Wednesday, January 25, 2017

Tipe Data Dalam Statistika

Sebelum melangkah lebih jauh melakukan analisis data, seseorang idealnya harus memahami tentang tipe data yang dia gunakan. Hal ini penting mengingat metode analisis data dalam ilmu statistika mensyaratkan kesesuaian antara tipe data yang dipakai dengan metode/alat uji statistika yang dipilih.

Di dalam statistika dikenal 4 macam tipe data, yaitu: Nominal; Ordinal; Interval; Rasio.
Penjelasan dari keempat tipe data tersebut adalah sebagai berikut :

  1. NOMINAL
    Tipe data ini digunakan untuk mengklasifikasikan data. Klasifikasi yang dimaksud adalah sekedar hanya untuk membedakan data pengamatan/penelitian yang diperoleh dengan menggunakan simbolisasi angka.Contoh: Data jenis kelamin yang terdiri dari “Pria” dan “Wanita”.
    Untuk membedakan “Pria” dan “Wanita” secara numerik/angka, maka biasanya digunakan angka “0” dan “1”. Misal, angka “0” = Pria, sedangkan angka “1” = Wanita.
    Boleh juga sebaliknya, angka “0” = Wanita, dan angka “1” = Pria. Bahkan pilihan angka yang dipakai tidak hanya terbatas pada angka “0” dan “1” saja, boleh menggunakan angka-angka yang lain secara bebas. Misal, angka “3”= Pria, dan angka “7” = Wanita. Hanya saja perlu diingat, walaupun bebas menggunakan angka berapa saja, demi menjaga agar tidak membingungkan orang lain, diusahakan menggunakan angka-angka yang familiar atau biasa digunakan. Misal angka “0” dan “1”.
  2. ORDINAL
    Digunakan untuk mengklasifikasikan data yang memiliki tingkatan/hierarki.
    Tipe data ordinal sifatnya lebih tinggi dari Nominal karena kemampuannya untuk membentuk tingkatan.Contoh: Jabatan di dalam perusahaan = “Karyawan”, “Manager”, “Direktur Utama”.
    Kita dapat membuat klasifikasi untuk data semacam itu dengan angka numerik.
    Misal,
    – “Karyawan” dilambangkan dengan “1”,
    – “Manager” dilambangkan dengan “2”, dan
    – “Direktur Utama” dilambangkan dengan “3”.
    Pada tipe data ini, angka 1 dianggap lebih rendah dari angka 2, dst. Bisa saja “Karyawan” dilambangkan dengan angka “1”, tetapi “Manager” angka “3” dan “Direktur Utama” dengan angka “10”. Tipe data ini tidak mensyaratkan jarak (selisih) yang sama antar angka yang digunakan sebagai lambang. Yang perlu diperhatikan hanyalah bahwa angka 3 lebih tinggi dari angka 1, angka 10 lebih tinggi dari angka 3.Jika sampai tahap ini pembaca masih bingung membedakan kegunaan dari tipe data NOMINAL dengan ORDINAL, maka hal yang perlu diperhatikan adalah adanya unsur tingkatan/hierarki. Andaikan peneliti tidak mempertimbangkan unsur tingkatan/hierarki, maka sebenarnya tipe data yang lebih tepat dipakai adalah NOMINAL. Jika memang unsur tingkatan/hierarki tidak perlu diperhatikan, maka susunan pengklasifikasian dengan menggunakan tipe data NOMINAL bisa saja menjadi seperti berikut :
    – “Karyawan” = 3;
    – “Manager” = 1;
    – “Direktur Utama” = 2.
    Dari klasifikasi di atas, angka 2 tidak berarti lebih rendah dari angka 3. Ini hanya pengkodean dengan angka saja. Ingat, bahwa tipe data NOMINAL sama sekali tidak memperhatikan tingkatan/hierarki.
  3. INTERVAL
    Ciri khas dari tipe data ini, selain memiliki kemampuan mengklasifikasikan dan membentuk tingkatan, adalah tidak adanya nilai nol mutlak. Artinya, angka nol yg digunakan bukan berarti tidak ada.Contoh: Derajat suhu.
    Di dalam skala Celcius misalnya, Nol derajat Celcius bukan berarti tidak ada suhu. Nol derajat itu memiliki suhu, hanya saja dilambangkan dengan nol. Selain itu, jarak (selisih) antar angka yg digunakan adalah sama.
    Misal: di dalam kuesioner, ada tingkatan dari TIDAK SETUJU (lambang: 1) s.d. SANGAT SETUJU (lambang: 5). Jarak (selisih) antara SANGAT SETUJU (5) dg SETUJU (4) adalah 1, yaitu 5-4=1. Jarak antara SETUJU (4) dg RAGU-RAGU (3) juga = 1, yaitu 4-3=1. dst.
  4. RASIO
    Memiliki kemampuan dari ketiga tipe data sebelumnya, dan angka nol dianggap mutlak.
    Beberapa kriteria/sifat dari tipe data RASIO adalah :
    – kemampuan untuk mengklasifikasikan data non numerik menjadi numerik sebagai mana NOMINAL, ORDINAL dan INTERVAL.
    – di dalam tipe data RASIO, tingkatan/hierarki diperhatikan;
    – Jarak (selisih) antar angka/data adalah sama;
    – Angka nol dianggap mutlak ada, yaitu jika suatu data bernilai nol, maka itu berarti “ketiadaan” sesuatu yang diamati. Contoh: berat benda = nol kilogram, hal ini berarti benda tersebut tidak memiliki berat/massa;
    – Data yang tergolong tipe data RASIO bisa dikenai tindakan aritmatika, semisal penjumlahan, pengurangan, pembagian, perkalian, dll.
    Ciri khas yang paling nampak dari data RASIO adalah adanya satuan pengamatan, semisal detik, menit, jam, kg, ton, km, m/s, Rp., Dollar, dll.
Tipe data NOMINAL dan ORDINAL sering digunakan pada metode Statistika Nonparametrik. Sedangkan tipe data INTERVAL dan RASIO cocok untuk digunakan pada metode statistika parametrik, asal asumsi yang dibutuhkan oleh metode statistika parametrik yang bersangkutan dapat dipenuhi.

Mengetahui Sebaran Data dengan SPSS

Persyaratan

Pada latihan ini, kita menggunakan data yang sudah diinputkan pada latihan tentang Menginput Data Ke SPSS. Silahkan inputkan data dulu jika belum memiliki data.

Tujuan

Mengetahui Sebaran data (Mean, Median, Modus, Standar Deviasi dll)

Langkah

Untuk melakukan proses ini silahkan lakukan menuju menu
Analyze >> Descriptive Statistics >> Descriptive


Masukkan BB dan Tinggi pada kolom variabel.

Klik options (pilih Sebaran data yang ingin kita ketahui) Continue >> OK


Akan terlihat hasil “output SPSS”


Monday, January 23, 2017

Melakukan Perhitungan Frekuensi dengan SPSS

Persyaratan

Pada latihan ini, kita menggunakan data yang sudah diinputkan pada latihan tentang Menginput Data Ke SPSS. Silahkan inputkan data dulu jika belum memiliki data.

Tujuan

Mengetahui frekuensi data yang diambil secara acak

Langkah

Untuk melakukan proses ini silahkan lakukan menuju menu Analyze >> Descriptive Statistics >> Frequencies 


Masukkan Gender dan Pendidikan ke kolom Variabel >> OK 
Hasil “OutPut”


Pada hasil “Gender” diatas dapat disimpulkan bahwa Frekuesi pria sebanyak 9 dengan
presentase 60%, sedangkan Wanita sebanyak 6 dengan presentase 40%.

Silahkan simpulkan untuk hasil dari Variabel Pendidikan.

Menginput Data Ke SPSS

Data pasien di RS Umum kota Surakarta sebagai berikut:

No Nama Tinggi Berat Gender Pendidikan
1. Adelia 165 45 Wanita SMU
2. Erick 170 60 Pria SMU
3. Anggoro 171 65 Pria Sarjana
4. Amelia 166 50 Wanita Akademi
5. Lidya 165 46 Wanita Sarjana
6. Liana 167 49 Pria Akademi
7. Cicil 166 44 Wanita SMU
8. Andre 173 70 Pria Akademi
9. Agus 175 71 Pria SMU
10. Lana 174 73 Pria Sarjana
11. Mely 163 65 Wanita Akademi
12. Diana 164 67 Wanita Sarjana
13. Oon 170 75 Pria Sarjana
14. Dodi 171 74 Pria Akademi
15. Agung 172 70 Pria Sarjana

Untuk menginputkan data pada SPSS dapat dilakukan sebagai berikut:

Pada memberi label nomor pada variabel gender dan pendidikan 
Klik variabel view >> Value pada variabel gender 
Masukkan kolom value “1” dan label “Pria” klik add,
Masukkan kolom value “2” dan label “Wanita” klik add >> OK


Lakukan seperti pada variabel “Pendidikan”