statistika l.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Statistika PowerPoint Presentation
Download Presentation
Statistika

Loading in 2 Seconds...

play fullscreen
1 / 68

Statistika - PowerPoint PPT Presentation


  • 634 Views
  • Uploaded on

Statistika. Konsep dasar dan metoda penggunaannya dalam penelitian. Tujuan :.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Statistika' - betty_james


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
statistika

Statistika

Konsep dasar dan metoda penggunaannya dalam penelitian

tujuan
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 data

Statistika adalah cara berpikir perihal ketidakpastian.

penelitian
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
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
aplikasi statistik dibagi menjadi dua bagian
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.

slide7
Dalam prakteknya kedua bagian statistik tersebut digunakan bersama-sama, umumnya dimulai dengan statistik deskriptif lalu dilanjutkan dengan berbagai analisis statistik untuk inferensi.
elemen statistik
Elemen Statistik.

1. Populasi

Sekumpulan data yang mengidentifikasikan suatu fenomena yang tergantung dari kegunaan dan relevansi data yang dikumpulkan.

2. Sampel

Sekumpulan data yang diambil / diseleksi dari suatu populasi. (sampel adalah bagian dari populasi).

slide11
3. Statistik Inferensi

Suatu keputusan, perkiraan atau generalisasi tentang suatu populasi berdasarkan informasi yang terkandung dari suatu sampel

4. Pengukuran Reabilitasdari StatistikInferensi.

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 dalam kesimpulannya. Sebagai konsekuensi dari kemungkinan timbulnya berbagai bias dalam inferensi, perlu diukur reabilitas dari setiap inferensi yang telah dibuat.

tipe data statistik
Tipe Data Statistik.
  • DataKualitatif

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 statistik13
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
Statistik Deskriptif

Bagian ini lebih berhubungan dengan pengumpulan dan peringkasan 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 pengambilan keputusan adalah :

    1. Mencari Central Tendency (mean, median, modus)

    2. Mencari Ukuran Dispersi (std deviasi, variansi)

Ukuran lain yang sering digunakan adalah Skewness dan Kurtosis untuk mengetahui kemiringan data.

slide15

Statistical Notation

  • Variabel biasanya ditulis sbg “x” dan “y”
  • Untuk populasi dinotasikan dg huruf besar “N” (“N” for populations and “n” for samples)
  • Sigma ( ) mewakili operasi penjumlahan
slide16

Statistical Notation

X y xy x+1 x2

2 3 6 3 4

3 5 15 4 9

6 8 48 7 36

4 2 8 5 16

slide17

Statistical Notation

Sxindicates that scores on variable “x” are to be added;

Sy indicates that scores on variable “y” are to be added

In the previous table,

S x = 2 + 3 + 6 + 4 = 15

S y = 3 + 5 + 8 + 2 = 18

S x S y = 15*18 = 270

slide18

Statistical Notation

S xyindicates that the 2 variables (x and y) are to be multiplied together, then summed.

S xy = (2*3) + (3*5) + (6*8) + (4*2) = 77

( 6 + 15 + 48 + 8 = 77)

  • Note that S xy (does not equal) S x S y (77 vs. 270)
slide19

Statistical Notation

S(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 first

S(x+1) = (2+1) + (3+1) + (6+1) + (4+1) = 19

= ( 3 + 4 + 7 + 5 = 19)

  • Notice that S(x+1) Sx+1 (19 vs. 16)
slide20

Statistical Notation

X2 indicates to square each of the x values, then add them up

  • X2 = 2² + 3² + 6² + 4² = 65

(= 4 + 9 + 36 + 16=65)

  • Notice that x2 (x) 2 (65 vs. 225)
slide25

Perhatikan data berikut :

8, 8, 9, 10, 11, 12, 12

5, 6, 8, 10, 12, 14, 15

1, 2, 5, 10, 15, 18, 19

Dan

8, 9, 10, 10, 10, 11, 12

5, 7, 9, 10, 11, 13, 15

1, 5, 8, 10, 12, 15, 19

slide26

Perhatikan data berikut :

8, 8, 9, 10, 11, 12, 12 s: 1.6

5, 6, 8, 10, 12, 14, 15 s: 3.58

1, 2, 5, 10, 15, 18, 19 s: 6.96

Dan

8, 9, 10, 10, 10, 11, 12 s: 1.19

5, 7, 9, 10, 11, 13, 15 s: 3.16

1, 5, 8, 10, 12, 15, 19 s: 5.60

slide27

Central Tendency

CENTRAL 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
slide28

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
slide29

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

slide30

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 both

23 1 have a frequency of 3; if

22 3 this distribution were

21 1 graphed, there would be

20 1 2 peaks; therefore this

19 3 distribution is bimodal --

18 2 both 22 and 19 are modes

slide31

Central Tendency (Mode)

Advantages:

  • Easiest to determine
  • The only measure of central tendency that can be used with nominal (categorical) data

Disadvantages

  • 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
slide32

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
slide33

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 median

Example: 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
slide34

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 scores

Example: 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:

slide35

Central Tendency (Mean)

MEAN (µ, x):

  • The mathematical average of the scores
  • The amount that each individual would receive if the total (x) 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
  • Population mean:
  • Sample mean:
slide36

Central Tendency (Mean)

  • Note that, while the computations would yield the same answer, the symbols differ for a population (, N) and a sample (x,n)

Example:

slide37

Central Tendency (Mean)

  • If a constant is added or subtracted from each score used to compute the mean, the mean will change by the value of that constant

Example: The class scores on a 15-point quiz are 8, 4, 12, 14, 4, and 6. The mean of these scores is. . .

slide38

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

12+1=13

14+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 to

X = 54 the mean (x+ a)

slide39

Central Tendency (Mean)

  • If all 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 constant

Example: A 10-point quiz is given to a class. Their scores are 6, 5, 7, 8, 10 and 6. The mean is computed. . .

X=42

slide40

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

5(2)=10 * The new mean is:

7(2)=14

8(2)=16 * thus, multiplying each score by

10(2)=20 a constant is the same as

6(2)=12 multiplying the mean by the

X=84 constant

slide41

Central Tendency (Mean)

  • Sensitive to 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

Vs.

slide42

Mode

Median

Mean

Mean – Mode = 3(Mean – Median)

slide43

Persentase luas daerah antara Mean dan Std Dev

X

1

2

3

| x +/- 1s | = 68.27%

| x +/- 2s | = 95.45%

| x +/- 3s | = 99.73%

slide44

Measures of Variability

  • range- (highest score - lowest score) +1
  • deviation- score - mean
  • mean deviation- the average absolute deviation score
slide45

Measures of Variability

  • sum of squares- the sum of the squared deviation scores
    • definitional
slide46

Measures of Variability

  • variance- the average sum of the squared deviation scores
    • sample-
    • population-
statistik inferensi
Statistik Inferensi

Setelah dilakukan uji terhadap suatu distribusi data, dan terbukti bahwa data yang diuji berdistribusi normal atau mendekati normal, maka pada data tersebut dapat dilakukan berbagai Inferensi dengan metode statistik parametrik.

Tetapi jika dalam pengujian terbukti distribusi data tidak berdistribusi normal atau jauh dari normal maka Inferensi yang dilakukan harus dengan metode statistik non parametrik.

uji hipotesa
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

slide49
c.  Menentukan Statistik hitung, nilai ini
  • tergantung pada metode parametrik
  • yang digunakan.

b.       d. Mengambil keputusan, hal ini

ditentukan dengan membandingkan

nilai statistik hitung dengan nilai

statistik tabel atau nilai kritisnya.

kesalahan
Kesalahan :
  • Jika kita 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
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
slide52
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
slide53

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 korelasi
Regresi Sederhana dan Korelasi

Jika akan dibahas mengenai dua variabel numerik atau lebih, termasuk hubungan di antara keduanya, maka digunakan dua teknik perhitungan, yaitu Regresi dan Korelasi.

Dalam analisa Regresi, akan dikembangkan sebuah persamaan regresi yaitu formula matematika yang mencari nilai variabel tergantung (dependent) dari nilai variabel bebas (independent) yang diketahui. Analisa regresi terutama digunakan untuk tujuan peramalan.

model matematika yang digunakan
Model Matematika yang digunakan :
  • Garis Lurus
  • Parabola / Kurva Kuadratik
  • Kurva kubik
  • Kurva Quartic
  • Kurva pangkat n
  • Biasanya disebut sebagai polinomial berderajat satu, dua, ….dst
metoda kuadrat terkecil least square
Metoda Kuadrat Terkecil(Least Square)

Untuk mendapatkan parameter

y = a + bx + e

statistik non parametrik
Statistik Non-Parametrik

Jika data yang ada tidak berdistribusi Normal, atau jumlah data sangat sedikit serta level data adalah nominal atau ordinal, maka perlu digunakan metode statistik alternatif yang tidak harus menggunakan suatu parameter tertentu misalnya Mean, STD Deviasi dll. Metode ini disebut metode Statistik Non Parametrik.

keuntungannya
Keuntungannya :
  • ·   Data tidak harus berdistribusi Normal,
  • (distribution free test)
  • ·   Dapat digunakan untul level data
  • nominal dan ordinal
  • ·   Cenderung lebih sederhana
kelemahan
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.

slide61

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 spss
Komponen SPSS

1. Data Collection, mengumpulkan data untuk

pengolahan data

2. Data Preparation, persiapan data untuk

pengolahan data lebih lanjut

3.Data analysis & Data mining, menyediakan

berbagai perhitungan statistik untuk pengolahan

data

4.Data deployment, mendistribusikan hasil

pengolahan data (informasi)

cara kerja spss analogi dengan proses komputer
Cara Kerja SPSS (analogi dengan proses komputer)

Pada Komputer

Data Input

Proses

Komputer

Data

Output

Pada Statistik

Data

Output

Data Input

Proses

Statistik

window pada spss
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
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.
slide67
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
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