Statistik Deskriptive - Repository UNIKOM

(1)

STATISTIK DESKRIPTIF

(2)

PENGERTIAN STATISTIK

DESKRIPTIf

Statistik yang berfungsi untuk mendeskripsikan atau memberi gambaran terhadap obyek yang diteliti melalui data sampel atau populasi, tanpa

(3)

Tendensi Central

(letak data)

Sebaran frekuensi yang terpola di

sekitar

nilai yang disebut nilai sentral,

yaitu nilai:



Mean

(4)

UKURAN KECENDERUNGAN TENGAH

( TENDENCY CENTRAL)

Tingkat Ukuran

Mode Median Mean

Interval X X X

Ordinal X X

(5)

KURVE SIMETRIS

• _{Apabila dilipat tepat di}

tengah-tengahnya maka setengah lipatan bagian kiri akan menutup tepat

(6)

(7)

(8)

GRAFIK POLIGON

SIMETRIS

Condong kanan (pos)

(9)

POLYGON SIMETRIS

(10)

POLYGON CONDONG

KEKANAN (Juling Positif)

Mo Med

Mean

(11)

POLYGON CONDONG

KEKIRI (Juling Negatif)

(12)

KURTOSIS (KELANCIPAN)

f

Fariasi

Sangat

rendah

Variasi

Sangat

besar

SIMETRIS

(13)

BEL NORMAL/ NORMAL

(14)

BEL LANGSING/ LEPTOKURTIK

f

(15)

BEL GEMUK/ PLATKURTIK

f

(16)

UKURAN DISPERSI

MERUPAKAN SUATU

METODE ANALISIS YANG DITUJUKAN UNTUK

MENGUKUR BESARNYA PENYIMPANGAN /

PENYEBARAN DARI

(17)

Contoh penggunaan

DISPERSI :

DAPAT DIGUNAKAN SEBAGAI PENGUKUR KUALITAS (QUALITY CONTROL) DARI

(18)

CONTOH :

•

PT INDOCEMENT YANG SETIAP

HARINYA MENGHASILKAN RATA –

RATA 500.000 ZAK SEMEN @ 40 KG

TIAP ZAKNYA

•

UNTUK MELIHAT PENYIMPANGAN

(19)

SAMPEL BERAT/KG KETERANGAN

1 40 KG

TIDAK TERJADI PENYIMPANG

AN

2 40 KG

3 40 KG

5 40 KG

- 40 KG

(20)

KESIMPULAN

• MESIN MASIH

BEKERJA

DENGAN BAIK.

• KARENA

RATA-RATA BERAT

ZAKNYA SESUAI DENGAN

KETENTUAN YANG

(21)

SAMPEL BERAT/KG KETERANGAN

1 42,1

TERJADI PENYIMPANG

AN

2 36,8

3 40,2

5 42

-

--

-500 39,2

(22)

KESIMPULAN

1. ADA MESIN

YANG BEKERJA TIDAK BAIK.

2. ARTINYA PERLU MENGECEK

KEMBALI MESIN-MESIN YANG

DIGUNAKAN PADA PROSES PRODUKSI

(23)

MACAM-MACAM UKURAN

DISPERSI :

1.

RANGE (JANGKAUAN)/ RENTANGAN

2.

DEVIASI RATA-RATA (AVERATE

DEVIATION) DAN MEAN DEVIATION

(24)

RANGE

• RELATIF KASAR • RANGE KECIL,

BERARTI BAHWA SUATU

DISTRIBUSI MEMILIKI

RANGKAIAN

(25)

CONTOH : (1)

KEUNTUNGAN YANG DIPEROLEH 8 TOKO KELONTONG DI JALAN SOLO

TOKO KEUNTUNGAN (Rp)

A 4000

B 5000

C 6000

D 5000

E 4000

F 6000

G 5500

(26)

VARIASI RELATIF KECIL

(HOMOGEN)

(27)

(28)

DARI DATA DIATAS RATA-RATA

KEUNTUNGAN :

8 500 . 4 500 . 5 000 . 6 000 . 4 000 . 5 000 . 6 000 . 5 000 .

4 _ _ _ _ _ _ _

(29)

CONTOH : (2)

KEUNTUNGAN YANG DIPEROLEH 8 TOKO KELONTONG DI JALAN SEMARANG

TOKO KEUNTUNGAN (Rp)

A 1.000

B 9.000

C 5.000

D 4.000

E 6.000

F 5.000

G 9.500

(30)

DARI DATA DIATAS

RATA-RATA KEUNTUNGAN :

RATA KEUNTUNGAN :

8 500 500 . 9 000 . 5 000 . 6 000 . 4 000 . 5 000 . 9 000 .

1 _ _ _ _ _ _ _

(31)

VARIASI RELATIF BESAR

(HETEROGEN)

(32)

RATA-RATA

000

.

5



N

(33)

PERBANDINGAN

•

KEDUA CONTOH TERSEBUT DIATAS

RATA-RATA SAMA = 5.000

•

TETAPI KEDUA TOKO TERSEBUT

MEMILIKI PERBEDAAN DALAM

PENYEBARANNYA

•

CONTOH (1) RANGE = KECIL =

6.000-4.000 = 2.000 (HOMOGEN)

•

CONTOH (2) RANGE = BESAR =

(34)

KESIMPULAN

• RANGE SEMAKIN

(35)

MEAN DEVIATION

(DISEBUT DEVIASI RATA-RATA/

AVERAGE DEVIATION)

•

MERUPAKAN PENYEBARAN

DATA ATAU ANGKA-ANGKA

ATAS DASAR JARAK (DEVIASI)

DARI PELBAGAI

(36)

RUMUS :

DATA TIDAK BERKELOMPOK

N

X

Xi

MD

N

i



(37)

CONTOH :

KEUNTUNGAN YANG DIPEROLEH 5 TOKO KELONTONG

TOKO KEUNTUNGAN (Rp)

A 4.000

B 5.000

C 6.000

D 5.000

E 5.000

(38)

N X Xi MD N i     1

Xi X bar

4.000 5.000 1.000

5.000 5.000 0

6.000 5.000 1.000

5.000 5.000 0

TOTAL 2.000

(39)

N

X

Xi

MD

N

i



1 _2.000

(40)

Standar Deviasi

N

x

SD



i



(41)

Varians

 

SD

2

(42)

Are You Ready !

Buka mulai dari hal IV-1 !!

Mari kita bahas tiap segmen dibawah

ini



OLAP Cubes



Case Summaries



Frekwencies

(43)

OLAP Cubes

Menu ini digunakan untuk meringkas data kuantitatif atau data kualitatif secara praktis, yang mencakup banyak variabel, namun tidak dilakukan inferensi

(analisis keputusan) terhadap data melainkan hanya penggambaran/deskripsi saja.

Contoh: Pada kasus yang sama (file berat responden)

kita ingin melihat tinggi badan seseorang berdasarkan

(44)

(45)

Simulasi 1

Cari deskripsi data dari:

• Jenis kelamin pria;jabatan midle management, tentukan mean dan median serta analisis

kemungkinan bentuk kurva normalnya!

• Jenis kelamin wanita jabatan Low manajemen, tentukan mean dan median serta analisis

kemungkinan bentuk kurva normalnya!

• Dari dua permasalahan diatas berapa nilai range

masing-masing, serta analisis bentuk kurva normalnya (mana yg relative homogen dsn heterogen)

• Tentukan nilai deskriptive yg anda pahami serta buat analisis kurva normal untuk data berat badan

(46)

Case Summaries

Menyajikan ringkasan suatu variabel (data kuantitatif atau kualitatif) dengan tampilan setiap kasus dengan criteria tertentu

Contoh:

Membuat case summaries dari variabel tinggi

(47)

(48)

Simulasi

(untuk berat/tinggi badan)

•

Bandingkan nilai mean dan median

setiap klasifikasi gender, kemudian

apakah data tersebar pada nilai besar

atau kecil

•

Bandingkan nilai skewnessnya, apakah

termasuk kurva positif atau sebaliknya

•

Bandingkan nilai kurtosisnya, apakah

(49)

Frequencies

Digunakan untuk membuat table distribusi

frekuensi, dan menghitung nilai – nilai

seperti

mean, median, modus dan juga nilai

tendensi

sentral (kecenderungan terpusat).

(50)

(51)

• _{N adalah jumlah data yang valid adalah}

20 buah

• _{Mean atau rata-rata tinggi responden}

adalah 166,29 cm dengan standar error sebesar 2,84 cm;

• _{Hal ini bisa ditafsirkan}_{rentang rata-rata}

tinggi karyawan terletak pada 3 standar

error of mean; yaitu: 166,29 cm +/- (3 x

2,84 cm) 174.81

166.29

157.77

Batas atas rentang rata-rata usia

(52)



Median sebesar 165,55 cm



Median = Persentil 50 menunjukan

(53)



Standar deviasi

adalah

12,69 cm



Varians

= Kuadrat dari standar

deviasi bernilai 161,15



Hal ini menunjukan

tinggi

karyawan

terletak tiga standar deviasi yaitu

166,29 cm +/- (3 x 12,69cm)

204.33

166.29

128.22

Batas atas rentang tinggi

(54)

Ukuran skewness/kemencengan terhadap bentuk normal adalah

0,134; teori menyebutkan jika skewness bernilai positif maka

maka bentuk kurva positif dan data lebih tersebar pada kurva

sebelah kanan; skewness bernilai negative sebaliknya

Mo=

Med=165

Mean = 166

+

(55)

teori:

•Jika nilai nilai kurtosis sama dengan 3 maka dikatakan

kurva normal (mesokurtik)

•Jika > 3 dikatakan kurva diatas kurva normal (leptokurtic)

•Jika < 3 dikatakan kurva dibawah kurva normal

(platikurtik).

Kurtosis

Leptokurtik

Mesokurtik

(56)

Hasil Kortusis

Ukuran kurtosis/penyebaran terhadap distribusi normal bernilai -0,795 maka Jika -0,795 < 3

maka dikatakan kurva dibawah kurva normal

(platikurtik).

(57)

Gambaran Kurva

+

(58)

 _Range_{adalah data maksimum dikurangi}

data minimum adalah 44,66 cm

 _Angka_Persentil_{mengandung arti;}

• _{10% rata-rata tinggi}_{dibawah 146,54 cm} • _{25% rata-rata tinggi}_{dibawah 155,58 cm} • _{50% persentil adalah nilai median;}

(59)

Simulasi 2



Buat pembuktian kurva dengan

pendekatan

skewness

dan

kurtosis

untuk data variabel tinggi

(caranya: Pada

gambar 4-6

aktifkan

histogram

dan

with normal curve

)



Buat analisis model

frekuensi

untuk

(60)

DESCRIPTIVE

Memberikan gambaran tentang suatu

data baik itu data kualitatif ataupun data

kuantitatif seperti

mean, standar

(61)

CONTOH

•

Buat deskripsi data variabel tinggi !

•

Buat deskripsi data variabel berat!

•

Untuk hasil variabel berat, apakah

data dapat dikatakan normal atau

apakah ada data yang terlalu jauh

(outlier atau exstrim) dari nilai

(62)

Z Scores

• _{Melihat nilai mana saja yang menyimpang jauh}

(outlier) dari nilai mean

• _{Pada Tab-Sheet data view muncul variabel baru}

dengan nama Zberat;

• _{Untuk data normal nilai Z akan terletak antara}

-1,96 dan -1,96 pada taraf signifikan 5% dan tingkat kepercayaan 95%;

• _{Maka jika kita melihat data}_Zberat_responden

(63)

EXPLORE

Melakukan deskripsi data dan

mengujinya; data yang digunakan bisa

berupa data kuantitatif dan atau data

(64)

Output test of normality

• _{Konsepnya nilai sig./signifikansi atau}

probalitas < 0,05 distribusi adalah tidak normal dan sebaliknya;

• _{Seperti untuk pengujian kolmogorov}

smirnov pada jabatan low manajemen

mempunyai nilai signifikan sebesar 0.200 ( > 0.05) yang menyatakan bahwa distribusi data normal

Distribusi

Normal Distribusi

(65)

Simulasi 3

(Kasus data soal ganjil)

• Tentukan variabel tinggi sebagai objek data!!!

• Berapa nilai mean;modus;median?

• Berapa nilai standar error of mean dan Standar deviasi?

• _{Berapa nilai Persentil 25; 50; dan 95} • _{Apa arti persentil 95}

• _{Apa hubungan antara median dengan}

persentil 50

• Berapa Rentang Rata-rata kasus tersebut, jelaskan artinya?

• _{Berapa Rentang kasus tersebut, jelaskan}

(66)

lanjutan1

• _{Teori menyebutkan bahwa kurva normal}

jika kisaran nilai mean=modus=median; bentuklah kurva normal tersebut secara skematis!

• _{Berapa nilai skewness nya, bagaimana}

kemungkinan bentuk kurvanya, serta dimana kemungkinan posisi nilai mean, median modus?

• _{Berapa nilai kurtosisnya!, bagaimana}

kemungkinan bentuk kurvanya

• _{Apakah dari kasus tersebut ada data yang}

(67)

Lanjutan2

•

Apakah dari kasus tersebut ada data

yang extrim (diluarbatas/outlier)

•

Jika ada data yang “outlier”, apa

yang harus kita lakukan!

(68)

Lnjutan 3

•

Dari hasil lanjutan 2 apakah data

terdistribusi normal? Gunakana nilai

signifikansi dengan kolmogorov

(69)