Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.

Analisis deskriptif.

Analisis Deskriptif oleh Muhammad Hakiki.

  • Identifiez-vous pour voir les commentaires

Analisis deskriptif.

  1. 1. ANALISIS DESKRIPTIF DAN ANALISIS KORELASIONAL OLEH : KISMAN NIM : 120211538141 MUHAMMAD HAKIKI NIM : 120211538140 HARTATI NIM : 1. ANALISIS DESKRIPTIF 1.1 PengertianAnalisis MenurutKBBI(2001:43) Analisisadalah1. penyelididkanterhadapsuatuperistiwa(karangan, perbuatan, dsb) untukmengetahuikeadaan yang sebenarnya (sebab-musabab,dudukperkaranya, dsb); 2penguraiansuatupokokatasberbagaibagiannyadanpenelaahanbagianitusendirisertahubunganantarbagianuntukmemperolehpengertian yang tepatdanpemahamanartikeseluruhan;3pemecahanpersoalan yang dimulaidengandugaanakankebenarannya. 1.2 Pengertian Deskripsi Dan Deskriptif Statistik Deskripsiadalahpemaparanataupenggambarandengan kata-katasecarajelasdanterperinci (KBBI, 2001:258). DeskriptifStatistikadalahstatistik yangdigunakanuntukmendeskripsikansuatukeadaanataumasalah.Dengan kata lain,deskriptifstatistikadalahstatistik yangberfungsiuntukmenerangkankeadaanataugejalaataupersoalan agar mudahdipahami.Penarikankesimpulanpadastatistikdeskriptifhanyaditujukanpadasekumpulan data yangada.Statistikdeskriptifmerupakanalatanalisisuntukmenjelaskan, meringkas, mereduksi,menyederhanaka, mengorganisasidanmenyajikan data kedalambentuk yang teratur,sehinggamudahdibaca, dipahamidandisimpulkan (Wiyono,6:2001). 1.3 Pengertian Analisis Deskriptif Analisis Deskriptif merupakan analisis yang palingmendasar untuk menggambarkankeadaan datan secara umum. Analisis deskripsi ini meliputibeberapa hal, yakni : 1. DistribusiFrekuensi, 2. PengukuranTendensiSentral, dan 3. PengukuranVariabilitas (Wiyono, 11:2001).
  2. 2. 1.3.1 DistribusiFrekuensi DistribusiFrekuensiadalahsusunan datamenurutdasarataukategoritertentudalamsuatudaftar yang disusunsistematis.Data yangdiperolehdarisuatupenelitianbiasanyamasihberupa data mentah yang acakdansulitdibaca. Ada beberapajenisdistribusifrekuensi. (a) distribusifrekuensisecaratidakberkelompok,(b) distribusi rank order, (c) distribusifrekuensisecaraberkelompok, (d) grafikdistribusi. (a) DistribusiFrekuensiSecaratidakBerkelompok Distribusifrekuensisecaratidakberkelompokadalahdistribusi yangbelumdikelompokkan.Data yang disajikanmasih datatunggal.Dalamdistribusiinimasihbelummenunjukkanarti yangbanyakdansulituntukdiinterpretasikan. (b) Distribusi Rank OrderDistribusi rank order adalahdistribusifrekuensisecaratidakberkelompok yangsudahdiurutkanberdasarkanrangkingmulaidarinilaitinggisampaidengannilaiterendah.Denganmenggunakandistribusi rank order ini,kitadenganmudahmemperolehinformasitentangrangkingresponden. (c) DistribusiFrekuensiSecaraBerkelompok Distribusi yang bisamemberikaninformasi yanglebihbaikadalahdistribusifrekuensisecaraberkelompok.Beberapalangkah yangperludilakukandalammenyusundistribusifrekuensisecaraberkelompokadalah(1)menentukanrentangan, (2) menentukankelas interval, dan (3)mentalis data ke dalamtabeldistribusi. (1) Menentukanrentangan Rentangandapatdiperolehdari x max – x min. contohdiperolehrentangan 100 - 48 = 52. (2) Menentukankelas interval Sebagaidasarmenentukankelas intervaladalahdengancaramembagirentangandenganjumlahkelas.Jumlahkelasbisaditetapkanberdasarkanpertimbanganpeneliti.JumlahkelasjugabisaditetapkandenganmenggunakanaturanStruges, yaitu: Jumlahkelas = 1 + (3,3) log n.Sebagaicontohpada data tabel 2, jumlahkelas = 1 + (3,3) log 20 = 5,29,bisadibulatkankeatas 6 ataukebawah 5. Bila yang digunakan 5,makakelasintervalnyaadalah:
  3. 3. Rentangan 52 = = 10JumlahKelas 5 (3) Mentalis Data Mentalis data adalah proses pemasukan data observasikedalam interval. Jika dataobservasitelahdimasukkankedalamkelas interval, makajumlahfrekuensisamadenganjumlahtotal data observasi n. (d) GrafikDistribusiGrafikdistribusiadalahpenyajian data distribusifrekuensidalambentukgambar-gambar.Dengankata lain, grafik data distribusimerupakanpenyajian data secara visual dari data distribusiyang ada (Wiyono, 11-16:2001)s Frekuensin1.3.2 PengukuranTendensiSentral Pengukurantendensisentralmerupakan analisis statistikyangsecarakhususmendeskripsikanskorrepresentatif.Tendensisentralmenunjukkantentangletakbagianterbesardarinilaidalamdistribusi.mencakupgambaran frekuensi data secara umumseperti modus, media, dan meanatau rata-rata hitung. (Wiyono, 22:2001). (a) Mode atau ModusMode atau modus adalahnilai yangseringmunculatauseringterjadi.Misalnyadalamsatuderetnilai (2, 6, 6, 8, 9, 9, 9, 10)modenyaadalah 9, karenanilai 9, karenanilai yang palingbanyakmunculdibandingkannilailainnya. Apabilaadaduanilai yang seringmuncul,misalnyapadakelompoknilai (10, 11, 11, 11, 11, 12, 12, 13, 14, 14, 14, 14, 17),makamodenyaadaduayaitunlai 11 dan 14.Untukdistribusi data inidikenal;denganistilahdistribusibimodal. (Wiyono, 22:2001). (b) MedianMedian adalahnilai yang mendudukipersentase ke-50 dalamsuatudistribusinilai. Ada sebesar50% atauseparo data beradadiatasnilai median, dansebesarnya 50% atauseparo databerada di bawahnilai median. Misalnyapadaderetnilai 11, 13, 18, 19, 20,makamediannyaadalah 18. (Wiyono, 23:2001). (c) Rata-Rata Hitung (Mean)Rata-rata hitung (mean) adalahnilai rata-rata dari data yang ada. Darisejumlahteknikanalisistendensisentral, mean seringdigunakandandianggap yanglebihbisamenggambarkankeadaan data, terutama data yang berskala interval.Rata-ratahitungdaripopulasidiberisimbul µ (miu), sedangkan rata-ratahitungdarisampeldiberikansimbul χ (eks bar).Sedangkanrumusuntukmencari rata-rata(mean) adalahsebagaiberikut:
  4. 4. χ=nKeterangan : = jumlahsemuanilai data n = jumlah data yang diamatiSebagaicontoh, jikanilaiatauskor data dariterdiriatas 9, 8, 7, 6, 5, 4, 3, makanilai rata-rata(mean) diperoleh (9+8+7+6+5+4+3) : 7 = 42 : 7 = 6Berdasarkanperhitungan di atas, secaragarisbesardapatdigarisbawahibahwa median,modus, merupakananalisisuntukmenggambarkankeadaan data dibandingkan median danmodus.Median jugalebihbisamewakilidibandingkandenganmodus.Namunkeduanyabisaditerapkanbila data bentuk ordinal, intervalataurasio.Sedangkanuntuk variable nominal, misalnyaberupakategoriuntukjenispekerjaan,jeniskebangsaan, jeniskenakalanremaja, dansejenisnya, moduslebihtepatditerapkan.Dengandemikian, teknikanalisismana yang palingtepatditerapkantergantungtujuan, jenisdankeadaan data.(Wiyono, 25:2001).1.3.3 Pengukuran VariabilitasPengukuran Varibilitas adalah pengukuran penyimpangan nilai – nilai data dari pusatnya.Dengan kata laain ukuran variabilitas merupakan ukuran yang menyatakan nilai – nilai datayang berbeda dengan nilai – nilai pusatnya. Ukuran variabilitas disebut juga ukuran dispersiatau ukuran penyimpangan.Fungsi utama pengukuran variabilitis adalah untuk menggambarkan variasi ataupenyimpangan data. Melalui pengukuran variabilitas dapat diketahui homogenitas atauheterogenitas data. Dengan demikian, jelas bahwa materi ini memiliki tingkat relevansi yangsangat tinggi, yakni untuk mendeskripsikan variasi data secara keseluruhan. Suatu datadimungkinkan memiliki nilai tendensi sentral sama, misalnya mean yang sama, namunmemiliki nilai variansi yang berbeda. Melalui pengukuran variabilitas ini akan bisamenyimpulkan keadaan data secara lebih tepat.Ada beberapa teknik pengukuran variabilitas yang bisa diterapkan antara lain :1.3.3.1 RangeRange (R) adalah perbedaan atau selisih skor terbesar (x-max) dengan skor terkecil (x-min)dalam distribusi data. Misalnya distribusi data 10, 12, 13, 14, 15, 18,maka range-nya adalah18 – 10 = 8.1.3.3.2 Deviasi Rata-rataDeviasi rata-rata adalah nilai rata-rata hitung dari harga mutlak simpangan-simpangannya.Deviasi rata-rata juga dikenal dengan istilah varian1.3.3.3 Deviasi Standar
  5. 5. 1.3.3.4 Kuartil (Quartile)1.3.3.5 Z – Score dan T - ScoreTEKNIK KORELASIONAL a. Pengertian Teknik Analisa Korelasional ialah teknik analisa statistik mengenai hubungan antar dua variabel atau lebih. b. Tujuan. Teknik Analisa Korelasional memiliki tiga macam tujuan, yaitu : a. Ingin mencari bukti (berlandaskan pada data yang ada), apakah memang benar antara variabel yang satu dan variabel yang lain terdapat hubungan atau korelasi. b. Ingin menjawab pertanyaan apakah hubungan antar variabel itu (jika memang ada hubungannya), termasuk hubungan yang kuat, cukupan, ataukah lemah. c. Ingin memperoleh kejelasan dan kepastian (secara matematik), apakah hubungan antar variabel itu merupakan hubungan yang berarti atau meyakinkan (=signifikan), ataukah hubungan yang tidak berarti atau tidak meyakinkan. c. Penggolongan. Teknik Analisa Korelasional dapat dibedakan menjadi dua golongan, yaitu : 1. Teknik Analisa Korelasional Bivariat. Teknik Analisa Korelasional Bivariat adalah teknik analisa korelasi yang mendasarkan diri pada dua buah variabel. Contoh : korelasi antara prestasi belajar dalam bidang studi Bahasa Indonesia (variabel X ) dan kemampuan berbahasa siswa (variabel Y ). 2. Teknik Analisa Korelasional Multivariat. Teknik Analisa Korelasional Multivariat ialah teknik analisa korelasi yang mendasarkan diri pada lebih dari dua variabel. Contoh : Korelasi antara kemampuan berbahasa siswa (variabel X1) dengan lingkungan berbahasa siswa di masyarakat (variabel X2) dan prestasi belajar siswa dalam bidang studi Bahasa Indonesia (variabel X3). 1. Teknik Analisa Korelasional Bivariat Sebagaimana dikemukakan oleh Borg dan Gall dalam bukunya Educational Research, terdapat 10 macam teknik perhitungan korelasi yang termasuk dalam Teknik Analisis Korelasional Bivariat, yaitu: 1) Teknik Korelasi Product Moment (Product Moment Correlation)
  6. 6. 2) Teknik Korelasi Tata Jenjang (Rank Difference Correlation atau Rank Order Correlation). 3) Teknik Korelasi Koefisien Phi (Phi Coefficient Correlation) 4) Teknik Korelasi Kontingensi (Contingency Coefficient Correlation) 5) Teknik Korelasi Point Biserial (Point Biserial Correlation) 6) Teknik Korelasi Biserial (Biserial Correlation) 7) Teknik Korelasi Kendali Tau (Kendalls‟ Tau Correlation) 8) Teknik Korelasi Rasio (Correlation Ratio) 9) Teknik The Widespread Correlation. 10) Teknik Korelasi Tetrakorik (Tetrachoric Correlation) Penggunaan teknik korelasi tersebut di atas akan sangat tergantung pada jenis data statistik yang akan dicari korelasinya, di samping pertimbangan atau alasan tertentu yang harus dipenuhi. 2. Teknik-teknik dalam statistika multivariat Berdasarkan hubungan antarvariabel dan tujuan penyaringan informasi, terdapatbeberapa kelompok teknik dalam bidang ini. 1. Korelasi Kanonik. Dipopulerkan oleh Harold Hotelling yang bertujuan untuk mengidentifikasi dan menentukan hubungan antara dua kelompok variabel. Pada dasarnya, korelasi kanonik merupakan perluasan dari regresi linear berganda dengan variabel dependennya lebih dari satu. 2. Analisis Faktor (termasuk analisis komponen utama) bertujuan untuk menemukan sejumlah faktor yang mendasari (underlying) sejumlah pengukuran yang besar. Faktor: suatu konstruk hipotesis/variabel laten yang mendasari sejumlah tes, skala, item, dsb. Misal: Faktor inteligensi terdiri atas: kemampuan varbal, numerik, penalaran abstrak, penalaran ruang, ingatan, dll. Contoh: • Spearman (1904): ada 1 faktor umum yang mendasari inteligensi manusia • Thurstone (1947): ada sejumlah faktor inteligensi (primary mental ability) 3. Analisis Diskriminasi Analisis Diskriminan adalah salah satu tehnik analisa Statistika dependensi yang
  7. 7. memiliki kegunaan untuk mengklasifikasikan objek beberapa kelompok. Pengelompokan dengan analisis diskriminan ini terjadi karena ada pengaruh satu atau lebih variabel lain yang merupakan variabel independen. Kombinasi linier dari variabel-variabel ini akan membentuk suatu fungsi diskriminan (Tatham et. al.,1998). Analisis diskriminan adalah teknik multivariate yang termasuk dependence method, yakni adanya variabel dependen dan variabel independen. Dengan demikian ada variabel yang hasilnya tergantung dari data variabel independen. Analisis diskriminan mirip regresi linier berganda (multivariable regression). Perbedaannya analisis diskriminan digunakan apabila variabel dependennya kategoris (maksudnya kalau menggunakan skala ordinal maupun nominal) dan variabel independennya menggunakan skala metric (interval dan rasio). Sedangkan dalam regresi berganda variabel dependennya harus metric dan jika variabelnya independen, bias metric maupun nonmetrik.4. Analisis Kluster (pengelompokan) Tujuan dari Analisis Cluster adalah mengelompokkan obyekberdasarkan kesamaan karakteristik di antara obyek-obyek tersebut. Dengan demikian, ciri-ciri suatu cluster yang baik yaitu mepunyai : Homogenitas internal (within cluster); yaitu kesamaan antar anggota dalam satu cluster. Heterogenitas external (between cluster); yaitu perbedaan antara cluster yang satu dengan cluster yang lain. Langkah pengelompokan dalam analisis cluster mencakup 3 hal berikut : 1. Mengukur kesamaan jarak 2. Membentuk cluster secara hirarkis 3. Menentukan jumlah cluster. Adapun metode pengelompokan dalam analisis cluster meliputi : Metode Hirarkis; memulai pengelompokan dengan dua atau lebih obyek yang mempunyai kesamaan paling dekat. Kemudian diteruskan pada obyek yang lain dan seterusnya hingga cluster akan membentuk semacam„pohon‟ dimana terdapat tingkatan (hirarki) yang jelas antar obyek, dari yang paling mirip hingga yang paling tidak mirip. Alat yang membantu untuk memperjelas proses hirarki ini disebut “dendogram”.
  8. 8. Metode Non-Hirarkis; dimulai dengan menentukan terlebih dahulu jumlah cluster yang diinginkan (dua,tiga, atau yang lain). Setelah jumlah cluster ditentukan, maka proses cluster dilakukan dengan tanpa mengikuti proses hirarki. Metode ini biasa disebut “K-Means Cluster”. Asumsi yang harus dipenuhi dalam Analisis Cluster yaitu : Sampel yang diambil benar-benar dapat mewakili populasi yang ada (representativeness of the sample) Multikolinieritas.5. Analisis Varians Multivariat Analisis multivariat merupakan salah satu teknik statistik yang digunakan untuk memahami struktur data dalam dimensi tinggi. Variabel-variabel itu saling terkait satu sama lain. Disinilah letak perbedaan antara multivariabel dan multivariat. Multivariat pasti melibatkan multivariabel tetapi tidak sebaliknya. Multivariabel yang saling berkorelasilah yang dikatakan multivariat. Menurut Santoso (2004), analisis multivariat dapat didefinisikan secara sederhana sebagai metode pengolahan variabel dalam jumlah banyak untuk mencari pengaruhnya terhadap suatu objek secara simultan.

×