Monday, September 22, 2014

Praktikum Distribusi Frekuensi


Distribusi frekuensi adalah pengelompokan data ke dalam beberapa kategori yang menunjukkan cacah data yang ada dalam setiap kategori. Distribusi frekuensi atau disebut pula sebagai sebaran frekuensi, berfungsi untuk memberikan gambaran sebaran nilai-nilai pengamatan pada suatu garis peubah atau pengelompokan data ke dalam beberapa kelas.

Tahapan-tahapan dalam menyusun tabel distribusi frekuensi data berkelompok, adalah sebagai berikut:
1. Mengurutkan data, dari nilai data terkecil ke nilai data terbesar
2. Menentukan rentang/range (r)
Rentang merupakan selisih antara nilai data terbesar (Xmax) dengan nilai data terkecil (Xmin). Rumus yang digunakan adalah sebagai berikut:

r = Xmax – Xmin

3. Menentukan Jumlah Kelas (k) mengikuti kaidah Sturgess (1926)
k = 1 + 3,322 * log n    ---> hasilnya pada umumnya dibulatkan ke atas

4. Menentukan Interval Kelas (c)
c = Range / Kelas

5. Menentukan batas bawah kelas pertama:
a1 = Xmin - ((k*c-r)/2)

a2 = a1 + c
a3 = a2 + c, ... dan seterusnya

6. Menentukan batas atas kelas pertama
b1 = a2 - satuan unit pengukuran terkecil

Sementara saya cukupkan, InsyaAlloh akan dilanjutkan pada sesi berikutnya. Semoga bermanfaat
Salam
Belajar dan Berbagi bersama Budi Setiawan

Aplikasi Excel Online saya sediakan di bawah ini:




Sekilas Tentang Uji Asumsi Klasik dalam Model Regresi Linear Berganda

Asumsi klasik dalam regresi adalah beberapa pesyaratan yang harus ditaati saat kita akan menggunakan prosedur regresi linier berganda. Asumsi tersebut di antaranya ialah: otokorelasi, multikolinieritas, normalitas data, heteroskedastisitas.

1. Otokorelasi
Otokorelasi adalah terjadinya korelasi dalam variabel bebas yang mengganggu hubungan variabel bebas tersebut dengan variabel terikat. Untuk pengujian otokorelasi maka dapat mengacu pada perolehan nilai Durbin – Watson (DW). Model regresi linear berganda tidak terjadi mengalami masalah otokorelasi jika: - 2 ≤ DW ≤ 2 (Anderson, 2001:733). Dengan menggunakan software (misal SPSS), maka nilai ini dapat diketahui jika kita mengaktifkan atau memberi tanda checklist pada opsi Durbin-Watson 

2. Multikolinieritas 
Multikolinieritas adalah terjadinya korelasi antar variabel bebas dalam regresi linier berganda dengan nilai yang sangat tinggi maupun sangat rendah. Untuk pengujian multikolinieritas maka dapat mengacu pada nilai variance inflation factor (VIF) dengan ketentuan jika nilai VIF > 5 maka terjadi multikolinieritas (beberapa referensi menyebutkan syarat lebih ketat, yakni VIF < 2 untuk bisa dikatakan tidak terjadi multikolinieritas). Selain mengacu pada nilai VIF, kita juga bisa mengacu pada nilai korelasi antar variable bebas dengan ketentuan jika nilai koefesien korelasi antara variable bebas > 0,7 atau < - 0,7 maka model regresi linear berganda mengalami masalah multikolinieritas (Anderson, 2001:644). 

3. Normalitas
Data memiliki distribusi normal ketika distribusinya simetris seperti bentuk kurva bel. Secara visual menunjukkan frekuensi tertinggi berada di tengah-tengah, yaitu berada pada rata-rata nilai distribusi dengan kurva sejajar dan tepat sama pada bagian sisi kiri dan kanannya. Kurva normal juga dapat memiliki bentuk yang berbeda-beda, tergantung dari nilai rata-rata dan simpangan baku populasi. Uji normalitas dilakukan dengan mengacu pada hasil uji 1-Sample Kolmogorov Smirnov, yakni apabila nilai signifikansi > 0,05 maka dapat disimpulkan bahwa data telah berdistribusi normal.

4. Heteroskedastisitas
Homoskedastisitas merupakan sebuah asumsi bahwa variabel terikat menunjukkan tingkatan varian yang sama pada seluruh variable bebasnya. Apabila penyebaran nilai varian pada seluruh variabel bebas tidak sama, maka dikatakan bahwa model regresi linear berganda tersebut memiliki masalah heteroskedastisitas. Untuk menguji terjadinya kesamaan varian pada semua variable bebas, maka kita dapat melakukan uji Levene pada data variable kategorik, dengan ketentuan terjadi kesamaan varian apabila nilai signifikansi Levene test > 0,05.  Untuk variabel berskala metrik, maka kita dapat menggunakan uji Box’s M, dengan ketentuan pengujiannya sama dengan seperti halnya pada pengujian Levene test. 
Untuk mengetahui apakah terjadi masalah heteroskedastisitas dalam model regresi linear berganda, maka kita dapat mengacu pada perolehan nilai signfikansi (sig), yakni apabila nilai Sig. < 0,05, maka dalam model tersebut terjadi heteroskedastisitas. Dengan menggunakan software (misal: SPSS), caranya adalah dengan me-regresikan variabel-variabel bebas dengan variabel residual yang telah diabsolutkan.

Demikian, semoga bermanfaat
Salam
Belajar dan Berbagi bersama Budi Setiawan

Friday, September 12, 2014

Memperlakukan Missing Value dalam Analisis Data Statistik

Pendahuluan

Missing value (data yang hilang) merupakan informasi yang tidak tersedia pada sebuah objek atau kasus, yang terjadi disebabkan informasi untuk sesuatu tentang objek tidak diberikan, sulit dicari, atau memang informasi tersebut tidak ada.

Pada prinsipnya Missing value tidak terlalu bermasalah bagi keseluruhan data, ketika jumlahnya hanya sedikit, misal hanya 1 % dari seluruh data. Namun demikian apabila persentase data yang hilang tersebut cukup besar, maka selanjutnya perlu dilakukan pengujian apakah data statistik yang mengandung banyak missing value tersebut masih layak diproses lebih lanjut ataukah tidak. Pada penelitian sosial, missing value kerap terjadi dikarenakan responden tidak memberikan jawaban pada alternatif jawaban yang disediakan (tipe pertanyaan tertutup)

Memperlakukan missing value 

Cara memperlakukan adanya missing value dalam analisis data statistik, yaitu sebagai berikut:

  1. Dengan memasukkan nilai mean dari masing-masing variabel tersebut pada cell yang mengandung missing value. Jika anda menggunakan software SPSS, maka anda dapat memanfaatkan fasilitas "Transform > Replace Missing Value". Gunakan metode "Series Mean"
  2. Menghilangkan/membuang kasus atau objek yang mengandung missing value. Jika anda menggunakan software SPSS, maka anda dapat menggunakan "System Missing" pada Transform > Recode Into Same Variables
  3. Menghapus variabel (kolom) yang mengandung missing value
Contoh kasus:

Dengan menggunakan contoh kasus yang terdapat dalam Bab 3 dari buku saya yang InshaAllah terbit di awal tahun 2015, diketahui data pada tabel di bawah ini:

Permasalahannya adalah pada setiap layanan yang ditawarkan, ada responden yang benar-benar enggan untuk mengeluarkan uangnya (nilai minimum 0) turut dihitung. Sehingga saya memperlakukan nilai 0 (nol) tersebut sebagai missing values, Dengan menggunakan software SPSS dan prosedur "System Missing" diketahui hasilnya sebagaimana disajikan pada tabel di bawah ini:


Silahkan anda bandingkan hasil antara Tabel 3.1 dengan Tabel 3.2. Perhatikan bahwa dengan membuang/mengeluarkan missing value, terjadi peningkatan nilai rata-rata dan penurunan nilai simpangan baku pada setiap jenis layanan.

Demikian, semoga bermanfaat.
Salam

Sunday, August 31, 2014

Diskusi Ringan Membahas Artikel Penelitian Saya pada Jurnal AMJ Vol 6, No 1 (2014) June 2014 (Bagian 1)

Artikel saya yang berjudul: Customer Satisfaction Index Model on Three Level Of Socioeconomic Status In Bogor (Case Study: Customer Satisfaction on Branded Cooking Oil Product), telah dipublikasi pada jurnal Asean Marketing Journal oleh Management Research Center (MRC) Department of Management, Faculty of Economics, University of Indonesia and Philip Kotler Center. Sebagai pribadi yang terus belajar, saya membuka diri dalam diskusi yang positif dan konstruktif terkait artikel tersebut. Hal ini akan menjadi masukan yang sangat berharga bagi diri saya, agar pada penelitian maupun penulisan artikel berikutnya dapat lebih baik dari sebelumnya.

Tawaran diskusi tersebut ternyata mendapat sambutan yang cukup baik, sehingga menurut saya dapat memberi manfaat banyak jika hasil diskusi tersebut saya share di blog ini. Diskusi telah saya edit tanpa mengurangi substansi diskusi. Bagi pengunjung blog yang berminat untuk turut berdiskusi maupun memberikan pertanyaan atau klarifikasi, dapat menghubungi saya di menu kontak pada blog ini, e-mail: budisetiawan@stiekesatuan.ac.id atau mention saya di Twitter @budisetiawan999. Atas partisipasi dan perhatiannya saya ucapkan terima kasih.

Keterangan: Q: Pertanyaan/komentar ===> A: Jawaban

Tuesday, August 26, 2014

One-Sample T Test

Tujuan:
membandingkan nilai rerata (mean), ketika nilai parameter tidak diketahui, mengambil nilai statistik dari sampel yang digunakan.

Syarat: 

  1. simpangan baku populasi (σ) tidak diketahui, 
  2. skala pengukuran rasio/interval, dan 
  3. data berdistribusi normal.
Rumus:



Contoh:
Seorang peneliti ingin mengetahui apakah target konsumen pada setiap jenis komunitas yang diikuti, bersedia membayar (willingness to pay) dari sebuah produk minuman rasa baru, dengan harga lebih dari Rp.10.000?

Dari hasil output software diketahui sebagai berikut:




Kesimpulan akhir adalah hanya pada responden yang tergabung dalam jenis komunitas kuliner, yang bersedia untuk membeli atau membayar lebih dari Rp.10.000 pada produk yang ditawarkan perusahaan. Hal ini disebabkan nilai Sig pada jenis komunitas kuliner = 0,000 < alpha (0,05)

Monday, July 7, 2014

Survey: "Persepsi Masyarakat Nonmuslim Terhadap Perbankan Syariah di Indonesia”

Kepada Yth, Bapak/Ibu/Saudara/i
Responden Penelitian 
di tempat

Dengan hormat

Kami dari Tim Dosen Peneliti mengharapkan kesediaan Bapak/Ibu/Saudara/i untuk dapat berpartisipasi pada penelitian berjudul “Persepsi Masyarakat Nonmuslim Terhadap Perbankan Syariah di Indonesia”. Bentuk partisipasi yang dapat diberikan adalah dengan memberikan jawaban pada pertanyaan yang diberikan.

Penelitian ini murni hanya akan digunakan untuk kepentingan akademis dan identitas Bapak/Ibu/Saudara/i akan dirahasiakan.

Demikian permohonan ini kami sampaikan. Atas perhatian dan partisipasinya dalam penelitian ini, kami ucapkan terima kasih.

Bogor, 1 Juli 2014
Hormat kami
Tim Dosen Peneliti

===
Silahkan klik di sini

Saturday, May 10, 2014

Skala Data Nominal

Skala Data Nominal

Setiawan, Budi (2013) menjelaskan definisi tentang skala nominal, yakni sebagai skala yang memberikan arti pada angka maupun nomor hanya sebagai label atau tanda untuk mengidentifikasi dan mengklasifikasikan objek. Dengan demikian dapat secara mudah kita pahami bahwa dalam skala Nominal, angka hanya berfungsi untuk membedakan dan sebagai simbol saja. Angka atau nomor yang lebih besar tidak mempunyai arti lebih tinggi atau lebih baik dari angka yang lebih kecil.
Definisi tersebut di atas dapat kita beri perhatian khusus pada:


  1. Label/simbol, bukan angka sebenarnya
  2. Membedakan
  3. Tidak memiliki urutan 


Dalam melakukan analisis data statistik, kita memerlukan data berupa Angka. Sehingga dengan demikian, pada skala data Nominal pun objek variabel kita berikan kode berupa angka pada setiap opsi kategorinya.



Berikut ini saya berikan contoh yang sangat sederhana, misalnya variabel Jenis Kelamin (Gender). Pada variabel Gender memiliki dua opsi pilihan yakni: Pria dan Wanita. 
Misalkan saya beri kode:

Tuesday, April 29, 2014

Sekapur Sirih

Selamat datang di "gubuk maya" (blog) saya yang sederhana ini. 

Terima kasih telah meluangkan waktu berkunjung, membaca, dan berkomentar terkait tulisan-tulisan saya di blog ini, ke depannya. Artikel ini merupakan tulisan perdana yang saya publikasikan di blog ini. Visi dari blog ini sangatlah sederhana, yakni "Menjadikan blog sebagai media belajar dan berbagi segala sesuatu yang bermanfaat positif bagi sesama"

Aktivitas blogging dengan menggunakan platform blogspot maupun wordpress sebenarnya bukanlah aktivitas baru bagi saya. Setidaknya sejak 2005, saya mulai tertarik dalam aktivitas blogging dan melakukan eksplorasi secara lebih sophisticated. Seiring dengan perjalanan waktu, blog digunakan sebagai media pendukung kelancaran proses belajar mengajar. Beberapa file bahan ajar, mulai diunggah satu per satu ke dalam blog, sehingga bagi mahasiswa yang membutuhkannya dapat dengan sangat memudah mengunduhnya melalui blog.

Belajar dan berbagi... itu tagline dari blog ini. Dua kata kunci sederhana penuh makna "Belajar" dan "Berbagi".