SPSS
TATAP MUKA KE IV
COMPUTING
DESCRIPTIVE
STATISTICS
COMPARING GROUPS
31-82
EDISI 2013
dosen
Prof(Em). Dr. H. Soedito Ad...
BAGAIMANA CARA ANDA DAPAT
MERANGKUMG NILAI SUATU
VARIABEL ?
Apa yang dimaksud skala
mengukuran ?
Mengapa skala mengukuran
...
BAGAIMANA CARA ANDA DAPAT
MERANGKUMG NILAI SUATU VARIABEL
Apa yang dimaksud skala mengukuran ?
Mengapa skala mengukuran pe...
Pada pokok bahasan ke iii, telah
digunakan tabel frekuensi, pie dan
bar chart serta histogram untuk
mengamati distribusi n...
Atau central tendency, dan
mengamati penyebaran data di
sekitas nilai tengah, atau yang
lebih dikenal sebagai variasi atau...
Sering kalau kita mengumpulkan
data, kita ingin menarik kesimpulan
mengenai populasi individu atau
obyek berdasar individu...
Statistic merupakan karak teristik
sampel untuk variabel tertentu.
Simpulan yang diambil untuk
menaksir karakteristik po p...
Pada umumnya untuk semua
populasi nilai parameter tidak
diketahui. Oleh karena itu ditaksir
menggunakan stastic sample yan...
Perhatikan data dari tatap muka ke
iii; kalau ada akan merangkum
lebih lanjut nilai data tersebut,
misal ingin mengetahui ...
Anda dapat menjawab mengguna
kan mode, median atau nilai
tengah data dari sampel.
Untuk memilih mengukuran yang
digunakan ...
Salah satu karakteristik data yang
harus selalu pertimbangkan adalah
skala mengukuran yang digunakan
untuk memperoleh data...
Skala nominal digunakan hanya
untuk identifikasi. Data yang diukur
dengan skala nominal tidak dapat
diurutkan dari yang ke...
Contoh variavel dengan skala nominal
Tempat lahir, dan warna kulit
adalah contoh lain variabel yang
diukur dengan skala nominal.
Digunakan untuk identifikasi.
SKALA PENGUKURAN
YANG PERLU DIINGAT
WHEN ARE STATISTICS APPLICABLE ?
The data type fall into a sort of
hierarchy so that a...
Nominal data, is the type of data
that we normally call categorical
data. In this type of data the values
merely substitut...
Alphanumeric data can also be
described as nominal data. None
of the statistics (mean, variance,
range, sum, std err, kurt...
Bila anda menggunakan skala
nomial, maka anda membuat partisi
dalam suatu himpunan ke dalam
kelompok-2 yg mutually exclusi...
VARIABEL NOMINAL
Varibel yang ditetapkan
berdasar atas proses
penggolongan. Variabel nominal
bersifat diskrit dan saling p...
The next data types is
called Ordinal data
Ordinal data
This type of data has a particular
order to its values. For exampl...
Ordinal data can be ranked from
high to low which makes the
statistics minimum, maximum, danminimum, maximum, dan
rangeran...
SKALA ORDINAL
Mencakup ciri-2 skala nominal
ditambah satu yaitu urutan.
Skala ordinal dapat dipakai jika
postulat mengenai...
SKALA ORDINAL
Contoh
skala pendapat, skala preferensi,
Statistik yang dapat dipakai:
median, persentil (seperseratusan)
da...
VARIABEL ORDINALVARIABEL ORDINAL
Variabel yang disusun atas jenjang
dalam atribut tertentu. Jenjang
tertinggi biasanya dib...
INTERVAL DATA
The third type of data is in interval
level data. We frequently call this
metric or continues data. In addit...
INTERVAL DATA
All of the statistics including mean,
standard deviation, standard error,
variance, kurtosis and skewness ar...
SKALA INTERVALSKALA INTERVAL
Skala interval memiliki keampuhan
skala ordinal dan niminal masih
ditambah lagi dengan mencak...
VARIABEL INTERVALVARIABEL INTERVAL
Variabel yang dihasilkan dari
pengukuran, yang di dalam
pengukuran itu dasumsikan
terda...
RATIO DATA
The forth and highest type of data
in the hierarchy is called ratio data.
This type of data has all the
propert...
SKALA RASIO
Memiliki semua keampuhan
dari skala nominal, ordinal, dan
interval, dan ditambah dengan
memiliki titik nol.
Sk...
SKALA RASIO
Contoh: ukuran dimensi fisik seperti
berat, tinggi, jarak dan lsb. Dalam
penelitian bisnis banyak ditemui
/dig...
VARIABEL RASIO
Variabel yang dalam kuantifi
kasinya mempunyai nilai nol
mutlak.
Di dalam penelitian , terlebih-lebih
dalam...
Mode, Median dan
Arithmetic Average
Mode, Median dan Arithmetic
average merupakan pengukuran
central tendency yang paling
...
Mode jarang dilaporkan sendi
rian, biasanya dilengkapi
dengan tabel frekuensi dan bar
chart. Dengan menggunakan
mode kesal...
Apabila anda merangkum suatu
variabel yang nilainya dapat
diurutkan dari yang kecil ke
besar, median akan lebih
berguna un...
Kelemahan Median, ialah,
tidak memanfaatkan seluruh
informasi yang tersedia.
Misal, diperoleh nilai, 28, 29,
30, 31, dan 3...
Ukuran central tendency yang paling
sering digunakan adalah arithmetic
mean, yang juga disebut sebagai
average (rataan, x)...
Can I use the mean for
variables that have only two
values ?
Banyak variabel, seperti yang
menjawab pertanyaa ya/tidak ata...
Fig 4.1 berisi descriptive statistics
dari prosedur Frequency, untuk
variabel age dan education.
Dapat diperiksa bahwa rat...
Kedua variable tersebut memiliki
mean lebih besar dari median.
Penyebabnya adalah karena
kedua variabel tersebut memiliki
...
Fig 4.1 Mean, Median and mode for age and education
Apabila distribusi nilai benar-
benar simetrik maka mean dan
median sama nilainya.
Apabila distribusi nilai memiliki
long ...
Apabila nilai data berbeda yang
besar, maka mean bukan
merupakan ukuran central
tendency yang baik; disebabkan
karena mean...
Ukuran central tendency tidak
memberikan informasi mengenai
besar perbedaan antar nilai.
Misal, mean dan median
mempunyai ...
Range adalah ukuran paling
sederhana untuk keragaman; yaitu
perbedaan (selisih) antara nilai
tertinggi dan terendah.
Range...
Pada fig 4.2 dapat diperiksa,
variabel age memiliki
minimal 18 th, maximum 89
dan range 71 (89-18).
Nilai range menunjukka...
Fig 4.2 Descriptive statistics for age and education
Interquartile range adalah jarak
antara nilai 75th
dan 25 th
percentile. Nilai ini berbeda
dengan range karena, tidak
terp...
Ukuran keragamaan yang paling
sering adalah variance. Variance
berdasar kuadrat jarak antara nilai
individu dan mean.
Vari...
5,026Variance
)15(
2
)75190.....(
2
)7528(
Variance
=
−
−+−
=
Contoh
data : 28,29, 30, 98, dan 190
mean = 75
Eq 4.3
er
Kalau variance sama dengan 0,
maka berarti data memiliki nilai
yang sama, sehingga mean juga
sama dengan nilai individu...
Nilai standar deviation tergantung
pada unit pengukuran untuk
variabel tertentu. Misal, standard
deviation untuk umur diuk...
Coefficient of variation dihitung
dengan rumus sbb.
Coefficient satandard dev.
of variation = x 100
mean
CV = 100% kalau s...
CV untuk variabel umur= 37,68%;
CV untuk variavel education=
23.54%.
Berdasar nilai mean maka umur
lebih bervariasi diband...
Anda dapat menentukan posisi
suatu kasus pada distribusi nilai
pengamatan dengan cara
menghitung/menggunakan
standard scor...
Standard score memberikan
infor masi berapa standard deviasi
jarak kasus terhadap mean (di
bawah atau di atas).
Kalau kasu...
Untuk mendapatkan z score anda
dapat menggunakan prosedur
Descriptive, z score dapat disim
pan sebagai variabel baru.
Peri...
Fig 4.3 Descriptive statistics in the Viewer
Fig 4.4 Data Editor with standar score saved as
a new variable
COMPARING GROUPS
How can you determine if the
values of the summary statistics
for a variable differ for
subgroups of case...
3. Bagaimana cara anda dapat
membuat grafik mean dari
subgrup kasus tersebut ?
Telah dibahas penggunaan pro
sedur Frequenc...
Selain yang telah dibahas tersebut,
sering dibutuhkan kemampuan kita
untuk membandingkan rangkuman
statistik untuk subgrup...
Masalah tersebut tidak mudah
untuk dijawab dengan
menggunakan prosedur Frequency
dan Descriptive.
Yang dapat membantu adal...
Case Processing Summary
61 34,5% 116 65,5% 177 100,0%
Nilai ujian
sisipan *
Klas
mahasiswa
N Percent N Percent N Percent
I...
Report
Nilai ujian sisipan
84,56 26 9,2675
73,75 2 8,8388
78,79 33 9,5631
81,08 61 9,7870
Klas
mahasiswa
A
B
K
Total
Mean ...
Misal untuk variabel Education,
anda dapat membadingkan mean
education (dalam tahun) dalam
sub grup Very satified, Most
sa...
Fig 5.1 Pivoted Means output for education and
jsatisfaction
Fig 5.2 Bar chart of education by job satifaction
Layers : Defining subgroups by more than one variable
Fig 5.3 Pivoted means output for job satisfaction and
gender subgroups
COMPARING GROUPS
Menggunakan Case selection
Menggunakan file gss
Membandingkan mean education dalam
Kelompok Job satisfict...
Memilih kasus - full-time workers---
Gunakan select cases
Dialog box Select cases--- pilih if condition
Ketik syarat, wrkstat = 1 …. 1=Working fulltime
Kasus yang tidak memenuhi syarat di coret (/)
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Kul 04 spss_9_11
Upcoming SlideShare
Loading in …5
×

Kul 04 spss_9_11

1,875 views

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
1,875
On SlideShare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
12
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Kul 04 spss_9_11

  1. 1. SPSS TATAP MUKA KE IV COMPUTING DESCRIPTIVE STATISTICS COMPARING GROUPS 31-82 EDISI 2013 dosen Prof(Em). Dr. H. Soedito Adjisoedarmo
  2. 2. BAGAIMANA CARA ANDA DAPAT MERANGKUMG 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 ? COMPUTING DESCRIPTIVE STATISTICS
  3. 3. BAGAIMANA CARA ANDA DAPAT MERANGKUMG 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. 4. Pada pokok bahasan ke iii, telah digunakan tabel frekuensi, pie dan bar chart serta histogram untuk mengamati distribusi nilai variabel. Fasilitas/prosedur tersebut merupakan teknik esensial untuk mengenali data. Di samping teknik tersebut kita sering membutuhkan untuk merangkum nilai variabel lebih lengkap dengan cara menghitung statistics dari nilai variabel
  5. 5. Atau central tendency, dan mengamati penyebaran data di sekitas nilai tengah, atau yang lebih dikenal sebagai variasi atau kergamanan data. Pada pokok bahasan iv akan dibahasan penggunaan frekuensi dan prosedur descriptive untuk menghitung statistics yang sering digunakan untuk central tendency dan variability
  6. 6. Sering kalau kita mengumpulkan data, kita ingin menarik kesimpulan mengenai populasi individu atau obyek berdasar individu atau obyek yang kita libatkan dalam penelitian. Contoh Dari sampel gss ditarik (ditaksir) simpulan untuk populasi, rakyat amerika. Dari sample umpan balik ditarik simpulan untuk mhs fakultas peternakan. Dst…. WHAT’S A STATISTIC ?
  7. 7. Statistic merupakan karak teristik sampel untuk variabel tertentu. Simpulan yang diambil untuk menaksir karakteristik po pulasi. Karakteristik yang dimili ki populasi disebut parameter. Kalau kita mempunyai data umur seluruh mahasiswa indonesia, nilai tengah umur tersebut disebut nilai parameter
  8. 8. Pada umumnya untuk semua populasi nilai parameter tidak diketahui. Oleh karena itu ditaksir menggunakan stastic sample yang diperoleh lewat penelitian; menggunakan analisis data yang antara lain dapat menggunakan spss.
  9. 9. Perhatikan data dari tatap muka ke iii; kalau ada akan merangkum lebih lanjut nilai data tersebut, misal ingin mengetahui rataan umur, atau karakteristik status pekerjaan atau kepuasaan terhadap pekerjaan mereka ( di tempat yang berbeda). Jawaban yang spesifik mungkin tidak dapat diperoleh, karena cara untuk menetapkan jawaban yang spesifik banyak cara. SUMMARIZING DATA
  10. 10. Anda dapat menjawab mengguna kan mode, median atau nilai tengah data dari sampel. Untuk memilih mengukuran yang digunakan di atas, anda harus mempertimbangkan sifat data yang anda miliki/peroleh dari survai, dan sifat dari skal mengukuran yang digunakan.
  11. 11. 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) SCALES OF MEASUREMENT (SKALA PENGUKURAN)
  12. 12. Skala nominal digunakan hanya untuk identifikasi. Data yang diukur dengan skala nominal tidak dapat diurutkan dari yang kecil ke yang besar. Contoh Status pekerjaan diukur dengan skala nominal, meskipun dalam bentuk kode, angka tersebut tidak bermakna, retired, in school dan keeping house tidak dapat diurutkan dan dikatakan yang satu lebih besar dari yang lain SKALA NOMINAL
  13. 13. Contoh variavel dengan skala nominal
  14. 14. Tempat lahir, dan warna kulit adalah contoh lain variabel yang diukur dengan skala nominal. Digunakan untuk identifikasi.
  15. 15. SKALA PENGUKURAN YANG PERLU DIINGAT WHEN ARE STATISTICS APPLICABLE ? The data type fall into a sort of hierarchy so that any statistic or procedure that is applicable for the lowest type is also applicable for all higher type. The lowest type of data in the hierarchy is called Nominal data .
  16. 16. Nominal data, is the type of data that we normally call categorical data. In this type of data the values merely substitutes for names of values. An example of nominal data would be Church. This variable could take on values such as (1) Lutheran , (2) Methodist, (3) Catholic, and (4) Jewish, etc.
  17. 17. Alphanumeric data can also be described as nominal data. None of the statistics (mean, variance, range, sum, std err, kurtosis, minimum, std dev, skewness, sum) however Frequencies or Crosstabs are applicable.
  18. 18. 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). SKALA NOMINAL
  19. 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. 20. The next data types is called Ordinal data Ordinal data This type of data has a particular order to its values. For example a rating on FOOD at a restaurant with values good, fair, dan poor would be ordinal data. Another example of ordinal data would be an opinion survey with answers such as strongly agree, agree, neutral, disagree, strongly disagree.
  21. 21. Ordinal data can be ranked from high to low which makes the statistics minimum, maximum, danminimum, maximum, dan rangerange applicable. Most statisticians agree that the other statistics and procedures such as mean, Pearson corr and regression should not be used with ordinal data.
  22. 22. SKALA ORDINAL Mencakup ciri-2 skala nominal ditambah satu yaitu urutan. Skala ordinal dapat dipakai jika postulat mengenai transitivitas dipenuhi. Postulat tsb menyatakan bahwa apabila a lebih besar dari b dan b lebih besar dari c, maka a lebih besar dari c (a>b>c). Urutan yang dapat dipakai adalah : lebih dari………………. kurang dari……………. di atas …………………. di bawah……………….
  23. 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. 24. VARIABEL ORDINALVARIABEL ORDINAL Variabel yang disusun atas jenjang dalam atribut tertentu. Jenjang tertinggi biasanya diberi angka 1, jenjang di bawah nya diberi angka 2, dan seterusnya. Contoh: ranking hasil lomba
  25. 25. INTERVAL DATA The third type of data is in interval level data. We frequently call this metric or continues data. In addition to having a order like ordinal data this type of data also as a fixed unit of measurement. An example of an interval level variable would be temperature. This variable is interval since the distance between 30 and 1 degrees is the same as the distance between any other two consecutive degrees.
  26. 26. INTERVAL DATA All of the statistics including mean, standard deviation, standard error, variance, kurtosis and skewness are applicable for this kind of data, The procedures Pearson Corr dan Regression are also applicable
  27. 27. SKALA INTERVALSKALA INTERVAL Skala interval memiliki keampuhan skala ordinal dan niminal masih ditambah lagi dengan mencakup kesamaan interval (jarak antara 1 dan 2, sama dengan jarak antara 2 dengan 3). Waktu kalender merupakan contoh skala interval. Dapat juga untuk skala sikap. Ukuran sentralnya adalah rata-rata hitung. Prosedur statistik yang dapat dipakai antara lain: korelasi product moment, uji t, dan uji F .
  28. 28. VARIABEL INTERVALVARIABEL INTERVAL Variabel yang dihasilkan dari pengukuran, yang di dalam pengukuran itu dasumsikan terdapat satuan pengukuran yang sama . Contoh: prestasi belajar, sikap terhadap……, penghasilan, dsb
  29. 29. RATIO DATA The forth and highest type of data in the hierarchy is called ratio data. This type of data has all the properties of ordinal data but has added the additional property of having a zero point in its measurement scheme.
  30. 30. SKALA RASIO Memiliki semua keampuhan dari skala nominal, ordinal, dan interval, dan ditambah dengan memiliki titik nol. Skala rasio mencerminkan jumlah yang sebenarnya dari dari suatu variabel.
  31. 31. SKALA RASIO Contoh: ukuran dimensi fisik seperti berat, tinggi, jarak dan lsb. Dalam penelitian bisnis banyak ditemui /digunakan skala rasio misalnya: nilai uang, jumlah pupulasi, jarak, jumlah waktu dalam periode waktu. Semua prosedur teknik dapat diterapkan untuk skala rasio.
  32. 32. VARIABEL RASIO Variabel yang dalam kuantifi kasinya mempunyai nilai nol mutlak. Di dalam penelitian , terlebih-lebih dalam penelitian ilmu sosial, orang jarang menggunakan variabel rasio.
  33. 33. Mode, Median dan Arithmetic 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. 34. Mode jarang dilaporkan sendi rian, biasanya dilengkapi dengan tabel frekuensi dan bar chart. Dengan menggunakan mode kesalahan mudah terjadi apabila digunakan untuk karakteristik variabel. Mode hanya memberikan infor masi sedikit.
  35. 35. Apabila anda merangkum suatu variabel yang nilainya dapat diurutkan dari yang kecil ke besar, median akan lebih berguna untuk mengukur central tendency. Urutkan lebih dahulu nilai variabel, kemudian cari nilai yang di tengah.
  36. 36. Kelemahan Median, ialah, tidak memanfaatkan seluruh informasi yang tersedia. Misal, diperoleh nilai, 28, 29, 30, 31, dan 32 maka mediannya adalah 30. Untuk nilai 28, 29, 30, 98, dan 190 mendian juga 30. Jelas bahwa angka di atas dan di bawah median diabaikan. Angka 98 dan 190 tidak mempengaruhi nilai median.
  37. 37. Ukuran central tendency yang paling sering digunakan adalah arithmetic mean, yang juga disebut sebagai average (rataan, x). Mean meng gunakan semua nilai nyata dari seluruh kasus. Mean dihitung dengan menggunakan rumus Mean = 28+29+30+98+190 = 75 5 (4.1)
  38. 38. Can I use the mean for variables that have only two values ? Banyak variabel, seperti yang menjawab pertanyaa ya/tidak atau setuju/tidak setuju, memiliki dua nilai. Biasanya dikodekan dengan 0 dan 1. Maka arithmetic average memberikan proporsi kasus dengan kode 1. Arithmetic mean=0,5 berarti 50% responden menjawab ya.
  39. 39. Fig 4.1 berisi descriptive statistics dari prosedur Frequency, untuk variabel age dan education. Dapat diperiksa bahwa rataan umur responden GSS adalah 46,23 tahun, Median 43, lebih rendah dari mean. Lama mengikuti pendidikan mempunyai mean 13,04 dan median 12 tahun. Comparing Mean dan Median
  40. 40. Kedua variable tersebut memiliki mean lebih besar dari median. Penyebabnya adalah karena kedua variabel tersebut memiliki tail menuju ke nilai terbesar. Karena responden yang disertakan berumur 18 tahun ke atas, maka angka di bawah 18 tidak diperoleh, umur di atas 18 tahun tidak ada batasnya. Nilai yang tinggi menaikkan mean umur.
  41. 41. Fig 4.1 Mean, Median and mode for age and education
  42. 42. Apabila distribusi nilai benar- benar simetrik maka mean dan median sama nilainya. Apabila distribusi nilai memiliki long tail (distribusinya disebut skwed) maka mean akan lebih besar dari median apabila tail menuju nilai yang lebih besar, dan sebaliknya.
  43. 43. Apabila nilai data berbeda yang besar, maka mean bukan merupakan ukuran central tendency yang baik; disebabkan karena mean dipengaruhi oleh nilai ekstrim yang disebut outliers. Pada kasus demikian lebih baik dilengkapi dengan median, dan sebutkan nilai ekstrim tinggi dan rendah.
  44. 44. 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. Measures of Variability
  45. 45. Range adalah ukuran paling sederhana untuk keragaman; yaitu perbedaan (selisih) antara nilai tertinggi dan terendah. Range tidak ada manfaat dihitung untuk variabel nominal; karena nilai/kode untuk varibel nominal tidak dapat diartikan sebagai urutan besar ke kecil dan sebaliknya. Range
  46. 46. Pada fig 4.2 dapat diperiksa, variabel age memiliki minimal 18 th, maximum 89 dan range 71 (89-18). Nilai range menunjukkan besar kecilnya perbedaan antara nilai terkecil dan terbesar. Ukuran keragaman yang lebih baik dari range adalah interquartile range.
  47. 47. Fig 4.2 Descriptive statistics for age and education
  48. 48. Interquartile range adalah jarak antara nilai 75th dan 25 th percentile. Nilai ini berbeda dengan range karena, tidak terpengaruh oleh nilai ekstrim.
  49. 49. Ukuran keragamaan yang paling sering adalah variance. Variance berdasar kuadrat jarak antara nilai individu dan mean. Variance dihitung dengan rumus sbb. Variance and Standard Deviation )1N( )xx( Variance 2 − − = ∑ Eq 4.2
  50. 50. 5,026Variance )15( 2 )75190.....( 2 )7528( Variance = − −+− = Contoh data : 28,29, 30, 98, dan 190 mean = 75 Eq 4.3
  51. 51. er Kalau variance sama dengan 0, maka berarti data memiliki nilai yang sama, sehingga mean juga sama dengan nilai individu. Makin besar nilai variance berarti data nilainya makin tersebar. Pada fig 4.2 variance untuk variabel age = 303,392 tahun; untuk variabel education = 9,452 tahun. Akar variance = standard deviation
  52. 52. Nilai standar deviation tergantung pada unit pengukuran untuk variabel tertentu. Misal, standard deviation untuk umur diukur dalam hari akan lebih besar dibanding kalau diukur dengan bulan. Coefficient of variation mengeks- presikan standard deviation sebagai persentase dari mean. The Coefficient of Variation
  53. 53. Coefficient of variation dihitung dengan rumus sbb. Coefficient satandard dev. of variation = x 100 mean CV = 100% kalau standard deviasi sama dengan mean Eq 4.4
  54. 54. CV untuk variabel umur= 37,68%; CV untuk variavel education= 23.54%. Berdasar nilai mean maka umur lebih bervariasi dibandingkan dengan education.
  55. 55. Anda dapat menentukan posisi suatu kasus pada distribusi nilai pengamatan dengan cara menghitung/menggunakan standard score atau z score, menggunakan rumus sbb. Standar value - mean score = standar deviation Standard Score Eq 4.5
  56. 56. Standard score memberikan infor masi berapa standard deviasi jarak kasus terhadap mean (di bawah atau di atas). Kalau kasus memiliki standard score sama dengan 0, maka nilai kasus tersebut sama dengan mean. Kalau Z score sama dengan 1, berarti, kasus, 1 standar deviasi di atas mean, dst.
  57. 57. Untuk mendapatkan z score anda dapat menggunakan prosedur Descriptive, z score dapat disim pan sebagai variabel baru. Periksa fig 4.3 dan 4.4
  58. 58. Fig 4.3 Descriptive statistics in the Viewer
  59. 59. Fig 4.4 Data Editor with standar score saved as a new variable
  60. 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. 61. 3. Bagaimana cara anda dapat membuat grafik mean dari subgrup kasus tersebut ? Telah dibahas penggunaan pro sedur Frequency dan Descriptive untuk menghitung rangkuman statistics untuk kasus yang telah dipelajari (GSS dan Umpan balik).
  62. 62. Selain yang telah dibahas tersebut, sering dibutuhkan kemampuan kita untuk membandingkan rangkuman statistik untuk subgrup kasus yang berbeda. Misal 1. 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. 63. Masalah tersebut tidak mudah untuk dijawab dengan menggunakan prosedur Frequency dan Descriptive. Yang dapat membantu adalah prosedur Mean yang dapat diguna kan untuk menghitung rangkuman statistik subgrup. Menggunakan prosedur Mean anda akan dapat membandingkan rataaan education, dan job satisfaction untuk subgrup yang berbeda.
  64. 64. Case Processing Summary 61 34,5% 116 65,5% 177 100,0% Nilai ujian sisipan * Klas mahasiswa N Percent N Percent N Percent Included Excluded Total Cases
  65. 65. Report Nilai ujian sisipan 84,56 26 9,2675 73,75 2 8,8388 78,79 33 9,5631 81,08 61 9,7870 Klas mahasiswa A B K Total Mean N Std. Deviati on
  66. 66. Misal untuk variabel Education, anda dapat membadingkan mean education (dalam tahun) dalam sub grup Very satified, Most satified, A little dissatified dan Very dissatisfied. Selanjutnya dalam subgrup tersebut dapat dibandingkan mean untuk subsubgrup male dan female (periksa fig 5.1 dan 5.3).
  67. 67. Fig 5.1 Pivoted Means output for education and jsatisfaction
  68. 68. Fig 5.2 Bar chart of education by job satifaction
  69. 69. Layers : Defining subgroups by more than one variable
  70. 70. Fig 5.3 Pivoted means output for job satisfaction and gender subgroups
  71. 71. COMPARING GROUPS Menggunakan Case selection Menggunakan file gss Membandingkan mean education dalam Kelompok Job satisfiction Yang dilibatkan dalam analisis hanya full-time workers Cara mengerjakan periksa caption berikut
  72. 72. Memilih kasus - full-time workers---
  73. 73. Gunakan select cases
  74. 74. Dialog box Select cases--- pilih if condition
  75. 75. Ketik syarat, wrkstat = 1 …. 1=Working fulltime
  76. 76. Kasus yang tidak memenuhi syarat di coret (/)

×