Upload
retno-ristia
View
17
Download
2
Embed Size (px)
Citation preview
ANALISIS DESKRIPTIF DAN ANALISIS KORELASIONAL
OLEH :
KISMAN NIM : 120211538141
MUHAMMAD HAKIKI NIM : 120211538140
HARTATI NIM :
1. ANALISIS DESKRIPTIF
1.1 Pengertian Analisis
Menurut KBBI (2001:43) Analisis adalah 1. penyelididkan terhadap suatu peristiwa
(karangan, perbuatan, dsb) untuk mengetahui keadaan yang sebenarnya (sebab-musabab,
duduk perkaranya, dsb); 2 penguraian suatu pokok atas berbagai bagiannya dan
penelaahan bagian itu sendiri serta hubungan antarbagian untuk memperoleh pengertian
yang tepat dan pemahaman arti keseluruhan; 3 pemecahan persoalan yang dimulai dengan
dugaan akan kebenarannya.
1.2 Pengertian Deskripsi Dan Deskriptif Statistik
Deskripsi adalah pemaparan atau penggambaran dengan kata-kata secara jelas dan
terperinci (KBBI, 2001:258).
Deskriptif Statistik adalah statistik yang digunakan untuk mendeskripsikan suatu
keadaan atau masalah. Dengan kata lain, deskriptif statistik adalah statistik yang berfungsi
untuk menerangkan keadaan atau gejala atau persoalan agar mudah dipahami. Penarikan
kesimpulan pada statistik deskriptif hanya ditujukan pada sekumpulan data yang ada.
Statistik deskriptif merupakan alat analisis untuk menjelaskan, meringkas, mereduksi,
menyederhanaka, mengorganisasi dan menyajikan data ke dalam bentuk yang teratur,
sehingga mudah dibaca, dipahami dan disimpulkan (Wiyono,6:2001).
1.3 Pengertian Analisis Deskriptif
Analisis Deskriptif merupakan analisis yang paling mendasar untuk menggambarkan
keadaan datan secara umum. Analisis deskripsi ini meliputi beberapa hal, yakni :
1. Distribusi Frekuensi,
2. Pengukuran Tendensi Sentral, dan
3. Pengukuran Variabilitas (Wiyono, 11:2001).
1.3.1 Distribusi Frekuensi
Distribusi Frekuensi adalah susunan data menurut dasar atau kategori tertentu dalam
suatu daftar yang disusun sistematis. Data yang diperoleh dari suatu penelitian biasanya
masih berupa data mentah yang acak dan sulit dibaca.
Ada beberapa jenis distribusi frekuensi. (a) distribusi frekuensi secara tidak
berkelompok, (b) distribusi rank order, (c) distribusi frekuensi secara berkelompok, (d) grafik
distribusi.
(a) Distribusi Frekuensi Secara tidak Berkelompok
Distribusi frekuensi secara tidak berkelompok adalah distribusi yang belum
dikelompokkan. Data yang disajikan masih data tunggal. Dalam distribusi ini masih belum
menunjukkan arti yang banyak dan sulit untuk diinterpretasikan.
(b) Distribusi Rank Order
Distribusi rank order adalah distribusi frekuensi secara tidak berkelompok yang sudah
diurutkan berdasarkan rangking mulai dari nilai tinggi sampai dengan nilai terendah. Dengan
menggunakan distribusi rank order ini, kita dengan mudah memperoleh informasi tentang
rangking responden.
(c) Distribusi Frekuensi Secara Berkelompok
Distribusi yang bisa memberikan informasi yang lebih baik adalah distribusi frekuensi
secara berkelompok. Beberapa langkah yang perlu dilakukan dalam menyusun distribusi
frekuensi secara berkelompok adalah (1) menentukan rentangan, (2) menentukan kelas
interval, dan (3) mentalis data ke dalam tabel distribusi.
(1) Menentukan rentangan
Rentangan dapat diperoleh dari x max – x min. contoh diperoleh rentangan
100 - 48 = 52.
(2) Menentukan kelas interval
Sebagai dasar menentukan kelas interval adalah dengan cara membagi rentangan
dengan jumlah kelas. Jumlah kelas bisa ditetapkan berdasarkan pertimbangan peneliti.
Jumlah kelas juga bisa ditetapkan dengan menggunakan aturan Struges, yaitu: Jumlah
kelas = 1 + (3,3) log n. Sebagai contoh pada data tabel 2, jumlah kelas = 1 + (3,3) log 20 =
5,29, bisa dibulatkan ke atas 6 atau ke bawah 5. Bila yang digunakan 5, maka kelas
intervalnya adalah:
Rentangan 52
= = 10
Jumlah Kelas 5
(3) Mentalis Data
Mentalis data adalah proses pemasukan data observasi ke dalam interval. Jika data
observasi telah dimasukkan ke dalam kelas interval, maka jumlah frekuensi sama dengan
jumlah total data observasi n.
(d) Grafik Distribusi
Grafik distribusi adalah penyajian data distribusi frekuensi dalam bentuk gambar-gambar.
Dengan kata lain, grafik data distribusi merupakan penyajian data secara visual dari data
distribusi yang ada (Wiyono, 11-16:2001)
s Frekuensin
1.3.2 Pengukuran Tendensi Sentral
Pengukuran tendensi sentral merupakan analisis statistik yang secara khusus
mendeskripsikan skor representatif. Tendensi sentral menunjukkan tentang letak bagian
terbesar dari nilai dalam distribusi.mencakup gambaran frekuensi data secara umum seperti
modus, media, dan mean atau rata-rata hitung. (Wiyono, 22:2001).
(a) Mode atau Modus
Mode atau modus adalah nilai yang sering muncul atau sering terjadi. Misalnya dalam satu
deret nilai (2, 6, 6, 8, 9, 9, 9, 10) modenya adalah 9, karena nilai 9, karena nilai yang paling
banyak muncul dibandingkan nilai lainnya. Apabila ada dua nilai yang sering muncul,
misalnya pada kelompok nilai (10, 11, 11, 11, 11, 12, 12, 13, 14, 14, 14, 14, 17), maka
modenya ada dua yaitu nlai 11 dan 14. Untuk distribusi data ini dikenal; dengan istilah
distribusi bimodal. (Wiyono, 22:2001).
(b) Median
Median adalah nilai yang menduduki persentase ke-50 dalam suatu distribusi nilai. Ada
sebesar 50% atau separo data berada diatas nilai median, dan sebesarnya 50% atau
separo data berada di bawah nilai median. Misalnya pada deret nilai 11, 13, 18, 19, 20,
maka mediannya adalah 18. (Wiyono, 23:2001).
(c) Rata-Rata Hitung (Mean)
Rata-rata hitung (mean) adalah nilai rata-rata dari data yang ada. Dari sejumlah teknik
analisis tendensi sentral, mean sering digunakan dan dianggap yang lebih bisa
menggambarkan keadaan data, terutama data yang berskala interval. Rata-rata hitung dari
populasi diberi simbul µ (miu), sedangkan rata-rata hitung dari sampel diberikan simbul χ
(eks bar). Sedangkan rumus untuk mencari rata-rata (mean) adalah sebagai berikut:
χ =∑ xi
n
Keterangan : ∑ xi = jumlah semua nilai data
n = jumlah data yang diamati
Sebagai contoh, jika nilai atau skor data dari terdiri atas 9, 8, 7, 6, 5, 4, 3, maka nilai rata-
rata (mean) diperoleh (9+8+7+6+5+4+3) : 7 = 42 : 7 = 6
Berdasarkan perhitungan di atas, secara garis besar dapat digarisbawahi bahwa median,
modus, merupakan analisis untuk menggambarkan keadaan data dibandingkan median dan
modus. Median juga lebih bisa mewakili dibandingkan dengan modus. Namun keduanya
bisa diterapkan bila data bentuk ordinal, interval atau rasio. Sedangkan untuk variable
nominal, misalnya berupa kategori untuk jenis pekerjaan, jenis kebangsaan, jenis kenakalan
remaja, dan sejenisnya, modus lebih tepat diterapkan. Dengan demikian, teknik analisis
mana yang paling tepat diterapkan tergantung tujuan, jenis dan keadaan data. (Wiyono,
25:2001).
1.3.3 Pengukuran Variabilitas
Pengukuran Varibilitas adalah pengukuran penyimpangan nilai – nilai data dari pusatnya.
Dengan kata laain ukuran variabilitas merupakan ukuran yang menyatakan nilai – nilai data
yang berbeda dengan nilai – nilai pusatnya. Ukuran variabilitas disebut juga ukuran dispersi
atau ukuran penyimpangan.
Fungsi utama pengukuran variabilitis adalah untuk menggambarkan variasi atau
penyimpangan data. Melalui pengukuran variabilitas dapat diketahui homogenitas atau
heterogenitas data. Dengan demikian, jelas bahwa materi ini memiliki tingkat relevansi yang
sangat tinggi, yakni untuk mendeskripsikan variasi data secara keseluruhan. Suatu data
dimungkinkan memiliki nilai tendensi sentral sama, misalnya mean yang sama, namun
memiliki nilai variansi yang berbeda. Melalui pengukuran variabilitas ini akan bisa
menyimpulkan keadaan data secara lebih tepat.
Ada beberapa teknik pengukuran variabilitas yang bisa diterapkan antara lain :
1.3.3.1 Range
Range (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 adalah
18 – 10 = 8.
1.3.3.2 Deviasi Rata-rata
Deviasi rata-rata adalah nilai rata-rata hitung dari harga mutlak simpangan-simpangannya.
Deviasi rata-rata juga dikenal dengan istilah varian
1.3.3.3 Deviasi Standar
1.3.3.4 Kuartil (Quartile)
1.3.3.5 Z – Score dan T - Score
TEKNIK 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)
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, terdapat
beberapa 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
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”.
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.