Selamat Datang di web kami

Hubungi 0811 843 623 untuk jasa pengolahan atau olah data statistik dan analisis penelitian skripsi, tesis dan disertasi dengan program SPSS, Eviews, SEM, AMOS, LISREL, PLS (Partial Least Square) dan SAS.Beberapa alasan menggunakan jasa kami:
  1. Pengolahan data disupervisi oleh dosen senior mata kuliah statistik dan metodologi penelitian di program doktor dan magister.
  2. Hasil pengolahan data diberikan interpretasi yang rinci sehingga bisa dijadikan komponen utama bab 4 atau bab hasil dan pembahasan
  3. Mahasiswa diberikan penjelasan via telpon atau tatap muka langsung (Jakarta, Depok, Bogor, Bekasi, Tangerang dan sekitarnya)
  4. Biaya terjangkau dan dibayar setelah hasil pengolahan data disampaikan, sehingga mahasiswa tidak menanggung resiko.
Biasanya pengolahan data berupa analisis regresi linier berganda, analysis variance (ANOVA), rancangan percobaan (design experiment), analisis model persamaan simultan, structural equation modeling (SEM), model linier programming ataupun model kuantitatif lainnya.Untuk permintaan jasa pengolahan data, Anda tinggal kirimkan via email data Anda dan sampaikan analisis apa yang Anda atau dosen Anda inginkan.  Hasil analisis akan disampaikan berikut penjelasannya secara tertulis dan penjelasan lisan dengan media komunikasi bila dibutuhkan.
Pada umumnya penelitian dengan metoda kuantitatif meliputi serangkaian pengujian dan analisis data antara lain: uji instrumen penelitian atau kuesioner  (uji Reliabilitas  dan uji Validitas), uji asumsi dasar (uji Normalitas, Homogenitas, Linieritas), uji penyimpangan asumsi klasik (Multikolinearitas, Heteroskedastisitas, Autokorelasi), Regresi Linier, Path Analysis, Structural Equation Modeling (SEM).Konsultasi dengan tatap muka bisa dilakukan di kantor atau kampus konsultan bagi yang tinggal di Jabodetabek.  Bagi yang tinggal di luar Jabodetabek, tentu juga bagi yang tinggal di Jabodetabek, konsultasi bisa dilakukan via telpon ataupun dengan Yahoo Messenger dan Skype.
Untuk permintaan jasa pengolahan data, Anda tinggal kirimkan via email data Anda dan sampaikan analisis apa yang Anda atau dosen Anda inginkan.  Hasil analisis akan disampaikan berikut penjelasannya secara tertulis dan penjelasan lisan dengan media komunikasi bila dibutuhkan.
Berbekal pengalaman sebagai konsultan dan dosen pengajar metoda penelitian, ekonomi manajerial, statistika dan ekonometrika di program doktor ekonomi dan program magister di Jakarta, Insya Allah kami bisa menyelesaikan persoalan penelitian yang Anda hadapi.
Wisma Tendean Jln. Tendean No. 7 Jakarta Selatan
Tel. 021 – 7777 379
Mobile : 0811 843 623
Email: ahlidata@yahoo.com
PIN BlackBerry : 26B6EC7A

Memilih Jasa Olah Data Dengan Tepat

Beberapa dari Anda sudah tahu bahwa sekarang ini adalah era teknologi informasi di mana Anda bisa menemukan jasa olah data dengan cepat dan mudah. Jasa olah data merupakan sejenis layanan yang tersedia bagi mahasiswa dan untuk masyarakat pada umumnya. Anda bisa menemukannya dengan mudah, baik secara offline maupun online. Fungsi dari jasa olah data bisa dilihat dari bagaimana ia akan membantu para mahasiswa mengolah data untuk keperluan skripsi, makalah penelitian, disertasi, dan tesis. Jadi akan ada banyak jasa olah data yang bisa Anda temukan di luar sana. Namun tentu saja pertanyaannya adalah: bagaimana Anda tahu bahwa jasa olah data yang Anda temukan adalah pilihan terbaik. Lalu, apakah jasa olah data murah tertentu merupakan pilihan paling bagus bagi Anda?

Tentu saja ada banyak pilihan terbaik, namun kriteria pilihan tidak ditentukan oleh faktor seperti jasa olah data murah. Ada banyak cara untuk menemukan jasa olah data terbaik, diantaranya:

1)     Pertama-tama, jika Anda memesan jasa secara online, pastikan Anda menemukan berbagai akses di mana Anda akan bisa menghubungi penyedia jasa tersebut. Akses tersebut bisa berupa akun messenger, email, handphone, atau telepon. Banyaknya akses yang diberikan oleh layanan olah data tertentu menandakan keseriusan layanan tersebut dalam memberikan yang terbaik bagi calon pelanggan.

2)     Jika Anda memilih untuk mendatangi kantor jasa olah data, pilihlah yang terdekat dengan tempat tinggal Anda. Ini supaya Anda tidak mengalami kesulitan ketika harus berkomunikasi dengan mendatangi kantor tersebut.

3)     Cobalah untuk menilai pengalaman dan jam terbang sebuah penyedia jasa. Periksa apakah ia mendapatkan banyak pujian dari pelanggan yang telah menyewa jasanya. Jika ya, maka mungkin Anda bisa mempertimbangkannya.

Dengan memperhatikan ketiga poin di atas, Anda seharusnya sudah paham bahwa yang pertama-tama perlu dipikirkan adalah soal kualitas jasa, bukan semata apakah Anda menemukan jasa olah data murah atau tidak. Jika memang tarif sebuah jasa olah data adalah murah, yang perlu diperhatikan lebih lanjut adalah apakah ia sanggup memberikan layanan berkualitas bagi Anda. Apakah ia sanggup memberikan kemudahan bagi Anda. Dan apakah ia sanggup memenuhi deadline yang ketat.

Posted in Uncategorized | Leave a comment

Jasa Olah Data Skripsi: Bantuan Untuk Menangani Kesulitan Mahasiswa

Setiap mahasiswa yang belajar di universitas harus menyelesaikan tugas akhir dalam bentuk karya tulis seperti skripsi. Ya, skripsi bagi para mahasiswa adalah momok yang menakutkan. Dibutuhkan banyak energi dan banyak pengetahuan bagi para mahasiswa yang sedang mengerjakan skripsi, oleh karena itu bisa dibilang bahwa skripsi adalah tugas yang cukup menyita banyak waktu mahasiswa. Berbicara tentang skripsi, tentu saja seorang mahasiswa tidak bisa menghindari kewajiban untuk mencari data dan mengolah data dengan metode tertentu, sehingga ia kemudian bisa membuat analisa berdasarkan data yang ia punyai. Jasa olah data skripsi, dengan demikian, bisa meringankan tugas dan kewajiban seorang mahasiswa. Layanan jasa semacam itu sangat berarti bagi para mahasiswa.

Jasa olah data skripsi, di sisi lain, bisa ditemukan di mana saja, baik di internet maupun di sekitar rumah Anda. Cukup mudah untuk ditemukan, dan cukup mudah untuk diakses. Kebanyakan jasa semacam itu juga bisa mengolah data skripsi dari berbagai jurusan. Jadi, apakah Anda seorang mahasiswa ekonomi, sastra, matematika, dan lain sebagainya; hal itu tidaklah menjadi masalah. Kebanyakan dari layanan seperti itu membantu Anda , meringankan tugas-tugas tertentu yang kiranya tidak bisa Anda tangani sendirian. Lebih jauh lagi, jasa semacam itu juga sanggup bekerja memenuhi deadline yang Anda berikan. Jadi, Anda dapat memperoleh lebih banyak pilihan layanan dari jasa olah data yang akan membantu Anda dalam banyak hal.

Jadi, jika Anda tertarik untuk menggunakan jasa pengolahan data yang mampu meringankan Anda dalam mengerjakan skripsi, jasa olah data skripsi merupakan pilihan yang menarik. Tersedia juga jasa pengolahan data untuk mereka yang sedang kuliah di tingkat pascasarjana.  Jasa olah data untuk mahasiswa mengalami perkembangan yang sangat signifikan, meskipun ini bukanlah sebuah fenomena baru. Oleh karena itu, Anda yang sedang mengalami kerepotan-kerepotan tertentu ketika mengerjakan skripsi mungkin bisa memikirkan cara-cara yang akan membantu Anda meringankan beban skripsi. Dan jasa yang dimaksud di sini bisa menjadi pilihan. Semua telah tersedia untuk Anda, dan Anda tinggal memanfaatkannya.

Posted in Uncategorized | Leave a comment

Apa yang Bisa Diberikan Jasa Olah Data

Data merupakan salah satu faktor pendukung yang paling penting terutama bagi mereka yang sedang bergelut dengan jenis tulisan seperti skripsi, makalah, tesis, dan sejenisnya. Data merupakan faktor utama yang memiliki fungsi untuk memperkuat argumen, dan secara langsung ia memperkuat tema yang Anda sodorkan lewat karya tulis Anda. Data, di sisi lain, bisa berupa apapun, entah itu berita di koran, hasil wawancara, foto, video, atau apapun yang Anda ambil dari sumber-sumber yang tersedia. Mengolah data, di sisi lain, agaknya merupakan salah satu hal yang paling sulit untuk dikerjakan. Anda mungkin memerlukan bantuan dari jasa olah data supaya Anda bisa melakukan pekerjaan Anda dengan baik.  Jasa semacam itu adalah sejenis bantuan yang tentu sangat berguna bagi mahasiswa atau orang-orang yang sedang melakukan penelitian.

Di mana kita bisa menemukan jasa olah data? Tentu saja, Anda akan dengan mudah menemukan layanan semacam itu di manapun. Anda bisa menemukannya dengan mudah di berbagai tempat di kota Anda, atau jika Anda tidak ingin repot-repot keluar rumah, Anda bisa menemukannya dengan mudah di internet, dengan bantuan mesin pencari. Kebanyakan jasa semacam itu juga mampu memberikan layanan kilat, sesuai dengan kebutuhan Anda. Olah data yang bisa dikerjakan berhubungan dengan dokumen-dokumen tertentu, seperti hasil wawancara, sampel penelitian, kuisioner, dan lain sebagainya. Data akan diolah sedemikian rupa hingga menghasilkan bentuk tertentu (seperti statistik, misalnya) yang bisa Anda gunakan lebih lanjut.

Jadi, jika Anda merasa kesulitan dalam hal mengolah data, jasa olah data merupakan bantuan yang tentu saja akan meringankan keseluruhan pekerjaan Anda. Data yang sudah diolah sedemikian rupa akan membantu Anda dalam membuat analisa-analisa dan kesimpulan tertentu, tergantung dari hasil olahan data yang berada di tangan Anda. Oleh karena itu, segera hubungi jasa tertentu yang memang menyediakan bantuan pengolahan data bagi Anda,. Dalam banyak hal, jasa semacam itu sungguh sangat berguna bagi Anda yang sedang merasa kesulitan oleh karena banyaknya data yang harus Anda olah ke dalam bentuk statistik tertentu.

Posted in Uncategorized | 1 Comment

Apa itu Analisis Multivariate ?

Analisis Multivariate Kapan? Asumsi Kelebihan & kekurangan
Analisis Diskriminan 1. Mengklasifikasikan variabel bebas ke variabel respon (yang diketahui jumlahnya)

2. variabel Respon            [ kualitatif ]

3. variabel bebas          [ kuantitatif ]

4.  jumlah kelompok sudah diketahui

1. Sejumlah p variabel penjelas harus berdistribusi normal

2. Matriks varians covarian variabel penjelas berukuran pxp pada kedua kelompok harus sama.

Hasil pengelompokan tidak selalu sama dengan pengelompokkan awal

 

Analisis Korespondensi
  1. Ketika ingin menetapkan kategori-kategori yang mirip dalam satu peubah (mereduksi)
  2. Data kategorik
Seperti non parametrik, tidak membutuhkan asumsi kenormalan, multikolinieritas, dsb 1. sangat tepat untuk menganalisis data variabel kategori ganda.

2. Menggambarkan hubungan antar kategori setiap baris dan kolom

3. Cukup fleksibel untuk data matriks berukuran besar

4. Tidak cocok untuk pengujian hipotesis, tetapi tepat untuk ekspolrasi data

5. tidak ada metode untuk menentukan jumlah dimensi yang tepat

Analisis Biplot 1. Menginterpretasikan suatu peubah & objek yang banyak

2. menyajikan posisi relatif dan objek pengamatan (perusahaan , varietas, dsb) dengan p peubah secara simultan dalam dua dimensi

 

  1. Pengujian Kenormalan Galat
  2. Melihat kebebasan galat dengan yang lainnya
  3. Pengujian kehomogenan ragam
  4. Pengujian keaditifan model

 

Pereduksian ruang dimensi banyak menjadi dimensi dua berakibat menurunnya informasi yang terkandung dalam biplot
Analisis Korelasi Kanonik 1. Melihat hubungan antara beberapa peubah dependen dengan beberapa peubah independen

2. Menguraikan struktur hubungan di dalam gugus peubah dependen maupun dalam gugus peubah independen

 

1. Linieritas

2. Multivariate Normality

 

 
Structural Equation Models 1. Terdapat konstruk-konstruk yang tidak dapat diukur atau diamati secara langsung

2. Ingin mendapatkan model struktural yang dapat digunakan untuk keperluan prediksi

3. Menguji pengaruh (langsung dan tidak langsung) variabel bebas terhadap variabel tak bebas.

1. Ukuran sampel minimal 5 kali banyaknya seluruh manifest

2. Normalitas dan linieritas

3. tidak ada pencilan

4. tidak ada multikolinieritas

 
Partial Least Square Digunakan ketika asumsi-asumsi pada Structural Equation Models Seperti non parametrik, tidak membutuhkan asumsi kenormalan, multikolinieritas, dsb Untuk melihat pengaruh antara variabel digunakan uji t-statistik dengan prosedur bootstraping, yang akan menghasilkan nilai yang berbeda-beda.
Posted in Uncategorized | 10 Comments

Faktorial Anova SPSS 1.7

Faktorial ANOVA menguji perbedaan mean antar kelompok data berdasarkan pada dua atau lebih variabel independen, dengan variabel dependen tunggal. Faktorial ANOVA dapat melibatkan dua atau lebih data kategorik/ordinal antar subjek atau satu data interval atau rasio.Faktorial ANOVA digunakan ketika kita ingin mempertimbangkan efek lebih dari satu faktor pada perbedaan dalam variabel dependen. Sebuah rancangan faktorial adalah desain eksperimental di mana setiap tingkat masing-masing faktor dipasangkan atau disilangkan dengan tiap tingkat setiap faktor lainnya. Dengan kata lain setiap kombinasi dari faktor-faktor tingkat disertakan dalam desain. Desain jenis ini sering digambarkan dalam sebuah tabel matriks (misal 2 x 3, dll).

Desain faktorial memungkinkan kita untuk menentukan apakah ada interaksi antara variabel bebas atau faktor yang dipertimbangkan. Interaksi menyiratkan bahwa perbedaan dalam salah satu faktor perbedaan tergantung pada faktor lain.

Ilustrasi:

Faktorial ANOVA dapat digunakan jika kita ingin mengetahui apakah jenis kelamin (pria/wanita) dan tingkat pendapatan (tinggi/rendah) mempengaruhi keputusan pembelian makanan fastfood. Data konsumsi fastfood dinyatakan dalam frekuensi kunjungan setiap tahun. Data yang diberikan adalah sebagai berikut:

Dari ilustrasi tersebut, hipotesis yang akan kita gunakan adalah:H01 : tidak ada perbedaan yang signifikan antara tingkat pendapatan tinggi dan rendah
H02 : tidak ada perbedaan yang signifikan antara jenis kelamin pria dan wanitaH03 : tidak terjadi efek interaksi antara jenis kelamin dan jenis pekerjaan terhadap frekuensi kunjungan

Dengan SPSS 17.0 langkah-langkahnya dapat kita lakukan sebagai berikut:

1. Input data ke dalam worksheet SPSS seperti berikut:

2. Pilih pada menubar Analyze – General Linear Model – Univariate seperti berikut:
3. Setelah muncul kotak dialog Univariate, maka pindahkan variabel yang akan diukur (frekuensi) ke dalam kotak dependent variable dan variabel sex dan income ke dalam kotak fixed factor:
4. Kemudian klik continue, pilih plots, masukkan variabel kategorik sex dan income masing-masing ke dalam kotak horizontal axis dan separate lines seperti berikut: kemudian klik add – continue,
5. Setelah itu pilih option, masukkan variabel sex, income, dan sex*income ke dalam kotak kotakdisplays mean for, lalu centang descriptive statisticobserved power, dan homogeneity test seperti berikut:
6. Setelah itu klik continue dan OK, maka akan ditunjukkan output berikut:
Dari output descriptive statistics dapat kita lihat nilai mean dan standard deviasi masing-masing variabel dan totalnya.
Dari output Levene’s Test of Equality kita dapat mengetahui signifikansi model adalah sebesar 0,065 (0,065 > 0,05), maka kita simpulkan bahwa keragaman berbeda signifikan dan model tidak homogen.
Dari output dependent variable: Frequency dapat kita lihat bahwa efek Sex dan Interaksi variabel Sex*Income memiliki nilai p-value (sig. > 0,05) berarti bahwa tidak ada interaksi yang signifikan antara variabel Sex dan Income dalam hubungannya terhadap frekuensi kunjungan ke gerai fastfood.Efek yang signifikan terhadap frekuensi kunjungan hanya Income dengan nilai p-value (sig. < 0,05), ini menunjukkan bahwa tingkat pendapatan berpengaruh signifikan terhadap kunjungan ke gerai fastfood.

Sedangkan Sex tidak menunjukkan signifikansi yang mempengaruhi kunjungan dengan nilai p-value = 0,562 (0,562 > 0,05).

 

Plot yang didapat tidak menunjukkan adanya interaksi hubungan antara jenis kelamin (sex) dengan tingkat pendapatan (income) yang mempengaruhi kunjungan ke gerai fastfood, karena garis tidak bertemu (berinteraksi).

 

Posted in Uncategorized | 12 Comments

Uji Heteroskedastisitas Metode Grafik SPSS 1.7

Pengujian indikasi heteroskedastisitas dengan metode grafik/scatterplot dapat dilakukan dengan langkah sebagai berikut:
Misalkan kita memiliki data seperti berikut:
1. Jalankan regresi linier dengan SPSS, untuk langkah melakukan regresi linier dapat dijalankan dengan comand ANALYZE – REGRESSION – LINEAR,
2.  Masukkan variabel sesuai dengan jenisnya (dependen dan independen) seperti berikut:
3. Klik PLOT disamping kanan,
4. Setelah muncul kotak dialog Linear Regression Plot, masukkan pada sumbu X - predicted dependent variables atau ZPRED serta pada sumbu Y - residual atau ZRESID, lalu centang Normal Probability Plots, - CONTINUE:
5. Setelah itu Klik OK, maka akan ditampilkan output seperti berikut:
Dapat kita lihat bahwa pada model bersifat homoskedastik, tidak terdapat masalahheteroskedastisitas, dimana peningkatan nilai variabel dependen pada sumbu X diikuti dengan peningkatan residual.
Berikut ini adalah contoh scatterplot dengan indikasi adanya masalah heteroskedastisitas:
Lihat pola scatterplot berikut, peningkatan nilai error pada sumbu X diikuti dengan keragaman yang meningkat pada sumbu Y.
Posted in spss | 6 Comments

Uji Mann-Whitney U

Uji Mann-Whitney/Wilcoxon merupakan alternatif bagi uji-tUji Mann Whitney/Wilcoxon merupakan uji non-parametrik yang digunakan untuk membandingkan dua mean populasi yang berasal dari populasi yang sama. Uji Mann-Whitney juga digunakan untuk menguji apakah dua mean populasi sama atau tidak.
Uji Mann-Whitney biasanya digunakan dalam berbagai bidang, terutama lebih sering dalam Psikologi, medik/perawatan dan bisnis. Misalnya, pada psikologi, uji Mann-Whitney digunakan untuk membandingkan sikap dan perilaku, dan lain-lain. Dalam bidang pengobatan, uji Mann-Whitneydigunakan untuk mengetahui efek obat apakah sama atau tidak, selain itu juga bisa digunakan untuk menguji apakah obat tertentu dapat menyembuhkan penyakit atau tidak. Dalam Bisnis, uji Mann-Whitney dapat digunakan untuk mengetahui preferensi orang-orang yang berbeda.
Asumsi yang berlaku dalam uji Mann-Whitney adalah:
1.  Uji Mann-Whitney mengasumsikan bahwa sampel yang berasal dari populasi adalah acak,
2.  Pada uji Mann-Whitney sampel bersifat independen (berdiri sendiri),
3.  Skala pengukuran yang digunakan adalah ordinal.
Hipotesis yang digunakan adalah:
H0tidak ada perbedaan distribusi skor untuk populasi yang diwakilkan oleh kelompok eksperimen dan control. 
Ha: Skor untuk kelompok eksperimen secara statistik lebih besar daripada skor populasi kelompok control. 
Untuk menghitung nilai statistik uji Mann-Whitney, rumus yang digunakan adalah sebagai berikut:
Dimana:
U  = Nilai uji Mann-Whitney
N1= sampel 1
N2= sampel 2
R= Ranking ukuran sampel
Ilustrasi Kasus:
Profesor Kalkulus ingin melihat apakah ujian kalkulus pada pagi hari maupun siang hari berpengaruh terhadap skor hasil yang didapatkan oleh para mahasiswanya. Oleh karena itu ia memilih 19 orang mahasiswa terbaiknya untuk melaksanakan ujian pada pagi hari maupun siang hari. Kelompok pertama terdiri dari 10 orang yang melaksanakan ujian pada pagi hari, dan sisanya 9 orang melaksanakan ujian pada siang hari. Skor yang dihasilkan adalah sebagai berikut:
1. Dengan SPSS 17.0, pertama-tama kita input datanya sebagai berikut: *perhatian SPSS tidak akan bisa membaca variabel kategorik yang dlam kasus ini dibaca string (pagi dan siang), oleh karena itu pagi dan siang akan diganti dengan skor 0 untuk pagi, dan 1 untuk malam.
2. Kemudian di menubar pilih ANALYZE – NON-PARAMETRIC TEST – 2 INDEPENDENT SAMPLESseperti berikut ini:
3. Setelah muncul kotak dialog Two Independent Samples Test, masukkan variabel independenSKOR ke dalam kotak test variable list, dan masukkan variabel dependen WAKTU UJIAN ke kotakgrouping variables, kemudian klik DEFINE RANGE,
4. Setelah muncul kotak dialog Two Independent Samples: Define.., anda dapat memasukkan padagroup 1 angka 1 dan pada group 2 angka 2, karena sampel terdiri atas dua kelompok, seperti berikut - CONTINUE:
5. Jangan lupa untuk mencheklist Mann-Whitney di bagian bawah kiri, kemudian klik OK, maka akan ditampilkan output berikut:
6. Interpretasi:
Dari output Rank, dapat kita lihat bahwa nilai mean untuk mahasiswa yang ujian pada pagi hari (0) lebih besar daripada nilai mean mahasiswa yang ujian pada siang hari (11,90 > 7,89).
Dari Nilai uji Mann-Whitney U, dapat kita lihat pada output “Test Statisticb” dimana nilai statistik uji Z yang kecil yaitu -1,553 dan nilai sig.2-tailed adalah 0,120 > 0,05. Karena itu hasil uji tidak signifikan secara statistik, dengan demikian kita dapat menerima Hipotesis null dimana tidak ada perbedaan distribusi skor pada ujian pagi hari maupun siang hari.
Posted in spss | 3 Comments

REGRESI LOGISTIK SPSS

Regresi logistik adalah bagian dari analisis regresi yang digunakan ketika variabel dependen (respon) merupakan variabel dikotomi. Variabel dikotomi biasanya hanya terdiri atas dua nilai, yang mewakili kemunculan atau tidak adanya suatu kejadian yang biasanya diberi angka 0 atau 1.Tidak seperti regresi linier biasa, regresi logistik tidak mengasumsikan hubungan antara variabel independen dan dependen secara linier. Regresi logistik merupakan regresi non linier dimana model yang ditentukan akan mengikuti pola kurva seperti gambar di bawah ini.
Model yang digunakan pada regresi logistik adalah:Log (P / 1 – p) = β0 + β1X1 + β2X2 + …. + βkXk
Dimana p adalah kemungkinan bahwa Y = 1, dan X1, X2, X3 adalah variabel independen, dan b adalah koefisien regresi.
Regresi logistik akan membentuk variabel prediktor/respon (log (p/(1-p)) yang merupakan kombinasi linier dari variabel independen. Nilai variabel prediktor ini kemudian ditransformasikan menjadi probabilitas dengan fungsi logit.Regresi logistik juga menghasilkan rasio peluang (odds ratios) terkait dengan nilai setiap prediktor. Peluang (odds) dari suatu kejadian diartikan sebagai probabilitas hasil yang muncul yang dibagi dengan probabilitas suatu kejadian tidak terjadi. Secara umum, rasio peluang (odds ratios) merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan sebagai jumlah relatif dimana peluang hasil meningkat (rasio peluang > 1) atau turun (rasio peluang < 1) ketika nilai variabel prediktor meningkat sebesar 1 unit.Lebih jelasnya kita dapat mengikuti ilustrasi berikut ini:

Jika kita ingin mengetahui pembelian kosmetik merk tertentu oleh beberapa orang wanita dengan beberapa variabel penjelas antara lain adalah umur, tingkat pendapatan (low, medium, high), dan status (M – menikah; S untuk single). Pada data tersebut, pembelian merupakan variabel prediktor yang dijelaskan dengan angka 1 sebagai membeli dan 0 sebagai tidak membeli.

1. Dengan SPSS 17.0 data yang diinput dapat berupa:

2. Setelah data diinput, pilih Analyze – Regression – Binary logistic seperti berikut:
3. Setelah muncul kotak dialog logistic regression, masukkan variabel dependen purchase ke kolom dependent, dan ketiga variabel independen ke dalam kolom covariates, lalu pilih tombol categoricaluntuk memasukkan variabel kategorik yaitu pendapatan dan status – klik continue:
4. Setelah itu pilih option, checklist classification plot dan Hosmer-lemeshow goodness of fit, kemudian continue:
 5. Kemudian pada method pilih enter, kemudian klik OK:
6. Output yang didapatkan adalah sebagai berikut:
Output Case Processing Summary menghilangkan variabel yang tidak diperhitungkan dalam model.
Output classification table diatas menjelaskan bahwa persentase variabel yang diprediksi sebesar88,9 persen adalah baik, dan dari perbandingan antara kedua nilai mengindikasikan tidak terdapatnya masalah homoskedastisitas (asumsi model logit).Pada output variables in equation signifikansi adalah 0,05 artinya model tidak signifikan dan dengan demikian terima H0.
Pada output omnibus test menyatakan bahwa hasil uji chi-square goodness of fit lebih kecil dari 0,05, ini mengindikasikan bahwa model adalah signifikan.Hasil output pada Cox-Snell R2 dan Nagelkerke R memiliki analogi sama dengan nilai R-square padaregresi linier, menyakatan bahwa sebanyak 50,2 persen keragaman dapat dijelaskan oleh model, sedangkan sisanya diluar model.Hasil pada output Hosmer and Lemeshow Goodness-of-Fit Test mengindikasikan bahwa kita dapat menerima H0 karena Lebih dari 0,05 (1 > 0,05).

output variables in the equation menunjukkan nilai signifikansi berdasarkan Wald Statistic, jika model signifikan, maka nilai sig. adalah kurang dari 0,05.Kolom Exp(B) menunjukkan nilai odds ratio yang dihasilkan. Nilai odds ratio yang hanya mendekati 1,0 mengindikasikan bahwa variabel independen tidak mempengaruhi variabel dependen.
Output classplot diatas menunjukkan prediksi pada regresi logistik. Sumbu X menujukkan probabilitas yang diprediksi, sedangkan sumbu Y menunjukkan jumlah kasus yang diamati.

 

Posted in spss | 2 Comments

Uji Normalitas dengan SPSS 17

Uji normalitas data adalah hal yang lazim dilakukan sebelum sebuah metode statistik. Tujuan uji normalitas adalah untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data yang mampunyai pola seperti distribusi normal (distribusi data tersebut tidak menceng ke kiri atau ke kanan). 
Misalkan dalam sebuah penelitian pendidikan ingin diketahui apakah data dalam penelitian tersebut berdistribusi normal,  data penelitian adalah sebagai berikut:
1 = Laki-Laki,  2= Perempuan

Cara menganalisisnya adalah sebagai berikut:
1.    Buka lembar kerja SPSS
2.    Buat semua keterangan variabel di variable view seperti gambar berikut:

3. Klik Data view dan masukan semua data sehingga tampak hasilnya sebagai berikut:

4. Lakukan analisis dengan cara: memilih menu Analyze, lalu submenu Nonparametriks Test. Dari serangkaian pilihan yang ada, pilih 1-Sample K-S, akan muncul kotak dialog sebagai berikut:

5.Pindahkan semua variable ke kotak Test Variable List dengan cara menanadai semua variable kemudian menekan tanda > sehingga kotak dialog menjadi seperti berikut:

6. Klik Options sehingga muncul kotak dialog sebagai berikut, kemudian centang Descriptive lalu klik Continue.

7. Klik Exact kotak dialog akan muncul seperti dibawah ini, lalu pilih Asymplotic lalu klik Continue.
8. Klik OK sehingga akan muncul Output sebagai berikut:
 NPar Tests
[DataSet0] 
Interpretasi Output :
1.Deskriptif

Dari data diatas dapat dilihat bahwa jumlah semua data adalah 15 siswa yaitu pada kolom N, rata-rata dapat dilihat pada kolom Mean, standar deviasi pada kolom Std.Deviation, nilai maksimum dan minimum pada kolim minimum dan naximum.
Catatam: pada sex tidak diperbolehkan menggunakan mean, sebab sex adalah data nominal
2. Kolmogorov smirnov

* Analisis:
Ho : Populasi berdistribusi normal
Ha : Populasi tidak berdistribusi normal
* Dasar pengambilan keputusan adalah berdasarkan probabilitas
Jika nilai probabilitas > 0,05 maka Ho diterima
Jikan nilai probabilitas <= 0,05 maka Ho ditolak
* Keputusan
a. Sex: Terlihat bahwa pada kolom signifikan (Asymp. Sig (2-tailed)) adalah 0,023 atau probabilitas kurang dari 0,05 maka Ho ditolak yang berarti populasi tidak berdistribusi normal.
b. Terlihat bahwa pada kolom signifikan (Asymp. Sig (2-tailed)) adalah 0,904 atau probabilitas lebih dari 0,05 maka Ho diterima yang berarti populasi berdistribusi normal.
c. Terlihat bahwa pada kolom signifikan (Asymp. Sig (2-tailed)) adalah 0,977 atau probabilitas lebih dari 0,05 maka Ho diterima yang berarti populasi berdistribusi normal.
Semoga bermanfaat…
Posted in spss | Leave a comment

Cara melakukan uji-t dengan spss

Kali ini saya akan membahas mengenai uji t, Harpan saya anda telah membaca artikel kami sebelumnya mengenai sehingga anda tidak mengalami kesulitan dalam mempelajari artikel ini. Berikut ini ialah data yang kan kita gunakan untuk melakukan analisis, value =1 demonstrasi dan value = 2 untuk eksperimen.

Kemudian buat dua Variabel baru pada Variable view, Metode dan Prestasi. Sehingga tampilanya sbb:

Setelah itu lakukan entry data pada data view, dengan menulisakan angka satu pada metode demonstrasi dan angka 2 eksperimen. Tampilanya sbb :

selanjutnya kita melakukan analisis dengan memilih Analyze-> Compare Means -> Independent Samples T Test. maka akan tampil sperti gambar di bawah ini :

Masukkan variable terikat (prestasi) ke Test variable, variable bebas ke grouping variable. Pilihlah group 1 (untuk metode demonstrasi), group 2 (untuk metode eksperimen).

Kemudian tekan Ok, Hasil Uji T-nya sebagai berikut:

Interpretasi hasil uji anova

  1. Uji Levene digunakan untuk mengetahui homogenitas sampel. Jika sig > 0.05 maka sampel homogen.
  2. Hasil Uji T menunjukkan sig 0.004 atau kurang dari 0.05, maka dapat disimpulkan ada perbedaan prestasi belajar yang signifikan antara penggunaan metode demonstrasi dan eksperimen.
Posted in spss | 7 Comments