Skala Pengukuran
Monday, June 16, 2008
Analisis data yang bertujuan utnuk mendapatkan informasi yang relevan yang terkandung didalam data dan menggunakan hasilnya untuk memecahkan suatu masalah. Analisis data ada banyak macamnya, tergantung dari tujuan analisis juga tipe data atau skala pengukuran yang digunakan.

Menurut Stevens (1946) skala pengukuran dapat dikelompokkan menjadi empat jenis yaitu:


      skala nominal
      sakala pengukuran yang menyatakan kategori, atau kelompok dari suatu subyek. Misal variabel jenis kelamin : laki-laki dan perempuan, yang bisa kita beri kode 1 dan 2. Ingat angka ini hanya berfungsi sebagai label. Jadi terserah mana yang 1 mana yang dua.

      Untuk skala nominal uji statistika yang sesuai digunakan adalah uji statistik yang berdasarkan counting seperti modus dan distribusi frekuensi


      skala ordinal
      skala ordinal hampir sama dengan skala nominal, hanya saja skala ordinal tidak hanya mengkategorikan namun juga menranking terhadap kategori.

      misal : kita meminta responden untuk memberi ranking terhadap suatu makana yaitu dengan memberi angak 1 untuk makanan yang paling disuka, angka 2 untuk ranking kedua dst.
      makanan (ranking)
      soto (4)
      gado-gado (2)
      pecel (3)
      bakso (1)

      dari data contoh , berarti bakso merupakan makanan yang paling disukai oleh responden. gado-gado lebih disukai dibanding pecel dan soto, dst.

      Uji statistik yang sesuai dengan skala ordinal adalah modus, median, distribusi frekuensi, dan statistik non parametrik seperti rank order correlation.



      skala interval




      skala rasio
      skala rasio adalah skala interval dan memiliki nilai dasar yang tidak dapat dirubah. misalakan umur responden.

      Variable yang diukur dengan skala interval dan rasio disebut variabel metrik.



Labels:

posted by Kumpulan Tutorial Statistika at 7:55 PM | Permalink | 0 comments
Skewness dan Kurtosis
Tuesday, January 8, 2008
Sebelum dilakukan pemodelan, ada baiknya data return diuji terlebih dahulu apakah memenuhi asumsi ini ataukah tidak, sehingga pemodelan yang dilakukan akan lebih valid. Ada banyak cara untuk menguji normalitas data, baik yang bersifat eksploratif (deskriptif) maupun konfirmatif (inferensi). Salah satu cara yang bersifat eksploratif adalah dengan melihat bentuk kurva pendekatan distribusi empirisnya, yaitu dengan menghitung nilai skewness (kemencengan) dan kurtosis (keruncingan) kemudian membandingkan dengan distribusi normal.
Skewness adalah derajat ketidaksimetrisan suatu distribusi. Jika kurva frekuensi suatu distribusi memiliki ekor yang lebih memanjang ke kanan (dilihat dari meannya) maka dikatakan menceng kanan (positif) dan jika sebaliknya maka menceng kiri (negatif). Secara perhitungan, skewness adalah momen ketiga terhadap mean. Distribusi normal (dan distribusi simetris lainnya, misalnya distribusi t atau Cauchy) memiliki skewness 0 (nol).
Kurtosis adalah derajat keruncingan suatu distribusi (biasanya diukur relatif terhadap distribusi normal). Kurva yang lebih lebih runcing dari distribusi normal dinamakan leptokurtik, yang lebih datar platikurtik dan distribusi normal disebut mesokurtik. Kurtosis dihitung dari momen keempat terhadap mean. Distribusi normal memiliki kurtosis = 3, sementara distribusi yang leptokurtik biasanya kurtosisnya > 3 dan platikurtik <>


dengan :


Untuk memberikan gambaran visual, berikut ini diberikan ilustrasi Skewness (Gambar 1) dan Kurtosis (Gambar 2) :



Gambar 1


Gambar 2




Labels:

posted by Kumpulan Tutorial Statistika at 6:34 PM | Permalink | 2 comments
Uji Validitas
Monday, June 18, 2007
Kali ini penulis ingin membahas tentang Uji Validitas yang merupakan permulaan pada saat membuat riset (setelah uji coba riset awal).

Validitas berarti sejauh mana ketetapan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Uji validitas berarti prosedur pengujian untuk melihat apakah alat ukur yang berupa kuesioner dapat mengukur dengan cermat atau tidak. (Masri Singarimbun, 1989:124).

Menurut Masrum yang dikutip oleh Sugiyono (2001:106) menyatakan bahwa biasanya syarat minimum untuk dianggap valid adalah r = 0,3. Jadi kalau kolerasi antara butir dengan skor total kurang dari 0,3 maka butir dalam instrumen tersebut dinyatakan tidak valid. Uji validitas dilakukan dengan melihat kolerasi antara skor masing-masing item pertanyaan dengan skor total.

Dimana :
r = koefisien korelasi(validitas)
X = skor pada subyek item n
Y = skor total subyek
XY = skor pada subyek item n dikalikan skor total
N = banyaknya subyek

posted by Kumpulan Tutorial Statistika at 2:26 AM | Permalink | 8 comments
Mengenal Analisis Korelasi (Sederhana)
Monday, May 28, 2007
Dalam hidup ini tidak ada satu benda atau satu hal yang benar2 independen atau bebas, kecuali Sang Pencipta, Allah SWT. Semua saling berhubungan dan saling membutuhan seperti halnya manusia walau ada yang langsung maupun tak langsung. Dalam Statistika hal itu dapat dilambangkan dalam Analisis Korelasi. Dengan Analisis ini kita dapat menghitung, mengetahui seberapa besar kekuatan hubungan sesuatu (dalam statistika: variable). Mo tahu lebih banyak…


Arti

Korelasi itu berarti hubungan, begitu pula analisis korelasi yaitu suatu analisis yang digunakan untuk melihat hubungan antara dua variable. Ingat Analisis korelasi tidak mempersoalkan apakah variable pertama itu respon atau peubah bebas, begitu pula variable yang kedua.

Kovariansi

Kenapa kovariansi kita bahas di awal dahulu. Berikut alasane:

Kovariansi mengukur besar dan arah hubungan linear antara dua peubah. Bila kovariansi positif maka kedua variable berubah searah, artinya bila variable X membesar maka Y juga membesar dan sebaliknya. Sayangnya konsep ini sulit menafsirkannya karena kedua variable mungkin memiliki satuan yang berbeda dan nilai kovariansi tidak terbatas.

Karena itu diperlukan ukuran yang lebih mudah untuk menafsirkannya. Ukuran ini dapat diperoleh dengan membakukan kovariansi, yaitu membaginya dengan simpangan baku masing-masing peubah. Bila sx dan sy simpangan baku terok dari X dan Y maka koefisien korelasi antara X dan Y, lambing rxy (R.K. Sembiring, 1995:93).


Korelasi
Jika didapatkan nilai rxy = 1 artine memiliki hubungan linear sempurna dan searah *jika X membesar maka Y akan membesar*.

Jika didapatkan nilai rxy = -1 artine memiliki hubungan linear sempurna dan berlawanan arah *jika X membesar maka Y akan semakin kecil*.

Jika didapatkan nilai rxy = 0 artine X dan Y tidak memiliki hubungan linear.
Macam Korelasi

Analisis korelasi itu ada 2 yaitu Korelasi sederhana dan Korelasi parsial. Kalo Korelasi sederhana ya seperti yang dibahas sebelumnya yaitu korelasi antara 2 variabel. Nah kalo Korelasi parsial dibahas belakangan ya…heheh belajare satu2 dulu…

Selamat Mencoba, dan Semoga berguna bagi sekalian pembaca. Jika ada pertanyaan, komentar, ato artikel terkait..tulis aza di komen ya…

Dan yang pasti Semoga Allah meridloi seluruh kegiatan kita.

posted by Kumpulan Tutorial Statistika at 12:24 AM | Permalink | 2 comments
Statistika, kenalan dulu ah!!
Wednesday, April 4, 2007
Apa seh Statistika, hmm makanan po…*halah diotak kok adanya makanan aza neh*..makane perkenalkan..tattataraaaa…


Salah satu definisi menyebutkan bahwa statistik adalah metode ilmiah untuk menyusun, meringkas, menyajikan dan menganalisa data, sehingga dapat ditarik suatu kesimpulan yang benar dan dapat dibuat keputusan yang masuk akal berdasarkan data tersebut.

Kalo di wikipedia. Statistika adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data. Singkatnya, statistika adalah ilmu yang berkenaan dengan data.
Nah di wiki ini juga djelasin sejarah statistika klik disini tuk liat di wikipedia. Atau kalo males nglink lagi aku copiin neh dari wiki…*matursuwun wikipedia*
Penggunaan istilah statistika berakar dari istilah istilah dalam bahasa latin moderen statisticum collegium ("dewan negara") dan bahasa Italia statista ("negarawan" atau "politikus").
Gottfried Achenwall (1749) menggunakan Statistik dalam bahasa Jerman untuk pertama kalinya sebagai nama bagi kegiatan analisis data kenegaraan, dengan mengartikannya sebagai "ilmu tentang negara (state)". Pada awal abad ke-19 telah terjadi pergeseran arti menjadi "ilmu mengenai pengumpulan dan klasifikasi data". Sir John Sinclair memperkenalkan nama (Statistics) dan pengertian ini ke dalam bahasa Inggris. Jadi, statistika secara prinsip mula-mula hanya mengurus data yang dipakai lembaga-lembaga administratif dan pemerintahan. Pengumpulan data terus berlanjut, khususnya melalui sensus yang dilakukan secara teratur untuk memberi informasi kependudukan yang berubah setiap saat.
Pada abad ke-19 dan awal abad ke-20 statistika mulai banyak menggunakan bidang-bidang dalam matematika, terutama probabilitas. Cabang statistika yang pada saat ini sangat luas digunakan untuk mendukung metode ilmiah, statistika inferensi, dikembangkan pada paruh kedua abad ke-19 dan awal abad ke-20 oleh Ronald Fisher (peletak dasar statistika inferensi), Karl Pearson (metode regresi linear), dan William Sealey Gosset (meneliti problem sampel berukuran kecil). Penggunaan statistika pada masa sekarang dapat dikatakan telah menyentuh semua bidang ilmu pengetahuan, mulai dari astronomi hingga linguistika. Bidang-bidang ekonomi, biologi dan cabang-cabang terapannya, serta psikologi banyak dipengaruhi oleh statistika dalam metodologinya. Akibatnya lahirlah ilmu-ilmu gabungan seperti ekonometrika, biometrika (atau biostatistika), dan psikometrika.
Meskipun ada kubu yang menganggap statistika sebagai cabang dari matematika, tetapi orang lebih banyak menganggap statistika sebagai bidang yang banyak terkait dengan matematika melihat dari sejarah dan aplikasinya. Di Indonesia, kajian statistika sebagian besar masuk dalam fakultas matematika dan ilmu pengetahuan alam, baik di dalam departemen tersendiri maupun tergabung dengan matematika.
posted by Kumpulan Tutorial Statistika at 8:08 PM | Permalink | 0 comments
Statistika dan Audio (multimedia)
Monday, April 2, 2007
Ternyata ada hubungan antara audio dengan statsitika tepatnya matematika.

Seperti dalam mengklasifikasikan Audio,

Many audio analysis tasks become possible based on sound similarity and sound
classification approaches. These include:

• the segmentation of audio tracks into basic elements, such as speech, music,
sound or silence segments;
• the segmentation of speech tracks into segments with speakers of different
gender, age or identity;
• the identification of speakers and sound events (such as specific persons,
explosions, applause, or other important events);
• the classification of music into genres (such as rock, pop, classic, etc.);
• the classification of musical instruments into classes.


Ternyata proses untuk menuju kesimpulan sama kayak analisis multivariate, Liat neh:

Analisa deskriptif -> segmentasi (analisis cluster) -> di pecah (analisis diksriminan) -> clasifikasi (analisis factor) ->decition deh

Wuihhh ternyata statistic kepake di dunia multi media….cihuyyyyyyyyyyyyyyy…
(berarti gw tetep setia dijalur gw...statistika dan multimedia)


Many classification systems can be partitioned into components such as :
1. A segmentation stage isolates relevant sound segments from the background
(i.e. the example violin sound from background noise or other sounds).

2. A feature extraction stage extracts properties of the sound that are useful for
classification (the feature vector, fingerprint). For both the sound similarity
and sound classification tasks, it is vital that the feature vectors used are
rich enough to describe the content of the sound sufficiently. The MPEG-7
standard sound classification tool relies on the audio spectrum projection
(ASP) feature vector for this purpose. Another well-established feature vector
is based on MFCC.
It is important that the feature vector is of a manageable size. In practice it is
often necessary to reduce the size of the feature vector. A dimension reduction
stage maps the feature vector onto another feature vector of lower dimension.
MPEG-7 employs singular value decomposition (SVD) or independent compo-
nent analysis (ICA) for this purpose. Other well-established techniques include
principal component analysis (PCA) and the discrete cosine transform (DCT).

3. A classifier uses the reduced dimension feature vector to assign the sound to
a category. The sound classifiers are often based on statistical models. Exam-
ples of such classifiers include Gaussian mixture models (GMMs), hidden
Markov models (HMMs), neural networks (NNs) and support vector machines
(SVMs).


Ternyata…statistika disini (audio integrator profesi gw neh) digunakan tapi dah userfriendly n saking friendlynya malah ga ketauan statistikanya…hmm sama aza ama para riset analisis pake SPSS yang mereka tinggal pake metode yang ada tanpa ia perlu tau bagaimana metode ini ada…hehehhehe sing penting tau data ini pake metode ini data itu pake metode itu…juga tujuan yg ingin dicapai….

Ternyata statistika berhubungan ma multimedia eh kebalik
multimedia -> statistika (baca: jika multimedia maka statistika) jadi kalo dibalik jadi pernyataan yang salah.(jadi inget mata kuliah PLMH)
posted by Kumpulan Tutorial Statistika at 11:51 PM | Permalink | 1 comments