About

Tampilkan postingan dengan label STATISTIC. Tampilkan semua postingan
Tampilkan postingan dengan label STATISTIC. Tampilkan semua postingan

Selasa, 18 Agustus 2015

~"PENENTUAN JUMLAH SAMPEL"~

Dalam penelitian sampel merupakan bagian dari populasi yang masih memiliki karakteristik populasi tersebut. Untuk mempermudah penelitian, menghemat biaya dan waktu maka sampel sangat dibutuhkan. Agar hasil penelitian yang dilakukan terhadap sampel masih dapat dipercaya maka pemilihan sampel yang dilakukan haruslah tepat.
Ada beberapa perhitungan yang dapat digunakan untuk menghitung seberapa banyak sampel yang dapat diambil, diantaranya :

1. Rumus menurut Slovin   
dimana 
n = jumlah sampel
N = jumlah populasi
e^2 = batas ketelitian yang diinginkan



2. Rumus menurut Taro Yamate

dimana
n = jumlah sampel
N = jumlah populasi
d^2 = tingkat kesalahan


3. Rumus menurut Isaac dan Michael
dimana
S = jumlah sampel
N = jumlah populasi
P = Proporsi populasi diambil dari P = 0,5
d = derajat ketepatan ysng direfleksikan oleh kesalahan yang dapat ditoleransikan dalam fluktuasi proporsi sampel (P) umumnya diambil dari 0,05
X^2 = nilai tabel Chi-Square untuk satu derajat bebas relatif level confidence yang diinginkan.


4. Rumus Pengambilan Sampel Bertingkat
dimana
ni = jumlah sampel menurut stratum
n = jumlah seluruh sampel
Ni = jumlah populasi menurut stratum
N = jumlah seluruh populasi

Rabu, 29 Juli 2015

~"ANALISIS JALUR (PATH ANALYSIS)"-- 2~

Sebelumnya sudah kita bahas sedikit mengenai analisis jalur. Nah berikutnya kita akan lihat bagaimana membuat diagram jalur.
Seperti contoh kasus sebelumnya, pengaruh motivasi terhadap produktifitas kerja dengan insentif sebagai variabel intervening.

Identifikasi Variabel

Merumuskan Hipotesis Penelitian




  1. Diduga ada pengaruh langsung antara motivasi dengan produktivitas kerja.
  2. Diduga ada pengaruh langsung antara motivasi dengan insentif.
  3. Diduga ada pengaruh tidak langsung melalui insentif antara motivasi kerja dengan produktivitas kerja.

Membentuk Diagram Jalur
Diagram jalur adalah diagram yang melukiskan secara grafis mengenai struktur hubungan kausalitas antar variabel bebas, variabel intervening dan variabel terikat. Ada beberapa ketentuan secara umum dalam melukiskan diagram jalur :

  1. Setiap variabel dinyatakan dalam bentuk kotak..
  2. Error dinyatakan dalam bentuk lingkaran
  3. Hubungan antar variabel dinyatakan dengan anak panah satu arah
  4. Hubungan korelasi atau kovarian diantara dua variabel menggunakan anak panah berkepala dua.




Membentuk Persamaan Struktural
Persamaan struktural dari diagram di atas berdasarkan hipotesis adalah :

Produktivitas = a1 + b1*Motivasi + error 1

Produktivitas =  a2 + b2*Insentif + error 2

Produktivitas = a3 + b3*Motivasi + b4*Insentif + error 3

Mengukur Pengaruh Variabel
Untuk mengukur besarnya pengaruh dihitung berdasarkan nilai Standardized Coefficients (Beta) yang diperoleh dari hasil regresi linear antara produktivitas, motivasi dan insentif. 

  • Misalkan dalam hubungan langsung antara motivasi terhadap produktivitas diperoleh nilai Standardized Coefficients (Beta) p1, maka pengaruh langsungnya adalah p1. 
  • Misalkan dalam hubungan langsung antara insentif terhadap produktivitas diperoleh nilai Standardized Coefficients (Beta) p2, maka pengaruh langsungnya adalah p2.
  • Maka pengaruh tidak langsung antara motivasi terhadap produktivitas melalui insentif adalah p1 x p2.
  • Pengaruh total adalah jumlah antara pengaruh langsung dan pengaruh tak langsung yaitu p1 + (p1xp2).


Jika persentase pengaruh total sangat kecil, maka dapat disimpulkan bahwa adanya pengaruh motivasi terhadap produktivitas dengan insentif sebagai variabel intervening.


Menghitung Kesalahan Regresi
Untuk menghitung kesalahan regresi error 1, error 2 dan error 3 adalah dengan menghitung besarnya akar dari (1-R-square) masing-masing regresi. Kesalahan ini menunjukkan berapa persen variasi variabel terikat yang tidak dapat dijelaskan oleh variabel bebasnya.


Next Aplikasi Analisis Jalur >>

by MEYF

~"ANALISIS JALUR (PATH ANALYSIS)" -- 1~

Analisis jalur merupakan perluasan dari analisis regresi linear berganda. Analisis jalur digunakan untuk menguji pengaruh variabel intervening dan untuk mengetahui pengaruh secara langsung atau pun tidak langsung antar variabel.

Pengaruh langsung misalnya hubungan antara variabel bebas dengan variabel tak bebas secara langsung tanpa melalui variabel lainnya. Sedangkan pengaruh tidak langsung adalah hubungan antara variabel bebas dan variabel tak bebas namun melalui variabel lainnya. Adapun variabel lainnya seperti variabel intervening dan variabel moderator. Coba klik dan baca jenis-jenis variabel.

Sebagai contoh penelitian yang akan melihat pengaruh motivasi terhadap produktivitas dengan insentif sebagai variabel intervening. Dalam hal ini variabel bebas adalah variabel motivasi dan variabel tak bebas adalah variabel produktivitas kerja. Hubungan langsung adalah pengaruh antara motivasi terhadap produktivitas kerja. Sedangkan pengaruh tak langsung adalah pengaruh motivasi terhadap produktivitas melalui adanya variabel insentif. Jika digambarkan maka :




Adapun asumsi dari analisis jalur diantaranya :
  1. Hubungan antara variabel adalah bersifat linear, adaptif dan normal.
  2. Arah hubungan hanya satu arah, tidak ada arah hubungan berbalik.
  3. Variabel terikat minimal dalam skala ukur interval atau pun rasio.
  4. Menggunaka probability sampling.
  5. Observed Variable diukur tanpa kesalahan artinya variabel yang diteliti dapat diobservasi secara langsung (instrumen pengukuran valid dan reliabel).
  6. Model yang dikaji disusun berdasarkan teori.


Penjabaran analisis jalur :
  1. Diagram jalur adalah alat yang digunakan untuk melukiskan secara grafis mengenai struktur hubungan antar variabel bebas, variabel tak bebas dan variabel intervening. 
  2. Persamaan struktural menggambarkan hubungan sebab akibat antar variabel yang diteliti yang dinyatakan dalam bentuk persamaan matematis.


Next....Langkah-langkah dengan SPSS >>>

by MEYF


Kamis, 28 Mei 2015

STATISTIKA - "DISTRIBUSI NORMAL"

STATISTIKA - "DISTRIBUSI HIPERGEOMETRIK"

STATISTIKA -"DISTRIBUSI POISSON"

STATISTIKA -"DISTRIBUSI BINOMIAL"

STATISTIKA - "DISTRIBUSI TEORITIS"

STATISTIKA - "TEORI PROBABILITAS"

STATISTIKA - "HIMPUNAN"

Jumat, 26 Desember 2014

~"CONTOH UJI HETEROSKEDASTISITAS"~

Sebelumnya kita sudah paparkan mengenai uji Heteroskedastisitas, berikut akan kita terapkan pada data yang kita gunakan untuk uji Multikolinearitas




































Berikut langkah-langkah uji Heteroskedastisitas :

Menentukan nilai residual dari regresi Y' = a + b1X1 + b2X2 + b3X3 :
1. Klik Analyze ->> Regression ->> Linear


































2. Pindahkan variabel Y (karbon monoksida) ke kolom Dependence dan variabel X1 (kandungan tar), X2 (kandungan nikotin) dan X3 (berat rokok) ke kolom Independence.


























3. Klik pada kotak Save ->> centang pada Unstandardized ->> Continue ->> OK.



































4. Abaikan output dan perhatikan Data View pada kolom RES_1






















Melakukan pengujian ada atau tidaknya Heteroskedastisitas dengan analisis Spearman's Rho :
1. Klik Analyze ->> Correlate ->> Bivariate.



































2. Pindahkan variabel Unstandardized Residual serta variabel X1, X2 dan X3 ke kolom Variables.
Pada Correlation Coeeficients hilangkan tanda centang pada Pearson centang Spearman ->>OK






















4. Diperoleh output sebagai berikut :




Dari output korelasi di atas antara kandungan tar dengan Unstandardized Residual menghasilkan signifikansi 0.393,  antara kandungan nikotin dengan Unstandardized Residual menghasilkan nilai signifikansi 0.371 serta antara berat rokok dengn Unstandardized Residual menghasilkan nilai signifikansi 0.881. Karena nilai signifikansi korelasi lebih besar dari 0.05, sehingga dapat disimpulkan bahwa model regresi tidak terdapat heteroskedastisitas.

Note : 
Hipotesis ujinya adalah :
Ho : Terdapatnya Heteroskedastisitas pada model regresi
Ha : Tidak terdapat Heteroskedastisitas pada model regresi

by MEYF



Sabtu, 20 Desember 2014

~"FISHER EXACT PROBABILITY TEST"~

Salah satu pengujian non parametrik dengan hipotesis komparatif adalah uji Fisher (Fisher Exact Probability Test). Pengujian ini memiliki hipotesis komparatif dua sampel kecil independen dan datanya berbentuk nominal, sedangkan untuk sampel yang besar dapat digunakan dengan uji Chi-Square. Untuk memudahkan perhitungan dalam pengujian hipotesis maka data hasil pengamatan disusun dalam bentuk tabel kontingensi 2x2.

Hipotesis dalam pengujian ini adalah membandingkan dua keadaan yang saling bebas dalam kondisi tertentu. Sebagai contoh data berikut ini :

Disinyalir adanya kecenderungan para birokrat lebih menyukai mobil berwarna gelap, dan para akademisi lebih menyukai mobil berwarna terang. Untuk membuktikan hal tersebut telah dilakukan pengumpulan data dengan menggunakan sampel yang diambil secara acak. Dari 8 orang birokrat yang diamati, 5 orang bermobil warna gelap dan 3 orang bermobil warna terang. Selanjutnya, dari 7 orang Akademisi yang diamati, 5 orang menggunakan mobil warna terang dan 2 orang warna gelap.

Dari kasus kita akan diguji apakah ada perbedaan antara akademisi dan birokrat dalam memilih warna mobil. Sampel birokrat ada 8 orang dan akademisi ada 7 orang. 

Berikut datanya :


Dari data di atas, terdiri atas dua variabel yaitu 
Warna mobil, yang terdiri dari 1. gelap dan 2. terang
Kelompok yang terdiri dari 1. birokrat dan 2. akademisi

Dengan SPSS 21.00 akan kita temukan hasil ujinya :
1. Klik Start -> IBM SPSS 21.00
2. Pada variabel view isikan data sebagai berikut





3. Pada Values untuk variabel warna, isikan data berikut :

4. Pada Values untuk variabel kelompok, isikan data berikut :

5. Pada Data view, input data sebagai berikut :














6. Selanjutnya, klik Data ->>Weight Cases




7. Pilih Weight Cases by dan isikan data Jumlah ->> Continue


Klik Analyze ->> Descriptive Statistic ->> Crosstab






















8. Selanjutnya pada tabel Crosstab, isikan variabel warna pada rows dan variabel kelompok pada Coloumn




















9. Tandai kotak Chi-Square ->> Continue ->> OK




















10. Output diperoleh pada dua kolom terakhir, untuk Exact Sig. (2-sided) adalah nilai signifikansi untuk uji dua arah dan Exact Sig. (1-sided) adalah nilai signifikansi untuk uji satu arah, Dalam contoh ini adalah pengujian dua arah.











Hipotesis Uji :
Ho : Tidak terdapat perbedaan antara birokrat dan akademisi dalam memilih warna mobil
Ha : Terdapat perbedaan antara birokrat dan akademisi dalam memilih warna mobil.

Statistik uji :
pilih nilai alpha 5% dan akan dibandingkan dengan nilai Exact Sig (2-sided) = 0,315.

Keputusan :
Menerima Ho dan menolak Ha

Kesimpulan :
Tidak terdapat perbedaan yang siginifikan antara birokrat dan akademisi dalam memilih warna mobil.



Referensi :
Statistik Nonparametris Untuk Penelitian



Kamis, 18 Desember 2014

~"STATISTIKA - MODUL ANGKA INDEKS"~

Rabu, 22 Oktober 2014

SPSS - ~"MODUL EXPLORATORY DATA ANALYSIS"~

SPSS - ~"MODUL ANALISIS DESKRIPTIF"~

KALKULUS - ~"MODUL SISTEM BILANGAN RIIL"~

KALKULUS - ~"FUNGSI"~

STATISTIKA - ~"MODUL UKURAN LETAK"~

Jumat, 17 Oktober 2014

STATISTIKA ~"MODUL UKURAN DISTRIBUSI"~

Kamis, 16 Oktober 2014

STATISTIKA - "~UKURAN LETAK~"