What it is:
Graphically illustrates the relationship between a given outcome and all the factors that influence this outcome. Sometimes called an Ishikawa or “fishbone" diagram, it helps show the relationship of the parts (and subparts)
to the whole by:
• Determining the factors that cause a positive or negative outcome (or effect)
• Focusing on a specific issue without resorting to complaints and irrelevant discussion
• Determining the root causes of a given effect
• Identifying areas where there is a lack of data
Download Teori Lengkap
Subscribe via email
Zearch In The World
Zearch In This Web
Alih Bahaza Web
Blog ini didukung oleh
Blogroll
CAUSE AND EFFECT DIAGRAM
Jumat, Oktober 07, 2011Testing of Assumptions
Sabtu, Februari 27, 2010Selengkapnya download di sini gratis
Read More..
P-Value
Minggu, September 13, 2009Download Gratis => klik di sini
Read More..
Korelasi Product-Moment Pearson
Rabu, September 09, 2009Secara luas digunakan dalam ilmu pengetahuan sebagai ukuran kekuatan linear antara dua variabel. Pertama kali diperkenalkan oleh Francis Galton pada 1880-an, dan dinamai Karl Pearson. Koefisien korelasi kadang-kadang disebut "Pearson's r."
Download Gratis => klik di sini
Korelasi Spearman’s Rho
Sabtu, Juli 11, 2009Download Gratis => klik di sini
Read More..
Konversi Z-Score dari Korelasi r – Pearson
Kamis, Juli 09, 2009Koefisien korelasi dapat ditransformasikan kedalam bentuk z-score untuk kebutuhan dalam pengujian hipotesis. Hal ini dapat dilakukan dengan menggunakan rumus :
Rumus diatas sering juga disebut Fisher’s z-score transformation of Pearson’s r.
Contoh :
Misalkan kita memilik r = 0,3 maka z-score adalah :
Download file
Beberapa jenis skala kuesioner yg menghasilkan data nominal
Jumat, Juni 26, 2009Skala ini hanya menyediakan dua pilihan jawaban, misalnya ya – tidak, baik – jelek, pernah – belum pernah, dll. Oleh karena itu data yang dihasilkan adalah data nominal.
Karena membutuhkan jawaban yang tegas maka skala ini tidak menyediakan pilihan netral atau ragu-ragu, oleh karena itu skala ini sebenarnya kurang halus dalam merepresentasikan jawaban responden. Walaupun demikian ada kalanya peneliti memang membutuhkan jawaban yg tegas.
Contoh :
Apakah anda mempertimbangkan kembali untuk membeli produk x ?
a. Ya
b. Tidak
Apakah anda pernah mengkonsumsi/membeli produk x ?
a. pernah
b. tidak/belum pernah
dll.
II. Skala Multiple Choice Single Response
Ketika seorang peneliti dihadapkan pada banyak pilihan dan responden diminta untuk memilih salah satu saja, maka sebaiknya menggunakan skala Multiple Choice Single Response. Idealnya adalah seluruh pilihan tersedia. Jika tidak maka dapat diberikan pilihan terbuka (yaitu lainnya), hanya alternatif-alternatif yang tersedia, menurut Cooper dan Schindler,2003 harus mencakup minimal 90% dari seluruh pilihan yang dipilih.
Contoh :
Pasta gigi apa yang paling sering anda beli ?
□ Pepsodent
□ Close Up
□ Enzim
□ Formula
□ ABC
□ Lainnya, yaitu _________________________
III. Skala Multiple Choice Multiple Response
Bentuk lain dari skala di atas adalah skala Multiple Choice Multiple Response, yaitu menyediakan banyak pilihan dan responden bebas memilih satu, dua, beberapa atau semua pilihan. Kedua jenis skala ini menghasilkan data nominal.
Contoh :
Factor apa yang menjadi pertimbangan anda untuk memilih sebuah merk rokok ?
□ Harga
□ Desain kemasan
□ Rasa
□ Bentuk dan ukuran batang
□ Keberadaan di toko/warung
□ Iklan
□ Lingkungan
□ Aroma
□ Pabrik pembuatnya
Download Gratis => klik di sini
Cara membuat Daftar Distribusi Frekuensi
Sabtu, Juni 20, 2009Daftar distribusi frekuensi adalah jika data kuantitatif dibuat menjadi beberapa kelompok berdasarkan suatu kaidah-kaidah tertentu, maka akan diperoleh daftar distribusi frekuensi. Contoh :

- Kelas interval : kelompok banyaknya obyek berbentuk a – b. Urutan kelas interval disusun mulai dari data terkecil sampai terbesar. Berturut-turut mulai dari atas diberi nama kelas interval pertama, kelas interval kedua, dst. Berada pada kolom sebelah kiri/pertama.
- Ujung bawah : bilangan-bilangan di sebelah kiri kelas interval. Contoh : 17, 21, 25, …, 33
- Ujung atas : bilangan-bilangan di sebelah kanan kelas interval. Contoh : 20, 24, 28, …, 36
- Panjang kelas interval (p) : selisih positif antara tiap dua ujung bawah yang berurutan. Contoh : p = 21 – 17 = 4
- Batas atas kelas interval : ujung atas kelas interval ditambah ½ (ujung bawah kelas interval dibawahnya – ujung atas kelas interval tsb). Contoh : batas atas kelas interval ke-4 => 32 + ½ (33-32) = 32 + 0,5 = 32,5
- Batas bawah kelas interval : ujung bawah kelas interval ditambah ½ (ujung bawah kelas interval tsb – ujung atas kelas interval di atasnya). Contoh : batas bawah kelas interval ke-4 => 29 - ½ (29-28) = 29 - 0,5 = 28,5
- Tanda kelas interval : suatu nilai yang mewakili kelas interval. Rumusnya yaitu ½ (ujung bawah + ujung atas).
Read More..
Sejarah Teori Peluang dan Statistika
Jumat, Juni 19, 2009Dalam bukunya yang berjudul Liber de Ludo Aleae (Book on Games of Changes) pada tahun 1565, Cardano banyak membahas konsep dasar dari peluang yang berisi tentang masalah perjudian. Sayangnya tidak pernah dipublikasikan sampai 1663. Girolamo merupakan salah seorang dari bapak probability. Di bukunya Cardano menulis tentang permasalahan peluan, yaitu:
- Jika 3 buah dadu dilempar bersamaan sebanyak 3 kali, berapa peluang untuk mendapatkan mata dadu minimal 1,1 pada setiap lemparan.
- Jika 2 buah dadu dilempar bersamaan sebanyak 3 kali, berapa peluang untuk mendapatkan mata dadu 1,1 paling sedikit dua kali.
Pada tahun 1654, seorang penjudi lainnya yang bernama Chevalier de Mere menemukan sistem perjudian. Ketika Chevalier kalah dalam berjudi dia meminta temannya Blaise Pascal (1623-1662) untuk menganalisis sistim perjudiannya.
Pascal menemukan bahwa sistem yang dipunyai oleh Chevalier akan mengakibatkan peluang dia kalah 51 %. Pascal kemudian menjadi tertarik dengan peluang, dan mulailah dia mempelajari masalah perjudian. Dia mendiskusikannya dengan matematikawan terkenal yang lain yaitu Pierre de Fermat (1601-1665). Mereka berdiskusi pada tahun 1654 antara bulan Juni dan Oktober melalui 7 buah surat yang ditulis oleh Blaise Pascal dan Pierre de Fermat yang membentuk asal kejadian dari konsep peluang.
Blaisé Pascal bekerjasama dengan Fermat menyelesaikan soal-soal yang diberikan oleh Chevalier de Mere, diantaranya:
- Berapa kali kita harus melemparkan dua buah dadu, sehingga minimal separuh mata dadu yang muncul keduanya angka 6.
- Dalam permainan dadu, dadu dilempar sebanyak 8 kali, permainan berakhir bila seorang gagal mendapat mata dadu 1 sebanyak tiga kali.
- Probleme des partis (Problem of Point). Dua pemain judi P1 dan P2 sepakat untuk bermain “fair games” sampai salah satu dari mereka menang dengan nilai tertentu dari N kali permainan. Permainannya tiba-tiba dihentikan. P1 menang N1 kali permainan dan P2 menang N2 permainan. Bagaimana seharusnya membagi taruhannya? Pada awalnya Pascal mempunyai rencana untuk menulis karya tentang problema of point ini atau yang disebut aleae geometría tetapi tidak pernah menulisnya,
- Dua orang melempar sebuah mata uang logam secara bergantian, setiap muncul muka orang pertama akan memperoleh 1 point, bila yang muncul adalah belakang maka pemain kedua yang mendapat 1 point. Jika orang pertama sudah mendapat 100 point maka orang tersebut akan mendapat uang $1000. Bila pemain pertama mempunyai 100-m point, dan pemain kedua mempunyai 100- n point , berapa peluang pemain pertama akan menang
Di awal tahun 1656, Christiaan Huygens menulis naskah Van Rekeningh in Spelen van Geluck . Van Rekeningh in Spelen van Geluck adalah risalat singkat terdiri dari 15 halaman, yang kemungkinan didasarkan atas apa yang dilihat Huygen selama dia menetap di paris pada tahun-tahun sebelumnya tentang surat menyurat antara Pascal dan Fermat.
Pada bentuk akhirnya, tulisan ini memuat 14 masalah (Voorstellen) dengan solusi atau buktinya dan 5 masalah yang harus diselesaikan oleh pembaca. Lima masalah terakhir adalah sebagian dari masalah Fermat dan Pascal. Masalah terakhir dari kelima masalah tersebut pada akhirnya dikenal sebagai “Gambler’s ruin” dan bagian-bagian dari surat menyurat Pascal dan Fermat yang di terbitkan pada tahun 1656. Pada tahun 1709 Jaques (Jacob) Bernoulli menulis buku Ars Conjectandi, yang terdiri 5 bagian, yaitu:
- Menulis lagi Liber de Ludo Aleae (Book on Games of Chance) karya Cardano
- Permutasi dan Kombinasi
- Distribusi Binomial dan Multinomial
- Teori Peluang
- Law Large Number (Hukum Bilangan Besar. Jaques (Jacob) Bernoulli adalah orang yang pertama mengenalkan hukum bilangan besar (LLN). Dia mengerjakan dan mengembangkannya selama lebih dari 20 tahun, dan mempublikasikannya pada Ars Conjectandi (The Art of Conjecturing) pada tahun 1713.
Dia menamakannya dengan teorema keemasan yang kemudian lebih dikenal dengan teorema Bernoulli. S.D Poisson menamakannya dengan La loi des Grand Nomber (The law Large Number). Setelah Bernoulli dan Poisson mempublikasikan LLN, maka matematikawan lainnya yang mengembangkan LLN adalah Chebysev, Markov, Borel, Cantelli dan Kolmogorov. Mereka menghasilkan apa yang kita kenal dengan Weak law Large Number dan Strong Large Number.
Law Large Number (LLN)
Hukum bilangan besar (LLN) adalah teorema pada peluang yang menggambarkan stabilitas yang lama dari suatu variable random. Jika kita diberikan suatu sample random dari variable random yang identik dan independent (iid) dengan mean dan variannya finite, maka rata-rata sample akan mendekati rata-rata populasi.
Misalnya ketika kita melempar mata uang logam, maka frekuensi munculnya angka atau gambar akan mendekati 50 %, perbedaan frekuensi munculnya angka atau gambar tidak besar, contohnya kita akan mendapat munculnya angka sebanyak 520 kali dalam 1000 lemparan, dan 5096 kali dalam 10000 kali lemparan.
Kemudian pada tahun 1711, Abraham de Moivre yang lahir di French Hugesenot pada tanggal 26 Mei 1667, dan wafat di London 27 November 1754 , menerbitkan buku yang berjudul Doctrine of Chances, yang diantaranya memuat Ars Conjectandi. Selain memuat Ars Conjectandi, buku ini juga memuat mengenai teori dari permutasi dan kombinasi yang berpangkal dari probabilitas,
contohnya:
Diketahui dari huruf-huruf a,b,c,d,e,f diambil dua huruf, maka peluang terambilnya huruf pertama adalah 1/6, peluang terambilnya huruf kedua adalah 1/5. Jadi peluang terambilnya dua huruf tersebut adalah (1/6)(1/5) = 1/30.
Selain itu karya de Moivre adalah teorema limit pusat dan distribusi normal. Abraham de Moivre adalah orang yang pertama memperkenalkan distribusi normal pada tahun 1737, kemudian ditulis ulang pada tahun 1738 dengan judul The Doctrine of Chances, yang membahas pendekatan distribusi binomial untuk n yang besar.
Hasil ini diperluas oleh Laplace dalam buku Analytical Theory of Probabiliteis pada tahun 1812, yang sekarang dikenal dengan teorema De Moivre-Laplace. Laplace menggunakan distribusi normal untuk menganalisis percobaannya. Karena grafik probalitasnya mirip lonceng maka Jouffret pada tahun 1872 memberi nama kurva lonceng (bell curve) .
Nama distribusi normal diberikan oleh S.Pierce, Francis Galton dan Wilhelm Lexis pada tahun 1875. Sejarah dari teorema limit pusat adalah sangat menarik, teorema ini dirumuskan pertama kali oleh Abraham de Moivre pada tahun 1733. Moivre menggunakan distribusi normal untuk memperkirakan banyaknya muncul muka (head) pada pelantunan mata uang.
Penemuan ini hampir terlupakan, sebelum akhirnya matematikawan Perancis yang bernama Pierre Simon Laplace mengenalkannya dalam tulisan Theorie Analytique des Probabilities, yang dipublikasikan pada tahun1812. Laplace memperkirakan distribusi dari orbit komet dengan distribusi binomial.
Pada abad ke 19 teorema limit pusat dirumuskan secara umum dan dibuktikan oleh matematikawan Rusia yang bernama Aleksander Lyapunov.
Berbeda dengan sejarah peluang yang berawal dari sebuah perjudian, statistika berawal dari kegiatan pengumpulan data yang dilakukan oleh John Graunt di Eropa pada tahun 1662, hal ini merupakan awal munculnya statistika deskriptif.
Penggunaan istilah statistika berakar dari istilah- istilah dalam bahasa latin modern statisticum collegium (dewan negara) dan bahasa Italia statista (negarawan atau politikus). Pada tahun 1749 Gottfried Achenwall menggunakan Statistika dalam bahasa Jerman untuk pertama kalinya sebagai nama bagi kegiatan analisis data kenegaraan, dengan mengartikannya sebagai ilmu tentang Negara (state). Pada awal abad ke-19 telah terjadi pergeseran arti menjadi “ilmu mengenai pengumpulan dan klasifikasi data“.
Nama dan pengertian statistik pertama kali diperkenalkan dalam bahasa Inggris oleh Sir John Sinclair . Jadi statistika secara prinsip mula-mula hanya mengurus data yang dipakai lembaga-lembaga administrasif dan pemerintahan. Pengumpulan data terus berlanjut, khususnya melalui sensus yang dilakukan secara teratur untuk memberi informasi kependudukan yang berubah setiap saat.
Pada tahun yang sama juga, tahun 1662 John Graunt mulai menerbitkan karya miliknya yaitu Observation on the bills of mortality. John Graunt merupakan orang pertama yang menyingkat data ke dalam tabel. Dia juga membicarakan tentang reliabilitas data. John Graunt pula orang pertama yang mendemonstrasikan secara statistik bahwa jumlah dari pria dan wanita mendekati sama dan perbandingan jenis kelamin pada saat kelahiran stabil. Dia adalah orang pertama yang membentuk tabel hidup, yang membentuk kajian tentang asuransi jiwa secara matematik. Dari data yang terkumpul tersebut juga memicu lahirnya teknik pentabelan yang dilakukan oleh Edmon Halley pada tahun 1693.
Seiring dengan perkembangan tori-teori probabilitas antara tahun 1713 – 1812, Galton yang semasa hidupnya menghasilkan 340 lebih tulisan dan buku, mempelajari fenomena korelasi dan regresi terhadap nilai rata-rata dan nilai tengah dan menggunakan metode statistik untuk mempelajari perbedaan pada sifat manusia dan warisan kecerdasan dengan menggunakan daftar pertanyaan-pertanyaan.
Penemuan-penemuan tersebut memicu lahirnya statistika inferensial yang diawali oleh Pearson pada tahun 1900 dengan Chi Square Test. Selain Chi Square Test, dengan menggunakan korelasi dan regresi linear, Pearson membuat model 3 dimensi sebagai model pengumpulan data dalam penelitian di Departemen Sains Statistik. Selain itu juga Pearson menggunakan distribusi probabilitas sebagai dasar untuk teori statistic modern.
Seorang kimiawan muda William Gosset atau yang lebih dikenal dengan panggilan “student” menggunakan ketidak cocokan penggunaan kurva normal untuk ukuran sampel kecil. Bersama seorang professor, ia merumuskan penemuannya pada tahun 1908. Ia menyebutnya dengan distribusi “student”.
Penemuannya kurang mendapat perhatian terkecuali setelah dimasukkan ke dalam buku ajar statistika modern yang pertama yang ditulis oleh Sir Ronald Fisher 20 tahun kemudian. Pada tahun 1925, Fisher mempublikasikan buku yang berjudul Statistical Methods for Research Workers. Di buku tersebut, Fisher menuliskan mengenai ANAVA.
Sekitar tahun 1943-1946 penemuan-penemuan baru muncul seperti yang diperkenalkan oleh Cramer dan M. G Kendall yang mengkaji metode non parametric dengan menggunakan statistika inferensi. Satatistika non parametric muncul karena kebutuhan berdasarkan syarat yang tidak terpenuhi oleh statistika parametric.
Pada tahun 1945 Frank Wilcoxon menemukan satu uji, yang kemudian lebih dikenal dengan uji Wilcoxon.
Pada periode tahun 1950-1980 cakupan mengenai teori peluang dan statistic meningkat dengan munculnya bidang baru seperti teori antrian. William Feller mengembangkan topik-topik statistic tingkat lanjut seperti rantai markov.
Pada tahun 1950, Rudolf Carnap menerbitkan risetnya yang berjudul Logical Fondation of Probabity yang berisi derajat informasi (degree of confirmation) dan frekuensi relatif. W.Edward Deming meneliti tentang kualiti control dan banyak perusahaan mengambil metode ini.
Austin Bradford Hill mengembangkan statistik pada bidang kesehatan dan epidemiologi. Bradford mempelopori trial klinik random dan mendemonstrasikan hubungan antara kebiasaan merokok dengan penyakit kangker paru-paru. Quetelet mengaplikasikan teori peluang pada sensus.
Semenjak tahun 1970 keuangan menjadi bagian penting dari penerapan teori peluang. Ito mengembangkan kalkulus stokastik pada tahun 1940 dan diterapkan pada model Black-Scholes. Black dan Scholes memenangkan hadiah nobel pada bidang ekonomi.
Periode tahun 1980an ditandai dengan mulainya penggunaan komputer dalam mengolah data statistik, dengan menggunakan komputer kita dapat menghemat waktu dalam mengolah data statistik, dan muncul aktifitas baru yang berkenaan dengan statistic. Tabel statistik menjadi lebih mudah dihasilkan, data yang besar dapat dengan mudah dianalisis secara mendalam dan lengkap.
Pada awal abad ke 20 ketika Student(1908) menulis tentang distribusi normal dan Yule (1926) tentang korelasi, mereka menggunakan sampling dan berfaedah dalam menghasilkan tabel, dengan komputer menerapkan percobaan Montecarlo menjadi mungkin.
Percobaan montecarlo adalah cara standar untuk menyelidiki tingkah laku yang finit pada prosedur statistik. Semenjak tahun 1980 metode montecarlo sudah digunakan secara luas. Walker menekankan statistic pada spikologi dan pendidikan.
Demikian uraian singkat tentang sejarah Peluang dan Statistika dalam Matematika. Tulisan ini hanya memberikan gambaran secara umum tentang sejarah lahir dan berkembangnya teori peluang dan statistika beserta tokoh-tokohnya. Semoga uraian singkat ini dapat memberikan gambaran umum tentang hubungan antara peluang dan statistika. Semoga dengan mengatahui sejarah dan tokoh-tokoh yang berperan dalam mengembangan konsep peluang dan statistika dapat membangkitkan minat dan motivasi untuk mempelajari dan mengembangkan teori peluang dan statistika ini.
Methods Successive Interval (MSI)
Selasa, Juni 02, 2009Untuk lebih detail => klik disini (via Sharecash) or klik disini (via Ziddu)
Read More..
Simbol-simbol dalam Statistika
Minggu, Mei 17, 2009
Untuk lebih detail => klik disini (via Sharecash) or klik disini (via Ziddu)
Read More..
Pengetahuan Dasar Regresi Linear Sederhana
Sabtu, Mei 09, 2009Oleh karena itu jika kita memiliki data yang memiliki dua atau lebih variable, adalah sewajarnya untuk mempelajari cara bagaimana variable-variabel tersebut berhubungan. Hubungan yang didapat biasanya dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan fungsional antara variable-variable.
Untuk lebih detail => klik disini (via Sharecash) or klik disini (via Ziddu)
Method of Paired Comparison (Thurstone)
Sabtu, April 18, 2009Contoh :
Peneliti ingin mengukur tingkat sosial ekonomi masyarakat yang terdiri dari lima dimensi, yaitu A, B, C, D, dan E. Yang menjadi permasalahan yaitu bagaimana kita menentukan relative importance untuk dimensi-dimensi tersebut.
Untuk lebih detail => klik disini (via Sharecash) or klik disini (via Ziddu)
Likert's Summated Rating
Dalam pengukuran sikap biasanya menggunakan alat ukur yaitu kuesioner, salah satu metode yg paling banyak digunakan dalam kuesioner yaitu Likert's Summated Rating. Berikut ini akan dijelaskan metode tersbut.
Metode ini merupakan salah satu yang paling banyak digunakan karena kesederhanaannya.
Langkah Kerja
a. Tentukan secara tegas sikap terhadap topik apa yang akan diukur.
Contohnya : Sikap masyarakat terhadap emansipasi wanita.
b. Tentukan dimensi yang menyusun sikap tersebut. Dimensi terdiri dari : cognitive (tahu atau tidak tahu), affective (perasaan terhadap sesuatu), conative (sikap untuk bertingkah laku)
c. Susun pernyataan atau item yang merupakan alat untuk pengukur dimensi yang menyusun sikap yang akan diukur sesuai dengan indikator. Item-item ini harus terdiri dari item positif (yang mendukung topik) dan item negatif (yang tidak mendukung topik) yang letaknya dalam kuesioner acak. Tidak boleh ada item netral.
d. Setiap item diberi pilihan respon yang sifatnya tertutup, banyaknya pilihan respon biasanya 3, 5, 7, 9, dan 11. Dalam praktek yang paling banyak digunakan adalah 5 karena bila respon jawaban terlalu sedikit hasilnya akan kasar dan bila terlalu banyak responden sulit untuk membedakan.
e. Untuk setiap pilihan respon jawaban item diberi skor berdasarkan kriteria sebagai berikut : apabila item positif angka terbesar pada “ sangat setuju” dan jika negatif angka terbesar pada “ sangat tidak setuju” . Skor yang diberikan pada jawaban dijumlahkan oleh karena itu disebut “ Likert’ s Summated Ratings” .
Untuk lebih jelasnya => klik di sini (via Sharecash) or klik disini (via Ziddu)
7 common errors
Rabu, Oktober 15, 2008Some common errors arise again and again in statistics.
Here are seven to watch out for:
1. unclear basepoint for graphs
A TV advert used to proudly proclaim: "X has 25% more active ingredient"
The screen however showed just the top of four test tubes. The words may have been true, but it looked a lot more than 25% - a truthful advert?
2. %increases and changes in %difference
If 300 is 50% bigger than 200, is 200 50% less than 300?
In 1990 product A had 10% of market share and now it has 15%. Is that a 50% increase or a 5% increase? Of course, the market may be only half as big now, so there may be less of product A sold.
Lesson - be very careful with your language.
3. beware extrapolation
Interpolation - estimating unknown values between known values - OK, but extrapolating - going outside the known limits is dangerous (albeit sometimes necessary!).
4. statistical significant ≠ important
Real, non-random effects may nevertheless be very small
Assuming that a non-significant result means no difference is like Kate Winslett assuming she weighs nothing because there was no detectable change in the waterline of the Titanic when she jumped off.
5. non-significant ≠ no effect
Big effects may not be significant if sample size is low or variability high.
6. relationship ≠ causality
There may be a common cause, or it may simply be a fluke!
7. don't do too many tests!!
5% significant means will happen by chance 1 time in 20. If you do lots of tests, 1 in 20 will (on average) be 5% significant. So, if you need to do lots of tests look for better significance values.
www.meandeviation.com
Statistika Marketing
Senin, September 22, 2008Untuk mempermudah melakukan analisis statistika dalam dunia marketing, dapat dilihat pada tabel berikut ini.
Tentang metode statistika
Metode statistika terbagi dua yaitu :
1. Statistika deskriptif yaitu berkaitan dengan kegiatan pencatatan dan peringkasan hasil-hasil pengamatan terhadap kejadian-kejadian atau karakteristik-karakteristik manusia, tempat dan sebagainya, secara kuantitatif.
Contoh : dari 125 responden yang terambil didapat 67 responden (54,47%) adalah pria dan sisanya sebanyak 56 responden (45,53%)wanita.
2. Statistika inferensial yaitu metode-metode untuk menganalisis sampel dari populasi sehingga dapat ditarik kesimpulan tentang populasi dari sampel tersebut.
Contoh : kelulusan suatu mahasiswa dalam kuliah matematika sebesar 72% dari jumlah peserta kuliah selama 5 tahun terakhir. Besaran ini merupakan statistika deskriptif, tetapi jika kita mengambil kesimpulan bahwa peluang mahasiswa lulus mata kuliah tersebut lebih dari 70 % berarti ini merupakan statistika inferensial.
Populasi dan Sampel
Populasi adalah keseluruhan objek psikologis yang menjadi perhatian.
Populasi bisa populasi yang terhingga (contohnya : jumlah mahasiswa UNPAD) dan populasi tak terhingga (contohnya : jumlah mahasiswa UNPAD dari dulu hingga sekarang dan nantinya).
Sampel adalah himpunan bagian dari populasi.
Parameter dan Statistik
Parameter adalah sembarang nilai yang menjelaskan ciri populasi. Statistik adalah sembarang nilai yang menjelaskan ciri dari sampel. Himpunan data adalah kumpulan dari fakta yang dikumpulkan untuk maksud tertentu.
Data diskrit : data yang diperoleh dari proses hitungan.
Data kontinu : data yang diperoleh dari proses pengukuran.
Karakteristik dari himpunan data adalah :
Anggota : sekumpulan data terdiri dari sekumpulan dari anggota-anggota untuk masing-masing anggota informasi tentang satu atau lebih karakteristik yang diinginkan.
Variabel : sebuah karakteristik yang dapat diperoleh dari berbagai kemungkinan hasil yang berbeda-beda.
Variabel kuantitatif : variabel yang hasilnya berupa angka.
Variabel kualitatif : variabel yang hasilnya hanya atribut.
Pengamatan (observasi) : informasi tentang sebuah variabel tunggal untuk sebuah anggota dari sekumpulan data.
Statistika Parametrik dan Nonparametrik
Statistika parametrik adalah prosedur yang pengujian yang dilakukan berlandaskan distribusi. Salah satu karakteristiknya penggunaan prosedur ini melibatkan asumsi-asumsi tertentu. Contoh dari statistik parametrik adalah analisis regresi, analisis korelasi, analisis varians.
Statistika non parametrik adalah prosedur dimana kita tidak melibatkan parameter serta tidak terlibatnya distribusi. Contoh : uji keacakan, uji kecocokan (goodness of fit),dll.
Kelebihan statistika non parametrik
· Asumsi yang digunakan dalam jumlah yang minimum maka kemungkina penggunaan secara salah juga kecil
· Untuk beberapa prosedur perhitungan dapat dilakukan dengan mudah secara manual.
· Konsep-konsep dari prosedur ini menggunakan dasar matematika dan statistika yang mudah dipahami.
· Prosedur ini dapat digunakan pada skala ordinal maupun nominal.
Kelemahan dari prosedur statistika non parametrik
· Jika suatu kasus yang dapat dianalisis dengan statistika parametrik, kemudian digunakan analisis statistika non parametrik akan menyebabkan pemborosan informasi.
· Meskipun prosedur penghitungannya sederhana, perhitungannya kadang-kadang membutuhkan banyak tenaga dan menjemukan.
· Asumsi yang digunakan dalam jumlah yang minimum maka kemungkina penggunaan secara salah juga kecil.
· Untuk beberapa prosedur perhitungan dapat dilakukan dengan mudah secara manual.
· Konsep-konsep dari prosedur ini menggunakan dasar matematika dan statistika yang mudah dipahami.
· Prosedur ini dapat digunakan pada skala ordinal maupun nominal.
Kapan prosedur non parametrik digunakan ?
· Bila hipotesis yang harus diuji tidak melibatkan suatu parameter populasi.
· Bila skala pengukuran yang disyaratkan dalam statistika parametrik tidak terpenuhi misalnya skala ordinal dan nominal.
· Bila asumsi-asumsi dari statistika parametrik tidak dapat dipenuhi.
· Bila dalam penghitungannya dikerjakan secara manual.
Skala Pengukuran
Data pengamatan yang dikumpulkan oleh peneliti dapat mempunyai bentuk yang bermacam-macam. Ditinjau dari sudut memandangnya, data dapat dibedakan dalam berbagai bentuk. Sebelum peneliti melakukan analisis terhadap data yang ia kumpulkan, peneliti perlu terlebih dahulu mengetahui bentuk data macam apa yang ia punyai. Mengetahui bentuk data yang akan atau telah diperoleh merupakan tahap awal yang penting untuk menentukan analisis statistik mana yang tepat untuk digunakan.
Data dibedakan menurut skala yang digunakan pada saat melakukan pengukuran. Dengan pengukuran dimaksudkan sebagai upaya memberikan angka numerik terhadap obyek menurut aturan-aturan tertentu. Aturan yang berbeda akan menghasilkan skala yang berlainan sehingga akan memberikan jenis pengukuran yang berbeda. Terdapat empat macam skala pengukuran yang ada yaitu : NOMINAL, ORDINAL, INTERVAL , dan RASIO
SKALA NOMINAL
Skala nominal merupakan skala pengukuran yang paling rendah tingkatannya di antara ke empat skala pengukuran yang lain. Seperti namanya, skala ini membedakan satu obyek dengan obyek lainnya berdasarkan lambang yang diberikan.
Oleh karena itu data dalam skala nominal dapat dikelompokkan ke dalam beberapa kategori, dan kepada kategori tersebut dapat diberikan lambang yang sesuai atau sembarang bilangan.
Bilangan yang diberikan tidak mempunyai arti angka numerik artinya kepada angka-angka tersebut tidak dapat dilakukan operasi aritmetika, tidak boleh menjumlahkan, mengurangi, mengalikan, dan membagi. Bilangan yang diberikan hanyalah berfungsi sebagai lambang yang dimaksudkan hanya untuk membedakan antara data yang satu dengan data yang lainnya.
Contoh : Data mengenai barang-barang yang dihasilkan oleh sebuah mesin dapat digolongkan dalam kategori cacat atau tidak cacat. Barang yang cacat bisa diberi angka 0 dan yang tidak cacat diberi angka 1. Data 1 tidaklah berarti mempunyai arti lebih besar dari 0. Data satu hanyalah menyatakan lambang untuk barang yang tidak cacat.
Kesimpulan :
Bilangan dalam Skala Nominal berfungsi hanya sebagai lambang untuk membedakan, terhadap bilangan-bilangan tersebut tidak berlaku hukum aritmetika, tidak boleh menjumlahkan, mengurangi, mengalikan, maupun membagi.
Hubungan yang membatasi adalah hubungan sama dengan dan tidak sama dengan.
Statistik yang sesuai dengan data berskala Nominal adalah Statistik Nonparametrik. Contoh perhitungan statistik yang cocok adalah Modus, Frekuensi dan Koefisien Kontingensi.
SKALA ORDINAL
Skala pengukuran berikutnya adalah skala pengukuran ordinal. Skala pengukuran ordinal mempunyai tingkat yang lebih tinggi dari skala pengukuran nominal. Dalam skala ini, terdapat sifat skala nominal, yaitu membedakan data dalam berbagai kelompok menurut lambang, ditambah dengan sifat lain yaitu, bahwa satu kelompok yang terbentuk mempunyai pengertian lebih (lebih tinggi, lebih besar,…) dari kelompok lainnya. Oleh karena itu, dengan skala ordinal data atau obyek memungkinkan untuk diurutkan atau dirangking.
Contoh : Sistem kepangkatan dalam dunia militer adalah satu contoh dari data berskala ordinal Pangkat dapat diurutkan atau dirangking dari Prajurit sampai Sersan berdasarkan jasa, dan lamanya pengabdian. Jika peneliti merangking data lamanya pengabdian maka peneliti dapat memberikan nilai 1, 2, 3, … , 4 dst masing-masing terhadap seseorang anggota ABRI yang berpangkat Prajurit, Kopral, Sersan, dst. Berbeda dengan skala nominal, angka yang diberikan terhadap obyek tidak semata-mata berlaku sebagai lambang tetapi juga memperlihatkan urutan atau rangking.
Kesimpulan:
Pada tingkat pengukuran ordinal, bilangan yang didapat berfungsi sebagai :
1.lambang untuk membedakan
2.untuk mengurutkan peringkat berdasarkan kualitas yang telah ditentukan (> atau < ). Pada tingkat pengukuran ordinal kita bisa mengatakan lebih baik/lebih buruk, lebih besar/lebih kecil, tetapi tidak bisa menentukan berapa kali lebih besarnya/lebih buruknya. Statistik yang sesuai dengan data berskala Ordinal adalah Statistik Nonparametrik. Contoh perhitungan statistik yang cocok adalah Median, Persentil, Korelasi Spearman, Korelasi Thau-Kendall.
SKALA INTERVAL
Skala pengukuran Interval adalah skala yang mempunyai semua sifat yang dipunyai oleh skala pengukuran nominal, dan ordinal ditambah dengan satu sifat tambahan. Dalam skala interval, selain data dapat dibedakan antara yang satu dengan yang lainnya dan dapat dirangking, perbedaan (jarak/interval) antara data yang satu dengan data yang lainnya dapat diukur.
Contoh : Data tentang suhu empat buah benda A, B, C , dan D yaitu masing-masing 20. 30, 60, dan 70 derajat Celcius, maka data tersebut adalah data dengan skala pengukuran interval karena selain dapat dirangking, peneliti juga akan tahu secara pasti perbedaan antara satu data dengan data lainnya. Perbedaan data suhu benda pertama dengan benda kedua misalnya, dapat dihitung sebesar 10 derajat, dst. Namun dalam skala interval, tidak mungkin kita melakukan perbandingan antara satu data dengan data yang lainnya. Kita tidak dapat mengatakan bahwa suhu 60 derajat Celcius dari benda C dan 30 derajat Celcius untuk suhu benda B berarti bahwa benda C 2x lebih panas dari benda B. Hal ini tidak mungkin karena skala interval tidak mempunyai titik nol yang mutlak. Titik nol yang tidak mutlak berarti : benda dengan suhu nol derajat Celcius bukan berarti bahwa benda tersebut tidak mempunyai panas.
Kesimpulan :
Pada tingkat pengukuran interval, bilangan yang didapat berfungsi sebagai :
1. Sebagai lambang untuk membedakan
2. Untuk mengurutkan peringkat, misal, makin besar bilangannya, peringkat makin tinggi ( > atau <),
3. Bisa memperlihatkan jarak/perbedaan antara data obyek yang satu dengan data obyek yang lainnya. Titik nol bukan merupakan titik mutlak, tetapi titik yang ditentukan berdasarkan perjanjian. Statistik yang sesuai dengan data berskala Interval adalah Statistik Nonparametrik dan Statistik Parametrik. Contoh perhitungan statistik yang cocok adalah Rata-rata, Simpangan Baku, dan Korelasi Pearson.
SKALA RASIO
Skala rasio merupakan skala yang paling tinggi peringkatnya. Semua sifat yang ada dalam skala terdahulu dipunyai oleh skala rasio. Sebagai tambahan, dalam skala ini, rasio (perbandingan) antar satu data dengan data yang lainnya mempunyai makna.
Contoh : Data mengenai berat adalah data yang berskala rasio. Dengan skala ini kita dapat mengatakan bahwa data berat badan 80 kg adalah 10 kg lebih berat dari yang 70 kg, tetapi juga dapat mengatakan bahwa data 80 kg adalah 2x lebih berat dari data 40 kg. Berbeda dengan interval, skala rasio mempunyai titik nol yang mutlak.
Kesimpulan :
Pada tingkat pengukuran rasio, bilangan yang didapat berfungsi sebagai :
1. Sebagai lambang untuk membedakan
2. Untuk mengurutkan peringkat, misal, makin besar bilangannya, peringkat makin tinggi (> atau < ),
3. Bisa memperlihatkan jarak/perbedaan antara data obyek yang satu dengan data obyek yang lainnya.
4. Rasio (perbandingan) antar satu data dengan data yang lainnya dapat diketahui dan mempunyai arti. Titik nol merupakan titik mutlak. Statistik yang sesuai dengan data berskala Rasio adalah Statistik Nonparametrik dan Statistik Parametrik. Contoh perhitungan statistik yang cocok adalah Rata-rata, Koefisien Variasi dan statistik-statistik lain yang menuntut diketahuinya titik nol mutlak.