Download
statistika dan aplikasi komputer sesi 1 pengantar n.
Skip this Video
Loading SlideShow in 5 Seconds..
Statistika dan Aplikasi Komputer Sesi 1: Pengantar PowerPoint Presentation
Download Presentation
Statistika dan Aplikasi Komputer Sesi 1: Pengantar

Statistika dan Aplikasi Komputer Sesi 1: Pengantar

403 Views Download Presentation
Download Presentation

Statistika dan Aplikasi Komputer Sesi 1: Pengantar

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

  1. Statistika dan Aplikasi KomputerSesi 1: Pengantar Program Pasca Sarjana Universitas Indonesia Magister Kajian Kependudukan & Ketenagakerjaan Semester Gasal 2012/2013

  2. Garis Besar I - PENDAHULUAN • Statistika: Apa dan Mengapa • Statistika Deskriptif dan Inferens • Data Kuantitatif dan Data Kualitatif • Populasi dan Sampel II - DISTRIBUSI FREKUENSI • Cara MenyusunDistribusiFrekuensi • DistribusiFrekuensi Relatif dan Kumulatif • Gambar dan GrafikDistribusiFrekuensi E. L. Pardede

  3. Statistika: Apa dan Mengapa Keputusan sehari-hari dengan ‘statistika’ • Belanja • Menentukan menu makan malam • Mencicipi masakan • Memilih pacar, suami/istri • Memilih bidang studi (contoh: Akuntansi FEUI) • Tujuan berlibur • MKJP vs kontrasepsi jangka pendek E. L. Pardede

  4. DATA PROSES HASIL/ OUTPUT ANALISIS STATISTIKA PENGAMBILAN KEPUTUSAN/ PERUMUSAN KEBIJAKAN E. L. Pardede

  5. Statistika: Apa itu? ILMU YANG MEMPELAJARI MENGENAI MENGUMPULKAN, MENATA, MENYAJIKAN, MENGANALISIS, DAN MENGINTERPRETASI DATA UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN YANG LEBIH EFEKTIF (Lind , Marchal, Waten, 2005) E. L. Pardede

  6. E. L. Pardede

  7. Statistika: Mengapa? • Informasi tersedia • Statistika digunakan untuk menganalisis masalah dan menyiapkan informasi untuk pengambilan keputusan • Dasar perumusan kebijakan • Prediksi kejadian (kecenderungan) di masa depan • Kebutuhan bidang demografi: proyeksi E. L. Pardede

  8. Statistika – Apa dan Mengapa • Statistik – Mengacu pada kumpulan informasi numerik berbentuk angka-angka, gambar (grafik), dan tabel • Statistik – Secara khusus digunakan untuk mengacu kepada karakteristik sampel seperti rata-rata, median, modus, standar deviasi, dan varians (Parameter: karakteristik populasi) E. L. Pardede

  9. Fakta vs Opini • Orang Batak galak • Kantin itu ramai • Tongseng di kantin FEUI memang enak • Aku sudah gagal sebagai suami/istri • Tas itu mahal • Dosen S2KK baik-baik • Bapak itu sangat saleh/soleh E. L. Pardede

  10. Statistika: Deskriptif dan Inferens • Deskriptif: metode untuk menata, meringkas, dan menyajikan data dengan cara yang informatif • Inferens (statistika induktif) : metode yang digunakan untuk menyatakan sesuatu (keputusan, dugaan/estimasi, prediksi, dan/atau kesimpulan/generalisasi) mengenai populasi berdasarkan sampel E. L. Pardede

  11. Populasi dan Sampel • Populasi: sekumpulan seluruh individu/obyek/ukuran-ukuran yang lain yang mungkin menjadi obyek penelitian • Sampel: bagian dari populasi  ILUSTRASI E. L. Pardede

  12. Regina vs Sean E. L. Pardede

  13. Populasi & Sampel di mana:  = proporsi populasi P = proporsi sampel n = besarnya sampel Untuk tingkat keyakinan 95% E. L. Pardede

  14. Hasil Pilkada Gubernur DKI Jakarta Sumber: (3) Diolah dari http://www.republika.co.id/berita/menuju-jakarta-1/news/12/07/19/m7ev7i-ini-hasil-resmi-jumlah-suara-pilkada-dki-putaran-satu E. L. Pardede

  15. Sampling • RANDOM: setiap individu/obyek penelitian memiliki kesempatan yang sama untuk terpilih • Simple random • Multistage random sampling E. L. Pardede

  16. Contoh: Survei Konsumsi Rokok di Jawa Tengah dan Jawa Timur, 2010 (LD FEUI)

  17. Data Kualitatif dan Kuantitatif • Kualitatif: data berisi karakteristik non numerik (atribut); contoh: jenis kelamin, daerah tempat tinggal, status perkawinan • Kuantitatif: data berisi variabel yang numerik; terdiri atas variabel: • Diskrit: penghitungan dan bilangan bulat; contoh: jumlah anak, jumlah TV, jumlah sekolah • Kontinu: nilainya bisa berapa saja dalam rangeatau interval tertentu; contoh: pendapatan, pengeluaran, berat badan, umur E. L. Pardede

  18. Skala Pengukuran Data (1) • Skala pengukuran: cara mengukur variabel • Dalam melakukan pengukuran data, pengelompokan individu/obyek penelitian harus bersifat: • Mutually exclusive: kategori yang dibuat hanya mengelompokkan SATU individu/obyek penelitian per kategori (tidak tumpang tindih) • Exhaustive: setiap individu/obyek HARUS muncul dalam satu kagetori (tidak ada yang tertinggal) • Contoh: data pendidikan di Susenas E. L. Pardede

  19. Keterangan Pendidikan dari Kuesioner SUSENAS 2009 KOR E. L. Pardede

  20. Skala Pengukuran Data (1) • Skala nominal: data yang kategorinya tidak ada tingkatan/urutan. Contoh: Jenis kelamin, daerah tempat tinggal • Data ordinal: data yang diklasifikasikan berurut/bertingkat (orderly/ranked) berdasarkan karakteristik tertentu. Contoh: Rasa jus di kantin FEUI E. L. Pardede

  21. Jumlah Mahasiswa Beberapa Program Studi di PPs UI (Data Rekaan) E. L. Pardede

  22. Program Studi di PPs UI berdasarkan Jumlah Mahasiswa (Data Rekaan) E. L. Pardede

  23. Jumlah Jenis Jus Kantin FEUI berdasarkan Rasa (Data Rekaan) E. L. Pardede

  24. Skala Pengukuran Data (2) • Data interval: berurutan seperti data ordinal, tetapi jarak antara karakteristik sama dengan jarak dalam pengukuran. Contoh: Temperatur, ukuran sepatu • Data rasio: berurutan seperti data ordinal, jarak antara karakteristik sama dengan jarak dalam angka dalam pengukuran, dan angka 0 artinya adalah tanpa karakteristik Contoh: Pendapatan, upah, penjualan, jarak E. L. Pardede

  25. Ukuran Pakaian (Standar Belanda) E. L. Pardede

  26. Predikat Lulusan UI E. L. Pardede

  27. Rata-rata UpahMenurutPendidikandanJenisKelamin,2007 Sumber: BPS, dikutipdariFa’atin (2010), diolah E. L. Pardede

  28. Distribusi Frekuensi • Definisi: pengelompokan data ke dalam kategori/kelompok/kelas yang mutually exclusive yang menyajikan jumlah observasi di dalam setiap kategori/kelompok/kelas • Metode: • Tentukan jumlah kelompok • Tentukan interval/lebar tiap kelompok • Tentukan batas atas dan bawah tiap kelompok • Hitung jumlah observasi untuk tiap kelompok E. L. Pardede

  29. Jumlah Kelompok dan Interval Kelas • Rumus penentuan jumlah kelompok (1) 2k n (2) k = 1 + 3,322 Log n di mana k=jumlah kelompok dan n=jumlah observasi • Rumus penentuan interval kelompok/kelas Interval Kelas = Nilai terbesar – Nilai terkecil Jumlah kelas E. L. Pardede

  30. Distribusi Frekuensi Relatif • Definisi: menyajikan persentase/proporsi berdasarkan jumlah observasi di dalam setiap kategori/kelompok/kelas • Absolut vs Relatif: • Jumlah lulusan cum laude prodi S2 Ilmu Kepolisian UI lebih besar daripada jumlah lulusan cum laude prodi S2 Kependudukan & Ketenagakerjaan UI E. L. Pardede

  31. Absolut vs Relatif Distribusi Lulusan Program Studi Ilmu Kepolisian dan Kependudukan dan Ketenagakerjaan Pascasarjana UI Berdasarkan Predikat Lulusan (Data Rekaan) E. L. Pardede

  32. Latihan 2: Bermain dengan Excel 50 lansia diseleksi random dari IFLS 2007 Buat: • Distribusi: Frekuensi, Frekuensi Relatif, dan Frekuensi Kumulatif dari usia lansia tersebut • Buat Histogram, Diagram Poligon, dan Kurva Ogifnya • Buat Histogram distribusi kelompok umur menurut jenis kelamin: 60-69, 70-79, dan 80+ E. L. Pardede

  33. Observational studies vs Randomized experiments • Umumnya data untuk studi bidang ilmu sosial dan ekonomi adalah data hasil studi observasional (given) : tidak bisa memisahkan sampel secara random sampel yang kena ‘treatment’ dan sampel yang ‘dikontrol’ • Adanya asosiasi (hubungan) antar variabel berdasarkan data observasional (bersifat pengamatan) yang ditemukan berdasarkan perangkat statistika bersifat netral terhadap hubungan kausalitas (sebab-akibat) E. L. Pardede

  34. PENTING! • “We have to use observational studies that passively observe how treatment happened to be given, rather than actively assign it randomly and fairly when randomized experiments are not feasible. (Bias can be reduced in such cases by including as many as confounding factors possible in a regression) (Wonnacott & Wonnacott, 1990, p. 16). E. L. Pardede

  35. "We must be careful not to confuse data with the abstractions we use to analyze them." (William James) Statistics are no substitute for judgment. (Henry Clay) E. L. Pardede