Kul 04 spss_eb
Upcoming SlideShare
Loading in...5
×
 

Like this? Share it with your network

Share

Kul 04 spss_eb

on

  • 759 views

SUMBER BELAJAR SPSS

SUMBER BELAJAR SPSS

Statistics

Views

Total Views
759
Views on SlideShare
759
Embed Views
0

Actions

Likes
0
Downloads
12
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

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

Kul 04 spss_eb Document Transcript

  • 1. SPSSTATAP MUKA KE IV COMPUTING DESCRIPTIVE STATISTICSCOMPARING GROUPS 31-82 2009 dosen Prof. Dr. H. Soedito Adjisoedarmo
  • 2. COMPUTINGDESCRIPTIVE STATISTICSBAGAIMANA CARA ANDA DAPATMERANGKUMG NILAI SUATUVARIABEL ?Apa yang dimaksud skalamengukuran ?Mengapa skala mengukuranpenting ?Apa bedanya mean dengan modedan Median?Kapan median lebih baik mengukurCentral tendency dibanding dgmean ?
  • 3. BAGAIMANA CARA ANDA DAPATMERANGKUMG NILAI SUATU VARIABEL Apa yang dimaksud skala mengukuran ? Mengapa skala mengukuran penting ? Apa bedanya mean dengan mode dan Median? Kapan median lebih baik mengukur Central tendency dibanding dg mean ? Apa yang dapatkan dari variance ? Apa yang dapatkan dari coefficient Variation? Apa yang dimaksud score terstandar Dan mengpa penting ?
  • 4. Pada pokok bahasan ke iii, telahdigunakan tabel frekuensi, pie danbar chart serta histogram untukmengamati distribusi nilai variabel.Fasilitas/prosedur tersebutmerupakan teknik esensial untukmengenali data.Di samping teknik tersebut kitasering membutuhkan untukmerangkum nilai variabel lebihlengkap dengan cara menghitungstatistics dari nilai variabel
  • 5. Atau central tendency, danmengamati penyebaran data disekitas nilai tengah, atau yanglebih dikenal sebagai variasi ataukergamanan data.Pada pokok bahasan iv akandibahasan penggunaan frekuensidan prosedur descriptive untukmenghitung statistics yang seringdigunakan untuk central tendencydan variability
  • 6. WHAT’S A STATISTIC ?Sering kalau kita mengumpulkandata, kita ingin menarik kesimpulanmengenai populasi individu atauobyek berdasar individu atau obyekyang kita libatkan dalam penelitian.ContohDari sampel gss ditarik (ditaksir)simpulan untuk populasi, rakyatamerika.Dari sample umpan balik ditariksimpulan untuk mhs fakultaspeternakan. Dst….
  • 7. Statistic merupakan karak teristiksampel untuk variabel tertentu.Simpulan yang diambil untukmenaksir karakteristik po pulasi.Karakteristik yang dimili ki populasidisebut parameter.Kalau kita mempunyai data umurseluruh mahasiswa indonesia, nilaitengah umur tersebut disebut nilaiparameter
  • 8. Pada umumnya untuk semuapopulasi nilai parameter tidakdiketahui. Oleh karena itu ditaksirmenggunakan stastic sample yangdiperoleh lewat penelitian;menggunakan analisis data yangantara lain dapat menggunakanspss.
  • 9. SUMMARIZING DATAPerhatikan data dari tatap muka keiii; kalau ada akan merangkumlebih lanjut nilai data tersebut,misal ingin mengetahui rataanumur, atau karakteristik statuspekerjaan atau kepuasaanterhadap pekerjaan mereka ( ditempat yang berbeda).Jawaban yang spesifik mungkintidak dapat diperoleh, karena carauntuk menetapkan jawaban yangspesifik banyak cara.
  • 10. Anda dapat menjawab menggunakan mode, median atau nilaitengah data dari sampel.Untuk memilih mengukuran yangdigunakan di atas, anda harusmempertimbangkan sifat data yanganda miliki/peroleh dari survai, dansifat dari skal mengukuran yangdigunakan.
  • 11. SCALES OF MEASUREMENT(SKALA PENGUKURAN) Salah satu karakteristik data yang harus selalu pertimbangkan adalah skala mengukuran yang digunakan untuk memperoleh data tersebut. Skala mengukuran dikelompok kan menjadi • nominal • Ordinal • Interval dan • ratio (Steven, 1946)
  • 12. SKALA NOMINALSkala nominal digunakan hanyauntuk identifikasi. Data yang diukurdengan skala nominal tidak dapatdiurutkan dari yang kecil ke yangbesar.ContohStatus pekerjaan diukur denganskala nominal, meskipun dalambentuk kode, angka tersebut tidakbermakna, retired, in school dankeeping house tidak dapatdiurutkan dan dikatakan yang satulebih besar dari yang lain
  • 13. Contoh variavel dengan skala nominal
  • 14. Tempat lahir, dan warna kulitadalah contoh lain variabel yangdiukur dengan skala nominal.Digunakan untuk identifikasi.
  • 15. SKALA PENGUKURANYANG PERLU DIINGATWHEN ARE STATISTICS APPLICABLE ?The data type fall into a sort ofhierarchy so that any statistic orprocedure that is applicable for thelowest type is also applicable for allhigher type.The lowest type of data in thehierarchy is called Nominal data .
  • 16. Nominal data, is the type of datathat we normally call categoricaldata. In this type of data the valuesmerely substitutes for names ofvalues.An example of nominal data wouldbe Church. This variable couldtake on values such as (1)Lutheran , (2) Methodist, (3)Catholic, and (4) Jewish, etc.
  • 17. Alphanumeric data can also bedescribed as nominal data. Noneof the statistics (mean, variance,range, sum, std err, kurtosis,minimum, std dev, skewness,sum) however Frequencies orCrosstabs are applicable.
  • 18. SKALA NOMINAL Bila anda menggunakan skala nomial, maka anda membuat partisi dalam suatu himpunan ke dalam kelompok-2 yg mutually exclusive (mewakili kajadian yang berbeda) dan collectively exhaustic (dapat menjelaskan semua kejadian yg terjadi dalam kelompok tersebut).
  • 19. VARIABEL NOMINAL Varibel yang ditetapkan berdasar atas proses penggolongan. Variabel nominal bersifat diskrit dan saling pilah (mutually exclusive) antara kategori yang satu dengan kategori yang lain. Contoh: jenis kelamin, status perkawinan, dan jenis pekerjaan
  • 20. The next data types iscalled Ordinal dataOrdinal dataThis type of data has a particularorder to its values. For example arating on FOOD at a restaurant withvalues good, fair, dan poor wouldbe ordinal data.Another example of ordinal datawould be an opinion surveywith answers such as stronglyagree, agree, neutral, disagree,strongly disagree.
  • 21. Ordinal data can be ranked fromhigh to low which makes thestatistics minimum, maximum, danrange applicable.Most statisticians agree that theother statistics and proceduressuch as mean, Pearson corr andregression should not be usedwith ordinal data.
  • 22. SKALA ORDINALMencakup ciri-2 skala nominalditambah satu yaitu urutan.Skala ordinal dapat dipakai jikapostulat mengenai transitivitasdipenuhi. Postulat tsb menyatakanbahwa apabilaa lebih besar dari b dan b lebih besardari c, maka a lebihbesar dari c (a>b>c).Urutan yang dapat dipakai adalah :lebih dari……………….kurang dari…………….di atas ………………….di bawah……………….
  • 23. SKALA ORDINAL Contoh skala pendapat, skala preferensi, Statistik yang dapat dipakai: median, persentil (seperseratusan) dan kuartil (seperempatan) menyatakan sebaran nya. Ukuran uji nyata secara statistik menggunakan metode non-para metrik (Steel & Torrie, 19--; hal 533)
  • 24. VARIABEL ORDINALVariabel yang disusun atas jenjangdalam atribut tertentu. Jenjangtertinggi biasanya diberi angka 1,jenjang di bawah nya diberi angka2, dan seterusnya.Contoh: ranking hasil lomba
  • 25. INTERVAL DATAThe third type of data is in intervallevel data. We frequently call thismetric or continues data. In additionto having a order like ordinal datathis type of data also as a fixed unitof measurement.An example of an interval levelvariable would be temperature. Thisvariable is interval since thedistance between 30 and 1 degreesis the same as the distance betweenany other two consecutive degrees.
  • 26. INTERVAL DATAAll of the statistics including mean,standard deviation, standard error,variance, kurtosis and skewness areapplicable for this kind of data,The procedures Pearson Corr danRegression are also applicable
  • 27. SKALA INTERVALSkala interval memiliki keampuhanskala ordinal dan niminal masihditambah lagi dengan mencakupkesamaan interval (jarak antara1 dan 2, sama dengan jarak antara2 dengan 3).Waktu kalender merupakan contohskala interval. Dapat juga untukskala sikap. Ukuran sentralnyaadalah rata-rata hitung. Prosedurstatistik yang dapat dipakai antaralain: korelasi product moment, uji t,dan uji F .
  • 28. VARIABEL INTERVALVariabel yang dihasilkan daripengukuran, yang di dalampengukuran itu dasumsikanterdapat satuan pengukuran yangsama .Contoh: prestasi belajar, sikapterhadap……, penghasilan, dsb
  • 29. RATIO DATAThe forth and highest type of datain the hierarchy is called ratio data.This type of data has all theproperties of ordinal data but hasadded the additional property ofhaving a zero point in itsmeasurement scheme.
  • 30. SKALA RASIOMemiliki semua keampuhandari skala nominal, ordinal, daninterval, dan ditambah denganmemiliki titik nol.Skala rasio mencerminkanjumlah yang sebenarnya daridari suatu variabel.
  • 31. SKALA RASIOContoh: ukuran dimensi fisik sepertiberat, tinggi, jarak dan lsb. Dalampenelitian bisnis banyak ditemui/digunakan skala rasio misalnya:nilai uang, jumlah pupulasi, jarak,jumlah waktu dalam periode waktu.Semua prosedur teknik dapatditerapkan untuk skala rasio.
  • 32. VARIABEL RASIOVariabel yang dalam kuantifikasinya mempunyai nilai nolmutlak.Di dalam penelitian , terlebih-lebihdalam penelitian ilmu sosial,orang jarang menggunakanvariabel rasio.
  • 33. Mode, Median danArithmetic Average Mode, Median dan Arithmetic average merupakan pengukuran central tendency yang paling banyak dipakai. Mode diperoleh dengan cara mendapat frekuensi yang paling sering muncul. Mode, karena tidak membutuhkan nilai variabel mempunyai makna, maka sering digunakan untuk skala nominal.
  • 34. Mode jarang dilaporkan sendirian, biasanya dilengkapidengan tabel frekuensi dan barchart. Dengan menggunakanmode kesalahan mudah terjadiapabila digunakan untukkarakteristik variabel.Mode hanya memberikan informasi sedikit.
  • 35. Apabila anda merangkum suatuvariabel yang nilainya dapatdiurutkan dari yang kecil kebesar, median akan lebihberguna untuk mengukurcentral tendency.Urutkan lebih dahulu nilaivariabel, kemudian cari nilaiyang di tengah.
  • 36. Kelemahan Median, ialah,tidak memanfaatkan seluruhinformasi yang tersedia.Misal, diperoleh nilai, 28, 29,30, 31, dan 32 maka mediannyaadalah 30. Untuk nilai 28, 29,30, 98, dan 190 mendian juga30. Jelas bahwa angka di atasdan di bawah mediandiabaikan. Angka 98 dan 190tidak mempengaruhi nilaimedian.
  • 37. Ukuran central tendency yang palingsering digunakan adalah arithmeticmean, yang juga disebut sebagaiaverage (rataan, x). Mean menggunakan semua nilai nyata dariseluruh kasus.Mean dihitung denganmenggunakan rumusMean = 28+29+30+98+190 = 75 5 (4.1)
  • 38. Can I use the mean forvariables that have only twovalues ?Banyak variabel, seperti yangmenjawab pertanyaa ya/tidak atausetuju/tidak setuju, memiliki duanilai. Biasanya dikodekan dengan0 dan 1. Maka arithmetic averagememberikan proporsi kasusdengan kode 1. Arithmeticmean=0,5 berarti 50% respondenmenjawab ya.
  • 39. Comparing Mean dan MedianFig 4.1 berisi descriptive statisticsdari prosedur Frequency, untukvariabel age dan education.Dapat diperiksa bahwa rataanumur responden GSS adalah46,23 tahun, Median 43, lebihrendah dari mean. Lamamengikuti pendidikan mempunyaimean 13,04 dan median 12tahun.
  • 40. Kedua variable tersebut memilikimean lebih besar dari median.Penyebabnya adalah karenakedua variabel tersebut memilikitail menuju ke nilai terbesar.Karena responden yangdisertakan berumur 18 tahun keatas, maka angka di bawah 18tidak diperoleh, umur di atas 18tahun tidak ada batasnya. Nilaiyang tinggi menaikkan meanumur.
  • 41. Fig 4.1 Mean, Median and mode for age and education
  • 42. Apabila distribusi nilai benar-benar simetrik maka mean danmedian sama nilainya.Apabila distribusi nilai memilikilong tail (distribusinya disebutskwed) maka mean akan lebihbesar dari median apabila tailmenuju nilai yang lebih besar,dan sebaliknya.
  • 43. Apabila nilai data berbeda yangbesar, maka mean bukanmerupakan ukuran centraltendency yang baik; disebabkankarena mean dipengaruhi olehnilai ekstrim yang disebut outliers. Pada kasus demikian lebih baikdilengkapi dengan median, dansebutkan nilai ekstrim tinggi danrendah.
  • 44. Measures of Variability Ukuran central tendency tidak memberikan informasi mengenai besar perbedaan antar nilai. Misal, mean dan median mempunyai nilai 50; datanya sbb., 50, 50, 50, 50, 50 dan 10, 20, 50, 80, 90. Terlihat bahwa distribusi/ sebaran angka tersebut sangat berbeda. Ukuran variability/keragaman akan memberikan informasi penyebaran angka.
  • 45. RangeRange adalah ukuran palingsederhana untuk keragaman; yaituperbedaan (selisih) antara nilaitertinggi dan terendah.Range tidak ada manfaat dihitunguntuk variabel nominal; karenanilai/kode untuk varibel nominaltidak dapat diartikan sebagaiurutan besar ke kecil dansebaliknya.
  • 46. Pada fig 4.2 dapat diperiksa,variabel age memilikiminimal 18 th, maximum 89dan range 71 (89-18).Nilai range menunjukkanbesar kecilnya perbedaanantara nilai terkecil danterbesar.Ukuran keragaman yanglebih baik dari range adalahinterquartile range.
  • 47. Fig 4.2 Descriptive statistics for age and education
  • 48. Interquartile range adalah jarakantara nilai 75th dan 25 thpercentile. Nilai ini berbedadengan range karena, tidakterpengaruh oleh nilai ekstrim.
  • 49. Variance and Standard Deviation Ukuran keragamaan yang paling sering adalah variance. Variance berdasar kuadrat jarak antara nilai individu dan mean. Variance dihitung dengan rumus sbb.Variance = ∑( x − x ) 2 ( N −1) Eq 4.2
  • 50. Contohdata : 28,29, 30, 98, dan 190mean = 75 2 2 ( 28 − 75) + .....(190 − 75)Variance = (5 − 1)Variance = 5,026 Eq 4.3
  • 51. Kalau variance sama dengan 0,maka berarti data memiliki nilaiyang sama, sehingga mean jugasama dengan nilai individu.Makin besar nilai variance berartidata nilainya makin tersebar. erPada fig 4.2 variance untukvariabel age = 303,392 tahun;untuk variabel education = 9,452tahun.Akar variance = standard deviation
  • 52. The Coefficient of VariationNilai standar deviation tergantungpada unit pengukuran untukvariabel tertentu. Misal, standarddeviation untuk umur diukur dalamhari akan lebih besar dibandingkalau diukur dengan bulan.Coefficient of variation mengeks-presikan standard deviationsebagai persentase dari mean.
  • 53. Coefficient of variation dihitungdengan rumus sbb.Coefficient satandard dev.of variation = x 100 meanCV = 100% kalau standard deviasi sama dengan mean Eq 4.4
  • 54. CV untuk variabel umur= 37,68%;CV untuk variavel education=23.54%.Berdasar nilai mean maka umurlebih bervariasi dibandingkandengan education.
  • 55. Standard ScoreAnda dapat menentukan posisisuatu kasus pada distribusi nilaipengamatan dengan caramenghitung/menggunakanstandard score atau z score,menggunakan rumus sbb.Standar value - meanscore = standar deviation Eq 4.5
  • 56. Standard score memberikaninfor masi berapa standard deviasijarak kasus terhadap mean (dibawah atau di atas).Kalau kasus memiliki standardscore sama dengan 0, maka nilaikasus tersebut sama denganmean.Kalau Z score sama dengan1, berarti, kasus, 1 standardeviasi di atas mean, dst.
  • 57. Untuk mendapatkan z score andadapat menggunakan prosedurDescriptive, z score dapat disimpan sebagai variabel baru.Periksa fig 4.3 dan 4.4
  • 58. Fig 4.3 Descriptive statistics in the Viewer
  • 59. Fig 4.4 Data Editor with standar score saved as a new variable
  • 60. COMPARING GROUPS How can you determine if the values of the summary statistics for a variable differ for subgroups of cases ?1. Apa yang dimaksud subgrup kasus ?2. Apa yang dapat anda pelajari dari menghitung rangkuman statistik secara terpisah dari subgrup kasus tersebut ?
  • 61. 3. Bagaimana cara anda dapat membuat grafik mean dari subgrup kasus tersebut ?Telah dibahas penggunaan prosedur Frequency dan Descriptiveuntuk menghitung rangkumanstatistics untuk kasus yang telahdipelajari (GSS dan Umpan balik).
  • 62. Selain yang telah dibahas tersebut,sering dibutuhkan kemampuan kitauntuk membandingkan rangkumanstatistik untuk subgrup kasus yangberbeda.Misal1. Kita ingin membandingkan nilai ujian untuk klas A, B danK.2. Kita ingin membandingakan nilai mahasiswa putri dan putra.3. Kita ingin membandingkan nilai mahasiswa putri dan putra untuk klas A, B dan K. Dst
  • 63. Masalah tersebut tidak mudahuntuk dijawab denganmenggunakan prosedur Frequencydan Descriptive.Yang dapat membantu adalahprosedur Mean yang dapat digunakan untuk menghitung rangkumanstatistik subgrup.Menggunakan prosedur Mean andaakan dapat membandingkanrataaan education, dan jobsatisfaction untuk subgrup yangberbeda.
  • 64. Case Processing Summary Cases Included Excluded Total N Percent N Percent N PercentNilai ujiansisipan * 61 34,5% 116 65,5% 177 100,0%Klasmahasiswa
  • 65. ReportNilai ujian sisipan Std.Klas Deviatimahasiswa Mean N onA 84,56 26 9,2675B 73,75 2 8,8388K 78,79 33 9,5631Total 81,08 61 9,7870
  • 66. Misal untuk variabel Education,anda dapat membadingkan meaneducation (dalam tahun) dalamsub grup Very satified, Mostsatified, A little dissatified dan Verydissatisfied.Selanjutnya dalam subgruptersebut dapat dibandingkanmean untuk subsubgrup male danfemale (periksa fig 5.1 dan 5.3).
  • 67. Fig 5.1 Pivoted Means output for education and job satisfaction
  • 68. Fig 5.2 Bar chart of education by job satifaction
  • 69. Layers : Defining subgroups by more than one variable
  • 70. Fig 5.3 Pivoted means output for job satisfaction and gender subgroups
  • 71. COMPARING GROUPSMenggunakan Case selectionMenggunakan file gssMembandingkan mean education dalamKelompok Job satisfictionYang dilibatkan dalam analisis hanyafull-time workersCara mengerjakan periksa caption beriku
  • 72. Memilih kasus - full-time workers---
  • 73. Gunakan select cases
  • 74. Dialog box Select cases--- pilih if condition
  • 75. Ketik syarat, wrkstat = 1 …. 1=Working fulltime
  • 76. Kasus yang tidak memenuhi syarat di coret (/)