Category Archives: TUTORIAL STATISTIK

Berisi contoh dan tutorial statistik dengan SPSS, EVIEWS, LISREL

Distribusi Frekuensi

Distribusi Frekuensi

Oleh : Hendry

Distribusi Frekuensi dalam penelitian sering dilakukan untuk memberikan gambaran mengenai alokasi skor yang diperoleh dari data lapangan. Sebuah distribusi frekuensi umumnya digunakan untuk mengkategorikan informasi sehingga dapat diinterpretasikan dengan cepat dengan cara visual. Supaya tidak terlalu panjang, berikut ini diberikan contoh pembuatan distribusi frekuensi secara manual dengan excel.

Read the rest of this entry

Advertisements

Uji Validitas dan Reliabilitas Kuesioner Kepuasan Kerja

Contoh analisis data kuesioner kepuasan kerja dengan SPSS

oleh : Hendry

Pada posting saya mengenai desain kuesioner via google doc, saya membuat contoh kuesioner online mengenenai kepuasan kerja yang diukur berdasarkan 5 indikator meliputi : gaji, kesempatan karir, rekan kerja, pekerjaan itu sendiri, dan pengawasan. (link kuesioner di sini, dan saya tambahkan 3 item)

Jumlah data yang masuk adalah sebanyak 65 responden, namun hanya 15 responden yang secara penuh mengisi 5 item yang diajukan. Hasilnya sebagai berikut :

Validitas dan Reliabilitas Instrumen

KMO MSA

Nilai KMO-MSA sebesar 0.869 menandakan bahwa analisis faktor dapat dilanjutkan karena nilai KMO sudah di atas 0.60

Read the rest of this entry

Membuat Tabel Chi-Square dengan SPSS

Tabel Chi-Square sebenarnya dapat diperoleh dari buku-buku statistik, tapi untuk sekedar informasi, berikut ini akan diberikan cara bagaimana membuat tabel Chi-Square dengan bantuan SPSS

Read the rest of this entry

Heywood Case

Tulisan Rintisan…..

Heywood case adalah istilah SEM ketika ditemukan adanya negative error variance. Heywood case merupakan hal yang seharusnya sangat tidak mungkin terjadi, karena variance tidak mungkin negatif. Oleh karena itu model perlu diperbaiki dengan menetapkan error variance yang sebelumnya negatif menjadi positif dan kecil (Byrne, 1998) misal 0.001 atau 0.005

 

SEM : Identifikasi Model

Identifikasi Model merupakan tahap kedua dari prosedur SEM. (lihat bahasannya disini).

Identifikasi Model berhubungan dengan pertanyaan “apakah model yang diusulkan mampu menghasilkan parameter yang unik”. Unik disini diartikan parameter yang ada dalam model dapat diestimasi dengan data sampel, hasil estimasi dapat diuji dengan berbagai statistik uji yang ada, serta hasil estimasi dapat dibandingkan dengan model lain (Kusnendi, 2008).

Secara garis besar, ada tiga kategori identifikasi dalam persamaan simultan meliputi under identified, just identified, dan over indetified.

Under Identified adalah model dengan jumlah parameter yang diestimasi lebih besar dari jumlah data yang diketahui (data tersebut merupakan variance dan covariance dari variabel-variabel teramati). Under identified model pada SEM terjadi ketika degree of freedom (df) < 0.

Just identified adalah model dengan jumlah parameter yang sama dengan data diketahui. (df = 0)

Over identified adalah model dengan jumlah parameter yang diestimasi lebih kecil dari jumlah data yang diketahui (df > 0).

Bahasan Lengkap di buku :

Kusnendi. 2008. Model-Model Persamaan Struktural. Satu dan Multigroup Sample dengan Lisrel. Bandung : Alfabeta

Setyo Hari Wijanto. 2008. Structural Equation Modeling dengan LISREL 8.8. Yogyakarta : Graha Ilmu

 

 

 

Options pada LISREL

Options merupakan perintah tambahan untuk menampilkan hasil estimasi sesuai dengan yang diinginkan oleh peneliti.  Beberapa perintah yang umum digunakan antara lain

ND (number of decimals) adalah perintah untuk menampilkan jumlah desimal pada output LISREL. Output defaultnya adalah dua desimal, sehingga jika anda menginginkan output menampilkan 3 desimal maka perintahnya dapat ditulis ND = 3.

RS (residuals) adalah perintah untuk menampilkan semua informasi tentang residual.

EF (total and indirect effect) adalah perintah untuk menampilkan dekomposisi pengaruh total dan tidak langsung (indirect)

SC (completely standardized solution), adalah perintah untuk menampilkan estimasi parameter model dengan nilai standard secara keseluruhan (standardized maupun completely standardized

 

Strategi Pemodelan SEM

Ada 3 jenis strategi pemodelan yang dapat dipilih terutama jika menganalisis data dengan LISREL (Joreskog dan Sorbom, 1993) :

Stricly Confirmatory (SC). Dalam model ini, peneliti terlebih dahulu merumuskan model yang akan diuji, kemudian data dikumpulkan. Pengujian model dilakukan dengan maksud untuk memastikan apakah model diterima atau ditolak. Dalam strategi ini tidak diupayakan perbaikan model.

Alternatif (Completing) Model (AM). Dalam pemodelan ini dirumuskan beberapa alternatif model. Data kemudian dikumpulkan dan diuji. Model-model yang sudah dibentuk sebelumnya kemudian diuji, dan model yang memiliki kesesuaian paling baik akan dipilih.

Model Generating (MG). dalam strategi ini peneliti berpijak pada teori tertentu untuk merumuskan model. Data dikumpulkan, kemudian diuji. Jika ternyata hasil pengujian model menunjukkan kinerja yang kurang baik atau tidak fit dengan data, maka model diperbaiki atau dimodifikasi. Proses perbaikan ini dilakukan berulang-ulang sampai diperoleh model dengan tingkat kesesuaian terbaik atau best fit model dengan data sampel yang ada.

Dikutip dari Buku. Kusnendi. 2008. Model-Model Persamaan Struktural. Satu dan Multigroup Sample dengan Lisrel. Bandung : Alfabeta, pp. 17

Tahapan Dalam SEM

Prosedur SEM secara umum mengandung tahap-tahap sebagai berikut (Bollen dan Long, 1993, dalam Wijanto, 2008:

  1. Spesifikasi Model : tahapan ini terkait dengan pembentukan model awal persamaan struktural, sebelum dilakukannya estimasi. Model awal diformulasikan berdasarkan suatu teori atau penelitian-penelitian sebelumnya.
  2. Identifikasi : berkaitan dengan pengkajian tentang kemungkinan diperolehnya nilai yang unik untuk setiap parameter yang adalam model dan kemungkinan persamaan simultan tidak ada solusinya.
  3. Estimasi : berkaitan dengan estimasi terhadap model untuk menghasilkan nilai-nilai parameter dengan menggunakan salah satu metode estimasi yang tersedia. Pemilihan model estimasi sering kali ditentukan berdasarkan karakteristik dari variabel-variabel yang dianalisis.
  4. Uji Kecocokan : merupakan pengujian kecocokan antara model dengan data. beberapa kriteria kecocokan atau goodness of fit (GOF) dapat dilihat disini
  5. Respesifikasi terkait dengan respesifikasi model berdasarkan hasil kecocokan model tahap sebelumnya.

UJI AUTOKORELASI dengan spss

By Hendry

Tentang Uji Autokorelasi

Autokorelasi umumnya terjadi pada data time series. Hal ini karena observasi-observasi pada data timeserie mengukuti urutan alamiah antarwaktu sehingga observasi-observasi secara berturut-turut mengandung interkorelasi, khususnya jika rentang waktu diantara observasi yang berurutan adalah rentang waktu yang pendek, seperti hari, minggi atau bulan. Gujarati (2012)

Istilah autokorelasi adalah korelasi di antara anggota seri dari observasi-observasi yang diurutkan berdasarkan waktu. Dalam kaitannya dengan asumsi OLS, autokorelasi merupakan korelasi antara satu variabel gangguan dengan variabel gangguan lain.

Konsekuensi Autokorelasi

Menurut Gujarati (2012), keberadaan autokorelasi pada OLS memiliki konsekuensi antara lain : estimasi OL masih linier dan tidak bias, serta konsisten dan secara asumtotis terdistribusi secara normal, namun estimator-estrimator tersebut tidak lagi efisien (memiliki varian terkecil).

Widarjono (2009) melanjutkan, jika varian tidak minimum, maka menyebabkan perhitungan standar error metode OLS tidak lagi dipercaya kebenarannya. Selanjutnya, interval estimasi maupun uji hipotesis yang didasarkan pada distribusi t maupun F tidak lagi bisa dipercaya untuk evaluasi hasil regresi.

 

DOWNLOAD TUTORIAL SPSS UJI AUTOKORELASI

Tutorial LISREL 2nd CFA Komitmen

TUTORIAL LISREL
CONFIRMATORY FACTOR ANALYSIS
KASUS KOMITMEN ORGANISASI
 
 
By HENDRY
Phone : 021-8341 4694 / 0856-9752-3260
Email : openstatistik@yahoo.co.id

NOTE :

Data Yang Digunakan Adalah Data Fiktif Dan Hanya Dipergunakan Untuk Kepentingan Tutorial

Operasionalisasi Variabel

Pengukuran komitmen mengadaptasi 3 dimensi komitmen dari Meyer, Allen, & Smith (1993) dan Meyer & Allen (1997). Sementara kuesioner, mengadaptasi sebagian dari The Organizational Commitment Questionnaire (OCQ) yang dikembangkan oleh Meyer, Allen, & Smith (1993) dan Meyer & Allen (1997) dari yang semula berjumlah 18 pertanyaan menjadi 15 pertanyaan dengan berbagai penyesuaian.

Download Tutorial

SIMBOL-SIMBOL DALAM ANALISIS SEM

Beberapa simbol umum yang digunakan dalam Analisis SEM antara lain :

 

ξ (KSI) = konstruk laten eksogen

η (ETA) = konstuk laten eksogen

β (BETA) = hubungan langsung variabel endogen ke endogen lain

λ (LAMDA) : hubungan langsung variabel enksogen ke endogen / endogen ke indikatornya

φ (PHI) = kovarian/korelasi antara variabel eksogen

δ (DELTA) = measurement error (kesalahan pengukuran) dari indicator kontruk eksogen

ε (EPILSON) = measurement error dari indicator variabel endogen

ζ (ZETA) = kesalahan dalam persamaan, yaitu antara variabel eksogen/endogen

 

Uji Autokorelasi

Oleh : Hendry

Tentang Uji Autokorelasi

Autokorelasi umumnya terjadi pada data time series. Hal ini karena observasi-observasi pada data timeserie mengukuti urutan alamiah antarwaktu sehingga observasi-observasi secara berturut-turut mengandung interkorelasi, khususnya jika rentang waktu diantara observasi yang berurutan adalah rentang waktu yang pendek, seperti hari, minggi atau bulan. Gujarati (2012)

Istilah autokorelasi adalah korelasi di antara anggota seri dari observasi-observasi yang diurutkan berdasarkan waktu. Dalam kaitannya dengan asumsi OLS, autokorelasi merupakan korelasi antara satu variabel gangguan dengan variabel gangguan lain.

Read the rest of this entry

Rancangan Acak Kelompok dengan SPSS

TUTORIAL SPSS : RANCANGAN ACAK KELOMPOK (RAK)

Oleh : Hendry

Rancangan acak kelompok (RAK) sering disebut dengan randomized complete block design (RCBD). Pada rancangan ini terdapat pengelompokan perlakuan secara lengkap pada kelompok yang diamati. Secara teknis, RAK diuji dengan teknik ANOVA dua jalur.

Metode Siram

Jenis Pupuk

o

B1

B2

B3

B4

A1
A2
A3

Studi Kasus

Seorang peneliti ingin pengaruh metode penyiraman (A) dan jenis pupuk (B) pada pertumbuhan pohon. Ada tiga metode penyiraman (A1 = 1x sehari, A2 = 2x sehari, A3=3x sehari) dan masing-masing 3 jenis pupuk (B1, B2, B3). Tetapi selain itu ada juga kelompok kontrol, yaitu pohon yang tidak disiram dan tidak diberi pupuk (A0 dan B0).

Lengkapnya silahkan TUTORIAL SPSS RAK

MENGAKTIFKAN DATA ANALYSIS TOOLS PADA EXCEL

 

Analisis statistik sebenarnya dapat dilakukan melalui Excel dengan bantuan tool “data analysis”.

Analysis ToolPak adalah Microsoft Office Excel dilakukan instalasi Microsoft Office or Excel. Untuk menggunakannya perlu dilakukan langkah2 berikut ini :

  1. Click the Microsoft Office Button , lalu click Excel Options.
  2.  Click Add-Ins, lalu pada  Manage box, pilih Excel Add-ins.
  3. Click Go.
  4. di dalam  Add-Ins available box, pilih Analysis ToolPak check box, lalu click OK.
  5. Setelah proses loading selesai maka “Data Analysis command” akan tersedia  Data tab

 

Add-Ins

Data Analysis Tools

Jenis-jenis analisis yang dapat digunakan antara lain :

The CORREL and PEARSON worksheet functions both calculate the correlation coefficient between two measurement variables when measurements on each variable are observed for each of N subjects. (Any missing observation for any subject causes that subject to be ignored in the analysis.) The Correlation analysis tool is particularly useful when there are more than two measurement variables for each of N subjects. It provides an output table, a correlation matrix, that shows the value of CORREL (or PEARSON) applied to each possible pair of measurement variables.

The correlation coefficient, like the covariance, is a measure of the extent to which two measurement variables “vary together.” Unlike the covariance, the correlation coefficient is scaled so that its value is independent of the units in which the two measurement variables are expressed. (For example, if the two measurement variables are weight and height, the value of the correlation coefficient is unchanged if weight is converted from pounds to kilograms.) The value of any correlation coefficient must be between -1 and +1 inclusive.

The Correlation and Covariance tools can both be used in the same setting, when you have N different measurement variables observed on a set of individuals. The Correlation and Covariance tools each give an output table, a matrix, that shows the correlation coefficient or covariance, respectively, between each pair of measurement variables. The difference is that correlation coefficients are scaled to lie between -1 and +1 inclusive. Corresponding covariances are not scaled. Both the correlation coefficient and the covariance are measures of the extent to which two variables “vary together.”

The Covariance tool computes the value of the worksheet function COVAR for each pair of measurement variables. (Direct use of COVAR rather than the Covariance tool is a reasonable alternative when there are only two measurement variables, that is, N=2.) The entry on the diagonal of the Covariance tool’s output table in row i, column i is the covariance of the i-th measurement variable with itself. This is just the population variance for that variable, as calculated by the worksheet function VARP.

The Descriptive Statistics analysis tool generates a report of univariate statistics for data in the input range, providing information about the central tendency and variability of your data.

The Exponential Smoothing analysis tool predicts a value that is based on the forecast for the prior period, adjusted for the error in that prior forecast. The tool uses the smoothing constant a, the magnitude of which determines how strongly the forecasts respond to errors in the prior forecast.

The Fourier Analysis tool solves problems in linear systems and analyzes periodic data by using the Fast Fourier Transform (FFT) method to transform data. This tool also supports inverse transformations, in which the inverse of transformed data returns the original data.or example, in a class of 20 students, you can determine the distribution of scores in letter-grade categories.

dst…silahkan baca sendiri di menu “help Excel”

Cara Menghadapi Respon Kosong pada Kuesioner

Cara Menghadapi Respon Kosong pada Kuesioner

by Hendry

Teori Online Tips

Kadang kala kita menemukan banyak responden yang tidak mau mengisi pertanyaan / pernyataan yang diajukan dalam kuesioner yang kita sebarkan. Bagaimana menghadapi masalah ini ?

Ada beberapa pertimbangan yang dijelaskan Uma Sekaran dalam menghadapi masalah ini,

Jika respon kosong mencapai 25% item kuesioner, maka lebih baik kuesioner itu tidak dimasukkan dalam kumpulan data untuk dianalisis

Contoh :

Kuesioner motivasi kerja yang terdiri dari 10 pertanyaan, dan 3 pertanyaan tidak dijawab oleh responden, maka angket itu sebaiknya dibuang.

Pertama. Respon kosong pada skala interval (misal 7 titik), maka dapat diberikan skor tengah (netral)

Kedua. Membiarkan computer mengabaikan respon kosong saat analisis dilakukan.

Ketiga. memberikan pada item nilai keluar respon dari semua yang merespon item tersebut

Keempat. Memberi item tersebut rata-rata respon dari responden khusus pada semua pertanyaan lain yang mengukur variabel tersebut

Kelima. Memberikan respon kosong sebuah angka acak dalam skala yang digunakan.

Dari lima cara yang dikemukakan di atas, pendekatan umum yang digunakan adalah memberikan angka nilai tengah dalam skala sebagai nilai atau mengabaikan item tersebut dalam proses analisis

Cara terbaik menangani data yang hilang untuk meningkatkan validitas penelitian (khususnya sampel besar) adalah mengabaikan kasus dimana data yang berkaitan dengan analisis tertentu hilang.

 

Referensi :

Uma Sekaran. 2006. Metode Penelitian Bisnis. Jakarta : Salemba empat. pp. 170 – 171