendency (mean, median, modus) 2. Mencari Ukuran Dispersi (std deviasi, variansi) Ukuran lain yang sering digunakan adalah Skewness danKurtosis untuk mengetahui kemiringan data.
  • Statistical Notation Variabel biasanya ditulis sbg “x” dan “y” Untuk populasi dinotasikan dg huruf besar “N” (“N” for populations and “n” for samples) Sigma (Σ ) mewakili operasi penjumlahan
  • Statistical NotationX y xy x+1 x22 3 6 3 43 5 15 4 96 8 48 7 364 2 8 5 16
  • Statistical NotationΣx indicates that scores on variable “x” are to be added;Σy indicates that scores on variable “y” are to be addedIn the previous table,Σ x = 2 + 3 + 6 + 4 = 15Σ y = 3 + 5 + 8 + 2 = 18Σ x Σ y = 15*18 = 270
  • Statistical NotationΣ xy indicates that the 2 variables (x and y) are to be multiplied together, then summed.Σ xy = (2*3) + (3*5) + (6*8) + (4*2) = 77 ( 6 + 15 + 48 + 8 = 77) Note that Σ xy≠ (does not equal) Σ x Σ y (77 vs. 270)
  • Statistical NotationΣ(x+1) indicates that a constant value of 1 is added to each score, then each score is added up Remember that operations in parenthesis are always done firstΣ (x+1) = (2+1) + (3+1) + (6+1) + (4+1) = 19 =( 3 + 4 + 7 + 5 = 19) Notice that Σ (x+1) ≠ Σ x+1 (19 vs. 16)
  • Statistical NotationΣX2 indicates to square each of the x values, then add them up ΣX2 = 2² + 3² + 6² + 4² = 65 (= 4 + 9 + 36 + 16=65) Notice that Σx2 ≠ (Σx) 2 (65 vs. 225)
  • Dalam statistika hal yang paling penting adalah PENGAMATAN
  • Perhatikan data berikut :8, 8, 9, 10, 11, 12, 125, 6, 8, 10, 12, 14, 151, 2, 5, 10, 15, 18, 19Dan8, 9, 10, 10, 10, 11, 125, 7, 9, 10, 11, 13, 151, 5, 8, 10, 12, 15, 19
  • Perhatikan data berikut :8, 8, 9, 10, 11, 12, 12 s: 1.65, 6, 8, 10, 12, 14, 15 s: 3.581, 2, 5, 10, 15, 18, 19 s: 6.96Dan8, 9, 10, 10, 10, 11, 12 s: 1.195, 7, 9, 10, 11, 13, 15 s: 3.161, 5, 8, 10, 12, 15, 19 s: 5.60
  • Central TendencyCENTRAL TENDENCY: A statistical measure that identifies a single score that is most typical or representative of the entire group; a single score or measurement used to describe an entire distribution Usually, a value that reflects the middle of the distribution is used, because this is where most of the scores pile up No single measure of central tendency works best in all circumstances, so there are 3 different measures -- mean, median, and mode. Each works best in a specific situation
  • Central Tendency (Mode)MODE: The score or category that has the greatest frequency; the most common score To find the mode, simply locate the score that appears most often – In a frequency distribution table, it will be the score with the largest frequency value – In a frequency graph, it will be the tallest bar or point
  • Central Tendency (Mode)Example: A sample of class ages is given. . .Ages f * The age with the highest 23 1 frequency is 19, with a 22 0 frequency of 3; therefore, the 21 1 mode is 19. 20 0 19 3 18 2
  • Central Tendency (Mode)A distribution may have more than one mode, or peak: A distribution with 2 modes is said to be bimodal; A distribution with more than 2 modes is said to be multimodal Example: A sample of class ages. . .Age f * age 22 and age 19 both23 1 have a frequency of 3; if22 3 this distribution were21 1 graphed, there would be20 1 2 peaks; therefore this19 3 distribution is bimodal --18 2 both 22 and 19 are modes
  • Central Tendency (Mode)Advantages: Easiestto determine The only measure of central tendency that can be used with nominal (categorical) dataDisadvantages Sometimes is not a unique point in the distribution (bimodal or multimodal) Not sensitive to the location of scores in a distribution Not often used beyond the descriptive level
  • Central Tendency (Median)MEDIAN: The score that divides the distribution exactly in half; 50% of the individuals in a distribution have scores at or below the median
  • Central Tendency (Median)Method 1: (Use when N (or n) is an odd number) List the scores from lowest to highest; the middle score on the list is the medianExample: The ages of a sample of class members are 24, 18, 19, 22, and 20. What is the median value? List the scores from lowest to highest: 18, 19, 20, 22, 24 The middle score is 20 - therefore, that is the median
  • Central Tendency (Median)Method 2: (Use when N (or n) is an even number) List scores in order from lowest to highest and locate the point halfway between the middle two scoresExample: The ages of a sample of class members are 18, 19, 20, 22, 24 and 30. What is the median age?The scores are already listed from lowest to highest; select the middle two scores (20, 22) and find the middle point: 20 + 22 median = = 21 2
  • Central Tendency (Mean)MEAN (µ, x): The mathematical average of the scores The amount that each individual would receive if the total (Σx) were divided up equally between everyone in the distribution Computed by adding all of the scores in the distribution and dividing that sum by the total number of scores ∑x Population mean: µ = N Sample x= ∑x mean: n
  • Central Tendency (Mean) Note that, while the computations would yield the same answer, the symbols differ for a population (µ, N) and a sample (x,n)Example:x= ∑ x = 18 + 19 + 19 + 21 + 23 = 100 = 20 n 5 5
  • Central Tendency (Mean) Ifa constant is added or subtracted from each score used to compute the mean, the mean will change by the value of that constantExample: The class scores on a 15-point quiz are 8, 4, 12, 14, 4, and 6. The mean of these scores is. . . x= ∑ x = 8 + 4 +12 + 14 + 4 + 6 = 48 = 8 n 6 6
  • Central Tendency (Mean)Suppose the instructor made an error on the quiz and decided to add 1 point to everyone’s score. How would that change the mean? X+1 * The new scores are 9, 5, 13, 15, 5, &7 8+1= 9 * The new mean is: 4+1= 5 ∑ x = 54 = 912+1=13 n 614+1=15 * so, adding a constant to each score 4+1= 5 (x+a) and calculating mean has the 6+1= 7 same result as adding that constant toΣX = 54 the mean (x+ a)
  • Central Tendency (Mean) Ifall of the scores are multiplied or divided by a constant value, and the mean is then computed, the result will be the same as if the mean were multiplied or divided by that constantExample: A 10-point quiz is given to a class. Their scores are 6, 5, 7, 8, 10 and 6. The mean is computed. . . 42 ΣX=42 x= =7 6
  • Central Tendency (Mean)The instructor then decides to change the value of the quiz from 10 points to 20 points. What is the new mean for the class? X(2) * The new scores are 12, 10, 14, 6(2)=12 16, 20, 12 84 5(2)=10 * The new mean is: x = = 14 7(2)=14 6 8(2)=16 * thus, multiplying each score by10(2)=20 a constant is the same as 6(2)=12 multiplying the mean by the ΣX=84 constant
  • Central Tendency (Mean) Sensitiveto extreme scores, and therefore may not be desirable when working with highly skewed distributions Example: compare 2 samples of class ages 1) 18, 19, 20, 22, 24 2) 18, 19, 20, 22, 47 x1 = 20.6 Vs. x 2 = 25.2
  • ModeMedianMean Mean – Mode = 3(Mean – Median)
  • Persentase luas daerah antara Mean dan Std Dev X 1 2 3| x +/- 1s | = 68.27%| x +/- 2s | = 95.45%| x +/- 3s | = 99.73%
  • Measures of Variability range- (highest score - lowest score) +1 (Xhi − Xlow ) +1 deviation- score - mean (X i − X) mean deviation- the average absolute deviation score ∑ Xi − X n
  • Measures of Variability sum of squares- the sum of the squared deviation scores – definitional SS = ∑(Xi − X) = ∑(xi ) 2 2
  • Measures of Variability variance- the average sum of the squared deviation scores – sample- SS ∑(Xi − X)2 s = 2 = n −1 n −1 – population- SS ∑(X i − u) 2 σ = 2 = N N
  • Statistik InferensiSetelah dilakukan uji terhadap suatu distribusidata, dan terbukti bahwa data yang diujiberdistribusi normal atau mendekati normal, makapada data tersebut dapat dilakukan berbagaiInferensi dengan metode statistik parametrik.Tetapi jika dalam pengujian terbukti distribusi datatidak berdistribusi normal atau jauh dari normalmaka Inferensi yang dilakukan harus denganmetode statistik non parametrik.
  • Uji Hipotesa Dalam melakukan uji hipotesis, ada banyak faktor yang menentukan seperti apakah sampel yang diambil berjumlah banyak atau hanya sedikit, apakah std deviasi populasi diketahui, apakah variansi dari populasi diketahui, apa metode parametrik yang digunakan, dst.1. Prosedur Uji Hipotesis a. Menentukan H0 dan H1 b. Menentukan nilai statistiknya 1. Tingkat kepercayaan 2. Derajat kebebasan 3. Jumlah sampel yang didapat
  • c. c. Menentukan Statistik hitung, nilai inid. tergantung pada metode parametrike. yang digunakan.b. d. Mengambil keputusan, hal ini ditentukan dengan membandingkan nilai statistik hitung dengan nilai statistik tabel atau nilai kritisnya.
  • Kesalahan : Jikakita menolak hipotesa, sedangkan hipotesa benar dikatakan kita melakukan kesalahan type I Sebaliknya jika kita menerima hipotesa sedangkan hipotesa salah, dikatakan kita melakukan kesalahan type II
  • Derajat kepercayaan. (level of significant) Dalam melakukan test terhadap hipotesa, maksimum probabitity yang akan kita gunakan untuk mendapatkan resiko Type I disebut derajat kepercayaan Harga yang umum di gunakan adalah 0.05 dan 0.01
  • 2. Berbagai Metode Parametrik a. Inferensi terhadap sebuah rata-rata populasi • sampel besar, gunakan rumus z • sampel kecil (<30), gunakan student t test b. Inferensi terhadap dua rata-rata populasi • Sampel besar, gunakan z test yang dimodifikasi • Sampel kecil, gunakan t test yang dimodifikasi atau F test
  • c. Inferensi untuk mengetahui hubungan antar variabel > Hubungan antar Dua Variabel, meng gunakan metode korelasi dan Regresi sederhana > Hubungan antar lebih dari dua variabel, menggunakan metode korelasi dan regresi berganda
  • Regresi Sederhana dan KorelasiJika akan dibahas mengenai dua variabel numerikatau lebih, termasuk hubungan di antara keduanya,maka digunakan dua teknik perhitungan, yaituRegresi dan Korelasi.Dalam analisa Regresi, akan dikembangkansebuah persamaan regresi yaitu formulamatematika yang mencari nilai variabel tergantung(dependent) dari nilai variabel bebas(independent) yang diketahui. Analisa regresiterutama digunakan untuk tujuan peramalan.
  • Model Matematika yang digunakan : GarisLurus Parabola / Kurva Kuadratik Kurva kubik Kurva Quartic Kurva pangkat n Biasanya disebut sebagai polinomial berderajat satu, dua, ….dst
  • Metoda Garis Lurus y= a + bx
  • Metoda Kuadrat Terkecil (Least Square)Untuk mendapatkan parametery = a + bx + e
  • Statistik Non-ParametrikJika data yang ada tidak berdistribusiNormal, atau jumlah data sangat sedikitserta level data adalah nominal atau ordinal,maka perlu digunakan metode statistikalternatif yang tidak harus menggunakansuatu parameter tertentu misalnya Mean,STD Deviasi dll. Metode ini disebutmetode Statistik Non Parametrik.
  • Keuntungannya :• Data tidak harus berdistribusi Normal, (distribution free test) • Dapat digunakan untul level data nominal dan ordinal • Cenderung lebih sederhana
  • Kelemahan :• Tidak ada sistematika yang jelas• Hasil bisa meragukan karena kesederhanaan metodenya• Tabel yang digunakan lebih banyak Dalam penggunaannya apakah akan digunakan metode parametrik atau non parametrik, semua tergantung pada situasi yang ada, dan keduanya lebih bersifat saling melengkapi dalam melakukan berbagai pengambilan keputusan.
  • SPSS(Statistical Product and Service Solutions ) Adalah suatu program komputer statistik yang mampu mengolah/memproses data statistik secara cepat dan tepat, untuk mendapatkan berbagai hasil/keluaran yang dikehendaki para pengambil keputusan
  • Komponen SPSS1. Data Collection, mengumpulkan data untuk pengolahan data2. Data Preparation, persiapan data untuk pengolahan data lebih lanjut3. Data analysis & Data mining, menyediakan berbagai perhitungan statistik untuk pengolahan data4. Data deployment, mendistribusikan hasil pengolahan data (informasi)
  • Cara Kerja SPSS (analogi dengan proses komputer) Pada Komputer Proses Data Data Input Komputer Output Pada Statistik Proses Data Data Input Output Statistik
  • Window Pada SPSS 1. Data Editor – File, Edit, View, Data, Transform, Analize, Graphs, Utilities, – Window, Help 2. Menu Output Navigator Insert, Format 3. Menu Pivot Table Editor 4. Menu Chart Editor Gallery, Chart, Series 5. Menu Text Output Editor 6. Menu Syntax Editor 7. Menu Script Editor
  • Bagian SPSS yang berhubungan dengan Statistik Deskriptif 1. Frequencies. – Membahas beberapa penjabaran ukuran statistik deskriptif seperti Mean, Median, Kuartil, Persentil, Standar Deviasi dll 2. Descriptive – Berfungsi untuk mengetahui skor z dari suatu distribusi data dan menguji apakah data berdistribusi normal atau tidak 3. Explore – Berfungsi untuk memeriksa lebih teliti terhadap sekelompok data dengan Box-Plot dan Steam and Leaf Plot, selain beberapa uji tambahan untuk menguji apakah data berasal dari distribusi normal.
  •  4. Crosstab – Digunakan untuk menyajikan deskripsi data dalam bentuk tabel silang. Menu ini juga dilengkapi dengan analisis hubungan di antara baris dan kolom, seperti independensi antara mereka, besar hubungannya dsb 5. Case Summaries – Digunakan untuk melihat lebih jauh isi statistik deskriptif yang meliputi subgroup dari sebuah kasus.
  • Penggunaan Regresi dengan SPSS. 1. Pilih menu Analyze – Regression – Linear 2. Tentukan var bergantung dan var bebas 3. Tentukan Metoda yang digunakan (Enter, Stepwise, Forward, Backward) 4. Tentukan perhitungan statistik yang diperlukan 5. Tentukan jenis plot yang diperlukan 6. Tentukan harga F testnya