Statistics Center


"Membantu Anda Memahami Statistika dengan lebih Mudah"

Logo Statistics Center

Logo Statistics Center

STATISTICS CENTER

Statistics Center (SCe) merupakan suatu lembaga yang bergerak di bidang jasa Analisis Data dan Pelatihan Software Statistika (SPSS, MINITAB, E-Views, SAS, dll). SCe secara resmi didirikan pada maret 2009. Berawal dari adanya Program Mahasiswa Wirausaha (PMW) yang diadakan oleh Universitas Brawijaya, Sce akhirnya lulus seleksi bisnis plan tingkat Fakultas hingga Universitas (Total bisnis plan yang masuk 200 lebih disaring menjadi 65 bisnis plan).

Berdasarkan hasil survey yang telah dilakukan pada beberapa mahasiswa, 75% responden menyatakan bahwa statistika itu sulit dan cukup mahalnya biaya untuk melakukan analisis data pada beberapa lembaga analisis di kota malang membuat enggan mahasiswa untuk menggunakan layanan ini . Untuk itu, rencana dalam program ini kami ingin mendirikan lembaga di bidang jasa konsultasi statistika yang bernama
Statistics Center (SCe). Lembaga ini diharapkan mampu membantu menyelesaikan masalah-masalah yang ada khususnya dalam hal penelitian baik dari akademisi, instansi pemerintah maupun swasta.

METODE ANALISIS DATA

Ada beberapa teknik statistik yang dapat digunakan untuk menganalisis data. Tujuan dari analisis data adalah untuk mendapatkan informasi yang relevan yang terkandung di dalam data tersebut, dan menggunakan hasil analisis tersebut untuk memecahkan suatu masalah. Permasalahan yang akan dipecahkan biasanya dinyatakan dalam bentuk satu atau lebih hipotesis nol. Sampel data yang dikumpulkan kemudian digunakan untuk menguji menolak atau tidak menolak hipotesis nol secara statistik. Dahulu banyak pengguna metode statistik dari berbagai disiplin ilmu menggunakan metode statistik univariate. Alasannya karena selain mudah dalam perhitungannya karena cukup dengan menggunakan bantuan kalkulator sederhana, juga mudah dalam menafsirkan hasil analsisnya. Misalnya dengan menggunakan Uji t baik untuk sampel bebas maupun untuk sampel berpasangan, ataupun analisis variansi. Sebagai contoh : misalnya seseorang meneliti mengenai perilaku konsumen dalam membeli sesuatu barang. Peneliti hanya bisa membandingkan ada atau tidaknya perbedaan rata-rata skor frekuensi membeli, atau waktu membeli, ataujumlah yang dibeli, atau siapa yang berinisiatif membeli dan sebagainya. Karenahanya melibatkan 1 variabel maka ia harus menggunakan analisis univariate, misalnya menggunakan uji t atau analisis variansi satu arah. Tetapi ia tidak dapat membandingkan ada atau tidaknya perbedaan perilaku konsumen. Alasannya karena pengertian perilaku mengandung arti multivariabel, tidak hanya menyangkut frekuensi membeli, atau waktu membeli, atau jumlah yang dibeli, atau siapa yang berinisiatif membeli dan sebagainya secara terpisah, tetapi lebih dari itu perilaku mengandung arti secara bersamaan atau simultan. Dalam hal ini ia harus menggunakan analisis multivariate.Umumnya analisis univariate menggunakan asumsi bahwa sampel berasal dari populasi yang mempunyai distribusi normal univariate, khususnya jika datanya adalah berskala pengukuran interval atau rasio. Sedangkan analisis multivariate umumnya menggunakan asumsi bahwa sampel berasal dari populasi yang mempunyai distribusi normal multivariate, khususnya juga jika data yang digunakan adalah menggunakan pengukuran skala interval atau rasio.

1. Analisis Deskriptif
Analisis deskriptif ini mempunyai tujuan untuk memberikan gambaran atau deskripsi suatu populasi. Misalnya populasi dilihat dari nilai rata-ratanya (mean, median, modus), standar deviasi, variansi, nilai minimum dan maksimum, kurtosis dan skewness (kemencengan distribusi). Data yang dianalisis dapat berupa data kualitatif atau data kuantitatif. Cara penyajiannya dapat dilengkapi dengan menggunakan tabel, grafik dan diagram (garis, batang, lingkaran maupun yang lain baik dengan 2 dimensi maupun 3 dimensi).

2. Analisis Univariate
Analisis ini digunakan untuk memecahkan permasalahan yang hanya terdiri dari 1 variabel. Analisis yang sering digunakan dalam univariate ini diantaranya : Uji t (uji beda untuk 2 populasi), Analisis Variansi (Anova, Uji F) jika digunakan untuk menguji perbedaan lebih dari 2 populasi.

3. Analisis Multivariate
Analisis Multivariate digolongkan menjadi 2 golongan analisis :
a. Model Dependen.
Pada model dependen ini, dapat dibedakan dengan jelas mana variabel dependennya dan mana variabel independennya.
(1) Model dengan 1 variabel dependen dan > 1 variabel independen
. Jika variabel dependen maupun variabel independen mempunyai skalapengukuran interval atau rasio, maka analisis data yang sesuai adalah : “Analisis Regresi Berganda” (Multiple Regression Analysis). Jika variabel dependen mempunyai skala pengukuran nominal yang terdiri dari 2 kategori, sedangkan variabel independen semuanya mempunyai skala pengukurannominal, ordinal, interval maupun rasio, atau campuran diantara keempat skala pengukuran, maka analisis data yang sesuai adalah : “Analisis Regresi Logistik” (Logistic Regression Analysis). Analisis yang mirip dengan analisis regresi tetapi variabel dependennya dinyatakan dengan skor diskriminan (D), maka analisis ini dikenal dengan “Analisis Diskriminan” (Discriminant Analysis). Analisis Diskriminan ini menitik beratkan pada teknik pengelompokan yaitu dengan mencari kombinasi linier variabel independen (variabel diskriminator) mana saja yang bisa mengelompokkan individu menjadi 2 kelompok, 3 kelompok dan sebagainya.

(2) Model dengan > 1 variabel dependen dan 1 variabel independen. Jika Variabel dependen semuanya mempunyai skala pengukuran interval atau rasio, dan variabel independennya mempunyai skala pengukuran nominal dengan 2 atau lebih kategori, maka analisis data yang sesuai adalah : “Analisis Varian Multivariate” (Multivariate Analysis of Variance = MANOVA). Jika variabel independen mempunyai skala pengukuran nominal dengan 2 kategori maka analisis data yang sesuai adalah : “Hotelling’s T”. Jika variabel independen mempunyai skala pengukuran nominal dengan > 2kategori maka analisis data yang sesuai adalah : “Wilk’s Lambda”. Jika variabel dependen mempunyai skala pengukuran nominal sedangkan variabel independen skala pengukuran interval atau rasio maka dapat digunakan : “Analisis Korelasi Kanonikal” (Canonical Correlation Analysis). Pada analisis korelasi kanonikal ini kita mencari kombinasi linier diantara sejumlah variabel independen yang mempunyai korelasi yang kuat dengan sejumlah variabel dependen.

b. Model Interdependen.
Pada model interdependen ini, tidak dapat dibedakan dengan jelas mana variabel dependennya dan mana variabel independennya, keduanya saling interdependensi.

(1) Semua variabel mempunyai skala pengukuran interval atau rasio, maka ada 4 jenis analisis data yang dapat digunakan.


“Analisis Komponen Utama” (Principal Component Analysis = PCA).

Analisis Komponen Utama ini merupakan teknik untuk mereduksi variabel dengan menyusun kombinasi linier variabel asal sehingga jumlahnya menjadi lebih sedikit dan satu sama yang lain menjadi orthogonal (independen). Ini salah satu cara untuk mengatasi adanya kolinieritas variabel independen pada analisis regresi.

“Analisis Faktor” (Factor Analysis).

Analisis Faktor ini juga merupakan teknik untuk mereduksi variabel menjadi faktor yang merupakan kumpulan variabel.

“Penskalaan Multidimensi Metrik” (Metric Multidimension Scaling).

Analisis Penskalaan Multidimensi Metrik ini merupakan teknik matematik yang memungkinkan seseorang untuk menyajikan kedekatan atau kemiripan (proximity or similarity) antara obyek secara meruang (spatial) sebagimana dalam suatu peta. Jadi intinya adalah memetakan obyek dalam ruang multidimensi sedemikian rupa sehingga posisi relatif di suatu ruang mencerminkan derajat kemiripan antara obyek.

“Analisis Rumpun” (Cluster Analysis).

Analisis Rumpun merupakan teknik untuk mereduksi data sehingga menjadi kelompok yang lebih kecil sedemikian rupa sehingga elemen yang berada di dalam satu rumpun mempunyai kemiripan yang tinggi dibandingkan dengan elemen lain yang berada di dalam rumpun lain. Penggunaannya sering dikacaukan dengan analisis diskriminan. Pada analisis diskriminan penentuan jumlah kelompok (dua atau lebih) dilakukan dari awal, sedangkan pada analisis rumpun pada akhir alanisis diperoleh sejumlah rumpun atas dasar kemiripan (similarity).

(2) Semua variabel mempunyak skala pengukuran nominal.
Jika semua variabel mempunyai skala pengukuran nominal, maka analisis data yang sesuai adalah “Model Log Linier” (Loglinear Model). Model Log Linier ini mempelajari hubungan antar multivariabel yang mempunyai skla pengukuran nominal yang membentuk tabel kontingensi multidimensional (Multidimensional Contingency Table). Model Log Linier ini menyatakan probabilitas sel dari tabel kontingensi multidimensional dalam bentuk efek utama (main Effect) dan efek interaksi (interaction effect). Dalam hal model, Model Log Linier ini ada kemiripan dengan Analisis Variansi Dua Arah.

c. Model-Model Analisis Multivariate Yang Lain.

“Analisis regresi Ordinal” (Ordinal Regression Analysis) .

Analisis regresi Ordinal adalah analisis regresi dimana variabel dependen maupun variabel independennya mempunyai skala pengukuran ordinal.

“Analisis Regresi Polikhotomus” (Polychotomous Regression Analysis).
Analisis Regresi Polikhotomus ini mirip dengan Analisis Logistik. Jika pada analisis logistik variabel dependen adalah dikhotomus (2 kategori) maka pada analisis regresi polikhotomus variabel dependen adalah polikhotomus (>2 kategori).

“Analisis Regresi Poisson” (Poisson Regression Analysis).

Analisis Regresi Poisson adalah analisis regresi yang variabel dependennya mengikuti distribusi Poisson.

“Analisis Jalur” (Path Analysis).

Analisis Jalur ini mirip dengan analisis regresi. Perbedaannya adalah bahwa pada analisis jalur ini dapat membantu dalam mempelajari efek langsung, efek tidak langsung maupun efek total dari variabel-variabel yang dianggap menjadi penyebab dari variabel-variabel lain yang dianggap sebagai variabel akibat.

“Analisis Model Persamaan Struktural” (Structural Equation Model = SEM).
Analisis Model Persamaan Struktural (Structural Equation Model = SEM),
merupakan metode statistik yang menggunakan pendekatan konfirmatory yang mengandung dua aspek penting, yaitu : proses yang dikaji dapat ditampilkan dalam bentuk persamaan struktural (regresi) dan hubungan struktural dari persamaan tersebut dapat divisualisasikan dalam bentuk gambar (diagram).
Dalam analisis SEM ini peneliti dapat melakukan tiga kegiatan sekaligus secara serempak yaitu :
- Pemeriksaan validitas dan reliabilitas instrumen (setara dengan analisis faktor konfirmatory).
- Pengujian model hubungan antar variabel laten (setara dengan analisis jalur).
- Membuat model prakiraan (setara dengan model struktural atau analisis regresi).

2 komentar:

Herry mengatakan...

Nice sharing.
Thanks atas infornya.

cokroaminoto mengatakan...

Bagus tulisannya. Akhirnya saya menemukan blog sumber belajar. Jika sejauh ini ada rekan yang merasa perlu jasa konsultasi, pembimbingan atau pendampingan secara pribadi dalam teknik penulisan proposal atau laporan penelitian, anda bisa pelajari bagaimana saya bisa membantu anda dalam bentuk Layanan Konsultasi Penulisan Proposal dan Laporan Penelitian untuk Skripsi, Thesis, Tugas Akhir atau sejenisnya. Salam

Poskan Komentar