SEKOLAH TINGGI AGAMA HINDU NEGERI

GDE PUDJA MATARAM

TEKNIK ANALISIS DATA KUANTITATIF DAN DATA KUALITATIF

oleh:

Ir. I Gde Ekaputra Gunartha, M.Agr., Ph.D.

Mataram, 10 Oktober 2005

TATA TUTUR
PENDAHULUAN PEMAHAMAN DATA ILMIAH PERSIAPAN ANALISIS DATA ANALISIS DATA KUANTITATIF ANALISIS DATA KUALITATIF
Dr. Ekaputra G. - 2

MASALAH
IDENTIFIKASI PENGENALAN PENDEFINISIAN KHASANAH

PERUMUSAN

Faktor yang berpengaruh pada Analisis Data

PENGETAHUAN

Penalaran DEDUKSI & INDUKSI Koherensi

PENYUSUNAN

ILMIAH

KERANGKA BERPIKIR

PERUMUSAN HIPOTESIS

Korespondensi

HIPOTESIS
Percobaan/Survei PENGUMPULAN DATA ANALISIS DATA

PENGUJIAN

DITERIMA ?

ya (GENERALISASI)

KESIMPULAN

DATA, merupakan fakta/fenomena yang direpresentasikan baik berupa angka (numerik) maupun berupa pernyataan/kategori/ atribut
KUALITATIF, data yang dinyatakan/diformulasikan dalam pernyataan/ kategori/atribut

DATA

Nominal, data yang skala pengukurannya hanya berupa penggolongan/ pengelompokan/klasifikasi. Ordinal, ada skala klasifikasi dan urutan (ranking) KUANTITATIF, data yang direpresentasikan dalam bentuk angka/numerik Diskrit, diperoleh dari hasil pencacahan/membilang Kontinyu, diperoleh dari hasil pengukuran. Selang (Interval): ada klasifikasi, urutan, dan jarak Nisbah (Ratio): ada klasifikasi, urutan, jarak, dan nol mutlak
Dr. Ekaputra G. - 4

LANGKAH AWAL PENGOLAHAN DATA

DATA EDITING DATA CODING DATA ENTRY DATA MANIPULATION SELECTION OF DATA ANALYSIS
Dr. Ekaputra G. - 5

Alat Penangkap Data harus:

1. Ketepatan tinggi (sahih) 2. Mantap, artinya alat tersebut stabil, mempunyai kelayakan dan dapat diramalkan 3. Galat yang dihasilkan bersifat acak
rendah

validitas
tinggi

tinggi

Dr. Ekaputra G. - 6

 Uji Validitas : korelasi Pearsons product moment Uji Reliabilitas: yang banyak dipakai peneliti AlphaCronbach Piranti lunak yang memfasilitasi kedua uji tersebut dengan baik: Statistical Package for Social Sciences (SPSS) Kriteria sahih & layak:
Nilai p (probabilitas), jika p < 0,05 (valid/layak) & jika p > 0,05 (tidak valid/layak) Sebaran kelayakan: jika r-Alpha 0,9 (layak), 0,8 rAlpha < 0,9 (baik), 0,7 r-Alpha < 0,8 (dapat diterima), 0,6 r-Alpha < 0,7 (dipertanyakan), 0,5 r-Alpha < 0,6 (kurang baik), dan r-Alpha < 0,5 (tidak layak)
Dr. Ekaputra G. - 7

Pemeriksaan Data Awal Mengapa Penting?

pola sebaran normal yang banyak mendasari analisis statistika sering tidak tercermin pada data kita adanya anggapan bahwa pengamatan yang kita telah lakukan merupakan contoh acak dari populasi tertentu

1. Struktur Data

Pemeriksaan:
Penelusuran Pengungkapan

apakah data dapat diuraikan menjadi beberapa komponen? apakah komponen tersebut bersifat ADITIF atau MULTIPLIKATIF? DATA = DUGAAN + GALAT (k. teratur) (k. tak-teratur) (deterministik) (stokhastik)

2. Pola Sebaran Data

apakah cenderung mengumpul di satu nilai tertentu atau beberapa nilai tertentu? apakah ada data memencil (outlier)
Dr. Ekaputra G. - 8

Teknik Pemeriksaan Data

Titik (dotplot) Dahan-dan Daun (stem-and-leaf)

Diagram (Plot)

Kotak-Garis (boxplot) Histogram Pencar (scatter plot)

Ringkasan 5-Angka Ringkasan 3-Angka

Ringkasan 5-Angka dan Ringkasan 3-Angka

Me Q1 k Q3 b

Me (Q1+Q3)/2 (k+b)/2

TRANSFORMASI DATA

Dr. Ekaputra G. - 9

Histogram of L.Kolam

N = 58

Stem-and-Leaf Display: L.Kolam (ha) Stem-and-leaf of L.Kolam N = 58 Leaf Unit = 1.0 (33) 25 9 4 2 1 1 1 1 1 0 1 2 3 4 5 6 7 8 9 223344555556666666677788888888899 0002222234888888 00555 05 0

Midpoint Count 0 6 ****** 10 37 ************************************* 20 8 ******** 30 4 **** 40 2 ** 50 0 60 0 70 0 80 0 90 1 *

Boxplot --------I+ I--------- * O ------+---------+---------+---------+---------+---------+------L.Kolam 0 20 40 60 80 100 Dotplot: L.Kolam (ha) . :: :: :: ::.. : ::::: : . ::::::: :: : . . . . +---------+---------+---------+---------+---------+-------L.Kolam 0 20 40 60 80 100 Dr. Ekaputra G. - 10

(a)
nilai tercocokkan galat galat

(b)

nilai tercocokkan

0
nilai tercocokkan

(c)

(d)
nilai tercocokkan
Dr. Ekaputra G. - 11

galat

galat

Beberapa Macam Transformasi

Nama transformasi Akar kuadrat Logaritma Kebalikan Akar Kuadrat Kebalikan Data (Y) Arscine Kuadrat Kubik

Perhitungan Y = (X + c) Y = ln(X + c) Y = 1/ (X + c) Y = 1/(X + c) Y = sin-1(X) Y = X2 Y = X3

Transformasi balik XT = Y2 - c XT = eY - c XT = (1/Y2) -c XT = (1/Y) - c XT = (sin(Y))2 XT = Y XT = Y1/3

Kasus (b) (b) (b) (b) (d) (c) (c)

Dr. Ekaputra G. - 12

STATISTIKA DESKRIPTIF
Tabel Distribusi Frekuensi Grafik Histogram, Polygon, dan Ogive (kurang dari atau lebih dari) Ukuran Pemusatan Data (Mean, Median, Modus, Kuartil, Desil, dan Persentil) Ukuran Dispersi Data (simpangan baku, variansi, galat baku, dan koefisien variasi)
Dr. Ekaputra G. - 13

STATISTIKA INFERENSIAL
Gol I. Rp. 2,0 juta

Pubah tak-bebas

populasi

?
contoh
Pendapatan: Rp. 750.000,-

Gol II. Rp. 2,3 juta

Gol III. Rp. 2,1 juta

Pubah bebas

1. Menduga Ciri Populasi

2. Pembandingan Golongan

3. Mencari Hubungan

Dr. Ekaputra G. - 14

JENIS DATA
diskret

kontinu

Tipe Pertanyaan?
pendugaan/pembandingan Perbedaan antar apa? (rerata atau ragam) ragam

hubungan Apakah ada peubah bebas yang sebenarnya? ya tidak

Uji - X2
(satu contoh dan 2 contoh)

Analisis Regresi
parametrik

Analisis Korelasi
non-parametrik

Uji Barlett, dsb

(uji homogenitas)

r - Pearson

r - Spearman

Barapa jumlah group contoh?

(2 group atau lebih)

2 group Apakah sesuai asumsi?

parametrik

> 2 group Apakah sesuai asumsi?

non-parametrik Uji Tanda, Uji Wilcoxon, dsb H0 ditolak (p < ), uji lanjut, BNT, dsb.

parametrik

non-parametrik Kruskal-Wallis, Friedman, dsb.

Uji-t & Uji-z

ANOVA

Dr. Ekaputra G. - 15

Uji Rerata Contoh Tests of Means 1-Contoh (H0: = 0) 2-Contoh (H0: 1 = 2)

Apakah contoh berpasangan? uji beda Apakah diketahui? berpasangan tak-berpasangan Apakah 1 dan 2 diketahui?

2-Contoh atau lebih (H0: 1 = 2 = = t ) ANOVA

ya 1-contoh Uji-Z

tidak 1-contoh Uji-t 2-contoh Uji-Z

ya

tidak ya
1 = 2?

takberpasangan

Uji-t

Dr. Ekaputra G. - 16

tidak

1. Data harus bersifat BEBAS (independent) 2. Data harus berdistribusi NORMAL 3. Ragam data hendaknya HOMOGEN 4. Main effect harus mengikuti model aditif
data tak-sesuai lihat TRANSFORMASI DATA
Dr. Ekaputra G. - 17

ANOVA
Faktor Tunggal Rancangan Acak Lengkap Rancangan Kelompok Lengkap Teracak Rancangan Bujur Sangkar Latin Balanced Lattice Partially Balanced Lattice dsb Faktor Ganda Percobaan Faktorial (RAL, RKLT, RBL) Rancangan Petak Terbagi Rancangan Petak Teralur Rancangan Kelompok Terbagi Rancangan Petak Terbagi Dua Kali dsb
Dr. Ekaputra G. - 18

Apakah paramater itu stabil?

ya tidak

Model memadai

Pendugaan parameter
Rancangan untuk membangkitkan data baru

Model tidak memadai PENELITI

ubah modelnya
Dr. Ekaputra G. - 19

DATA

Pengetahuan teknis

MODEL

1. Kemungkinan dalam kenyataannya memang tidak terdapat beda antar rerata perlakuan yang dikaji. 2. Jika terjadi beda antar rerata perlakuan (in reality) sangat kecil dibandingkan kemampuan alat uji statistika yang digunakan untuk mendeteksinya. 3. Kemungkinan adanya high background noises. 4. Rancangan percobaan yang digunakan kurang sesuai (poor design), kurang mengindahkan prinsip dasar percobaan, i.e. lack of replication, lack of randomization.
Dr. Ekaputra G. - 20

ANALISIS DATA KUALITATIF

1. KUANTIFIKASI:
RATING SCALE RANKING SCALE

DATA KUALITATIF

2. KUALITATIF:
grounded theory phenomenology discourse analysis narrative analysis
Dr. Ekaputra G. - 21

JENIS SKALA
dikotomi & kategori perbandingan berpasangan, ranking dipaksakan & komparatif.

JENIS DATA
DATA NOMINAL Statistika Nonparametrik

DATA ORDINAL

Likert, semantik, stapel, numerik, & grafik.

DATA SELANG Statistika parametrik

skala penjumlahan tetap/konstan

DATA NISBAH
Dr. Ekaputra G. - 22

1. IMMERSION

2. DATA CLASSIFYING PROCESS Data Kualitatif yang tidak dapat dikuantifikasi

3. ANALYSIS CONNECTING

4. METATHEMES

Dr. Ekaputra G. - 23

sukses semoga informasi ini bermanfaat pada workshop ini

Dr. Ekaputra G. - 24