penerbit ipb press @ipbpress · swot/ ahp/ism/ppa/anp; aplikasi grab, gojek (lebih populer berbasis...

ISBN : 978-602-440-582-3 Perikanan

PT Penerbit IPB Press Jalan Taman Kencana No. 3, Bogor 16128 Telp. 0251 - 8355 158 E-mail: [email protected]

@IPBpress ipbpress Penerbit IPB Press

&

&

Teori & Aplikasi dalam

Bidang Perikanan

Teori & Aplikasi dalam Bidang

Perikanan

Penulis:

Dr Muhammad Yusuf, SPi, MSi

Dr Lukman Daris, SPi, MSi

Penerbit IPB Press Jalan Taman Kencana No. 3

Bogor - Indonesia

C01/11.2018

Judul Buku: Analisis Data Penelitian Teori & Aplikasi dalam Bidang Perikanan

Penulis: Dr Muhammad Yusuf, SPi, MSi Dr

Lukman Daris, SPi, MSi

Editor: Dr Ismail Marsuki, SSi, MSi

Penyunting Bahasa: Fatrisia Ratnasari

Desain Sampul: Ahmad Syahrul Fakhri

Penata Isi: Alfyandi

Korektor: Dwi M Nastiti

Jumlah Halaman: 204 + 8 halaman romawi

Edisi/Cetakan: Cetakan Pertama, November 2018

PT Penerbit IPB Press Anggota IKAPI Jalan Taman Kencana No. 3, Bogor 16128 Telp. 0251 - 8355 158 E-mail: [email protected]

ISBN: 978-602-440-582-3

Dicetak oleh IPB Press Printing, Bogor - Indonesia Isi di Luar Tanggung Jawab Percetakan

© 2018, HAK CIPTA DILINDUNGI OLEH UNDANG-UNDANG Dilarang mengutip atau memperbanyak sebagian atau seluruh isi buku tanpa

izin tertulis dari penerbit

PRAKATA

Berbagai tools analysis dalam statistika, tidak hanya memberikan

kemudahan dalam analisis data penelitian tetapi juga seringkali

menimbulkan kebingungan dalam aplikasinya, disebabkan adanya

berbagai asumsi atau syarat yang harus dipenuhi, seperti syarat uji

statistik parametrik, di mana data harus berdistribusi normal, dan varian

(ragam) homogen. Uji statistik yang baik, tidak hanya mensyaratkan uji

data, tetapi juga uji instrumen, terutama pada penelitian yang

menggunakan kuesioner/angket sebagai instrumen pengumpulan data.

Pemilihan tools analysis yang tepat akan memberikan hasil yang benar.

Analisis Data menjadi bagian yang sangat penting dalam penelitian.

Pemahaman yang baik terhadap data (jenis, sumber, dan ukuran),

pengolahan data (tabulasi, input, uji instrumen, dan uji data) hingga uji

statistik menjadi mutlak, agar hasil penelitian sesuai dengan tujuan yang

ingin dicapai.

Buku ini diharapkan dapat memberikan pemahaman yang baik terkait

Analisis Data Penelitian khusunya pada bidang Perikanan, mulai definisi

dan konsepsi hingga aplikasinya dalam software statistik. Dalam buku ini,

dipaparkan tentang; jenis, sumber dan ukuran data, gambaran software

yang umum digunakan dalam analisis statistik, metode tabulasi dan input

data, uji instrumen, uji data, analisis statistik deskriptif, statistik

univariate, bivariate, dan multivariate, statistik parameterik dan non-

parameterik hingga pemodelan (SEM).

Bogor, Oktober 2018

Penulis,

DAFTAR ISI

PRAKATA ........................................................................................ 6

DAFTAR ISI................................................................................................ 8

BAB 1 DEFINISI & KONSEPSI ..................................................................... 1

BAB 2 JENIS, SUMBER, DAN UKURAN DATA ............................................. 7

BAB 3 TABULASI & INPUT DATA ............................................................. 34

BAB 4 UJI INSTRUMEN ........................................................................... 50

BAB 5 UJI DATA ...................................................................................... 67

BAB 6 STATISTIK DESKRIPTIF .................................................................. 88

BAB 7 STATISTIK UNIVARIATE ................................................................ 99

BAB 8 STATISTIK BIVARIATE ................................................................. 110

BAB 9 STATISTIK MULTIVARIATE .......................................................... 118

BAB 10 STATISTIK PARAMETRIK ........................................................... 142

BAB 11 STATISTIK NON-PARAMETRIK .................................................. 166

BAB 12 STRUCTURAL EQUATION MODEL (SEM) .................................. 189

REFERENSI ............................................................................................ 200

GLOSARIUM ......................................................................................... 207

INDEKS ................................................................................................. 212

RIWAYAT PENULIS ................................................................................ 217

BAB 1 DEFINISI &

KONSEPSI

Definisi dan konsepsi terkait data menjadi sangat penting. Data

merupakan input yang menentukan output “garbage in-garbage out”.

Data di zaman revolusi industri 4.0 saat ini juga menjadi hal yang sangat

menentukan. Pemanfaatan data pengguna Facebook oleh Cambridge

Analytica telah menentukan kemenangan Donald Trump dalam Pilpres

USA 2016. Donald Trump telah membuktikan keampuhan penggunaan

big data dalam politik.

Sebuah Pameo benar adanya ”Siapa yang menguasai informasi (data)

maka dia akan menguasai dunia”

... Basically, our goal is to organize the world’s information and to make it

universally accessible and useful ...

[Larry Page - CEO Google]

1.1. Konsepsi Data Pengolahan data adalah proses tranformasi data dengan suatu metode

analisis tertentu yang telah baku (valid) untuk memperoleh sebuah hasil

berupa informasi yang dapat menggambarkan data ataupun menjadi

dasar pengambilan keputusan. Judd et al. (1989) that data analysis is a

process of inspecting, cleansing, transforming, and modeling data with

the goal of discovering useful information, informing conclusions, and

supporting decision-making. Data Analysis is the process of systematically

applying statistical and/or logical techniques to describe and illustrate,

condense and recap, and evaluate data. Data analysis is a processfor

obtaining raw data and converting it into information useful for

decisionmaking by users. Data is collected and analyzed to answer

questions, test hypotheses or disprove theories.

Prinsipnya, pengolahan data merupakan sebuah proses yang terdiri atas;

input, process, output. Input merupakan masukan data yang telah valid

(processed data). Process merupakan tahapan mengubah data (input)

Analisis Data Penelitian Teori & Aplikasi dalam Bidang Perikanan

2

menjadi sebuah informasi. Sedangkan, output merupakan hasil analisis

berupa informasi yang memberikan gambaran data ataupun dasar dalam

pengambilan keputusan.

Data adalah catatan atas kumpulan fakta yang belum memiliki makna,

baik berupa simbol/lambang, angka, dan lain sebagainya. Data secara

garis besar dikelompokkan menjadi dua yakni 1) data mentah (raw

data/unprocessed data) dan 2) data uji (processed data). Data mentah

(unprocessed data) merupakan data yang belum dikoreksi atau data yang

belum valid. Data mentah (raw data) perlu dikoreksi/divalidasi untuk

menghilangkan pencilan data sehingga data valid digunakan sebagai

input analisis.

Penggunaan kata atau istilah “data” dalam bahasa Inggris pertama kali

pada tahun 1946, sedangkan ungkapan “pemrosesan data” pertama kali

digunakan pada tahun 1954. Meskipun perdebatan klasik tentang kata

“data” telah terjadi pada tahun 1920’s. Istilah umum untuk kata “data”

merupakan bentuk jamak dan umum digunakan, sedangkan bentuk

tunggalnya adalah “datum”.

Dalam Kamus English Oxpord Data didefinisikan “In Latin, data is the

plural of datum and, historically and in specialized scientific fields, it is

also treated as a plural in English, taking a plural verb, as in the data were

collected and classified. In modern non-scientific use, however, despite

the complaints of traditionalists, it is often not treated as a plural. Instead,

it is treated as a mass noun, similar to a word like information, which

cannot normally have a plural and which takes a singular verb. Sentences

such as data was (as well as data were) collected over a number of years

are now widely accepted in standard English”. Bab 1

Definisi & Konsepsi

input process output

The word data is the plural of Latin datum. A large class of practically

important statements are measurements or observations of variable.

Such statements may comprise numbers, words, or images” (Wikipedia,

2005). Datum is the representation of concepts or other entities, fixed in

or on a medium in a form suitable for communication, interpretation, or

processing by human beings or by automated systems (Wellisch 1996).

Menurut Webster New World Dictionary, data is things known or

assumed, yang berarti bahwa data itu sesuatu yang diketahui, yang

berarti telah terjadi dan merupakan fakta (bukti). Data dapat

memberikan gambaran tentang suatu keadaan atau kejadian. Data bisa

juga didefinisikan sebagai sekumpulan informasi atau nilai yang diperoleh

dari pengamatan (observasi) suatu objek.

Pengolahan data sangat bergantung pada tujuan analisis atau tujuan

penelitian yang dilakukan. Demikian halnya pada bidang perikanan,

analisis data yang dilakukan sangat terkait dengan tujuan pengumpulan

data yang dilakukan, seperti hubungan upaya penangkapan dengan hasil

tangkapan atau efektivitas penangkapan ikan, efektivitas perlakuan

dalam rancangan percobaan hingga pada aspek pemasaran produk

perikanan serta persepsi masyarakat/nelayan.

Data tidak hanya berfungsi sebagai sumber atau input dalam proses

pengolahan data, tetapi juga sebagai basis/dasar untuk membuat

keputusan, dasar suatu perencanaan, alat pengendali terhadap

pelaksanaan atau implementasi suatu aktivitas dan dasar evaluasi

terhadap suatu kegiatan/program.

1.2 Definisi Data Data didefinisikan sebagai deskripsi atau keterangan sebuah objek yang

belum memiliki makna secara utuh, dapat berupa angka (numeric),

karakter (text), gambar (image), suara (sound) ataupun lambang

(symbol). Beberapa definisi data menurut ahli, antara lain:

▪ Liew (2013) Data are recorded (captured and stored) symbols and

signal readings. Symbols include words (text and/or verbal),

numbers, diagrams, and images (still &/or video), which are the


4

building blocks of communication. Signals include sensor and/or

sensory readings of light, sound, smell, taste, and touch.

3

▪ Liew (2007) As symbols, ‘Data’ is the storage of intrinsic meaning, a

mere representation. The main purpose of data is to record activities

or situations, to attempt to capture the true picture or real event.

▪ Ackoff (1989) Data are defined as symbols that represent properties

of objects, events, and their environment.

▪ Bierly III, Kessler, & Christensen (2000) Data are representations

whose meanings are dependent upon the representation system (i.e.

symbols, language) used.

▪ Hoppe, Seising, Nurnberger, & Wenzel (2011) Data is given by simple

sequences of signs and symbols.

▪ Jankowski & Skowron (2007) Data is understood as a stream of

symbols data are primitive symbolic entities.

▪ Zins (2007) Data are sets of characters, symbols, numbers and audio/

visual bits that are represented and/or encountered in raw form.

▪ Davis (2002) Data merupakan bahan mentah bagi informasi yang

dirumuskan sebagai kelompok lambang-lambang tidak acak yang

menunjukkan tindakan-tindakan, hal-hal, dan sebagainya. Data

dibentuk dari lambang grafis seperti *, $ , &.

▪ Vardiansyah (2008) Data adalah catatan atas kumpulan fakta.

Arikunto (2002) Data sebagai semua fakta dan angka-angka yang

dapat dijadikan bahkan untuk menyusun sebuah informasi.

▪ Jogiyanto (2005) Data merupakan kenyataan yang menggambarkan

suatu kejadian-kejadian dan kesatuan nyata. Bab 1

Definisi & Konsepsi

Kotak 1:

Data akan sangat menentukan tingkat validitas model (output) yang

dihasilkan. Salah satu hal yang sangat menentukan tingkat validitasnya

adalah kesesuaian antara jenis data dan tools analysis (analysis

statistics) yang digunakan. Selanjutnya output dari tools analysis yang

digunakan akan menjawab tujuan analisis yang dilakukan. Data yang

baik adalah yang memenuhi syarat; objektif, representatif, up to date,

dan relevan atau sesuai dengan tujuan kajian.

Data merupakan sesuatu yang belum memiliki makna spesifik dan

sangat minim informasi. Sementara, informasi merupakan data yang

telah memiliki informasi tertentu.

1.3. Konsepsi Software Software/aplikasi hanya merupakan alat bantu analisis, pada prinsipnya

“Garbage In – Garbage Out” sehingga tujuan dan data dalam setiap

rencana analisis menjadi sangat penting. Secara makro, dasar keilmuan

software adalah Statistika, Ilmu Komputer, dan Ilmu Terapan yang terkait

dengan tujuan software, seperti Ilmu Perikanan dan Kelautan. Meskipun

demikian, terdapat beberapa software yang tidak spesifik untuk bidang

tertentu, seperti software statistik umumnya dapat digunakan untuk

kelompok keilmuan eksakta seperti; Ilmu Pertanian, Perikanan, Kelautan,

Peternakan, dan sebagainya maupun Kelompok Ilmu-ilmu Sosial, dan

Kelompok Ilmu Humaniora.

Berikut adalah beberapa definisi yang terkait dengan software dan

analisis:

▪ Hardware/perangkat keras adalah komponen fisik yang digunakan

sebagai bagian dari pengolahan data; PC, laptop, notebook, dan

lainlain. Terdiri dari: hardware input (keyboard, mouse); pemrosesan

(processor), dan output (monitor, speaker, printer).


6

5

▪ Software/perangkat lunak adalah suatu perangkat sistem yang

digunakan dalam pengolahan data, terdiri dari sistem operasi &

sistem aplikasi; Microsoft Excel, Excel Stat, SPSS, Minitab, SAS, SEM

(Lisrel, AMOS), EVIEWS, R-Software, STAT, Maple, AcrGis/ArcView/

ERMAPPER/ERDAS, Powersim/Vensim/Stella/Ithink/Madona,

SWOT/ AHP/ISM/PPA/ANP; Aplikasi Grab, Gojek (lebih populer

berbasis mobile, software-nya atau lazim disebut Android (Android

Inc. & Google), IOS (Apple), Windows Phone (Microsoft) etc.

▪ Tools adalah bagian dari software/aplikasi yang merupakan sub-sub

menu yang telah dirancang sesuai dengan kebutuhan dan kegunaan

software dengan formula/bahasa programming tertentu. Tools

merupakan formula matematika/statistik yang merupakan bagian

dari software/aplikasi, seperti Tools Analysis Descriptive, Analisis

Regresi, dan lain-lain).

Kotak 2:

Basis utama software adalah sistem komputer (bahasa programming),

terdiri atas; Sistem Operasi (OS; Windows XP, Linux, Vista Mac dsb.) dan

Sistem Aplikasi (Microsoft Office; Aplikasi Pengolah Kata/Word, Aplikasi

Angka atau Data/Excel, PPT, Publisher, Aplikasi Gambar Corel, Adobe

Photoshop, dan sebagainya). Di sisi lain software sangat terkait dengan

data. Aplikasi software dalam buku ini meliputi; aplikasi Microsoft

Excel, SPSS, dan MINITAB.

Software dalam perkembangan saat ini secara garis besar dapat

dikelompokkan berdasarkan basis pembuatannya (software building),

yakni software berbasis DESKTOP, software berbasis WEBSITE, dan

software berbasis ANDROID/IOS.

BAB 2 JENIS,

SUMBER, &

UKURAN DATA

Data tidak hanya terkait jenis, sumber, dan ukuran, tetapi juga terkait 3V;

volume (jumlah data/ukuran), velocity (aliran data/real time), dan variety

(ragam/format data)...

... Technology is just a tool. In terms of getting the kids working

together and motivating them, the teacher is the most important ...

[Bill Gates - CEO Microsoft]

2.1 Jenis Data Jenis data didefinisikan sebagai pengelompokan data berdasarkan

kriteria tertentu, seperti data berdasarkan sumbernya, berdasarkan

sifatnya, berdasarkan waktu pengumpulannya, berdasarkan susunannya,

berdasarkan notasinya, dan berdasarkan teknik pengukurannya, atau

berdasarkan ukurannya. Jenis data akan sangat menentukan teknik

analisis data (pengolahan data) yang akan digunakan.

Data berdasarkan sumbernya

1. Data Primer; data yang diperoleh atau dikumpulkan oleh peneliti

secara langsung atau pertama kali. Nazir (1988) menyebutkan bahwa

data primer merupakan data yang diperoleh secara langsung dari

lapangan/objek penelitian, baik berupa pengukuran, pengamatan

maupun wawancara. Data primer umumnya diperoleh langsung dari

objek penelitian, seperti data hasil pengukuran, observasi ataupun

wawancara dengan responden. Contoh: data kuesioner atau hasil

wawancara nelayan, wawancara pakar, dan lain-lain.


8

2. Data Sekunder; data yang diperoleh atau dikumpulkan dari

sumbersumber yang telah ada atau telah dikumpulkan sebelumnya

oleh peneliti/lembaga lainnya. Nasution (2011) menyebutkan bahwa

data sekunder adalah data hasil pengumpulan orang lain dengan

maksud tersendiri dan mempunyai kategorisasi atau klasifikasi

menurut keperluan. Data sekunder biasanya diperoleh dari

perpustakaan atau laporan-laporan/dokumen, hasil peneliti

terdahulu. Contoh: data penangkapan ikan (statistik perikanan),

Daerah Dalam Angka (BPS), data iklim, data pasut, data arus, data

gelombang, dan lain-lain.

Data berdasarkan sifatnya

1. Data Kualitatif; data yang berbentuk kategorik atau data yang bukan

berbentuk bilangan/numerik. Menurut Muhadjir (1996) bahwa data

kualitatif adalah data yang disajikan dalam bentuk kata verbal bukan

dalam bentuk angka. Data kualitatif umumnya berbentuk

pernyataan verbal, simbol atau gambar. Contoh: persepsi

masyarakat terhadap pelarangan trawl, respons masyarakat

terhadap kebijakan perikanan secara umum, dan lain-lain.

2. Data Kuantitatif; data yang berbentuk numerik/bilangan. Menurut

Sugiyono (2010) bahwa data kuantitatif adalah jenis data yang dapat

diukur atau dihitung secara langsung, yang berupa informasi atau

penjelasan yang dinyatakan dengan bilangan atau berbentuk angka.

Data kuantitatif umumnya berupa bilangan. Contoh: jumlah hasil

tangkapan dalam kg atau ekor, jumlah unit tangkapan, dan lain-lain.

Data berdasarkan waktu pengambilannya

1. Data Time Series; data urut waktu atau data berkala. Data yang

terkumpul dari waktu ke waktu untuk memberikan gambaran

perkembangan suatu kegiatan/fenomena. Menurut Soejoeti (1987)

runtun waktu adalah himpunan observasi terutut dalam waktu atau

dalam dimensi lain. Contoh: data produksi perikanan tangkap dalam

kurun waktu 5 atau 10 tahun terakhir, data produksi budi daya, dan

lain-lain.

Bab 2 Jenis, Sumber &

Ukuran Data

9

2. Data Cross Section; data yang terkumpul pada suatu waktu tertentu

untuk memberikan gambaran perkembangan keadaan atau kegiatan

pada waktu itu. Menurut Gujarati (2003) bahwa data cross-section

merupakan suatu data yang terdiri dari satu atau lebih variabel yang

dikumpulkan pada waktu yang sama (at the same point in time).

Contoh: data sensus penduduk tahun 2010, data sensus ekonomi

tahun 2010, data inflasi tahun 2015, dan lain-lain.

Data berdasarkan susunannya

1. Data Tunggal (Single Data); Data tunggal atau disebut juga data acak

adalah data yang belum tersusun atau dikelompokkan ke dalam

kelaskelas interval (Hasan 2009). Contoh: Data hasil pengukuran ikan

tuna hasil tangkapan (dalam kg); 30-20-35-40-60-62-70-25 dst.

2. Data Berkelompok (Group Data); Data yang telah tersusun atau

dikelompokkan ke dalam kelas-kelas interval (Hasan 2009). Data

kelompok disusun dalam bentuk distribusi frekuensi atau tabel

frekuensi. Contoh: Data hasil pengukuran ikan tuna yang didasarkan

pada kelas kualitas ikan tuna yakni; great A, B, dan C di mana berat

ikan >60 kg (kelas A), 30–60 kg (kelas B), dan <30 kg (kelas C).

Data berdasarkan teknik pengukurannya

1. Data Diskrit; Data yang diperoleh dari hasil

perhitungan/menghitung. Contoh: jumlah ikan 10 ekor, jumlah

nelayan 100 orang, berat ikan 1000 kg, dan seterusnya.

2. Data Kontinu; Data yang diperoleh dari hasil pengukuran/mengukur.

Contoh: panjang ikan 10 cm, panjang kapal 15 m, dan seterusnya.

Data berdasarkan skalanya

1. Data Nominal; Data yang tidak memiliki jarak atau tidak ada makna

peringkat/urutan. Data yang diberikan pada objek atau kategori yang

tidak menggambarkan kedudukan objek atau kategori tersebut

terhadap objek atau kategori lainnya, tetapi hanya sekedar label atau

kode. Menurut Nazir (2003) bahwa data nominal adalah ukuran yang

paling sederhana, di mana angka yang diberikan kepada objek

mempunyai arti sebagai label saja dan tidak menunjukkan tingkatan


10

apapun. Lebih jauh disebutkan bahwa Daniel (1989) menyebut

bahwa skala nominal membedakan benda atau peristiwa yang satu

dengan yang lainnya berdasarkan nama (predikat). Ciri-ciri data

nominal adalah hanya memiliki atribut, atau nama, atau diskrit. Data

nominal merupakan data diskrit dan tidak memiliki urutan. Contoh:

Gender [1] laki-laki, [2] perempuan); Agama [1] Islam [2] Kristen, [3]

Budha, [4] Hindu; Pekerjaan [1] Pekerjaan Pokok [2] Sampingan, dan

seterusnya.

2. Data Ordinal; Data yang memiliki jarak atau urutan/peringkat antara

data yang satu dengan data lainnya. Menurut Nazir (2003) bahwa

data ordinal, selain memiliki nama (atribut), juga memiliki peringkat

atau urutan dan atau angka yang diberikan mengandung tingkatan.

Daniel (1989) menyebut bahwa skala ordinal membedakan benda

atau peristiwa yang satu dengan yang lainnya berdasarkan jumlah

relatif beberapa karakteristik tertentu yang dimiliki oleh

masingmasing benda atau peristiwa. Dalam data ordinal dikenal

skala Likert, skala Saaty, skala CIRAD. Skala Likert adalah suatu skala

psikometrik yang umum digunakan dalam angket/kuesioner (Likert

1932). Menurut Sugiyono (2010) bahwa Skala Likert digunakan untuk

mengukur sikap, pendapat, dan persepsi seseorang atau sekelompok

orang tentang fenomena sosial. Skala Saaty adalah skala data ordinal

yang khusus digunakan untuk memberikan penilaian dalam analisis

AHP (Yusuf 2017). Contoh: Tingkat pendidikan;[0] NS-Tidak Sekolah,

[1] SD, [2] SMP, [4]SMA, dan seterusnya.

Dalam data ordinal dikenal pula hukum favorable dan unfavorable.

Favorable rule menunjukkan nilai yang searah antara kategorik dan

numerik (misal; [0] nihil/tidak ada, [1] ada/sedikit, [2] banyak).

Unfavorable rule menunjukkan nilai yang tidak searah antara

kategorik dengan numerik (misal; [2] tidak ada/buruk, [1] sedang/

cukup, [0] banyak/bagus).

Tujuan pembuatan item favorable dan unfavorable untuk

menghindari bias berupa stereotip respons. Selain itu ada

kecenderungan responden memberi tanggapan secara mekanis

yaitu cenderung selalu setuju atau selalu tidak setuju. Item favorable

dan unfavorable diset dalam kuesioner dan diatur sedemikian dan


Ukuran Data

11

bervariasi sehingga respons tidak mengembangkan bias stereotip

dan dapat minimalisasi tanggapan mekanis. Bias dapat dimaknai

sebagai preferensi pribadi, suka atau tidak suka, terutama ketika

kecenderungan mengganggu kemampuan untuk tidak memihak,

tidak berprasangka, atau objektif. Sementara, stereotip adalah

gagasan yang terbentuk sebelumnya yang mengatributkan

karakteristik tertentu ke semua anggota kelas atau kumpulan. Hal

tersebut dapat dipengaruhi oleh beberapa faktor, antara lain;

informasi, emosional, dan lingkungan.

3. Data Interval; Data yang memiliki jarak yang sama dari ciri atau sifat

objek yang diukur Nazir (2003). Data yang memiliki jarak atau

urutan/peringkat dalam bentuk interval/kelas-kelas tertentu. Daniel

(1989) menyebut bahwa skala interval membedakan benda atau

peristiwa yang satu dengan yang lainnya tidak hanya berdasarkan

nama (predikat) dan jumlah relatif, tetapi juga diurutkan. Selain itu,

data interval juga tidak memiliki nilai 0 (nol) mutlak, yakni nilai 0 yang

diperoleh memiliki nilai tertentu. Misal suhu udara (0 derajat celcius)

artinya kategorinya belum terlalu dingin jika dibandingkan dengan

minus derajat celcius. Contoh; Data hasil pengukuran ikan tuna yang

didasarkan pada kelas kualitas ikan tuna yakni; great A, B dan C di

mana berat ikan >60 kg (kelas A), 30–60 kg (kelas B), dan <30 kg

(kelas C). Usia Produktif Nelayan 25–60 th, usia tidak produktif >60

th, dan lain-lain.

4. Data Rasio; Ukuran yang memberikan keterangan tentang nilai

absolut dari objek yang diukur Nazir (2003). Daniel (1989) menyebut

bahwa skala rasio tidak hanya memiliki ke semua sifat-sifat yang

terdapat pada skala nominal, ordinal, dan interval, tetapi juga

memiliki nilai 0 (nol) mutlak. Data yang memiliki sifat-sifat data

nominal, data ordinal, dan data interval, dilengkapi dengan

kepemilikan nilai 0 (nol) absolut/mutlak. Data rasio dapat dibagi atau

dikali sehingga data rasio memiliki sifat dapat dibedakan, diurutkan,

berjarak, dan punya nol mutlak, contohnya umur nelayan, umur ikan,

berat ikan, dan lainlain. Ikan yang beratnya 10 kg berbeda secara

nyata dengan ikan yang beratnya 20 kg. Ukuran berat benda dapat

diurutkan mulai dari yang terberat hingga teringan. Perbedaan


12

antara ikan yang beratnya 10 kg dengan 20 kg memiliki rentang berat

yang sama dengan perbedaan antara ikan yang beratnya 20 kg

dengan 30 kg. Sementara, angka 0 kg menunjukkan tidak ada ikan

(berat) yang diukur. Ikan yang beratnya 20 kg, 2 kali lebih berat

dibandingkan dengan ikan yang beratnya 10 kg.

Sumber Data Sifat Data Waktu

Pengambilan Data Susunan Data Teknik

Pengukuran Data Skala Pengukuran Data

Data primer; bersumber dari tangan pertama (first hand data)

Data sekunder;

bersumber dari

dokumen/

laporan, dan

lain-lain (no

first hand data)

Data kualitatif; Data kategorik (baik, cukup, buruk)

Data kuantitatif; Data numerik (0,1,2,3,

dan

seterusnya)

Data cross section; data yang dikumpulkan pada suatu waktu tertentu (at a point of time) yang dapat menggambarkan keadaan/kegiatan pada waktu tersebut

Data time series;

data yang

dikumpulkan dari

waktu ke waktu

untuk memberikan

gambaran tentang

perkembangan

suatu

Data tunggal; data dinyatakan dalam bentuk daftar bilangan, dan umumnya data yang relatif sedikit (n<30)

Data kelompok; data yang berukuran besar (n >30) dan umumnya

data dalam

kelas-kelas

tertentu

Data kontinu; data hasil pengukuran (kontinu) 1 kg, 10 km, dan sebagainya

Data Diskrit; Data

hasil perhitungan

(diskrit) 10 orang;

100 ekor, dan

sebagainya

Data nominal; data yang tidak ada tingkatan/level, tidak ada yang tinggi atau rendah (skala label). Contoh: jenis kelamin, agama Ya = 1 dan Tidak = 0 Pria =1 dan Wanita=0 Hitam = 1, Abu-abu = 2, Putih = 2

Data ordinal; data yang memiliki tingkatan/level (skala peringkat). Contoh; SD, SMP, SMA

Data interval; memilki sifat data ordinal dan tidak memiliki 0 mutlak. Contoh: suhu (Celsius & Fahrenheit), IQ (tingkat kecerdasan)

Data rasio; data dapat dikelompokkan menurut tingkatannya, menurut jaraknya, dan menurut perbandingannya (skala mutlak), memiliki nilai 0 mutlak. Contoh: A berat ikan 20 kg

dan B 10 kg, berarti A lebih

berat dari B, dan keduanya

ada interval 10 kg. Selain

itu, berat ikan A = 2 kali

berat B

Kotak 3:

Jenis data dapat dikategorikan dalam 2 kategori utama, yakni; data metrik

dan non-metrik sehingga memudahkan dalam mengidentifikasi jenis

analisis statistik yang akan digunakan (Statistik Parametrik dan Statistik

Non-Paramterik). Steven (1968) berpendapat bahwa prosedurprosedur

statistik yang sesuai untuk penggunaan dengan data empirik ditentukan

oleh skala pengukuran yang dipakai ketika pengamatan.

Data Metrik [Data Numerik – Kuantitatif - Data Rasio-Interval]


Ukuran Data

13

Data Non-Metrik [Data Kategorik - Kualitatif-Nominal-Ordinal]

2.2. Sumber Data Selain jenis data, hal lain terkait data adalah sumber data. Menurut

Arikunto (2005) sumber data adalah subjek dari mana suatu data dapat

diperoleh. Sedang menurut Riduan (2005) sumber data adalah tempat

data diperoleh dengan menggunakan metode tertentu baik berupa

manusia, artefak, ataupun dokumen-dokumen.

Secara umum data dapat bersumber dari 3 (tiga) sumber utama, yakni; 1)

bersumber dari lapangan (insitu), 2) bersumber dari pustaka (dokumen),

dan 3) bersumber dari responden (publik/pakar). Berdasarkan

sumbernya tersebut, peneliti dapat menentukan teknik pengambilan

datanya. Contoh data lapangan, dapat diambil/dikumpulkan dengan

teknik cuplik atau pengukuran insitu, observasi, dan lain-lain. Sementara,

jika bersumber dari pustaka maka dilakukan dengan teknik studi pustaka

(desk study) dan apabila bersumber dari publik/pakar maka dapat

dilakukan teknik wawancara atau interview.

- Data lapangan adalah data yang bersumber dari lapangan (field)

yang diperoleh baik melalui survei (wawancara), sampling (cuplik),

pengukuran langsung (insitu), maupun observasi (pengamatan

lapangan).

- Data pustaka adalah data yang bersumber dari dokumen, baik dalam

bentuk narasi (teks) maupun dalam bentuk gambar (chart/diagram/

map).

insitu


14

- Data responden adalah data yang bersumber dari responden baik

responden umum (publik) maupun responden khusus (pakar)

ataupun stakeholder kunci.

Kotak 4:

Jenis dan sumber data akan menentukan teknik/metode pengumpulan

atau pengambilan datanya, atau lazim disebut metode sampling.

Dalam sampling dikenal istilah sampling error dan non-sampling error.

Sampling error merupakan tingkat variasi nilai pengukuran antar

sampel atau antar responden, atau dikenal dengan presisi (semakin

tinggi maka semakin rentang terhadap kesalahan/error). Non-sampling

error merupakan kesalahan yang terjadi dalam proses pengukuran.

Dapat disebabkan oleh alat, teknik maupun human error. Non-

sampling error lazim disebut bias.

Presisi dan akurasi menjadi 2 hal penting dalam pengukuran. Presisi

dimaknai keadaan pasti dan akurasi dapat dimaknai sebagai keadaan

benar. Presisi adalah sejauh mana pengulangan pengukuran dalam

kondisi yang tidak berubah mendapatkan hasil yang sama (Taylor

1999). Ciri utama presisi adalah pengulangan. Sementara, akurasi

adalah tingkat kedekatan pengukuran kuantitas terhadap nilai yang

sebenarnya. Contoh: tancapan panah pada board score yang memiliki

akurasi tinggi adalah yang berada dalam lingkaran 10, sedangkan

presisi yang tinggi adalah lingkaran poin yang banyak dari sejumlah

ulangan panah.

2.3. Ukuran Data Ukuran data merupakan ukuran statistik yang dapat digunakan untuk

mengetahui pemusatan dan luas penyebaran data atau variasi data atau

homogenitas. Likert (1932) mendefinisikan pengukuran sebagai


Ukuran Data

15

pemberian angka-angka terhadap benda-benda atau peristiwa peristiwa

menurut kaidah-kaidah tertentu, dan menunjukkan bahwa kaidah-kaidah

yang berbeda menghendaki skala-skala serta pengukuran-pengukuran

yang berbeda pula. Secara umum ukuran data dikelompokkan dalam 2

(dua) kelompok utama, yakni: 1) ukuran pemusatan data, dan 2) ukuran

penyebaran data.

Ukuran Pemusatan

Ukuran pemusatan data merupakan salah satu pengukuran data dalam

statistika. Ukuran pemusatan dapat diartikan sebagai nilai tunggal yang

mewakili suatu kumpulan data dan menunjukkan karakteristik dari data

tersebut. Menurut Howell (1982) bahwa ukuran pemusatan atau ukuran

lokasi adalah beberapa ukuran yang menyatakan di mana distribusi data

tersebut terpusat. Ukuran pemusatan data memberikan informasi

tentang titik-titik di mana data pengamatan terpusat atau terkumpul dan

dapat juga menjadi ciri khas dari kumpulan data pengamatan (Miller

1974). Ukuran pemusatan data meliputi; mean (nilai rataan), median

(nilai tengah), modus (nilai kemunculan), kuartil, desil, dan persentil.

Mean atau rata-rata atau rerata adalah suatu nilai hasil dari membagi

jumlah nilai data dengan banyaknya data. Rata-rata merupakan ukuran

pemusatan yang sering dan sangat familiar digunakan. Menurut Howel

(1982) terdapat beberapa jenis rata-rata: a) Rata rata hitung (mean), b)

Rata-rata tertimbang (weighted mean), c) Rata-rata ukur (geometric

mean), dan d) Rata-rata harmonis. Nilai mean menjadi kurang valid bila

jenis data nominal, ordinal atau interval, tetapi menjadi sangat akurat

untuk jenis data rasio. Rata-rata hitung disimbolkan dengan x. Formula

mean (rataan) sebagai berikut:

Mean data tunggal:

∑ni=1 xi

x =

n

Di mana; x : nilai

mean (rata-rata) xi :


16

nilai data ke-i n :

banyaknya data

Contoh:

Diketahui hasil pengukuran bobot ikan tuna (kg) diperoleh dari 10

nelayan, sebagai berikut:

Data ke- 1 2 3 4 5 6 7 8 9 10

Pengukuran (kg) 10 20 20 40 30 60 30 50 60 60

Penyelesaian:

Maka rata-rata berat ikan tuna akan diperoleh = 38 kg. Secara manual

sebagai berikut:

n xi =

380 i=1

n = 10

x = 10 + 20 + 20 + 40 + 30 + 60 + 30 + 50 + 60 + 60

10

x =

x =

38

Kesimpulan:

Rata-rata berat ikan tuna hasil tangkapan nelayan adalah 38 kg.

Penyelesaian dengan menggunakan software dapat dilakukan baik

dengan Microsoft Excel, SPSS, MINITAB, R Statistic, dan software

statistika lainnya.

Berikut penyelesaian dengan Microsoft Excel.

- Input data ke dalam lembar kerja Microsoft Excel.

∑


Ukuran Data

17

- Pastikan kursor aktif pada cell output. Pada menu bar klik formula,

lalu klik insert function>

- Pilih AVERAGE, lalu klik ok>input cell yang akan di-calculate>


18

- Klik ok maka muncul jawaban pada cell mean = 38>

Kotak 5:

Tahapan dalam pengolahan data tersebut terasa sulit dan rumit

sehingga sesungguhnya calculate nilai mean tersebut dapat juga

dilakukan secara langsung pada file home (cell aktif) dengan cara

mengetik langsung pada cell output (posisi paling bawah dari data pada

kolom yang sama) yaitu =AVERAGE(C3:C12) lalu enter.

Kondisi tersebut di atas, dilakukan apabila data bersifat tunggal (data

tunggal). Kondisi berbeda apabila data berkelompok.

Mean data berkelompok (frekuensi):

∑ f xi

x =

∑ f

Di mana: x : nilai

mean (rata-rata) f xi : total

nilai data ∑ f : banyaknya

data Diketahui, dengan


Ukuran Data

19

menggunakan data yang

sama, selanjutnya data

disusun dalam bentuk

tabel frekuensi seperti

berikut:

xi f fxi

Berat Ikan Tuna (kg) Frekuensi

10 1 10

20 2 40

30 2 60

40 1 40

50 1 50

60 3 180

10 380

Penyelesaian: x =

=

= 38

Kesimpulan:

Rata-rata berat ikan tuna hasil tangkapan nelayan adalah 38 kg.

Kotak 6:

Nilai yang sama diperoleh dengan menggunakan 2 (dua) cara berbeda.

Namun penyelesaian dengan cara I (data tunggal) menjadi lebih mudah,

terkecuali data dalam bentuk interval.


20

Median atau nilai tengah adalah nilai yang diperoleh dari jumlah

sekelompok data yang posisi/letak data tersebut berada di tengah-

tengah setelah diurutkan. Pengurutan data dapat dilakukan dari terendah

ke tertinggi ataupun sebaliknya. Median menjadi lemah ketika digunakan

pada analisis kuantitatif, mengingat kemungkinan bilangan terendah dan

terendah akan sulit muncul sebagai nilai median. Namun demikian,

sangat kuat untuk digunakan pada data interval. Pengurutan data dapat

dilakukan dari data terkecil ke tertinggi atau sebaliknya. Median

disimbolkan dengan x’. Formula median (nilai tengah) sebagai berikut:

Median data ganjil :

x’= x n

Median data genap :

x’= x n 2 +2 x

Median data berkelompok :

n + f

x’= bb + ( 2 f k ) p

Di mana: x’ : nilai

tengah (median)

xn : nilai data ke-i yang posisinya di tengah setelah diurutkan

Contoh:

Diketahui hasil pengukuran berat ikan tuna diperoleh dari 10 data sebagai

berikut.

Data ke- 1 2 3 4 5 6 7 8 9 10

Pengukuran (kg) 10 20 20 40 30 60 30 50 60 60

Setelah diurutkan 10 20 20 30 30 40 50 60 60 60


Ukuran Data

21

Diketahui bahwa banyaknya data adalah genap = 10 data maka formula

yang digunakan adalah menggunakan formula median untuk banyaknya

data genap.

Penyelesaian:

x5 + x

x’ = 6

Kesimpulan:

Median atau nilai tengah dari ikan tuna hasil tangkapan nelayan

tersebut adalah 35 kg.

Kotak 7:

Penyelesaian secara manual akan menjadi semakin sulit apabila data

dalam jumlah banyak sehingga bantuan software seperti Microsoft

Excel, SPSS, dan software statistika lainnya, akan sangat membantu

dalam estimasi nilai median tersebut. Berikut aplikasinya dalam

Microsoft Excel.

- Input data tersebut ke dalam lembar kerja Microsoft Excel>

- Pastikan kursor aktif pada cell output. Pada menu bar klik formula,

lalu ketik median pada cell output>

x’ = 2

x’ = 35


22

- Lalu sorot cell yang akan di-calculate, lalu enter>

- Setelah enter maka akan diperoleh nilai tengah data (median) = 35

Kotak 8:

Penyelesaian dengan bantuan software seperti Microsoft Excel menjadi

lebih mudah dan cepat, terlebih lagi bila data dalam jumlah banyak,

dengan sejumlah output yang diinginkan muncul secara serentak.

Modus atau dikenal juga dengan MODE adalah nilai kemunculan (paling

sering muncul) atau nilai yang memiliki frekuensi tertinggi. Modus tidak

dapat digunakan sebagai gambaran mengenai data (Howell 1982). Modus


Ukuran Data

23

digunakan untuk gejala-gejala yang sering terjadi dan umumnya dipakai

sebagai nilai rata-rata bagi data kualitatif. Namun demikian, modus

sangat tidak valid (lemah) digunakan ketika jumlah bilangan data sama

dengan jumlah pembilangnya atau jumlah pilihan sama banyaknya

dengan jumlah yang memilih. Kondisi ini dapat terjadi pada penelitian

kualitatif dengan pendekatan expert (ahli), di mana jumlah ahli umumnya

sangat terbatas. Menurut Hora (2004) bahwa jumlah pakar yang

memadai dan memiliki presisi yang tinggi adalah 3 hingga 6 atau 7 orang.

Modus disimbolkan dengan x”. Formula modus (nilai sering muncul)

sebagai berikut:

Modus data tunggal :

x” = n”

Dimana; x” : nilai sering

muncul (modus)

n” : data yang nilainya sama dan paling banyak muncul

Contoh:

Diketahui data hasil pengukuran berat ikan tuna diperoleh dari 10 data,

sebagai berikut.

Data ke- 1 2 3 4 5 6 7 8 9 10

Pengukuran (kg) 10 20 20 40 30 60 30 50 60 60

Penyelesaian:

x” = n6; n9; n10 x”

= 60

Modus data berkelompok :

Mo = bb + ( d1 + d1 d2 ) p

Di mana: Mo

= Modus


24

bb = Batas bawah kelas modus d1 = frekuensi kelas

modus dikurangi frekuensi sebelumnya d2 = frekuensi

kelas modus dikurangi frekuensi sesudahnya p = panjang

interval kelas

Contoh:

Diketahui data hasil pengukuran ikan tuna (kg) hasil tangkapan nelayan

pancing (handline) sebagai berikut:

xi f


10–20 3

21–30 1

31–40 1

41–50 5

51–60 2

61–70 1

71–80 2

15

Mo = 45,5 + )1

Mo = 45,5 + ( 1

Mo = 45,5 + (0,57)1

Mo = 45,5 + (0,57)

Mo = 50

Kesimpulan: Modus data diperoleh adalah 50

Kotak 9:

Pendekatan perhitungan nilai modus dengan menggunakan distribusi

frekuensi kurang disarankan, mengingat validasi output yang


Ukuran Data

25

dihasilkan. Namun sesungguhnya dengan melihat tabel frekuensi sudah

dapat diduga bawa nilai modus berada pada interval 41–50.

Kuartil adalah ukuran pemusatan data dengan membagi data menjadi 4

(empat) bagian. Howell (1982) bahwa kuartil adalah fraktil yang membagi

data menjadi empat bagian yang sama. Fraktil adalah nilai-nilai data yang

membagi seperangkat data yang telah diurutkan menjadi beberapa

bagian yang sama. Nilai-nilai kuartil diberi simbol Q1, Q2 (sama dengan

Median), dan Q3.

Sumber: http://idschool.net (2018)

Formula kuartil sangat bergantung pada banyaknya n (data) sebagai

berikut:

Untuk banyaknya data ganjil:

Q1 = x1/4(n+1)

Q2 = x1/2(n+1)

Q3 = x3/4(n+1)

Untuk banyaknya data genap : x(n+2)

Qi =

4 Di mana:

Qi : nilai Quartil ke-i n” :

banyaknya data

Contoh:


26

Diketahui hasil pengukuran berat ikan tuna (kg) hasil tangkapan nelayan

pancing (handline), sebagai berikut.

Data ke- 1 2 3 4 5 6 7 8 9 10 11

Pengukuran (kg) 10 20 20 40 30 60 30 50 60 60 70

Setelah diurutkan 10 20 20 30 30 40 50 60 60 60 70

Penyelesaian:

Karena banyaknya data adalah ganjil maka menggunakan rumus untuk

Quartil data ganjil.

Q1 = x1/4(11+1) = x3 = 20

Q1 = x1/4(11+1) = x6 = 40

Q1 = x1/4(11+1) = x9 = 60

Kesimpulan:

Diperoleh hasil bahwa nilai Q1 = 20, Q2=40 dan Q3=60.

Desil adalah ukuran pemusatan data dengan membagi data menjadi 10

(sepuluh) bagian. Howell (1982) bahwa desil adalah fraktil. Fraktil yang

membagi data menjadi sepuluh bagian yang sama, simbolnya adalah D1,

D2, .., D9.


Formula desil sebagai berikut: i(n+1)

Di = 10

Di mana;


Ukuran Data

27

Di : nilai Desil ke-i n” :

banyaknya data

Persentil adalah ukuran pemusatan data dengan membagi data menjadi

100 (seratus) bagian. Howell (1982) bahwa persentil adalah fraktil yang

membagi data menjadi seratus bagian yang sama, simbolnya adalah P1,

P2, …, P99.


Formula persentil sebagai berikut: i(n+1)

Pi = 100

Di mana:

Pi : nilai Persentil

ke-i n” : banyaknya data

Ukuran Penyebaran

Ukuran penyebaran data merupakan salah satu ukuran data dalam

statistika, yakni ukuran yang menunjukkan seberapa jauh data menyebar

dari rata-rata. Menurut Howell (1982) bahwa ukuran penyebaran adalah

suatu ukuran baik parameter atau statistika untuk mengetahui seberapa

besar penyimpangan data. Melalui ukuran penyebaran dapat diketahui

seberapa jauh data-data menyebar dari titik pemusatannya. Umumnya

antara lain; range, simpangan rata-rata, ragam, dan simpangan baku.


28

Range (rentang) merupakan selisih data terbesar (maksimum) dan data

terkecil (minimum). Menurut Walpole (1993), rentang (range)

dinotasikan sebagai R, menyatakan ukuran yang menunjukkan selisih nilai

antara maksimum dan minimum. Rentang cukup baik digunakan untuk

mengukur penyebaran data yang simetrik dan nilai datanya menyebar

merata. Ukuran ini menjadi tidak relevan jika nilai data maksimum dan

minimumnya merupakan nilai ekstrem. Rentang diestimasi dengan

formula menurut Walpole (1993), sebagai berikut:

R = Xmax – Xmin

Di mana;

R = Jangkauan

Xmaks = data terbesar

Xmin = data terkecil

Contoh:

Diketahui hasil pengukuran berat ikan tuna (kg) diperoleh dari 11 data,

seperti berikut.

Data ke- 1 2 3 4 5 6 7 8 9 10 11

Pengukuran (kg) 10 20 20 40 30 60 30 50 60 60 70

Penyelesaian:

Xmaks = 70

Xmin = 10

R = 70 -

10 R = 60

Kesimpulan:

Range atau jangkauan data tersebut adalah 60.

Kotak 10:

Kondisi yang berbeda, apabila data dalam bentuk kelompok (interval),

dimana terlebih dahulu harus diselesaikan Xmax dan Xmin.


Ukuran Data

29

xi f


10–20 3

21–30 1

31–40 1

41–50 5

51–60 2

61–70 1

71–80 2

15

R = Xmax – Xmin

Xmax = 71 + 80/2 = 75,5

Xmin = 10 + 20/2 = 15

R = 75,5 - 15

R = 60,5

Kesimpulan:

Range atau jangkauan data tersebut adalah 60,5.

Simpangan rata-rata merupakan nilai rata-rata dari selisih setiap data

dengan nilai mean atau rataan hitungnya. Simpangan rata-rata umumnya

dilambangkan dengan SR dan di-calculate dengan formula sebagai

berikut:

Simpangan rata-rata data tunggal:

∑ni=1 |xi – x|

SR = n

Simpangan rata-rata data berkelompok:

∑ni=1 fi |xi – x|

SR = ∑ni=1 fi


30

Di mana:

SR = Simpangan rata-rata

xi = data ke-i x =

rataan hitung n = banyak

data fi = frekuensi data

ke-i

Contoh:

Diketahui hasil pengukuran berat ikan tuna (kg) hasil tangkapan nelayan

pancing (handline), sebagai berikut.

Data ke- 1 2 3 4 5 6

Pengukuran (kg) 10 20 20 40 30 60

Penyelesaian:

Estimasi nilai rataan (mean) dengan menggunakan formula mean.

S = (|10 - 30| + |20 - 30| + |20 - 30| + |40 - 30| + |30 - 30| + |60 -

30|)

S = 6 (80)

80

S = 6

S = 13,3

Kesimpulan:

Mean= 30 dengan Simpangan rata-rata berat ikan tuna adalah 13,33 kg.

Kotak 11:

Lakukan penjumlahan tanpa memerhatikan simbol positif/negatif.

Kondisi berbeda, bila data hasil pengukuran dalam bentuk interval atau

(kelas).


Ukuran Data

31

Diketahui hasil pengukuran ikan hasil tangkapan nelayan yang dibagi

menjadi 7 kelas (grade) berdasarkan bobot ikan, seperti berikut:

Nilai f xi fxi xi-x f(xi-x)

10–14 3 12 36 14,33 42,99

15–19 1 17 17 9,33 9,33

20–24 1 22 22 4,33 4,33

25–29 5 27 135 0,67 3,33

30–34 2 32 64 5,67 11,33

35–39 1 37 37 10,67 10,67

40–44 2 42 84 15,67 31,33

Jumlah 15 27 395 0,67 113,32

Penyelesaian:

S =

S = 7,55

Kesimpulan:

Simpangan rata-rata berat ikan tuna adalah 7,55 kg.

Ragam (variance) adalah nilai yang menunjukkan besarnya penyebaran

data pada kelompok data. Menurut Walpole (1993) variansi (variance)

dinotasikan sebagai S2 atau σ2 adalah ukuran penyebaran data yang

mengukur rata-rata kuadrat jarak seluruh titik pengamatan dari nilai

tengah (mean). Ragam diestimasi dengan formula menurut Walpole

(1993), sebagai berikut:

Ragam data tunggal:

2 = ∑ni=1 |xi – x|2

S n

Ragam data berkelompok;

2 = ∑ni=1 fin |xi – fi x|2


32

S ∑ i=1

Di mana:

S2 = variasi

(ragam) xi = data

ke –i x = rataan hitung

n = banyak data fi

= frekuensi data ke-i

Simpangan baku (standar deviasi) merupakan akar dari jumlah kuadrat

deviasi dibagi banyaknya data. Menurut Walpole (1993) simpangan baku

(standard deviation) dinotasikan sebagi s atau σ, menunjukkan rata-rata

penyimpangan data dari harga rata-ratanya. Simpangan baku merupakan

akar pangkat dua dari variansi. Simpangan baku diestimasi dengan

formula menurut Walpole (1993), sebagai berikut:

Simpangan baku data tunggal (n<30):

S =

Simpangan baku data berkelompok (n<30):

∑ni=1 fi (xi – x )2

S = ∑ni=1 fi

Di mana:

S = Simpangan baku

xi = data ke –i x =

rataan hitung sampel n =

banyak data fi = frekuensi

data ke-i

∑ n i =1

( x

i – x ) 2

n


Ukuran Data

33

Simpangan baku data berkelompok (n>30):

∑ni=1 (xi – µ )2 λ =

n – 1

Di mana:

λ = Simpangan baku xi

= data ke –i µ = rataan

hitung populasi n =

banyak data

Kotak 12:

Aplikasi analisis statistik dengan berbagai bantuan software menjadi

lebih mudah apabila dilakukan dengan sering dan banyak rumusnya

adalah “sering-berulang”.

BAB 3 TABULASI &

INPUT DATA

Tabulasi dan input data tidak lagi dilakukan secara manual sistem, tetapi

telah terkoneksi melalui Daring (Dalam Jaringan) yang umumnya kita jumpai

dalam “internet of things”...

... The Internet of Things is About Empowering Computers....

Computers that (know) everything about things...

[Kevin Ashton - Co-founder of the Auto-ID Center at MIT]

Bahasan utama bab ini adalah bagaimana tabulasi dan input data, serta apa

pentingnya hal tersebut. Tabulasi data merupakan upaya menyusun data

dalam bentuk tabel atau diagram untuk memudahkan dalam pengamatan/

pembacaan data atau analisis data (pengolahan data). Menurut Budiarto

(2002) bahwa proses pembuatan tabulasi bisa dilakukan dengan metode

tally, menggunakan kartu, ataupun menggunakan komputer. Dalam buku ini

akan dicontohkan dengan menggunakan perangkat keras (hardware)

komputer, dengan dua software utama yakni Microsoft Excel dan SPSS

(PASW).

Input data merupakan teknik memasukkan data, mulai dari raw data (data

mentah) menjadi data tabulasi hingga data worksheet yang telah siap

dianalisis.

Sebelum melakukan tabulasi data, terlebih dahulu pengenalan sistem

worksheet (lembar kerja) pada Microsoft Excel dan SPSS (PASW). Sistem

worksheet (lembar kerja) pada keduanya berbentuk sel-sel.

Bab 3

Tabulasi & Input

Data

35

3.1 Grouping (Pengelompokan Data) Grouping adalah upaya mengelompokkan data sesuai dengan kelompok/

golongan tertentu, seperti kelompok ikan ataupun berdasarkan kelompok

harga atau produksi dan sebagainya. Menu toolbar yang dapat digunakan

adalah sorting (pengurutan).

No Jenis Ikan Kelompok Ikan Produksi (ton) Harga (Rp)

Worksheet/lembar kerja


36

1 Baronang Demersal 10 35.000

2 Kerapu Demersal 20 75.000

3 Layang Pelagis Kecil 30 5.000

4 Tuna Pelagis Besar 10 60.000

5 Tongkol Pelagis Besar 15 30.000

6 Cakalang Pelagis Besar 20 20.000

7 Teri Pelagis Kecil 25 8.000

8 Cumi Pelagis Kecil 40 15.000

9 Kakap Demersal 30 25.000

10 Gulama Demersal 12 20.000

Tahapan grouping data:

- Blok cell yang akan di sortir>

Bab

3 Tabulasi & Input

Data

-

37

Klik menu sort & filter>

- Maka diperoleh output, seperti berikut:

Menghitung jumlah data yang sejenis dengan menggunakan fungsi

COUNTIF>


-

38

Kotak 13:

Tabulasi data dengan fungsi SORTIR dan COUNTIF akan memberikan

infromasi dengan mudah sehingga akan memudahkan dalam

mendeskripsikan data dengan baik.

3.2 Filtering (Penyaringan Data) Filter adalah salah satu proses menyaring data sesuai dengan kriteria data

tertentu. Filtering dimaksudkan untuk menyaring data, seperti

menghilangkan data yang sama (duplicate) dengan dasar bahwa data

tersebut merupakan data duplicate. Terdapat dua filter yang terdapat di

Excel, yaitu auto filter (filter) dan advanced filter (advanced).

Klik pada kolom yang akan dilakukan filtering, klik menu sort & filter,

lalu klik filter>

Bab

3 Tabulasi & Input

Data

-

39

- Centang salah satu/semua dari judul/kolom menu yang tersedia. Contoh

jika ingin menampilkan data jenis ikan demersal saja maka aktifkan

atau centang pada kolom demersal dalam menu filter tersebut.

Diperoleh output, seperti berikut:


-

40

Kotak 14:

Tabulasi data dengan filter akan diperoleh hasil yang lebih simpel yakni

sesuai dengan tujuan pengolahan data yang akan dilakukan.

3.3 Freeze Pane (Panel/Kolom/Baris) Freeze panes adalah fitur dalam MS. Excel yang dapat membekukan atau

mengunci sebagian baris atau kolom dari data sheet yang dibuat sehingga

baris atau kolom tersebut akan selalu tampil meskipun sheet di scroll up-

down atau right-left. Freeze pane dimaksudkan untuk memudahkan

dalam pembacaan data, terutama pada data dalam jumlah besar

sehingga dibutuhkan suatu freeze (penguncian) baris atau kolom.

Klik menu view lalu klik freeze pane>

Bab

3 Tabulasi & Input

Data

-

41

- Pilih salah satu pilihan yang ada (freeze pane untuk kolom dan baris

sekaligus; freeze top row untuk membekukan baris paling atas;

freeze first column untuk membekukan kolom pertama).

- Pilihan freeze top row>


-

42

Pilihan freeze first colum>

Kotak 15:

Tools freeze, akan membuat data semakin mudah diamati dan kelola,

terlebih lagi data dalam jumlah besar (banyak).

3.4 Input Data Input data merupakan kegiatan memasukkan data dari data yang telah

ditabulasi sebelumnya ke dalam lembar kerja (worksheet). Khusus untuk

Mircosoft Excel umumnya tabulasi dan input data dalam satu file,

sedangkan untuk software statistik lainnya, seperti SPSS (PASW) atau

MINITAB, Eviews, R-Statistics, dan ExcelStat ataupun software lainnya,

umumnya di-input dengan memindahkan (meng-copy paste) data yang

ada di Microsoft Excel ke lembar kerja SPSS atau yang lainnya.

Buka file new MS Excel (lembar kerja baru), seperti berikut:

Bab

3 Tabulasi & Input

Data

-

43

Kotak 16:

Microsoft Excel adalah sebuah program aplikasi lembar kerja spreadsheet

yang dibuat dan didistribusikan oleh Microsoft Corporation yang dapat

dijalankan pada Microsoft Windows dan Mac OS. Microsoft Excel

menyediakan fitur untuk pengoperasian database seperti mengurutkan

data, melacak dan menampilkan data, melengkapi tabel dengan subtotal,

membuat rekapitulasi data, dan lain sebagainya. Spreadsheet Microsoft

Excel 2010 dapat memuat data yang sangat banyak, 1.048.576 baris dan

16.384 kolom for 1 worksheet.

Buka file new SPSS, lembar kerja baru, seperti berikut:


-

44

- Input data di SPSS, klik for open>

Perhatikan data view & variabel view>

Bab

3 Tabulasi & Input

Data

-

45

- Perhatikan data view & variabel view>

Klik variabel view—input nama variabel>


-

46

- Klik data view—input data dari Excel/Word>

Lembar output SPSS>

Bab

3 Tabulasi & Input

Data

-

47

- Lembar kerja Minitab>

Input data dengan meng-copy data dari Excel>


-

48

Kotak 17:

SPSS (Software Package Used for Statistical Analysis) merupakan program

komputer berbasis desktop yang digunakan untuk

menganalisis/mengolah data statitiska. SPSS merupakan software

pengolah data yang paling populer dalam dunia akademik, penelitian

maupun corporate, pemerintah, dan konsultan. Pada lembar kerja SPSS

(worksheet) terdapat 2 jendela yakni data view dan variabel view.

BAB 4 UJI

INSTRUMEN

Uji instrumen dimaksudkan untuk memperoleh keyakinan valid & handal

terhadap instrumen yang digunakan dalam mengumpulkan data. Uji

instrumen terdiri atas; uji validitas dan uji reliabilitas. Pengujian perlu

dilakukan sebagai wujud pembuktian...

... If you double the number of experiments you do per year you’re

going to double your inventiveness ...

[Jeff Bezos – CEO Amazon.Com]

Bahasan utama dalam bab ini adalah “apa itu uji instrumen, kapan

dilakukan uji instrumen serta apa saja jenis uji instrumen”. Uji instrumen

merupakan uji pendahuluan (pre test) yang dimaksudkan untuk

mengetahui sejauh mana instrumen atau alat yang digunakan dalam

penelitian valid (sahih) dan handal. Menurut Sugiyono (2006) bahwa

instrumen penelitian adalah suatu alat yang digunakan mengukur

kejadian (variabel penelitian) alam maupun sosial yang diamati.

Sementara, menurut Sudaryanto (2003) instrumen penelitian adalah alat

yang dapat digunakan untuk mengumpulkan data atau informasi

penelitian. Alat ukur tersebut dapat berupa skala atau tes. Menurut

Azwar (2006) sebuah tes yang baik harus memiliki beberapa kriteria

antara lain valid, reliable, standar, ekonomis, dan praktis. Uji instrumen

dilakukan sebelum ataupun setelah pengumpulan data (sampel)

penelitian. Jika sebelum pengumpulan data maka uji instrumen

dimaksudkan untuk memastikan apakah instrumen yang dirancang cukup

kuat dan valid untuk pengumpulan data, sedangkan jika setelah

pengumpulan data maka uji instrumen memastikan instrumen yang tidak

valid tidak digunakan dalam analisis data atau analisis statistik

selanjutnya.

Bab 4

Uji Instrumen

51

4.1 Uji Validitas Uji validitas merupakan upaya untuk memastikan tingkat kevalidan atau

kesahihan instrumen yang digunakan dalam penelitian (instrumen

pengumpulan data). Uji validitas dapat pula diartikan sebagai uji

ketepatan atau ketelitian suatu alat ukur yang digunakan dalam

penelitian. Dalam pengertian yang lebih mudah dipahami, uji validitas

adalah uji yang bertujuan menilai apakah seperangkat alat ukur telah

tepat mengukur apa yang seharusnya diukur. Berikut pendapat beberapa

ahli terkait definisi validitas.

▪ Sugiyono (2006) validitas merupakan derajat ketetapan antara data

yang terjadi pada objek penelitian dengan daya yang dapat

dilaporkan oleh peneliti.

▪ Azwar (1986) validitas berasal dari kata validity yang mempunyai arti

sejauh mana ketepatan dan kecermatan suatu alat ukur dalam

melakukan fungsi ukurnya.

▪ Arikunto (2006) validitas adalah suatu ukuran yang menunjukkan

tingkat kesahihan suatu tes.

▪ Nursalam (2003) validitas adalah suatu ukuran yang menunjukkan

tingkat kevalidan atau kesahihan suatu instrumen.

▪ Hamidi (2004), ada beberapa teknik yang dapat digunakan untuk

mengetahui validitas data, seperti trianggulasi dan member check.

▪ Allen dan Yen (1979) membagi validitas isi ke dalam dua kelompok

yaitu; validitas logis (logical validity) dan validitas konstruksi

(construct validity). Validitas logis dapat dicapai jika tampilan tes

tersebut telah meyakinkan untuk mengungkap atribut yang hendak

diukur. Validitas konstruksi dapat diartikan sebagai validitas yang

ditilik dari segi susunan, kerangka atau rekaannya.

Uji validitas juga dimaksudkan untuk mengetahui apakah instrumen yang

digunakan valid atau tidak. Uji ini digunakan untuk menunjukkan sejauh

mana alat ukur yang digunakan memiliki tingkat kecermatan yang tinggi

atau tidak. Ghozali (2009) menyatakan bahwa uji validitas digunakan

untuk mengukur sah atau valid tidaknya suatu instrumen/kuesioner.


52

Untuk menguji validitas instrumen dapat digunakan cara analisis item,

yaitu mengorelasikan skor tiap-tiap item jawaban dengan skor total item

jawaban tersebut. Uji validitas dapat dilakukan dengan berbagai teknik,

seperti; Product Momen Pearson Correlation dan cara manual dengan

Microsoft Excel.

Korelasi Pearson (Product Moment) dilakukan dengan cara

mengorelasikan antara skor item dengan skor total item, akan diperoleh

nilai rhitung. Sedangkan, nilai rtabel diperoleh dari nilai table-r pada taraf

signifikansi 0,05 atau tingkat kepercayaan 95%, artinya suatu item

dianggap valid jika berkorelasi signifikan terhadap skor total pada tingkat

kepercayaan 95%.

Kotak 18:

Kriteria pengambilan keputusan uji validitas Product Moment Pearson

Correlation, yakni:

- Jika nilai rhitung> nilai rtabel, instrumen dinyatakan valid

- Jika nilai rhitung < nilai rtabel, instrumen dinyatakan tidak valid

Nilai rhitung diperoleh dari hasil analisis dengan pendekatan korelasi

Bivariate Pearson (Product Moment Pearson). Sementara, nilai rtabel

diperoleh dengan pembacaan table-r dengan rumus df=n-2 (n adalah

jumlah data).

Uji validitas dengan product moment pearson correlation menggunakan

prinsip korelasi (hubungan) antara masing-masing skor dengan skor total

yang diperoleh. Secara umum terdapat 2 (dua) validitas yakni; 1) Validitas

Konstruksi; merupakan validitas terhadap kelayakan instrumen

(kuesioner/ angket) yang digunakan atau dalam aplikasinya dapat

digunakan dengan mudah/tidak rigid. 2) Validitas Output; merupakan

validitas terhadap output atau hasil/jawaban dari instrumen yang

digunakan, apakah memenuhi atau tidak sebagai instrumen pengukur.

Uji validitas adalah suatu data dapat dipercaya kebenarannya sesuai

dengan kenyataan. Menurut Sugiyono (2009) bahwa valid berarti

instrumen tersebut dapat digunakan untuk mengukur apa yang

Bab 4

Uji Instrumen

53

seharusnya diukur. Valid menunjukkan derajat ketepatan antara data

yang sesungguhnya terjadi pada objek dengan data yang dapat

dikumpulkan oleh peneliti. Jika ada item yang tidak memenuhi syarat,

item tersebut tidak akan diteliti lebih lanjut. Syarat tersebut menurut

Sugiyono (2009) yang harus dipenuhi yaitu harus memiliki kriteria jika

nilai rhitung>rtabel atau nilai p<0,05.

Untuk menguji validitas yang digunakan dalam penelitian ini adalah

rumus koefisien korelasi Rank Spearman, yaitu:

6∑ di 2

r = 1 – n(n2 – 1)

Di mana; r : Koefisien Korelasi

Rank Spearman di : Selisih Setiap

Rank n : Banyaknya Pasangan Data

Contoh:

Diketahui hasil wawancara dengan kuesioner sebanyak 30 pertanyaan

terkait karakteristik individu dari 60 nelayan. Sebelum melakukan uji data

(uji lanjut) terlebih dahulu lakukan uji instrumen (uji validitas). Sebelum

data di-input ke worksheet SPSS, terlebih dahulu tabulasi data hasil

kuesioner tersebut ke dalam Microsoft Excel, seperti berikut:

Data hasil jawaban kuesioner 60 responden untuk 30 pertanyaan, terkait

karakteristik individu.

Responden Daftar Pertanyaan

1 3 5 6 7 8 9 10 .... .... 30

1 5 5 4 4 5 5 4 4 .... .... 5

2 4 4 4 4 5 5 5 4 .... .... 5

3 5 5 3 5 5 3 5 4 .... .... 4

4 4 5 3 4 3 3 5 4 .... .... 3

5 5 5 4 4 4 3 4 4 .... .... 5


54

6 5 5 4 4 4 4 5 4 .... .... 5

7 4 3 3 4 4 3 4 5 .... .... 5

8 5 5 5 5 5 4 5 4 .... .... 3

9 5 5 4 5 5 3 5 5 .... .... 5

10 4 5 4 5 4 3 5 4 .... .... 2

.... .... .... .... .... .... .... .... .... .... .... ....

.... .... .... .... .... .... .... .... .... .... .... ....

60 5 5 3 4 4 4 4 5 .... .... 4

- Tampilan data dalam Microsoft Excel, seperti berikut:

- Input data (menyusun data pada variabel view)>

Bab 4

Uji Instrumen

55

- Input data pada data view>

- Klik analyze—correlation--bivariate>


56

- Pindahkan seluruh item ke kolom sebelah kanan>

- Klik (centang) Pearson>

Bab 4

Uji Instrumen

57

- Klik ok>

- Perhatikan hasil yang diperoleh pada kolom item-total. Nilai-nilai

tersebut merupakan nilai rhitung. Bandingkan nilai rhitung dengan nilai

rtabel. Nilai rtabel diperoleh dari Tabel-r dengan melihat df 60-2 (58)

adalah sebesar 0,2500, pada selang keperayaan 0,05 (two tailed).

Item Pertanyaan Nilai rhitung Nilai rtabel Kriteria Validasi

Item1 0,470 0,2500 Valid

Item2 0,227 0,2500 Tidak Valid

Item3 0,348 0,2500 Valid



58

Item5 0,559 0,2500 Valid

Item6 0,390 0,2500 Valid

Item7 0,434 0,2500 Valid

Item8 0,474 0,2500 Valid

Item9 0,308 0,2500 Valid


Item11 0,323 0,2500 Valid



Item14 0,357 0,2500 Valid

Item15 0,380 0,2500 Valid

Item16 0,306 0,2500 Valid

Item Pertanyaan Nilai rhitung Nilai rtabel Kriteria Validasi

Item17 0,433 0,2500 Valid

Item18 0,394 0,2500 Valid

Item19 0,385 0,2500 Valid

Item20 0,340 0,2500 Valid


Item22 0,581 0,2500 Valid


Item24 0,342 0,2500 Valid

Item25 0,255 0,2500 Valid

Item26 0,520 0,2500 Valid


Item28 0,301 0,2500 Valid



Kesimpulan:

Berdasarkan data validasi dengan korelasi pearson diperoleh bahwa terdapat 10 item

yang tidak valid sehingga kesepuluh item tersebut (item2, item4, item10, item12, item13,

Bab 4

Uji Instrumen

59

item21, item23, item27, item29, dan item30) selanjutnya dihilangkan (tidak dianalisis

lebih lanjut) sehingga item yang dianalisis yaitu sebanyak 20 item untuk variabel X1

(karakteristik individu).

4.2 Uji Reliabilitas Uji Reliabilitas adalah uji instrumen yang dimaksudkan untuk mengetahui

sejauh mana ketahanan (kehandalan) suatu instrumen dalam

pengumpulan data. Uji ini akan menunjukkan sejauh mana pengukuran

dari suatu test tetap konsisten setelah dilakukan berulang ulang terhadap

subjek dan dalam kondisi yang sama. Penelitian dianggap dapat

diandalkan bila memberikan hasil yang konsisten untuk pengukuran yang

sama. Menurut Sugiyono (2006) menyatakan bahwa reliabilitas

menunjuk pada suatu pengertian bahwa instrumen yang digunakan

dalam penelitian untuk memperoleh informasi yang digunakan dapat

dipercaya sebagai alat pengumpulan data dan mampu mengungkap

informasi yang sebenarnya di lapangan. Reliabilitas menunjukkan sejauh

mana hasil pengukuran dengan alat/tools handal sehingga dapat

dipercaya atau diterima. Hasil pengukuran harus reliabel dalam artian

harus memiliki tingkat konsistensi dan kemantapan. Menurut Arikunto

(2006) reliabilitas menunjuk pada satu pengertian bahwa suatu

instrumen cukup dapat dipercaya untuk digunakan sebagai alat

pengumpul data karena instrumen tersebut sudah baik.

Reliabilitas menunjukkan bahwa alat tersebut konsisten apabila

digunakan untuk mengukur gejala yang sama pada lain waktu dan

tempat. Data yang diuji reliabilitasnya adalah data yang telah valid atau

telah dilakukan uji validitas dan valid. Metode yang biasa digunakan

untuk uji kehandalan adalah teknik ukur ulang dan teknik sekali ukur.

Teknik sekali ukur terdiri atas teknik genap-gasal, belah tengah, belah

acak, kuder richardson, teknik hoyd, dan alpha cronbach.

Penggunaan pengujian reliabilitas oleh peneliti adalah untuk menilai

konsistensi pada objek dan data, apakah instrumen yang digunakan

beberapa kali untuk mengukur objek yang sama akan menghasilkan data

yang sama. Berikut adalah salah satu uji reliabilitas yang biasa digunakan


60

yakni metode Internal Consistency dengan teknik belah dua dari

Spearman Brown (Split Half) dengan rumus sebagai berikut:

2rAB

r1 = 1 + rAB

Dimana:

r1 : Reliabilitas Internal Seluruh

Instrumen rAB : Korelasi Product Moment

Pearson

Indikator pengukuran reliabilitas menurut Sekaran (2000) yang membagi

tingkatan reliabilitas dengan kriteria sebagai berikut:

Nilai Reliabilitas Kriteria

0,8–1,0 Baik

0,6–0,799 Cukup Baik/Diterima

<0,6 Kurang Baik/Tidak Diterima

Menurut Rochaety et al. (2007) syarat minimum koefisien korelasi 0,6

karena dianggap memiliki titik aman dalam penentuan reliabilitas

instrumen dan juga secara umum banyak digunakan dalam penelitian.

Uji reliabilitas pada lembar observasi menggunakan inter-rater reliability.

Pengujian untuk lembar observasi menggunakan inter-rater reliability

yaitu dilakukan oleh 2 orang rater atau observer, kemudian dihitung

dengan menggunakan rumus Cohen Kappa. Formula Cohen Kappa adalah

sebagai berikut:

P0 – Pe

KK = 1 – Pe

Dengan:

1

Pe = N 2 ∑ N1 N2

Bab 4

Uji Instrumen

61

Di mana:

KK : Koefisien kesepakatan pengamatan

P0 : Proporsi frekuensi kesepakatan

Pe : Kemungkinan sepakat

N : Jumlah keseluruhan nilai yang menunjukkan munculnya gejala

yang teramati

N1 : Jumlah nilai kategori pertama untuk pengamat pertama

N2 : Jumlah nilai kategori pertama untuk pengamat kedua

Nilai Kappa menurut Murti (2006) nilai tingkat reliabilitas antar rater

menjadi tiga kategori antara lain:

Nilai Kappa Kriteria

<0,4 Buruk

0,4–0,60 Cukup

0,61–0,75 Memuaskan

> 0,75 Istimewa

Tahapan Uji Reliability:

- Input data dalam worksheet SPSS>klik variabel view>

- Klik data view>


62

- Klik Analyze, Scale, Reliability Analysis>

- Pindahkan seluruh item ke kolom analisis (sebelah kanan)>

Bab 4

Uji Instrumen

63

- Klik statistic dan centang item>

- Klik continue dan ok>

Reliabilit y Statistics

Cronbach’s Alpha N of Items

.684 21

Secara total diperoleh bahwa nilai Cronbach’s alpha adalah 0,684 atau

dikategorikan memuaskan (0,61–0,75). Sementara, secara parsial per

item sebagai berikut:

Item-Total Statistics


64

Scale Mean if Item

Deleted Scale Variance if Item

Deleted Corrected Item-Total

Correlation Cronbach’s Alpha if

Item Deleted

Item1 202.5500 131.404 .453 .674

Item3 202.4167 133.468 .299 .680

Item5 203.5333 124.592 .581 .658

Item6 203.3000 128.078 .372 .669

Item7 203.2833 127.664 .455 .666

Item8 203.4167 125.773 .436 .663

Item9 203.1500 130.943 .230 .677

Item11 203.1500 131.452 .298 .676

Item14 203.4667 129.338 .340 .672

Item15 203.2167 131.800 .317 .676

Item16 203.2167 130.817 .218 .677

Item17 204.0000 125.831 .429 .664

Item18 204.2667 130.063 .375 .672

Item-Total Statistics

Scale Mean if Item

Deleted Scale Variance if Item

Deleted Corrected Item-Total

Correlation Cronbach’s Alpha if

Item Deleted

Item19 203.7333 130.029 .390 .672

Item20 202.7667 132.046 .313 .677

Item22 203.2667 128.131 .512 .667

Item24 202.6000 132.956 .266 .679

Item25 203.3000 132.044 .223 .678

Item26 202.7500 129.106 .507 .669

Item28 202.7833 131.122 .246 .677

Total

Skor 82.5000 32.593 .933 .743

Kesimpulan:

Hasil seperti pada tabel di atas diperoleh bahwa nilai Cronbach’s Alpha adalah berada

pada range 0,61–0,75 atau dikategorikan memuaskan sehingga disimpulkan instrumen

yang digunakan reliable atau handal.

Kotak 19:

Bab 4

Uji Instrumen

65

Uji instrumen (validasi & reliability), menjadi sangat penting dilakukan,

mengingat validitas data yang diperoleh akan digunakan dalam analisis

dan menentukan hasil yang baik. Demikian pula uji kehandalan

(reliability) akan sangat berpengaruh terhadap kualitas data yang

dikumpulkan.

BAB 5 UJI DATA

Revolusi industri 4.0 with internet of things telah mengubah cara

berpikir dan bertindak. “Saat ini diskusi tidak lagi membicarakan apa

masalah yang dihadapi dan bagaimana menyelesaikannya, tetapi lebih

fokus pada informasi dan peluang (opportunities) apa yang ada di

dalamnya...

...the information is a great a way to reduce waste and increase

efficiency... [Kevin Ashton - Co-founder of the Auto-ID Center at

MIT]

Pertanyaan mendasar pada bab ini adalah “apa itu uji data, mengapa

harus uji data, kapan uji data dilakukan, dan apa saja jenis uji data”. Uji

data merupakan uji pendahuluan (pre test) yang dimaksudkan untuk

mengetahui keadaan data tersebut yang nantinya dapat menjadi dasar

penentuan analisis statistik yang akan dilakukan. Sebagaimana yang

dipahami bahwa analisis statistik sangat terkait dengan ukuran/skala

data dan asumsi-asumsi yang dipersyaratkan, seperti statistik parametrik

yang mensyaratkan data harus berdistribusi normal. Uji-t mensyaratkan

data kecil (<30) dengan 2 variabel maksimal, uji-z valid digunakan pada 2

variabel dengan data besar (>30), uji-F valid digunakan pada >2 variabel.

Uji data dilakukan sebelum analisis statistik inferensial dilakukan, dalam

artian bahwa peneliti harus memastikan sifat-sifat yang ada dalam data

tersebut. Secara umum uji data terdiri atas; uji normalitas, uji

autokorelasi, uji heteroskedastisitas, dan uji multikolineariti.

5.1. Uji Normalitas (Distribusi Normal) Uji Normalitas data dilakukan untuk memenuhi syarat atau asumsi dari

uji parametris yang akan dilakukan. Uji normalitas juga disebut dengan

istilah distribusi normal yang merupakan merupakan salah satu distribusi

probabilitas yang penting dalam analisis statistika. Distribusi normal


68

memiliki parameter berupa mean (rata-rata) dan simpangan baku. Uji

normalitas data dilakukan untuk menilai sebaran data pada kelompok

data atau variabel, apakah data terdistribusi normal atau tidak. Apabila

data yang diuji tersebut memenuhi (terdistribusi normal) maka dapat

dilakukan analisis lanjut statistika parameterik. Namun apabila tidak

maka dapat dilakukan transformasi data terlebih dahulu datau dilakukan

uji lanjut dengan statistika non-parameterik. Uji normalitas data

dilakukan dengan pendekatan Kolmogorov-Smirnov Test, dengan

menguji residual dari data.

Menurut Singgih (2014) dasar pengambilan keputusan bisa dilakukan

berdasarkan probabilitas (Asymtotic Significance), yakni: 1) Jika

probabilitas >0,05 maka distribusi dari model regresi adalah normal. 2)

Jika probabilitas <0,05 maka distribusi dari model regresi adalah tidak

normal. Berikut adalah contoh aplikasi uji normalitas dengan bantuan

software SPSS.

Contoh:

Diketahui hasil kuesioner terkait pendapatan nelayan yang dipengaruhi

oleh beberapa faktor antara lain Karakteristik (X1), Pendidikan (X2), dan

Lama Kerja sebagai nelayan (X3). Pendapatan nelayan menjadi variabel

independent (Y). Berikut tahapan uji normalitas data dengan software

SPSS. Sebelum menginput data ke dalam lembar kerja (worksheet) SPSS,

terlebih dahulu tabulasi data keempat variabel tersebut pada Microsoft

Excel.

- Tabulasi data dalam MS. Excel>

Bab 5

Uji Data

-

69

Input data ke dalam worksheet SPSS>

- Input ke data view>


70

- Lalu klik analyze –regresion—linear>

- Klik linear>

Bab 5

Uji Data

-

71

Pindahkan variabel X1, X2, dan X3 ke kolom independen dan variabel

Y ke kolom dependen, selanjutnya klik save dan centang

unstandardized pada menu residual>

- Klik continue lalu klik ok maka muncul output analisis pada data view

berupa residual>


72

- Selanjutnya klik Analyze-Nonparameteric Test-Legacy Dialogs-1

Sampel K-S>

- Klik 1-Sampel K-S>

Bab 5

Uji Data

-

73

Pindahkan varibel unstandarized residual ke kolom sebelah kanan

dan centang (aktifkan) normal pada kolom test destribution>

- Klik ok> maka diperoleh output seperti berikut:

One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual

N 60

Normal Parametersa,b Mean ,0000000

Std. Deviation 72775,7307061


74

Most Extreme Differences

Absolute ,084

Positive ,051

Negative -,084

Kolmogorov-Smirnov Z ,654

Asymp. Sig. (2-tailed) ,786

a. Test distribution is Normal

b. Calculated from data

Kesimpulan:

Berdasarkan tabel di atas, diperoleh bahwa nilai Asymp. Sig. (2-tailed) >0,05 yang

berarti data terdistribusi normal. Hal ini sesuai dengan pernyataan Sugiyono (2006)

bahwa sebuah variabel disebut normal jika nilai Kolmogorov-Smirnov dan nilai

Unstandardized Residual Asymp. Sig (2-tailed) >0,05. Dengan demikian data

memenuhi kriteria uji beda (uji lanjut).

Untuk menampilkan grafik kurva loncengnya, dilakukan tahapan sebagai

berikut:

- Klik analyze-regression-linear, pilih plot, dan aktifkan/centang

histogram dan normal probability plot>.

- Klik continue, lalu klik ok>

Bab 5

Uji Data

-

75

Kesimpulan:

Berdasarkan grafik histogram seperti pada gambar di atas, menunjukkan bahwa

grafik condong ke kanan yang secara visual dapat dimaknai bahwa data terdistribusi

normal. Selain grafik histogram, grafik P-Plot juga dapat menjadi indikator apakah

data terdistribusi normal atau tidak.

Bab 5

Uji Data

76

Berikut grafik P-Plot yang diperoleh dari hasil analisis regeresi linear.

Kesimpulan:

Secara grafik P-Plot tampak bahwa data tersebar mendekati garis diagonalnya, yang

secara visual dapat disimpulkan bahwa data terdistribusi normal sehingga valid

untuk dijadikan sebagai data penduga terhadap model regresi.

5.2 Uji Autokorelasi Uji Autokorelasi adalah sebuah uji statistik yang dilakukan untuk

mengetahui adakah korelasi variabel yang ada di dalam model prediksi

terhadap perubahan waktu. Dengan kata lain apakah terdapat hubungan

suatu variabel dari tahun t dengan tahun t-1 (tahun sebelumnya). Model

regresi yang baik adalah model yang tidak terdapat masalah autokorelasi

(Singgih 2006). Apabila terjadi autokorelasi maka model (persamaan)

tersebut menjadi tidak baik atau tidak layak dipakai sebagai prediksi

(peramalan). Oleh karena itu, apabila asumsi autokorelasi terjadi pada

sebuah model prediksi, nilai disturbance tidak lagi berpasangan secara

bebas, tetapi berpasangan secara autokorelasi. Uji autokorelasi di dalam

model regresi linear, harus dilakukan apabila data merupakan data time

series atau runtut waktu. Sebab yang dimaksud dengan autokorelasi

Bab 5

Uji Data

-

77

sebenarnya adalah sebuah nilai pada sampel atau observasi tertentu

yang dipengaruhi oleh nilai observasi sebelumnya.

Untuk mendeteksi autokorelasi dapat menggunakan beberapa metode

seperti Durbin-Watson dan run test. Menurut Sugiyono (2014) bahwa jika

hasil uji autokorelasi >0,05, disimpulkan tidak signifikan. Hal ini berarti

antara residual tidak berkorelasi atau dengan kata lolos uji autokorelasi.

Berikut adalah tahapan uji autokorelasi dengan SPSS.

- Klik analyze-non parametric test-legacy dialogs-runs>

- Klik runs>


78

Pindahkan varibel unstandarized residual 2 ke Kolom sebelah kanan

dan centang (aktifkan) median pada kolom cut point>

- Lalu klik continue, lalu ok>

Runs Test

Unstandardized Residual

Test Valuea 649,12249

Cases < Test Value 30

Cases >= Test Value 30

Total Cases 60

Number of Runs 28

Z -,781


a. Median

Kesimpulan:

Hasil analisis run test menunjukkan bahwa nilai Asymp.Sig (2-tailed)>0,05 yang

berarti tolak H0 dan terima H1. Dengan kata lain dalam model prediksi tidak terdapat

gejala autokorelasi sehingga data cukup random untuk digunakan sebagai prediksi.

Bab 5

Uji Data

-

79

5.3 Uji Heteroskedastisitas Uji heteroskedastisitas adalah uji yang menilai apakah terdapat

ketidaksamaan varian dari residual untuk semua pengamatan pada

model regresi linear. Uji ini merupakan salah satu dari uji asumsi klasik

yang harus dilakukan pada regresi linear. Apabila asumsi

heteroskedastisitas tidak terpenuhi, model regresi dinyatakan tidak valid

sebagai alat penduga (prediksi).

Dalam persamaan regresi berganda perlu dilakukan uji mengenai sama

atau tidaknya varian residual dari observasi yang satu dengan observasi

lainnya. Apabila residual mempunyai varian yang sama, data mengalami

gejala homoskedastisitas, dan bila variannya tidak sama, data disebut

mengalami gejala heteroskedastisitas. Persamaan regresi yang baik

adalah persamaan yang tidak terjadi gejala heteroskedastisitas.Untuk

mendekteksi adanya heteroskedastisitas, digunakan uji Glejser (Sugiyono

2009). Sementara menurut Menurut Gujarati (2003) bahwa untuk

menguji ada tidaknya heteroskedastisitas digunakan uji rank Spearman

yakni mengorelasikan variabel independen terhadap nilai absolut dari

residual (error). Jika hasil uji menunjukkan nilai signifikan constant>0,05

maka dinyatakan lolos uji, di mana model regresi yang digunakan tidak

terjadi heteroskedastisitas atau valid untuk digunakan sebagai penduga

(prediksi).

Uji heteroskedastisitas perlu dilakukan agar diketahui apakah terdapat

penyimpangan dari syarat-syarat asumsi klasik pada regresi linear, di

mana dalam model regresi harus dipenuhi syarat tidak adanya

heteroskedastisitas. Hasil residual selanjutnya dibuat absolut agar nilai

redisual tersebut tidak ada yang minus. Berikut tahapan uji

heteroskedastisitas dengan bantuan software SPSS.

Lakukan transformasi data residual dengan formula ABS. Klik

transform-compute variable>


80

- Klik compute variable>

- Isikan Res3 pada kolom target variable dan ABS(RES_1) pada kolom

numeric expression, lalu klik ok>

Bab 5

Uji Data

-

81

- Data Res3 tersebut selanjutnya menjadi variable dependent untuk

regresi linear dengan variable independent tetap.

Klik analyze-regression-linear>


82

- Klik linear, lalu pindahkan variabel Res3 ke dalam variable

dependent>

- Klik save, lalu non aktifkan (UnCentang) unstandardized pada kolom

residual>

Bab 5

Uji Data

-

83

- Klik continue, lalu klik ok> Coefficientsa

Model Unstandardized Coefficients Standardized

Coefficients t Sig. B Std. Error Beta

(Constant) -30002,02 140444,182 -,214 ,832

Karakteristik -174,058 1050,687 -,022 -,166 ,869 1 Pendidikan -9303,524 9245,171 -,133 -1,006 ,319

Lama Kerja 6201,189 6015,619 ,136 1,031 ,307 a. Dependent Variable: Res3

Kesimpulan:

Hasil analisis Uji Glejser diperoleh bahwa nilai signifikansi (Sig.)>0,05 maka tolak H0

dan terima H1, atau dengan kata lain tidak terdapat gejala heteroskedastisitas.

Namun apabila terdapat gejala heteroskedastisitas, lakukan pendekatan Weighted

Least Square (WLS) untuk menghilangkan gejala heteroskedastisitas tersebut.


84

5.4 Uji Multikolineariti Uji multikolineariti dimaksudkan untuk menguji model regresi apakah

terdapat korelasi antara variabel bebas (independent). Model regresi yang

baik adalah model yang di dalamnya tidak terdapat hubungan (korelasi)

antara variabel bebasnya. Apabila terjadi multikolineariti, dapat disimpulkan

bahwa variabel-variabel tersebut tidak ortogonal. Variabel ortogonal adalah

variabel bebas yang nilai korelasi antar sesama variabel bebas sama dengan

nol. Menurut Singgih (2003) apabila terbukti adanya multikolinieritas,

sebaiknya salah satu independen yang ada dikeluarkan dari model, lalu

pembuatan model regresi diulang kembali.

Untuk mendekteksi ada tidaknya multikolinearitas dengan melihat nilai

tolerance dan nilai inflasi Variance Inflation Factor (VIF) dn nilai tolerance.

Jika nilai VIF<10 dan nilai tolerance semua variabel bebas>0,10 maka dapat

disimpulkan bahwa tidak ada multikolonieritas antara variabel bebas dalam

model regresi atau dapat disebut lolos uji (Riduan 2005). Hal yang sama

menurut Gujarati (2003) pedoman suatu model regresi yang bebas

multikolinieritas adalah mempunyai angka tolerance mendekati 1 dan batas

VIF adalah 10, jika nilai VIF di bawah 10 maka tidak terjadi gejala

multikolinieritas. Lebih jauh menurut Singgih (2014) rumus yang digunakan

adalah sebagai berikut:

1 VIF

= T

Atau:

1 T =

VIF

Di mana:

Bab 5

Uji Data

85

VIF = Variance Inflation Factor

T = Tolerance

Dengan data yang sama dengan uji data sebelumnya, dilakukan tahapan uji

multikolieariti sebagai berikut.

- Klik analyze-regresion-linear>

- Klik statistic, lalu aktifkan colinearitas diagnosis dan covarian matrix>


86


Coefficientsa

Model Unstandardized Coefficients

Standardized

Coefficients t Sig.

Collinearity Statistics

B Std. Error Beta Tolerance VIF

1

(Constant) 1081164,370 228027,220 4,741 ,000

Karakteristik -843,546 1705,911 -,059 -,494 ,623 ,997 1,003

Pendidikan 48344,508 15010,594 ,388 3,221 ,002 ,991 1,009

Lama Kerja -18759,685 9767,046 -,231 -1,921 ,060 ,994 1,006

a. Dependent Variable: Pendapatan

Kesimpulan:

Perhatikan pada kolom collinearity statistics nilai tolerance dan VIF. Hasil diperoleh

bahwa nilai toleransi dari ketiga variabel bebas lebih besar dari 0,10 dan nilai VIF lebih

kecil dari 10,0. Hal tersebut berarti tidak terdapat gejala multikolineariti pada ketiga

variabel bebas tersebut.

BAB 6 STATISTIK

DESKRIPTIF

Deskriptif merupakan gambaran data. Hoax adalah deskripsi palsu dari data

yang sesungguhnya (true). Hoax menjadi kata yang paling banyak dibully saat

ini, sedikit-sedikit hoax, itu hoax, ini hoax, semua hoax. Deskripsi data

dengan benar akan memberikan informasi yang penting ...

.. “Hoax is Hocus Pocus or Hoc est corpus which means Fake” ..

I think a simple rule of business is, if you do the things that are easier

first, then you can actually make a lot of progress ...

[Mark Zuckerberg CEO Facebook]

Secara umum statistik terbagi menjadi 2 (dua), yakni statistik deskriptif dan

statistik inferensia. Selanjutnya statistik inferensia terbagi menjadi

beberapa, yakni berdasarkan variabelnya terbagi menjadi 3 (tiga), yakni

statistik univariate, bivariate dan multivariate. Sementara berdasarkan

datanya, statistik inferensia terbagi menjadi 2 (dua) yakni, statistik

parameterik dan non-parametrik. Dalam bab ini, akan dijelaskan terkait

statistik deskriptif. Sedangkan statistik inferensia akan diurai per bab.

Statistika deskriptif sering juga disebut sebagai statistika deduktif yang

membahas tentang bagaimana merangkum sekumpulan data dalam bentuk

yang mudah dan cepat dibaca dan dipahami serta memberikan informasi

dalam bentuk tabel, grafik atau gambar lainnya. Dengan kata lain, statistik

deskriptif adalah metode analisis data yang berkaitan dengan pengolahan

dan penyajian suatu gugus data sehingga memberikan informasi yang

berguna. Statistika deskriptif hanya memberikan informasi mengenai data

yang dipunyai dan sama sekali tidak menarik kesimpulan apapun (inferensia)

tentang gugus induknya yang lebih besar (Siagian dan Sugiarto 2002). Berikut

pendapat beberapa ahli terkait definisi statistik deskriptif.

Bab 6

Statistik Deskriptif

89

▪ Nazir (2011) bahwa yang dimaksud dengan metode deskriptif adalah

untuk studi menentukan fakta dengan interpretasi yang tepat di mana

di dalamnya termasuk studi untuk melukiskan secara akurat sifat-sifat

dari beberapa fenomena kelompok dan individu serta studi untuk 65

menentukan frekuensi terjadinya suatu keadaan untuk meminimalisasi

bias dan memaksimumkan reabilitas. Metode deskripsi ini digunakan

untuk menjawab permasalah mengenai seluruh variabel penelitian

secara independen.

▪ Sudjana (1996) menjelaskan statistika deskriptif adalah fase statistika di

mana hanya berusaha melukiskan atau menganalisa kelompok yang

diberikan tanpa membuat atau menarik kesimpulan tentang populasi

atau kelompok yang lebih besar.

▪ Hasan (2002) menjelaskan bahwa statistik deskriptif adalah bagian dari

statistika yang mempelajari cara pengumpulan data dan penyajian data

sehingga mudah dipahami. Statistika deskriptif hanya berhubungan

dengan hal menguraikan atau memberikan keterangan-keterangan

mengenai suatu data atau keadaan. Dengan kata statistika deskriptif

berfungsi menerangkan keadaan, gejala, atau persoalan. Penarikan

kesimpulan pada statistika deskriptif (jika ada) hanya ditujukan pada

kumpulan data yang ada.

▪ Sugiyono (2014) menyebutkan analisis deskriptif adalah statistik yang

digunakan untuk menganalisa data dengan cara mendeskripsikan atau

menggambarkan data yang telah terkumpul sebagaimana adanya tanpa

bermaksud membuat kesimpulan yang berlaku untuk umum atau

generalisasi.

▪ Subagyo (2003) menyatakan bahwa yang dimaksud sebagai statistika

deskriptif adalah bagian statistika mengenai pengumpulan data,

penyajian, penentuan nilai-nilai statistika, pembuatan diagram atau

gambar mengenai sesuatu hal, di sini data yang disajikan dalam bentuk

yang lebih mudah dipahami atau dibaca.

Aplikasi statistik deskriptif banyak digunakan pada data-data yang banyak

(n>30) dan umumnya pada data-data yang diperoleh dari responden


90

maupun data time series untuk mengetahui nilai-nilai pemusatan dan

penyebaran. Berikut contoh analisis statistik deskriptif.

Contoh:

Diketahui data hasil survei nelayan terkait karakteristik individu

(pengalaman bekerja) dengan menggunakan kuesioner pada 60 responden,

diperoleh data sebagai berikut:

Nomor

responden

Lama Bekerja (tahun)

Nomor

responden


Nomor

responden


1 20 21 16 41 18

2 19 22 19 42 19

3 15 23 18 43 20

4 17 24 19 44 16

5 19 25 19 45 19

6 20 26 18 46 25

7 16 27 19 47 19

8 19 28 18 48 30

9 18 29 20 49 19

10 19 30 15 50 32

11 19 31 10 51 19

12 18 32 16 52 17

13 25 33 7 53 18

14 17 34 10 54 40

15 30 35 6 55 50

16 31 36 5 56 19

17 12 37 19 57 19

18 5 38 11 58 50

19 6 39 15 59 40

20 19 40 12 60 19

Bab 6


91

Analisis statistik deskriptif dapat dilakukan pada semua software statistik,

dan umumnya statistik deskriptif menjadi salah satu tools pilihan yang

tersedia dalam software tersebut, seperti Microsoft Excel (data analysis),

SPSS, Minitab, Swanstat, dan lainnya. Dalam buku ini akan dicontohkan

aplikasi analisis statistik deskriptif MS.Excel dan SPSS. Berikut tahapannya:

- Tabulasi data dalam MS.Excel>

- Klik data pada menu bar, lalu klik data analysis>


92

Klik descirptif statistics, lalu ok.

- Klik input range lalu sorot data yang akan dianalisis>

Apabila ketika menyorot data yang akan dianalisis juga mengikutkan

label, Centang Labels in First Row, dan jika tidak, abaikan

(UnCentang).

- Klik output range untuk menempatkan output analysis>

Bab 6


-

93

- Centang summary statistic, lalu ok>

Interpretasi output>

Colu mn1

Mean 19,4


94

Standard Error 1,155483121

Median 19

Mode 19

Standard Deviation 8,950333769

Sample Variance 80,10847458

Kurtosis 3,81986656

Skewness 1,585964762

Range 45

Minimum 5

Maximum 50

Sum 1164

Count

60 Kesimpulan:

Output analysis data diperoleh bahwa total data adalah 60, dengan rata-rata (mean) lama

bekerja nelayan adalah 19,4 tahun. Nilai median dan modus adalah 19, dengan standar

deviasi = 8,95 dan varian sampel = 80,10. Nilai Kurtosis = 3,82 dan nilai Skewness = 1,58.

Makna nilai Skewness dan Kurtosis adalah ukuran untuk melihat distribusi data secara

grafik.

- Nilai Skewness menunjukkan kecondongan grafik distribusi data. Dengan nilai

Skewness=1,58 yakni berada pada nilai Z-Skewness antara -1,96 dan +1,96, berarti

data mendekati simetris.

Bab 6


-

95

- Nilai Kurtosis menunjukkan keruncingan grafik distribusi data. Dengan nilai

Kurtosis=3,82 yakni dikategorikan grafik Leptokurtic, yaitu bagian tengah distribusi

data memiliki puncak yang lebih runcing (nilai keruncingan lebih dari >3).

- Kedua nilai tersebut menunjukkan bahwa data cenderung berdistribusi normal. Hal

tersebut juga tampak pada nilai mean, median, dan modus yang hampir sama

(berhimpit pada satu titik yakni 19) dengan kecondongan data ke arah kanan

(condong positif) di mana nilai mean lebih dari nilai modus (19,4>19).

Dengan data yang sama dilakukan analisis deskriptif dengan aplikasi

software SPSS, sebagai berikut:

- Input data ke dalam lembar kerja SPSS>

- Klik analyze-descriptive statistics-descriptive>


96

Klik descriptive>

- Pindahkan variabel Lama Bekerja ke sebelah kanan, lalu klik option

dan aktifkan (centang) semua deskripsi yang akan dianalisis>

Bab 6


-

97


- Diperoleh output analisis seperti berikut:

Descriptive Statistics

N Range Min Max Sum Mean Std.

Error Std.

Deviation Variance Skewness Kurtosis

Lama

Bekerja 60 45,00 5,00 50,00 1164,00 19,4000 1,15548 8,95033 80,108 1,586 3,820


98

Valid N

(listwise) 60

Kesimpulan:

Nilai yang diperoleh dari output analisis dengan aplikasi software SPSS adalah sama

dengan dengan output analysis dengan software MS.Excel.

BAB 7 STATISTIK

UNIVARIATE ... Instead of learning from other people’s success,

learn from their mistakes. Most of the people who fail share common

reasons

(to fail) whereas success can be attributed to various different kinds of

reasons ...

[Jack Ma – CEO Alibaba Group]

Statistik univariate adalah analisis statistika secara serentak dengan data

yang diamati hanya memiliki satu variabel dependen (variabel terikat) pada

setiap objek yang diamati. Menurut Notoadmodjo (2002) statistik univariate

adalah analisis yang dilakukan menganalisis tiap variabel dari hasil

penelitian. analisis univariate berfungsi untuk meringkas kumpulan data

hasil pengukuran sedemikian rupa sehingga kumpulan data tersebut

berubah menjadi informasi yang berguna. peringkasan tersebut dapat

berupa ukuran statistik, tabel, grafik. Univariate is a term commonly used in

statistics to describe a type of data which consists of observations on only a

single characteristic or attribute. A simple example of univariate data would

be the salaries of workers in industry (Kachigan 1986). Like all the other data,

univariate data can be visualized using graphs, images or other analysis tools

after the data is measured, collected, reported, and analyzed (Lacke 2010).

Statistik univariate kurang lebih sama dengan statistik deskriptif. Analisis

statistik univariate seperti halnya analisis tergolong analisis statistik

sederhana (simple analysis), yakni menganalisis terhadap 1 (satu) variabel

secara simultan (serentak). Analisis statistik univariate biasanya digunakan

untuk mengetahui distribusi frekuensi, pemusatan, penyebaran dan

normalitas data. Berikut adalah salah satu aplikasi analisis statistik univariate

pada bidang perikanan.

Contoh:


100

Diketahui data hasil survei nelayan terkait karakteristik individu meliputi;

umur, pendidikan, dan hasil tangkapan harian.


- Konversi data tersebut menjadi data ordinal (Usia<40=1; Usia 4060=1;

Usia>60=3), (TS-SD=1; SMP=2; SMA=3), (Tangkapan Sedikit <10 kg = 1;

Tangkapan Banyak >10 kg =2), seperti berikut:

Input data tersebut ke dalam SPSS>

Bab 7

Statistik Univariate

-

101

- Apabila data tersebut diubah dengan mengaktifkan view label>


-

102

Selanjutnya melakukan analisis univariate. Klik analysis-descriptive

statistics-frequencies>

- Klik frequencies>

Pindahkan ketiga variabel tersebut ke kolom sebelah kanan>

Bab 7


-

103

- Selanjutnya klik ok>

Diperoleh output, seperti berikut:

Statisti cs

Usia Pendidikan Hasil Tangkapan

N Valid 35 35 35


-

104

Missing 0 0 0

Usia

Frequency Percent Valid Percent Cumulative Percent

Valid

Usia<40 th 17 48,6 48,6 48,6

Usia 40–60 th 12 34,3 34,3 82,9

Usia >60 th 6 17,1 17,1 100,0

Total 35 100,0 100,0

Pendidikan


Valid

TS-SD 13 37,1 37,1 37,1

SMP 19 54,3 54,3 91,4

SMA 3 8,6 8,6 100,0

Total 35 100,0 100,0

Hasil Tangkapan


Valid

Hasil Tangkapan

<10 kg 13 37,1 37,1 37,1

Hasil Tangkapan

>10 kg 22 62,9 62,9 100,0

Total 35 100,0 100,0

Kesimpulan:

- Total data valid adalah 35 setiap variabel, dan tidak ada data missing.

Bab 7


-

105

- Usia nelayan dominan adalah <40 th yakni 48,6%.

- Pendidikan dominan adalah tingkat pendidikan SMP yakni 54,3%.

- Hasil tangkapan dominan adalah bobot >10 kg, yakni 62,9% atau lebih dari setengah

jumlah nelayan.

Selanjutnya melakukan analisis Crosstabs guna melihat tabel silang

antara 2 variabel, dengan tahapan sebagai berikut:

Klik analyze—descriptive statistics—crosstabs>

- Klik crosstabs>


-

106

Pindahkan variabel yang akan di analisis dengan Crosstab (tabel

silang), dan klik cell, lalu centang column dan total>


Bab 7


-

107

Diperoleh output seperti berikut:

Case Processing Summary

Cases

Valid Missing Total N Percent N Percent N Percent

Usia * Hasil Tangkapan 35 100,0% 0 0,0% 35 100,0% Pendidikan * Hasil Tangkapan 35 100,0% 0 0,0% 35 100,0%

Usia * Hasil Tangkapan Crosstabulation

Hasil Tangkapan

Total

Hasil Tangkapan <10 kg Hasil Tangkapan >10 kg

Usia

<40 th

Count 6 11 17 % within Hasil Tangkapan 46,2% 50,0% 48,6%

% of Total 17,1% 31,4% 48,6%

Usia 40-60 th


% of Total 11,4% 22,9% 34,3%


-

108

Usia

>60 th


% of Total 8,6% 8,6% 17,1%

Total


% of Total 37,1% 62,9% 100,0%


109

Pendidikan * Hasil Tangkapan Crosstabulation

HasilTangkapan Total

Hasil Tangkapan

<10 kg Hasil Tangkapan

>10 kg

TS–SD

Count 4 9 13

% within Hasil Tangkapan

30,8% 40,9% 37,1%

% of Total 11,4% 25,7% 37,1%

SMP

Count 8 11 19


61,5% 50,0% 54,3%

% of Total 22,9% 31,4% 54,3%

SMA

Count 1 2 3


7,7% 9,1% 8,6%

% of Total 2,9% 5,7% 8,6%

Total

Count 13 22 35


100,0% 100,0% 100,0%

% of Total 37,1% 62,9% 100,0%

Interpretasi output:

- Tabel Case Processing Summary menunjukkan bahwa tidak terdapat

data missing.

- Tabel crosstab antara usia dengan hasil tangkapan diperoleh bahwa

nelayan berusia <40 th memiliki jumlah tangkapan terbanyak yakni

48,6%, dengan hasil tangkapan terbanyak adalah bobot >10 kg yakni

31,4%.

Kotak 20:

Statistik univariate tampak dapat digunakan guna mengetahui distribusi

frekuensi dari masing-masing variabel pengamatan serta mengetahui tabel

silang (Crosstab) dari 2 (dua) variabel sehingga diperoleh gambaran

seberapa besar frekuensi dari kedua variabel tersebut.


-

110

BAB 8 STATISTIK

BIVARIATE

A brand for a company is like a reputation for a person. You earn

reputation by trying to do hard things well ...


Analisis bivariate adalah analisis statistik secara serentak dengan data yang

diamati terdiri dari 2 (dua) variabel dependen (variabel terikat) pada setiap

objek yang diamati. Bivariate analysis is one of the simplest forms of

quantitative (statistical) analysis. It involves the analysis of two variables

(often denoted as X, Y), for the purpose of determining the empirical

relationship between them (Babbie 2009). Analisis bivariate dikenal juga

dengan analisis korelasi. Analisis korelasi merupakan salah satu analisis

statistik yang dimaksudkan untuk mengetahui hubungan antar dua variabel.

Hubungan antara 2 variabel tersebut meliputi; signifikansi dan arah.

Menurut Croxton et al. (1968) korelasi merupakan teknik analisis statistik

yang digunakan untuk menguji atau mengetahui ada/tidaknya hubungan

serta arah hubungan dari dua variabel.

Secara umum analisis korelasi terdiri atas; a) Korelasi sederhana (Pearson

dan Spearman), b) Korelasi partial, dan c) Korelasi ganda.

- Korelasi Sederhana adalah suatu teknik statistik yang digunakan untuk

mengukur kekuatan hubungan antara 2 variabel dan juga mengetahui

bentuk hubungan keduanya dengan hasil yang bersifat kuantitatif.

Korelasi Pearson Product Moment merupakan korelasi yang digunakan

untuk data kontinu dan data diskrit. Korelasi pearson valid digunakan

untuk statistik parametrik dengan data berjumlah besar dan memiliki

ukuran parameter (mean dan standar deviasi). Korelasi Rank Spearman

merupakan korelasi yang digunakan untuk data diskrit dan kontinu,

namun untuk statistik non-parametrik.

Korelasi Parsial adalah suatu teknik statistik yang digunakan untuk

mengukur kekuatan hubungan antara 2 variabel antara variabel bebas

(independent) dan variabel tak bebas (dependent) dengan mengontrol

salah satu variabel bebas untuk melihat korelasi alaminya.

- Korelasi Ganda adalah suatu teknik statistik yang digunakan untuk

mengukur kekuatan hubungan antara tiga atau lebih variabel (dua atau

lebih variabel independen dan satu variabel dependent). Korelasi ganda

berkaitan dengan interkorelasi variabel-variabel independent

sebagaimana korelasi mereka dengan variabel dependent.

Kotak 21:

Korelasi = hubungan. Besar kecilnya hubungan antara dua variabel

dinyatakan dalam bilangan yang disebut koefisien korelasi. Nilai korelasi

memiliki rentang antara -1;0;+1. Nilai koefisien -1 &+1, menunjukkan

hubungan yang sempurna, sedangkan nilai koefisien 0 atau mendekati 0

dianggap tidak berhubungan. Kriteria korelasi (r) sebagai berikut:

[0] tidak ada korelasi; [0,01-0,5] korelasi lemah; [0,51-0,8] korelasi

sedang; [0,81-0,10] korelasi kuat; [>0,1] korelasi sempurna.

Tanda positif (+) dan negatif (-) menunjukkan arah hubungan. Tanda

positif menunjukkan arah hubungan searah, sedangkan tanda negatif

menunjukkan hubungan berlawanan.

Berikut adalah aplikasi analisis statistik bivariate (korelasi sederhana).

Diketahui data 12 petak tambak udang dengan data produksi dan data

pemberian pakan.

- Tabulasi data dalam MS. Excel>

Tambak Pemberian Pakan Produksi

1 50 4,0

2 60 5,0


-

112

3 40 1,5

4 10 0,5

5 20 1,3

6 30 3,0

Bab 8

Statistik Bivariate

Tambak Pemberian Pakan Produksi

7 50 3,5

8 60 4,5

9 30 3,0

10 40 3,5

11 50 4,4

12 20 1,5

- Input data ke dalam SPSS>

- Klik analyze-correlation-bivariate>


-

114

107

Klik bivariate>

- Pindahkan variabel data ke kolom sebelah kanan>

Bab 8

Statistik Bivariate

- Aktifkan (centang) Spearman, aktifkan Two Tailed dan Flag

Signification Correlation>

- Lalu klik ok>


-

116

109


Correlations

Pemberian Pakan Produksi

Spearman’s rho

Pemberian Pakan

Correlation Coefficient 1,000 ,939**

Sig. (2-tailed) . ,000

N 12 12

Produksi Correlation Coefficient ,939** 1,000

Sig. (2-tailed) ,000 .

N 12 12

**. Correlation is significant at the 0.01 level (2-tailed).

Kriteria penarikan keputusan koefisien korelasi yang mengacu pada

Sugiyono (2014), sebagai berikut:

Kesimpulan:

- Total data N=12

- Nilai Sig. (2-Tailed) adalah 0,000 dan nilai coeficient corelation =

0,939*. Dengan demikian disimpulkan bahwa terdapat hubungan

yang signifikan antara pemberian pakan dengan hasil produksi pada

tingkat kepercayaan 95%.

Dengan demikian, dapat disimpulkan bahwa pemberian pakan pada tambak

tersebut memberikan pengaruh yang signifikan terhadap peningkatan

produksinya.

BAB 9 STATISTIK

MULTIVARIATE It doesn’t matter if I failed. At least I passed

the concept on to others. Even if I don’t succeed, someone will

succeed ...

[Jack Ma – CEO Alibaba Group]

Analisis multivariate adalah analisis statistika secara serentak dengan

data yang diamati lebih dari dua variabel dependen (variabel terikat)

pada setiap objek yang diamati (Supranto 2004). Dengan kata lain analisis

multivariate adalah metode pengolahan variabel/data dalam jumlah

yang banyak, dengan tujuan adalah untuk mencari pengaruh variabel-

variabel tersebut terhadap suatu obyek secara simultan atau serentak.

Multivariate statistical analysis refers to multiple advanced techniques for

examining relationships among multiple variables at the same time

(Schervish 1987). Analisis multivariate dapat dilakukan untuk jenis data

metrik (rasio dan interval) maupun data non-metrik (nominal dan

interval).

9.1 Principal Component Analysis (PCA) Principal Component Analysis (PCA) atau Analisis Komponen Utama (AKU)

merupakan salah satu teknik statistika multivariate, yakni teknik yang

digunakan untuk menyederhanakan suatu data/mereduksi data, dengan

cara mentransformasi data secara linear sehingga terbentuk sistem

koordinat baru dengan varian maksimum. Analisis komponen utama

dapat digunakan untuk mereduksi dimensi suatu data tanpa mengurangi

karakteristik data tersebut secara signifikan. Analisis komponen utama

juga sering digunakan untuk menghindari masalah multikolinearitas

antar peubah bebas dalam model regresi berganda. Analisis komponen

utama merupakan analisis antara dari suatu proses penelitian yang besar

atau suatu awalan dari analisis berikutnya, bukan merupakan suatu

analisis yang langsung berakhir, misalnya komponen utama bisa

Bab 9

Statistik Multivariate

-

119

merupakan masukan untuk regresi berganda atau analisis faktor atau

analisis gerombol.

PCA adalah sebuah transformasi linier yang biasa digunakan pada

kompresi data. PCA juga merupakan teknik yang umum digunakan untuk

menarik fitur-fitur dari data pada sebuah skala berdimensi tinggi. PCA

memproyeksikan data ke dalam subspace. PCA adalah transformasi linear

untuk menentukan sistem koordinat yang baru dari data. Teknik PCA

dapat mengurangi dimensi dari data tanpa menghilangkan informasi

penting dari data tersebut. Analisis komponen utama merupakan suatu

teknik statistik untuk mengubah dari sebagian besar variabel asli yang

digunakan yang saling berkorelasi satu dengan yang lainnya menjadi satu

set variabel baru yang lebih kecil dan saling bebas (tidak berkorelasi).

Analisis komponen utama berguna untuk mereduksi data sehingga lebih

mudah untuk menginterpretasikan data-data tersebut (Johnson dan

Wichern 2002). Analisis komponen utama merupakan analisis antara dari

suatu proses penelitian yang besar atau suatu awalan dari analisis

berikutnya, bukan merupakan suatu analisis yang langsung berakhir.

Misalnya komponen utama bisa merupakan masukan untuk regresi

berganda atau analisis faktor. Menurut Hair et al. (2006), Analisis

Komponen Utama terkonsentrasi pada penjelasan struktur variansi dan

kovariansi melalui suatu kombinasi linear variabel-variabel asal dengan

tujuan utama melakukan reduksi data dan membuat interpretasi. Analisis

komponen utama lebih baik digunakan jika variabel-variabel asal saling

berkorelasi.

Principal Component Analysis (PCA) diperkenalkan pertama kali oleh Karl

Pearson tahun 1901 yang aplikasikan pada bidang biologi. Pada tahun

1947 teori ini diperkenalkan kembali oleh Karhunen, dan kemudian

dikembangkan oleh Loeve tahun l963 sehingga teori ini juga dinamakan

Karhunen-Loeve transform pada bidang ilmu telekomunikasi. Berikut

adalah tahapan analisis PCA dengan software MINITAB.

Buka software MINITAB>


120

- Input data dari file MS. Excel to Minitab>

- Klik stat-multivariate-principal components>

Bab 9


-

121

- Lalu klik ok>

Input semua variabel yang akan dianalisis pada kolom variabel,

perhatikan type of matrix (aktifkan correlation)>


122

- Lalu klik graphs untuk mengaktifkan scree plot & loading plots>

- Lalu klik ok>

Principal Component Analysis: R1; R2; R3; R4; R5; R6; R7; R8; R9; P10; P11; P12 Eigenanalysis of the

Correlation Matrix Eigenvalue0,73590,4635 0,3434

0,2287 Proportion0,0460,029 0,021

0,014 Cumulative0,9060,935 0,956

0,971

7,6019 3,7498 1,3977 1,0088

0,475 0,234 0,087 0,063

0,475 0,709 0,797 0,860

0,1718 0,0951 0,0677 0,0461

0,011 0,006 0,004 0,003

0,981 0,987 0,992 0,994

Bab 9


-

123

Eigenvalue0,0390 0,0343 0,0096 0,0066 Proportion0,002 0,002 0,001 0,000 Cumulative0,997 0,999 1,000 1,000

- Output scree plot>

Output loading plot>


124

Kesimpulan:

- Terdapat 4 faktor utama (komponen utama) yang terbentuk dengan nilai eigenvalue

>1,0 dengan proporsi keragaman mencapai 86,40%.

- Scree plot menunjukkan bahwa pada variabel 1 hingga 4 mengalami slope yang

tajam (curam) dan setelahnya landai. Hal tersebut menunjukkan bahwa kecuraman

(slope) menunjukkan keterwakilan variabel dalam faktor pembentuk (faktor utama).

- Proyeksi setiap variabel terhadap faktor/komponen 1; bahwa R1,R2,R3 dan R4

adalah yang memiliki kontribusi tertinggi.

Kotak 22:

Analisis Komponen Utama (PCA) merupakan salah satu tools analisis

statistik multivariate yang berguna untuk mereduksi data, serta dapat

digunakan untuk menghilangkan masalah multikolineariti dari data

(data terjadi korelasi antara peubah dalam variabel dependen).

9.2 Factor Analysis (FA) Faktor Analisis atau Analisis faktor merupakan salah satu statistik

multivariate yang bertujuan menganalisis variabel-variabel yang diduga

memiliki keterkaitan/korelasi satu sama lain sehingga keterkaitan

tersebut dapat dijelaskan dan dipetakan atau dikelompokkan dalam

faktor-faktor. Menurut Dennis (2006) bahwa analisis faktor merupakan

salah satu keluarga analisis multivariate yang bertujuan meringkas atau

mereduksi variabel amatan secara keseluruhan menjadi beberapa

variabel atau dimensi baru, akan tetapi variabel atau dimensi baru yang

terbentuk tetap mampu merepresentasikan variabel utama.

Asumsi mendasar dalam analisis factor adalah bahwa variabel-variabel

yang dianalisis memiliki keterkaitan atau saling berhubungan/berkorelasi

karena analisis faktor berusaha untuk mencari common dimension

(kesamaan dimensi) yang mendasari variabel-variabel tersebut. Tujuan

utama analisis faktor adalah untuk menjelaskan struktur hubungan

diantara banyak variabel dalam bentuk faktor atau vaiabel laten atau

variabel bentukan. Faktor yang terbentuk merupakan besaran acak

(random quantities) yang sebelumnya tidak dapat diamati atau diukur

Bab 9


-

125

atau ditentukan secara langsung. Berikut adalah tahapan analisis FA

dengan software MINITAB.

Kotak 23:

Dikenal dua pendekatan dalam FA, yaitu; Exploratory Factor Analysis

(EFA)dan Confirmatory Factor Analysis (CFA). EFA bila banyaknya faktor

yang terbentuk tidak ditentukan terlebih dahulu, dan CFA digunakan

apabila faktor yang terbentuk telah ditetapkan terlebih dahulu.

- Buka software MINITAB>

Input data ke dalam new worksheet MINITAB>


126

- Klik stat-multivariate-faktor analysis>

- Klik ok>

Bab 9


-

127

- Aktifkan principal components>

Lalu klik ok> Factor Analysis: R1; R2; R3; R4; R5; R6; R7; R8; R9; P10; P11; P12; P13; P14; P Principal Component Factor Analysis of the Correlation Matrix Unrotated Factor Loadings and Communalities

Variable Factor1 Factor2 Factor3 Factor4 Factor5 Factor6 Factor7

R1 0,718 -0,618 -0,011 -0,092 -0,136 -0,144 -0,124

R2 0,645 -0,679 -0,099 -0,032 0,017 0,059 0,041

R3 0,569 -0,715 0,296 -0,222 0,033 0,007 0,047


128

R4 0,661 -0,653 0,219 -0,169 0,096 -0,087 -0,006

R5 0,633 -0,303 -0,418 0,276 -0,183 -0,433 -0,089

R6 0,274 -0,235 0,407 0,776 0,219 -0,034 0,227

R7 -0,287 -0,575 0,175 0,269 -0,618 0,279 -0,104

R8 0,688 -0,516 0,109 -0,184 0,235 0,187 0,039

R9 0,372 -0,264 -0,814 0,148 0,220 0,184 0,007

P10 -0,897 0,039 -0,059 0,049 -0,093 0,039 -0,404

P11 -0,863 -0,394 -0,142 -0,017 -0,034 -0,115 0,196

P12 -0,852 -0,397 -0,089 -0,132 -0,076 -0,074 0,236

P13 -0,862 -0,408 -0,113 -0,102 -0,047 -0,096 0,064

P14 -0,842 -0,390 0,136 -0,106 0,190 -0,033 -0,118

P15 -0,634 -0,546 -0,322 0,182 0,116 0,224 -0,082

P16 -0,781 -0,254 0,206 0,199 0,281 -0,091 -0,363

Variance 7,6019 3,7498 1,3977 1,0088 0,7359 0,4635 0,3434

% Var 0,475 0,234 0,087 0,063 0,046 0,029 0,021

Kesimpulan:

- Data/variabel terbentuk ke dalam 4 faktor (nilai varian>1,0). Nilai negatif (-)

menunjukkan arah koefisien nilai untuk setiap faktor.

9.3 Multi Dimensional Scalling (MDS) Multidimensional Scaling (MDS) adalah tools analysis statistik yang

digunakan untuk memperoleh gambaran visual dari pola kedekatan

berupa kesamaan/kemiripan atau jarak di antara sekumpulan objek-

objek yang menjadi fokus kajian. MDS dapat menunjukkan dimensi

penilaian dari responden secara langsung ke dalam pola visualisasi

kedekatan mengenai kesamaan objek kajian. MDS merupakan suatu tools

analysis statistik yang paling umum digunakan dalam pemetaan

perceptual (perceptual mapping).

In Multidimensional Scaling, the objective is to transform the consumer

judgments of similarity or preferency (e.g. preference of story or brand)

into distance represented in multidimensional space. If object A dan B in

Bab 9


-

129

∑ = ( h =1) n

such a way that distance between them in multidimensional space is

similar that distance any other two pairsof object. The resultating

perceptual map show the relative positioning of all object, but additional

analysis is needed to asses which atrributes predict the position of each

object (Bronstein et al. 2006). Menurut Borg dan Groenen (2005) bahwa

MDS adalah sarana memvisualisasikan tingkat kemiripan masing-masing

kasus data set. Hal tersebut mengacu pada satu set teknik ordinasi terkait

yang digunakan dalam visualisasi informasi, khususnya untuk

menampilkan informasi yang terkandung dalam matriks jarak. Ini adalah

bentuk pengurangan dimensi non-linear. Lebih jauh bahwa algoritma

MDS bertujuan menempatkan setiap objek dalam ruang N-dimensi

sehingga jarak antar objek dapat dipertahankan sebaik mungkin.

MDS sangat populer dalam penelitian bidang pemasaran untuk

perbandingan brand, produk, hingga dan pada bidang psikologi. Bahkan

dalam bidang politik. MDS dapat digunakan untuk membandingkan calon

pemimpin antara kandidat yang satu dengan kandidat lainnya, dengan

berbagai parameter yang terukur. Pada bidang-bidang lain, seperti

kesehatan, pendidikan, pertanian dan perikanan juga banyak digunakan,

guna memperoleh gambaran kemiripan (similarity). Tools MDS

merupakan salah satu tools dalam analisis statistika multivariate yang

menunjukkan hubungan antar sejumlah objek dalam ruangan

multidimensional didasarkan pada penilaian responden mengenai

kemiripan/kedekatan (similarity) objek-objek tersebut.

Kedekatan antar objek diperoleh menggunakan jarak Euclid antara objek

ke-i dengan objek ke-j, dengan formula sebagai berikut:

dij (xih – xjh)2

Di mana:

dij = jarak antar objek ke-i dan objek ke-j Xih

= hasil pengukuran objek ke-i pada variabel h


130

Xjh = hasil pengukuran objek ke-j pada variabel h

Bab 9


131

Analisis MDS akan diperoleh output berupa; a) Perceptual Map (ordinasi),

b) R-Square (R2), dan c) STRESS (Standarized Residual Sum of Square).

- Perceptual map atau dikenal juga dengan istilah peta konfigurasi

atau ordinasi merupakan gambaran hubungan antara objek,

dinyatakan sebagai hubungan geometris antara titik-titik di dalam

ruang yang multidimensi, menunjukkan posisi (letak) suatu objek

dalam suatu peta (ordinasi). Menurut Hair et al. (2009) perceptual

map adalah representasi visual dari persepsi seorang responden

terhadap beberapa objek pada dua atau lebih dimensi. Selanjutnya

disebutkan bahwa setiap objek akan memiliki posisi spasial pada

peta persepsi tersebut yang merefleksikan kesamaan atau preferensi

(preference) ke objek lain dengan melihat dimensi-dimensi pada peta

persepsi.

- R-Square (R2) atau Koefisien Determinasi merupakan ukuran

kecocokan/ketepatan (goodness of fit measure) antara data dengan

garis estimasi regresi. R-Square (RSQ) menunjukkan besaran nilai

(persentase) data dapat menjelaskan model. Dengan kata lain

seberapa besar variabel independen dapat menjelaskan secara

keseluruhan variabel dependen. R-square (Squared Correlation)

merupakan kuadrat dari koefisien korelasi yang menunjukkan

proporsi varian dari optimalisasi penskalaan data yang

disumbangkan dari prosedur penskalaan multidimensional dan

merupakan ukuran kecocokan/ketepatan. Menurut Ghozali (2009)

bahwa koefisien determinasi atau R2 pada intinya mengukur

seberapa jauh kemampuan sebuah model dapat menerangkan

variasi variabel dependen (terikat). Nilai R2 berkisar antara 0 (nol)

dan 1 (satu) yang apabila dinyatakan dalam persentase antara 0%

hingga 100%. Nilai R2 yang kecil berarti memiliki variasi dependen

yang sangat terbatas dan nilai yang mendekati 1 berarti variabel-

variabel independen telah dapat memberi semua informasi yang

dibutuhkan untuk memprediksi variabel dependen. Dengan kata

lain, bahwa nilai yang mendekati 1 menunjukkan bahwa model dapat

dijelaskan dengan baik dari data yang ada atau nilai R-square

semakin mendekati 1 berarti data yang ada semakin terpetakan

dengan sempurna. Dalam Multidimensional Scaling (MDS), RSQ


-

132

mengindikasikan proporsi ragam input data yang dapat dijelaskan

oleh model MDS. Semakin tinggi RSQ, semakin baik model MDS.

Menurut Malhotra (2005), model RSQ dapat diterima bila RSQ > 0,6.

STRESS (Standarized Residual Sum of Square) merupakan ukuran

ketidakcocokan atau ketidaksesuaian (a lack of fit measure) antara

data dengan garis estimasi regresi. STRESS digunakan untuk melihat

apakah output mendekati keadaan yang sebenarnya atau tidak.

Semakin tinggi nilai STRESS semakin tidak cocok, sebaliknya semakin

mendekati nol (0), maka output yang dihasilkan semakin mirip

dengan keadaan yang sebenarnya. Nilai STRESS yang dapat ditolerir

adalah <20% (Kavanagh dan Pitcher 2004). Sedang menurut Kruskal

(1964) bahwa kriteria nilai STRESS untuk mendeteksi kelayakan

model, sebagai berikut:

Nilai Stress (%) Keterangan

0 – 2,50 Sempurna

2,51 – 5,0 Sangat Bagus

5,0 – 10,0 Baik

10,1 – 20,0 Cukup

>20 Kurang

Kotak 24:

Tools MDS adalah salah satu tools atau teknik analisis yang

dimaksudkan untuk melihat kedekatan (similarity) antar objek yang

dikaji. Prinsipnya semakin rapat/dekat antar objek-objek tersebut

maka semakin mirip/ sama antar objek tersebut. Jenis data dapat

berskala metrik (interval dan rasio) ataupun non-metrik (nominal dan

ordinal), sehingga MDS dapat digolongkan dalam statsitik parameterik

dan non-parametrik.

Validitas output MDS diukur dengan nilai stres dan nilai R2. Kedua nilai

tersebut berkebalikan. Semakin rendah nilai stres dan semakin tinggi

nilai R2 maka model semakin valid. Sebaliknya semakin tinggi nilai stres

dan semakin rendah nilai R2, model semakin tidak valid. Maksimum

nilai stres 20%, dan umumnya minimum nilai R2>80%.

Bab 9


-

133

Berikut adalah contoh aplikasi MDS dalam bidang perikanan. Diketahui

produk perikanan dalam bentuk kemasan, terdiri dari produk A, B, C, D

dan E. Kelima produk tersebut selanjutnya ingin diketahui kesamaannya

dari sisi; rasa, kandungan gizi, kemasan, harga, kelengkapan informasi,

dan kemudahan memperolehnya. Tahapannya sebagai berikut:

Menentukan jenis produk yang akan dibandingkan (dikaji), seperti;

Produk Bandeng Presto Merk A Merk B, dan lain-lain.

- Menentukan parameter penilaian, seperti; rasa, harga, dan lain-lain.

- Menentukan skala penilaian (good and bad), dengan menggunakan

skala ordinal (Likert), seperti; [1] rasa tidak enak, [2], rasa kurang

enak, [3] rasa cukup enak, [4] rasa enak, dan [5] rasa sangat enak.

PARAMETER GOOD SKALA BAD

RASA Sangat Enak 5 4 3 2 1 Tidak Enak

KANDUNGAN GIZI Sangat Lengkap 1 2 3 4 5 Tidak Lengkap

KEMASAN Sangat Menarik 1 2 3 4 5 Tidak Menarik

HARGA Sangat Mahal 1 2 3 4 5 Murah

KELENGKAPAN

INFORMASI Sangat Lengkap 5 4 3 2 1 Tidak Lengkap

KEMUDAHAN

MEMPEROLEH Sangat Mudah 1 2 3 4 5 Sulit

Note: Skala dapat bersifat favorable or unfavorable

- Menyusun daftar pertanyaan berupa kueisoner dan menentukan

responden.


-

134

Pertanyaan Kuesioner:

1. Menurut Bapak/Ibu/Sdr (i), bagaimana rasa produk-produk

tersebut di bawah ini:

Produk Merk A 1 2 3 4 5

Produk Merk B 1 2 3 4 5

Produk Merk C 1 2 3 4 5

Produk Merk D 1 2 3 4 5

Produk Merk E 1 2 3 4 5

Ket: [1] tidak enak; [2] kurang enak; [3] cukup enak; [4] enak; [5] sangat enak

2. Menurut Bapak/Ibu/Sdr (i), bagaimana harga produk-produk

tersebut di bawah ini:

Tabulasi data hasil kuesioner dalam MS.Excel

- Gunakan ukuran pemusatan (modus) untuk memperoleh nilai

agregasi dari sejumlah responden.

- Input data modus tersebut ke dalam worksheet SPSS. Klik variabel

view>

Bab 9


-

135

Klik data view>copy paste data MS. Excel/Word>

- Klik analyze>scale>Multidimensional Scaling (ASCAL)>


-

136

Multidimensional Scaling (ASCAL)>

- Pindahkan variabel ke kolom sebelah kanan>

Bab 9


-

137

Klik shape pada kotak data are distances>aktifkan rectangular>

- Klik continue>klik model>centang ordinal pada kotak level of

measurement>klik row pada kotak conditionality>


-

138

Klik continue>klik options, lalu centang group plots>

- Klik continue>klik ok>

Bab 9


-

139

Bab

9 Statistik

Multivariate

140

Kesimpulan:

Tampak bahwa produk A dan Produk B memiliki kemiripan dari sisi kelengkapan

informasi. Produk lainnya berbeda.

BAB 10 STATISTIK

PARAMETRIK

If you double the number of experiments you do per year you’re

going to double your inventiveness ...


Statistik parametrik merupakan analisis statistik yang mensyaratkan

beberapa hal terkait data dan variannya. Menurut Siegel (1992) bahwa

test paramaterik adalah suatu tes yang modelnya menetapkan adanya

syarat-syarat tertentu tentang parameter populasi yang merupakan

sumber sampel penelitian. Dua syarat utama yang harus dipenuhi adalah

data berdistribusi normal dan memiliki varians homogen. Statistik

Parametrik adalah teknik yang didasarkan pada asumsi bahwa data yang

diambil mempunyai distribusi normal dan menggunakan data interval

dan rasio. Beberapa uji statistik yang termasuk dalam kategori statistik

parametrik, antara lain uji korelasi pearson, uji beda nyata (uji-t, uji-z dan

uji-f atau ANOVA).

Uji beda nyata merupakan salah satu kelompok analisis statistik

inferensia. Statistik inferensia adalah teknik analisis statistik (data) yang

dapat digunakan untuk menarik kesimpulan dari sampel (contoh) yang

diambil terhadap populasi (Likert 1932). Statistik inferensia merupakan

teknik analisis data yang digunakan untuk menentukan sejauh mana

kesamaan antara hasil yang diperoleh dari suatu sampel dengan hasil

yang akan didapat pada populasi secara keseluruhan. Statistik inferensia

membantu peneliti untuk mengetahui apakah hasil yang diperoleh dari

suatu sampel dapat digeneralisasi pada populasi (Creswell 2008). Lebih

jauh statistik inferensia adalah metode yang berhubungan dengan

analisis data pada sampel untuk digunakan untuk penggeneralisasian

pada populasi. Menurut Nisfiannoor (2009) bahwa penggunaan statistik

Bab 10

Statistik Parametrik

143

inferensia didasarkan pada peluang (probability) dan sampel yang dipilih

secara acak (random).

Uji beda merupakan salah satu uji hipotesa. Tahapan uji beda, meliputi;

a) Perumusan Hipotesis (H0 dan H1), b) Penentuan Uji Statistik (jenis uji-t,

uji-z or uji-f), c) Penentuan Tingkat Kepercayaan (%) atau Tingkat

Signifikansi (α), d) Analisis Data (aplikasi software or estimasi manual), e)

Kriteria Keputusan, dan f) Penarikan Kesimpulan.

10.1. Uji-t (t-Test) Uji t (t-test) merupakan uji koefisien regresi secara parsial yang bertujuan

untuk mengetahui signifikansi peran secara parsial antara variabel

independen terhadap variabel dependen dengan mengasumsikan bahwa

variabel independen lain dianggap konstan (Sugiyono 2014). Uji-t atau

disebut pula sampel t-test merupakan salah satu uji hipotesis atau uji

beda nyata, dan merupakan uji parsial. Uji hipotesis adalah uji yang

dimaksudkan untuk menguji hipotesis yang telah dibangun sebelumnya

apakah hipotesis tersebut benar atau salah (diterima atau ditolak).

Dengan uji hipotesis, peneliti dapat menguji berbagai teori yang

berhubungan dengan masalah-masalah yang sedang diteliti/dikaji.

Uji hipotesis t-test adalah uji hipotesis yang digunakan untuk mengetahui

apakah ada perbedaan rata-rata dari sampel yang diambil sehingga uji-t

juga dikenal dengan istilah uji rata-rata. Uji-t terbagi atas 3 (tiga) jenis

yakni; one sample t-test, paired sample t-test (dependent sampel t-test)

dan independent sample t-Test.

One sample t-Test (uji-t 1 sampel) atau uji rata-rata satu populasi;

adalah teknik analisis statistik (uji-t) yang digunakan untuk

membandingkan satu variabel bebas. Teknik ini digunakan untuk

menguji apakah nilai parameter berbeda secara signifikan atau tidak

dengan nilai rata-rata sampelnya. Pada uji-t 1 (satu) sampel, dilakukan

untuk satu sampel yang kemudian dianalisis apakah ada perbedaan rata-

rata dari sampel tersebut. One sample t test digolongkan kedalam

statistik pramaterik dan statistik univariate.


144

Syarat utama uji-t 1 sampel adalah mengguji 1 parameter saja atau 1

perlakuan (univariate). Formula yang digunakan adalah sebagai berikut.

x – µ t

=

SD

Di mana;

t = nilai thitung x

= rata-rata sampel μ

= nilai parameter SD

= Standar Deviasi

N = Jumlah sampel

Paired sample t-Test (uji-t 2 sampel berpasangan) atau uji rata-rata data

berpasangan adalah teknik yang digunakan untuk membandingkan rata-

rata dua variabel dalam satu group atau disebut juga t-test dependent.

Analisis ini berguna untuk melakukan pengujian terhadap satu sampel

yang mendapatkan suatu perlakuan (treatment), kemudian akan

dibandingkan rata-rata dari sampel tersebut antara sebelum dan

sesudah perlakuan. Menurut t-test dependent atau Paired Sampel T-test

digunakan untuk membandingkan rata-rata dua set data (data sebelum

dan sesudah) yang saling berpasangan.

Syarat utama uji-t 2 sampel dependent adalah menguji 2 sampel yang

berpasangan (paired). Sampel berpasangan adalah sebuah kelompok

sampel dengan subjek yang sama namun mengalami dua perlakuan atau

pengukuran yang berbeda. Formula yang digunakan adalah sebagai

berikut.

t =

Di mana:

t = nilai thitung

N ( )

D SD N ( )

Bab 10


145

D = rata-rata selisih pengukuran sebelum dan

sesudah μ = nilai parameter

SD = Standar Deviasi selisih pengukuran

N = Jumlah sampel

Independent sample t-Test (uji-t 2 sampel bebas) atau uji rata-rata dua

populasi; adalah teknik yang digunakan untuk menentukan apakah dua

sampel yang tidak berhubungan memiliki rata-rata yang berbeda.

Independent sample t-test adalah jenis uji statistika yang bertujuan untuk

membandingkan rata-rata dua grup yang tidak saling berpasangan atau

tidak saling berkaitan. Tidak saling berpasangan dapat diartikan bahwa

penelitian dilakukan untuk 2 (dua) subjek sampel yang berbeda. Tujuan

teknik ini adalah membandingkan rata-rata dua grup yang tidak

berhubungan satu sama lain. Pertanyaannya, apakah kedua grup

tersebut mempunyai nilai rata-rata yang sama atau tidak secara

signifikan.

Syarat utama uji-t 2 sampel independen adalah menguji 2 sampel yang

tidak berpasangan (bebas). Formula yang digunakan adalah sebagai

berikut:

X1 –

X2 t = SX1 – X2 Di mana:

t = nilai thitung

X1 = rata-rata kelompok 1

X2 = rata-rata kelompok 2

Sx1-x2 = Standar Error Kedua Kelompok

Asumsi data yang harus dipenuhi dalam analisis ini adalah a) data

berskala interval/rasio, b) kelompok data saling bebas atau tidak

berpasangan, c) data setiap kelompok berdistribusi normal, d) data setiap

kelompok tidak terdapat outlier, dan e) varian antarkelompok sama atau

homogen. Dengan demikian sebelum melakukan Independent sample t-


146

test (uji-t 2 sampel bebas) maka terlebih dahulu harus dilakukan uji data

yakni; uji normalitas dan uji homogenitas.

Contoh:

Diketahui produksi tambak udang sebelum dan setelah pemberian pupuk

pada 12 petak tambak, diperoleh data sebagai berikut:

Petak Tambak Produksi Tambak

Sebelum Pemupukan Sesudah Pemupukan

1 2,0 2,5

2 1,0 2,0

3 1,5 2,0

4 2,1 3,1

5 2,3 4,0

6 4,0 5,0

7 3,0 5,2

8 4,0 6,0

9 5,0 6,1

10 3,5 4,2

11 2,4 3,1

12 1,5 2,0

Penyelesaian:

- Rumusan Hipotesa (H0 = tidak ada perbedaan antara sebelum dan

sesudah pemberian pupuk dalam peningkatan produksi tambak; H1=

terdapat perbedaan).

- Statistik uji digunakan uji-t berpasangan (paired sample t-Test),

mengingat data terdiri atas 2 sampel berpasangan dan N<30.

- Tingkat kepercayaan 95% atau tingkat signifikansi (α=0,05).

- Analisis data dilakukan dengan aplikasi software SPSS.

- Kriteria keputusan nilai sig.<0,05 artinya memiliki korelasi atau

hubungan signifikan (kuat). Nilai thitung> ttabel = H0 ditolak dan H1

diterima (terdapat perbedaan).

Bab 10


147

- Penarikan kesimpulan.

Tahapan aplikasi dengan SPSS>

- Input data ke dalam worksheet SPSS>klik variable view, dan ketik

tambak, sebelum dan sesudah, seperti berikut.

- Input data, dengan mengklik data view, dan copy-paste data dari

Microsoft Excel>

- Klik analyze-compare mean-one sample t-Test>


148

- Klik one sample t-Test>

- Pindahkan variabel data yang akan dianalisis ke kotak sebelah

kanan>

Bab 10


149

- Klik option>

- Default system telah mencantumkan tingkat kepercayaan sebesar

95% jika dianggap cukup maka lanjutkan. Klik continue, lalu klik ok>


150

- Perhatikan nilai pada tabel output paired sample corelation>

Paired Samples Correlations

N Correlation Sig.

Pair 1 Sebelum Pemupukan &

Sesudah Pemupukan 12 ,936 ,000

Keputusan : Nilai Sig.<0,05 artinya signifikan.

Kesimpulan : Terdapat hubungan atau korelasi yang signifikan (kuat) dan positif.

- Selanjutnya perhatikan hasil uji-t paired yang diperoleh seperti

berikut.

Paired Samples Test

Paired Differences

t df Sig. (2-

tailed) Mean Std.

Deviation Std.

Error Mean

95% Confidence Interval of the

Difference

Lower Upper

Pair

1 Sebelum Pemupukan

- Sesudah

Pemupukan -1,07500 ,58795 ,16973 -

1,44856 -,70144 -6,334 11 ,000

Keputusan : Nilai Sig.<0,05 artinya signifikan dan/atau nilai thitung> ttabel = H0 ditolak

dan H1 diterima.

Bab 10


151

Kesimpulan : Terdapat perbedaan yang nyata antara sebelum dan sesudah

perlakuan pemberian pupuk pada tambak terhadap produksinya.

Dengan kata lain pemberian pupuk oleh petambak akan memberikan

peningkatan yang signifikan terhadap produksinya.

Kotak 25:

Penentuan df (degree of freedom) guna memperoleh nilai ttabel

didasarkan pada nilai α (0,05), df = N-k ; df=N-1. Di mana: N= jumlah

data, k=jumlah variabel dependen.

Contoh di atas N=12 dan k=1, maka df=12-1=11

10.2 Uji-z (z-Test) Uji-z prinsipnya sama dengan uji-t yakni merupakan uji hipotesis atau uji

dua pihak. Perbedaan mendasar antar uji-z dengan uji-t adalah pada

jumlah datanya. Uji-z valid digunakan pada jumlah data besar atau

N=>30. Syarat atau kriteria uji-z adalah a) Data berdistribusi normal, b)

Variance (σ2) diketahui, c) Ukuran sampel (n) besar ≥ 30.

Uji-z dikenal dengan uji rata-rata dan uji proporsi karena dapat menguji

sampel ataupun populasi. Uji-z terdiri atas uji rata-rata satu sampel, uji

rata-rata dua sampel, uji proposi satu populasi, dan uji proposi dua

populasi. Uji-z seperti halnya uji beda atau uji hipotesis lainnya (uji-t dan

uji-f), uji-z terdiri dari uji dua arah (uji dua sisi) dan hipotesis uji satu arah

(uji satu sisi). Uji dua arah digunakan untuk mengetahui apakah dua

populasi memiliki proporsi yang sama atau tidak (H0: P1=P2 H1: P1≠P2),

sedangkan uji satu arah digunakan untuk mengetahui apakah populasi

pertama memiliki proporsi yang lebih kecil atau lebih besar dibandingkan

dengan proporsi pada populasi kedua (H0: P1≥P2 H1:P1<P2).

Contoh:

Diketahui produksi tambak dari 45 petak tambak. Peneliti ingin

mengetahui apakah terdapat perbedaan dari rata-rata produksi dari 45

petak tambak tersebut. Berikut adalah data produksinya.


152

Tambak (n)

Produksi

(kg) Tambak

(n) Produksi

(kg) Tambak

(n) Produksi

(kg)

1 2,0 16 2,5 31 2,3

2 2,0 17 2,0 32 4,0

3 1,5 18 2,0 33 3,0

4 2,0 19 3,1 34 4,0

5 2,0 20 4,0 35 5,0

6 4,0 21 5,0 36 3,5

7 3,0 22 5,2 37 2,4

8 4,0 23 6,0 38 1,5

9 5,0 24 6,1 39 1,6

10 3,5 25 4,2 40 1,7

11 2,4 26 3,1 41 2,0

12 1,5 27 2,0 42 1,0

13 1,6 28 2,5 43 1,5

14 1,8 29 2,9 44 2,1

15 2,0 30 3,0 45 2,3

Prinsipnya dalam aplikasi SPSS, tahapan uji-z satu sampel sama dengan uji-t untuk 1

sampel (one sampel t-test), yang membedakan mengapa digunakan uji-z karena jumlah

data besar (n>30).

Penyelesaian:

- Rumusan Hipotesa (H0 = rata-rata produksi udang di tambak adalah

sama; H1= rata-rata produksi udang di tambak adalah tidak sama).

- Statitik uji digunakan Uji-z1 sampel, mengingat data hanya berupa

data produksi dengan N>30.

- Tingkat kepercayaan 95% atau Tingkat signifikansi (α=0,05).


- Kriteria keputusan nilai Sig.<0,05 artinya signifikan (atau berbeda),

Nilai Zhitung>Ztabel = H0 ditolak dan H1 diterima (terdapat perbedaan).

Bab 10


153



- Input data tambak dan produksi tersebut ke dalam SPSS. Buka new

file spps, klik variable view>

- Lalu Klik data view, dan copy-paste data masuk ke cell data view>

- Klik analyze-compare mean-one sampel t-Test (menu yang

digunakan sama untuk uji-t 1 sampel)>


154

- Klik one sampel t-Test>

- Pindahkan variabel Produksi Udang yang akan dianalisis ke kotak

sebelah kanan>

Bab 10


155

- Klik ok>

- Interpretasi output berikut:

One-Sample Statistics

N Mean Std.

Deviation Std. Error Mean

ProduksiUdang 45 2,884

4 1,29579 ,19316

One-Sample Test


156

Test Value = 0

t (z) df Sig. (2-tailed) Mean Difference 95% Confidence Interval of the

Difference

Lower Upper

ProduksiUdang 14,933 44 ,000 2,88444 2,4951 3,2737

Keputusan:

Nilai Sig.<0,05 artinya signifikan. Nilai Zhitung>Ztabel = H0 ditolak dan H1 diterima.

Kesimpulan:

Rata-rata produksi udang di tambak adalah tidak sama.

Kotak 26:

Nilai Ztabel diperoleh dari pembacaan tabel-z atau dikenal juga dengan

tabel distribusi normal. Tabel ini memiliki 2 parameter utama, yakni mean

dan simpangan baku. Cara penggunaannya; tentukan jenis hipotesanya 1

arah atau 2 arah. Hipotesa 1 arah/sisi (H0: P1=P2 H1: P1≠P2), atau

Hipotesa 2 arah/sisi (H0: P1≥P2H1:P1<P2).

Contoh di atas diperoleh simpangan baku = 1,29579.

Pada tabel-Z, carilah angka 1,2 pada kolom z (kolom paling kiri). Kemudian

cari angka 0,09 pada baris z (baris paling atas). Sel para pertemuan kolom

dan baris tersebut diperoleh 0,9015.

Dengan demikian, P (X<1,25) adalah 0,9015.

10.3. Uji-F (ANOVA) Uji F adalah pengujian terhadap koefisien regresi secara simultan yang

bertujuan mengetahui pengaruh semua variabel independen yang

terdapat di dalam model secara (simultan) terhadap variabel dependen

(Sugiyono 2014). Uji-F disebut pula Anova (Analysis of Variance) adalah

teknik analisis statistik yang menguji perbedaan rerata antar grup

(Spiegel et al. 2007). Grup yang dimaksud dapat berarti kelompok atau

jenis perlakuan. Teknik Anova banyak digunakan dalam kajian yang

terkait uji perlakuan seperti pada kajian perikanan (uji perlakuan tambak,

uji alat penangkapan ikan dan lain sebagainya). Prinsipnya sama dengan

Bab 10


157

uji-t dan uji-z, namun perbedaan mendasar adalah bahwa Anova dapat

menguji perbedaan lebih dari dua kelompok/perlakuan. Sedangkan uji-t

dan uji-z terbatas pada 2 (dua) kelompok atau perlakuan. Sampel berasal

dari kelompok yang independen. Syarat atau kriteria uji Anova adalah; a)

varian antarkelompok homogen, dan b) data berdistribusi normal.

Berikut adalah tahapan analisis Anova 1 arah (one way Anova).

Contoh:

Diketahui data produksi udang pada tambak dengan 3 (tiga) perlakuan

(treatment), yakni [A] pemberian pakan, [B] pemberian

pakan+pemupukan, [C] pemberian pakan+ pemupukan + pemasangan

aerasi.

Tambak Perlakuan (Treatment) Produksi

1 A pemberian pakan 5,0

2 B pemberian pakan+pemupukan 7,0

3 C pemberian pakan+ pemupukan + pemasangan

aerasi 10,5




aerasi 9,5




aerasi 10,0




aerasi 8,5

Penyelesaian:


158

- Rumusan Hipotesa (H0 = tidak terdapat perbedaan yang nyata dari

rata-rata produksi berdasarkan treatment/perlakuan; H1= terdapat

perbedaan).

- Statitik uji digunakan uji-F one-way Anova, mengingat data hanya

berupa data produksi dengan N>30.



- Kriteria keputusan nilai Sig.<0,05 artinya signifikan (atau berbeda),

Nilai Fhitung>Ftabel = H0 ditolak dan H1 diterima (terdapat perbedaan).



- Input data ke dalam SPSS. Buka new file SPPS, klik variable view>

- Pada kolom “value” input kode dari perlakuan menjadi numerik (1=

A, 2=B, 3=C), seperti berikut:

Bab

10 Statistik

Parametrik

159

Input data ke dalam data view>

- Pada menubar, pilih analyze, compare means, one-way Anova>

- Klik one-way Anova>


-

160

- Pindahkan kedua variabel kajian, di mana variabel produksi ke kolom

dependent list dan variabel treatment ke kolom faktor>

Klik tombol options, lalu aktifkan “descriptive” dan “homogenity of

variance test“>

Bab

10 Statistik

Parametrik

161

- Lalu klik continue, kemudian klik post hoc, Centang Bonferroni dan

Games-Howell serta biarkan significance level = 0,05>

- Klik continue, lalu klik ok maka muncul output>


-

162

- Interpretasi output berikut:

Descriptives

Produksi

N Mean

Std. Deviation

Std.

Error 95% Confidence Interval for Mean

Minimum Maximum Lower Bound Upper Bound

A 4 5,5000 1,29099 ,64550 3,4457 7,5543 4,00 7,00

B 4 7,1250 ,85391 ,42696 5,7662 8,4838 6,00 8,00

C 4 9,6250 ,85391 ,42696 8,2662 10,9838 8,50 10,50

Total 12 7,4167 1,99811 ,57680 6,1471 8,6862 4,00 10,50

- Tabel Descriptive menunjukkan bahwa total sampel 12 sampel.

- Rata-rata produksi tertinggi terjadi tambak dengan treatment C

yakni 9,62 ton per tahun.

- Selanjutnya perhatikan output Test of Homogeneity of Variances,

seperti berikut:

T est of Homogeneity of Vari ances

Produksi

Levene Statistic df1 df2 Sig.

,750 2 9 ,500

Bab

10 Statistik

Parametrik

163

- Tabel Test of Homegeneity of Variances terlihat bahwa hasil uji

menunjukkan bahwa varian ketiga kelompok tersebut sama (P-

value=0,50), di mana salah satu asumsi uji Anova adalah P-

Value>0,05 (95%) sehingga uji Anova valid untuk menguji hubungan

yang dihipotesis.

Selanjutnya perhatikan output uji Anova, seperti berikut:

ANOVA

Produksi Sum of Squares df Mean Square F Sig.

Between Groups 34,542 2 17,271 16,580 ,001

Within Groups 9,375 9 1,042

Total 43,917 11

Keputusan: Nilai Sig.(0,01) <0,05 artinya signifikan dan/atau nilai Fhitung>Ftabel = H0

ditolak dan H1 diterima.

Kesimpulan: Terdapat perbedaan yang nyata dari rata-rata produksi berdasarkan

treatment/perlakuan.

Kotak 27:

Penentuan nilai Fhitung didasarkan pada nilai df1 (N1) dan df2 (N2).

df1 = k -1 dan df2 = n – k, di mana df=derajat bebas, k=perlakuan,

n=jumlah data. Contoh di atas diketahui; k=3 dan n= 12, maka df1=

2 dan df2=9 maka nilai F tabel

pada taraf kepercayaan 95% (α=0,05)

diperoleh = 4,26


-

164

- Selanjutnya, karena terdapat signifikansi atau dengan kata lain

terdapat perbedaan yang nyata maka perlu dilakukan post hoc test.

Karena hasil Test of Homogeneity diperoleh varian ketiga kelompok

tersebut sama maka uji lanjut (Post Hoc Test) yang digunakan adalah

Uji Bonferroni. Multiple Comparisons

Dependent Variable: Produksi

(I) Treatment

(J) Treatment

Mean Difference (I-J)

Std.

Error Sig. 95% Confidence Interval

Lower Bound Upper Bound

A

B -1,62500 ,72169 ,153 -3,7419 ,4919 C -4,12500* ,72169 ,001 -6,2419 -2,0081

Bonferroni B

A 1,62500 ,72169 ,153 -,4919 3,7419 C -2,50000* ,72169 ,021 -4,6169 -,3831

C A 4,12500* ,72169 ,001 2,0081 6,2419 B 2,50000* ,72169 ,021 ,3831 4,6169

Games-

A B -1,62500 ,77392 ,181 -4,1085 ,8585 C -4,12500* ,77392 ,006 -6,6085 -1,6415

A 1,62500 ,77392 ,181 -,8585 4,1085

Howell B C -2,50000* ,60381 ,014 -4,3526 -,6474

C A 4,12500* ,77392 ,006 1,6415 6,6085 B 2,50000* ,60381 ,014 ,6474 4,3526

*. The mean difference is significant at the 0.05 level.

Keputusan: Hasil signifikansi baik pada Uji Bonferroni ataupun uji Games-Howell

menunjukkan adanya signifikansi dengan tanda “*”.

Kesimpulan: Terdapat perbedaan atau pengaruh yang signifikan dari perlakuan

(treatment) terhadap produksi udang di tambak. Terdapat perbedaan

antara perlakuan A-C, dan perlakuan B-C, sedang perlakuan A-B tidak ada

perbedaan.

BAB 11 STATISTIK

NON-PARAMETRIK

.. Discuss Memoranda, Not Slide Shows ...


“In Amazon, Bezos never wanted any of the discussion go unfruitful.

In order to achieve this, he removed the traditional slide-show

presentations where a person presents his views to a group of

people. Bezos found that this method lacks efficiency since no

person can have full concentration throughout the entire

presentation. And so, instead, Bezos made all meetings structured

around a 6-page narrative memo.

The presenter has to write his ideas out in complete sentences and

complete paragraphs. This method was found to achieve a deeper clarity

of thinking and much better efficiency”

Statistik non-parametrik merupakan analisis statistik yang tidak

mensyaratkan parameter-parameter populasi. Statistik non-parametrik

merupakan metode statistik yang dapat digunakan dengan mengabaikan

asumsi-asumsi yang melandasi penggunaan metode statistik parametrik,

terutama yang berkaitan dengan distribusi normal dan homogenitas.

Menurut Siegel (1992) bahwa tes non-paramaterik adalah suatu tes yang

modelnya tidak menetapkan syarat-syarat mengenai parameter populasi

yang merupakan induk sampel penelitian. Istilah lain yang sering

digunakan untuk statistik non-parametrik adalah statistik bebas distribusi

(distribution free statistics) dan uji bebas asumsi (assumption-freetest).

Menurut Spiegel (2007) bahwa statistik non-parametrik adalah jenis

statistik inferensia yang tidak mengharuskan data berdistribusi normal

dan jenis data yang digunakan adalah data nominal dan ordinal. Lebih

rinci menurut menurut Daniel (1989) bahwa terdapat dua tipe utama

prosedur statistik non-parametrik yakni a) prosedur-prosedur

Bab 11 Statistik Non-

Parameterik

167

nonparametrik murni dan b) prosedur-prosedur bebas distribusi

(distribution free procedures).

Beberapa uji statistik yang termasuk dalam kategori statistik

nonparametrik, antara lain; uji tanda (sign test), uji korelasi peringkat

(Spearman), uji peringkat 2 sampel (Wilcoxon), uji run, uji chi square,

Kruskal-Wallis, Mann-Whitney, Friedman, dan Kendall.

11.1 Mann-Whitney Mann-Whitney atau Mann Whitney U Test adalah salah satu uji statistik

non-parametrik. Mann Whitney U Test adalah bertujuan mengetahui

perbedaan median 2 (dua) kelompok bebas (independent). Uji

MannWhitney merupakan alternatif bagi uji-t karena tidak memenuhi

syarat statistik parametrik, di mana data berskala ordinal atau interval,

dan data tidak berdistribusi normal. Asumsi yang berlaku dalam uji Mann-

Whitney adalah a) Sampel berasal dari populasi adalah acak, b) Sampel

bersifat independen (bebas), c) Data berskala ordinal atau interval, dan

d) Data tidak berdistribusi normal.

Tahapan uji Mann-Whitney, meliputi a) Perumusan Hipotesis (H0 dan H1),

b) Penentuan Tingkat atau Signifikansi (Α) Tingkat Kepercayaan (%), c)

Analisis Data (aplikasi software), e) Kriteria Keputusan dan f) Penarikan

Kesimpulan.

Contoh:

Diketahui nelayan menggunakan alat tangkap pancing dengan alat bantu

umpan yang berbeda (umpan tiruan terbuat dari bulu sutra dan umpan

berupa potongan ikan). Berikut adalah data hasil tangkapan pancing

(produksi) dengan dua metode (treatment) yang berbeda tersebut.

No Treatment Produksi No Treatment Produksi

1 Umpan Tiruan 2,5 11 Umpan Ikan 4,5





168







Penyelesaian:

- Rumusan Hipotesa (H0 = tidak ada perbedaan data satu dengan

lainnya; H1= terdapat perbedaan).

- Statitik uji digunakan Uji Mann Whitney, mengingat data tidak

memenuhi kriteria parametrik test uji-t.



- Kriteria keputusan nilai Sig.<0,05 artinya signifikan (nyata). Tolak H0

p(μ<α) untuk uji satu arah atau H0 p(μ<α/2) untuk uji dua arah.



- Input data ke dalam Worksheet SPSS>


Parameterik

169

- Klik Analyze, Non Parametric Test, Legacy Dialogs, 2 Independent

Samples>

- Klik 2 Independent Samples>

- Input variabel Produksi ke kolom Test Variables List dan input

Treatment ke kolom grouping variable>


170

- Klik Define Groups dan input nilai 1 untuk Group 1 dan 2 untuk Group

2, dan aktifkan (centang) Mann-Whitney U>

- Klik continues, lalu Klik OK>


Parameterik

171

- Interprestasi output >

Ranks

Treatment N Mean Rank Sum of Ranks

Produksi

Umpan Tiruan 10 5,85 58,50

Umpan Ikan 10 15,15 151,50

Total 20

- Output di atas menunjukkan Mean Rank atau rata-rata peringkat tiap

kelompok yaitu pada kelompok pertama rerata peringkatnya 5,50

lebih rendah dari rerata peringkat kedua, yaitu 15,50.

- Selanjutnya menguji kedua rerata tersebut apakah perbedaan rerata

peringkat kedua kelompok di atas signifikan atau tidak, lihat output

berikut:

Test Statisticsa Produksi

Mann-Whitney U 3,500

Wilcoxon W 58,500

Z -3,532


Exact Sig. [2*(1-tailed Sig.)] ,000b


172

a. Grouping Variable:

Treatmen t

b. Not corrected for ties

Keputusan: Asymp. Sig. (2-tailed) 0,000<0,05 artinya signifikan Nilai Zhitung>Ztabel = H0

ditolak dan H1 diterima.

Kesimpulan: Terdapat perbedaan yang nyata (signifikan) dari kedua perlakuan yang

dilakukan.

11.2 Freidman Test Uji Friedman dilakukan untuk mengetahui perbedaan lebih dari dua

kelompok sampel yang saling berhubungan. Uji Friedman merupakan

alternative dari Anova 2-arah (two way analysis of variance). Uji ini

dilakukan jika asumsi-asumsi dalam statistik parametrik tidak terpenuhi,

atau juga karena sampel yang terlalu sedikit. Friedman Test

mensyaratkan tidak ada ulangan (replication) perlakuan yang diberikan

kepada unitunit percobaan. Artinya, hanya ada 1 (satu) pengamatan

untuk setiap perlakuan di dalam setiap blok. Asumsi dalam Friedman Test

adalah ketika asumsi-asumsi yang dibutuhkan oleh metode 2-way Anova

parametrik tidak terpenuhi, seperti data tidak terdistribusi normal, data

berskala ordinal.

Contoh:

Sebuah program pembangunan perikanan diujicobakan pada desa

nelayan. Peneliti ingin mengetahui bagaimana respons masyarakat

terhadap program tersebut pada 3 kondisi, yakni sebelum program

masuk, sewaktu program berjalan dan pasca program. Sampel diambil

pada masyarakat kunci (aparat desa, tokoh masyarakat, tokoh pemuda,

tokoh wanita, dan perwakilan kelompok masyarakat). Total responden

kunci adalah 10 orang. Data diukur dalam skala ordinal (1=respon rendah,

2=respon sedang, 3=respon tinggi). Apakah terdapat perbedaan antara

ketiga kelompok sampel tersebut? Data sampel sebagai berikut:

Responden Pre Program In Program Post Program

1 3 2 3


Parameterik

173

2 3 2 3

3 2 3 3

4 3 3 3

5 3 3 1

6 3 2 2

7 2 1 2

8 2 1 1

9 1 3 2

10 3 3 3

Penyelesaian:

- Rumusan Hipotesa (H0= tidak terdapat perbedaan nilai rata-rata

antara pre program, in program dan post program; H1= terdapat

perbedaan).

- Statitik uji digunakan Uji Friedman, mengingat data tidak memenuhi

kriteria parametrik test untuk uji Anova two-way (2 arah).



- Kriteria keputusan nilai Sig.<0,05 artinya signifikan (nyata). Tolak H0

p(μ<α) untuk uji satu arah, atau H0 p(μ<α/2) untuk uji dua arah.



- Input data ke dalam worksheet SPSS>


174

- Klik analyze > non parametrics > test-legacy dialogs > K related

samples>


Parameterik

175

Klik K related samples>

- Pindahkan variabel ke kotak sebelah kanan>

- Klik statistics dan aktifkan descriptive> klik continue>


-

176

- Centang Friedman> klik ok>


Test Statisticsa

N 10

Chi-Square 1,280

df 2

Asymp. Sig. ,527


Parameterik

177

a. Friedman Test

Keputusan: Asymp. Sig. 0,527> 0,05 artinya tidak signifikan dengan Nilai Chi-Square

1,280 = H0 diterima dan H1 ditolak.

Kesimpulan: Tidak terdapat perbedaan nilai rata-rata antara pre program, in

program, dan post program, artinya tidak terdapat perbedaan respons

terhadap program baik sebelum, ketikan maupun pasca program.

11.3 Kendall Test Uji Kendall merupakan uji koefisien korelasi yang termasuk dalam uji

statistik non-parametrik. Uji Kendall merupakan alternatif dari uji korelasi

dari data berpasangan yang tidak memenuhi kriteria statistik parametrik,

seperti data tidak berdisitribusi normal, data homoskedastisitas alias

tidak mengalami gejala heteroskedastisitas, data tidak mengalami

gejalan autokorelasi dan data tidak mengalami gejala multikolineariti. Uji

Kendall merupakan alternatif dari uji Pearson.

Uji Kendall dikenal juga dengan istilah uji Konkordansi atau Kendall Tau.

Menurut Field (2000) bahwa Kendall ‘Tau is nonparametric correlation

and it should be used rather than Spearman’s coeffecient when you have

a small data set with a large number of tied ranks, Kendall ‘Tau should be

used. Although Spearman’s statistic is the more popular of the two

coefficients, there is much to suggest that Kendall’s statistic is actually a

better estimate of the correlation in the population. Uji Kendall’s Tau

digunakan untuk melihat korelasi (hubungan) dari data dari data yang

bersumber dari subjek yang sama atau data berpasangan. Formula uji

Kendall’s Tau, sebagai berikut. S

λ =

1/2n(n – 1) Di mana:

λ = Nilai koefisien Kendall Tau.

S = Pembilang yang berasal dari jumlah konkordansi dan

diskonkordasi jenjang secara keseluruhan.

N = Jumlah sampel.

1 dan 2 = Konstanta.


-

178

Contoh:

Peneliti ingin mengetahui hubungan antara data produksi perikanan

tangkap dengan data ekspornya yang dicatat dalam 1 tahun (12 bulan).

Dengan mengetahui apakah terdapat hubungan atau tidak maka dapat

direkomendasikan berbagai upaya (program).

Data Produksi (kg) Data Ekspor (kg)

2.000 100

2.400 200

3.000 300

4.000 250

2.000 300

1.800 300

2.000 260

3.000 280

3.200 300

4.000 320

5.000 350

3.500 350

Penyelesaian:

- Rumusan hipotesa (H0= tidak terdapat hubungan antara produksi

dan ekspor, H1= terdapat hubungan).

- Statitik uji digunakan uji Kendall Tau, mengingat data tidak

memenuhi kriteria parametrik test untuk uji korelasi 2 variabel (uji

Pearson) serta data bersumber dari subjek yang sama atau data

berpasangan.

Tingkat kepercayaan 95% atau tingkat signifikansi (α=0,05).


- Kriteria keputusan nilai Sig.<0,05 artinya signifikan (nyata).


Parameterik

179

- Tolak H0 p(μ<α) untuk uji satu arah, atau H0 p(μ<α/2) untuk uji dua

arah.




- Klik analyze – correlate – bivariate>



-

180

- Aktifkan (Centang) Kendall’s tau-b-two tailed-flag significant

correlation>

Lalu klik ok>


Parameterik

181

- Interpretasi output>

Correlations

Produksi Ekspor

Kendall’s

tau_b

Produksi

Correlation Coefficient 1,000 ,400


N 12 12

Ekspor

Correlation Coefficient ,400 1,000

Sig. (2-tailed) ,088 .

N 12 12

Keputusan: Nilai Sig. (2 tailed) diperoleh 0,088 > 0,05 yang berarti tidak signifikan

atau terima H0 dan tolak H1. Nilai korelasi juga relatif rendah yakni

0,400 sehingga tidak signifikan.

Kesimpulan: Tidak terdapat hubungan antara produksi dan ekspor.

11.4 Spearman Test Uji Spearman merupakan uji koefisien korelasi yang termasuk dalam uji

statistik non-parametrik. Uji Spearman merupakan alternatif dari uji

korelasi dari data tidak berpasangan atau dari subyek berbeda dan data

tidak memenuhi kriteria statistik parametrik, seperti data tidak

berdisitribusi normal, data homoskedastisitas alias tidak mengalami


-

182

gejala heteroskedastisitas, data tidak mengalami gejalan autokorelasi

dan data tidak mengalami gejala multikolineariti. Uji Spearman

merupakan alternatif dari uji Pearson.

Uji Spearman atau uji Spearman-rho merupakan uji asosiatif atau uji guna

mengetahui ada tidaknya hubungan (korelasi). Menurut Field (2000)

bahwa Spearman’s correlation coeffcient, r, is a nonparametric statistic

and so can be used when data have violated parametric assumptions such

as non-normally distribution data. Spearman’s test works by firt ranking

the data, and then applying pearson’s equation to those ranks”. Uji

Spearman-rho digunakan untuk melihat korelasi (hubungan) dari data

yang berasal dari subjek yang berbeda atau data tidak berpasangan.

Formula uji Spearman-rho, sebagai berikut:

6x ∑ni=1

D2 rs = nx(n2 – 1) Di mana:

rs = Korelasi Rank Spearman.

D = Perbedaan/selisih peringkat antara variabel bebas dan

terikat. n =

Jumlah sampel.

1 dan 6 = Konstanta.

Contoh:

Peneliti ingin mengetahui hubungan antara data produksi perikanan

tangkap elayan A dengan Nelayan B yang dicatat dalam 1 tahun (12

bulan). Dengan mengetahui apakah terdapat hubungan atau tidak maka

dapat direkomendasikan berbagai upaya (program).

Produksi Nelayan A (kg) Produksi Nelayan B (kg)

150 100

200 200

240 300

220 400

330 420


Parameterik

183

300 300

400 450

200 250


184

Produksi Nelayan A (kg) Produksi Nelayan B (kg)

260 260

280 270

300 320

350 300

Penyelesaian:

- Rumusan hipotesis (H0= tidak terdapat hubungan antara produksi

nelayan A dan B, H1= terdapat hubungan).

- Statitik uji digunakan uji Spearman-rho, mengingat data tidak

memenuhi kriteria parametrik test untuk uji korelasi 2 variabel (uji

Pearson) serta data bersumber dari subjek yang berbeda atau data tidak

berpasangan.



- Kriteria keputusan nilai Sig.<0,05 artinya signifikan (nyata).

- Tolak H0 p(μ<α) untuk uji satu arah, atau H0 p(μ<α/2) untuk uji dua arah.





Parameterik

185

- Klik analyze – correlate – bivariate>


- Aktifkan (centang) Spearman-two tailed-flag significant correlation>


186

- Lalu klik ok>

- Interpretasi output>

Correlations

Produksi_

Nelayan_A Produksi_

Nelayan_B

Spearman’s

rho

Produksi_

Nelayan_A

Correlation Coefficient 1,000 ,760**


N 12 12

Correlation Coefficient ,760** 1,000


Parameterik

187

Produksi_

Nelayan_B Sig. (2-tailed) ,004 .

N 12 12

**. Correlation is significant at the 0.01 level (2-tailed).

Keputusan: Nilai Sig. (2 tailed) diperoleh 0,004< 0,05 yang berarti signifikan atau tolak

H0 dan terima H1. Nilai Korelasi juga menunjukkan 0,760** yang berarti

signifikan pada level 0,01 (1%) untuk uji 2 arah (two tailed).

Kesimpulan: Terdapat hubungan antara produksi Nelayan A dan produksi Nelayan B.

Kotak 28:

Statistik non parametrik adalah uji statistik alternatif, apabila data dan

varians data tidak memenuhi asumsi-asumsi pada statistik parametrik.

Asumsi data tersebutlah yang menjadi perbedaan mendasar antara

statistik parametrik & statistik non parametrik. Kelebihan uji statistik non

parametrik, yakni perhitungan sederhana dan cepat, data dapat berupa

data kualitatif (nominal atau ordinal), serta data tidak harus distribusi

normal. Sementara kelemahannya adalah tidak memanfaatkan semua

informasi dari sampel sehingga menjadi kurang efisien.

BAB 12

STRUCTURAL

EQUATION MODEL

(SEM) ... Base Your Strategy on Things That Won’t Change ...

[Jeff Bezos - CEO Amazon.Com]

“Majority of entrepreneurs would formulate their strategies by focusing

on things that would trend in next 10 years. Whereas Bezos always

formulated strategies on things that would remain stable over time,

there by putting his energy on something that customers would still

care in next 10 years. For e.g. Amazon always tried to become a

company that provided the cheapest goods because Bezos knew, for

the next 10 years or more, no customer would wish they could get costly

goods”

Structural Model Equation (SEM) merupakan teknik pemodelan statistik

cross-sectional yang umum, terutama linier, analisis faktor, analisis jalur, dan

regresi. SEM termasuk teknik confirmatory, dan bukan exploratory, yang

berarti peneliti lebih cenderung menggunakan SEM untuk menentukan

apakah suatu model tertentu valid daripada menggunakan SEM untuk

menemukan model yang ideal. Menurut Hox dan Bechger (1998) bahwa SEM

adalah suatu kombinasi analisis faktor dan analisis regresi atau analisis jalur.

Lebih jauh disebutkan bahwa dalam penyusunan variabel laten didasarkan

atas theoretical constructs yang juga dihitung berdasarkan metode regresi.

Selanjutnya model structural didasarkan atas covariances antara variabel

eksogen, variabel antara, dan variabel endogen. SEM dikenal juga dengan

Analysis of Covariance Structures atau model sebab akibat (causal

modeling).

Untuk meyakinkan agar model dapat diterima, digunakan kriteria Good of Fit

Index untuk Evaluasi Model, sebagai berikut.


190

Goodness of

fit index Uraian Cut-off Value

Chi-square Menguji apakah covariance populasi yang

diestimasi sama dengan covariance sampel

(apakah model sesuai dengan data). Bersifat

sangat sensitif untuk sampel besar (>200)

Diharapkan Kecil

Probability Uji signifikansi terhadap perbedaan matriks

covariance data dan matriks covariance yang

diestimasi

0,05

RMSEA Mengkompensasi kelemahan Chi-Square

pada sampel besar 0,08

GFI Menghitung proporsi tertimbang varian

dalam matriks sampel yang dijelaskan oleh

matriks covariance populasi yang diestimasi

(analog dengan R2 dalam regresi berganda)

0,90

AGFI GFI yang disesuaikan terhadap DF 0,90

CMIND/DF Kesesuaian antara data dan model. 2,00

TLI Pembandingan antara model yang diuji

terhadap base line model 0,95

CFI Uji kelayakan model yang tidak sensitif terhadap besarnya sample dan kerumitan

model

0,94

Sumber: Ferdinand (2002)

Aplikasi SEM dalam buku ini dilakukan dengan bantuan software AMOS

(limited version). AMOS (Analisis of Moment Structures) merupakan

pendekatan umum teknik analisis data dalam model persamaan struktural

(Structural Equation Model).

Contoh:

Survei terhadap sikap dan tindakan (praktik) masyarakat nelayan apakah

dipengaruhi umur, pendidikan dan pendapatan. Total responden 160 orang,

dipilih secara acak (random). Berikut tahapan analisisnya dengan

pendekatan SEM dengan software AMOS. Berikut tahapannya:


Bab 12 Structural Equation

Model (SEM)

-

191

- Tentukan variabel eksogen (X) dan variabel endogen (Y).

Input data dalam format .sav (SPSS), buka variabel view>

- Klik data view>


-

192

Buka software AMOS (tools ini telah terintegrasi dengan SPSS

terbaru), jadi dapat dibuka via SPSS>

- Maka akan terbuka lembar kerja AMOS>


Model (SEM)

-

193

Input variabel-variabel yang akan disimulasikan, gunakan draw

observer variabel untuk membuat kotak>

- Link-kan ke semua variabel tersebut, dengan menggunakan draw

paths (satu arah) dan draw covariance (dua arah), dan rapikan link

tersebut dengan touch up a variable>


-

194

Menambahkan error (epsilon) pada variabel terikat (dependent

variabel), seperti berikut;

- Input tulisan (simbol) error dengan klik plugins-name unobserved

variables>


Model (SEM)

-

195

Selanjutnya input data dari SPSS ke dalam AMOS dengan mengklik

select data files>

- Lalu klik ok. Selanjutnya klik list variables in data set>


-

196

Input variabel list tersebut ke dalam kotak-kotak yang dibuat dengan

cara men-drag masuk ke dalam kotak tersebut> lalu tambahkan title

pada layar utama dengan mengklik figure caption, umumnya

meliputi Chi-Square, df, dan probability>


Model (SEM)

-

197

- Lalu klik ok>

Selanjutnya save file tersebut, sebelum melanjutkan ke run. Klik save

the current path diagram>


-

198

- Selanjutnya run data tersebut dengan mengklik calculate estimate,

kemudian klik view the output path diagram>

Selanjutnya klik view text untuk memunculkan output text-nya>

Kesimpulan:


Model (SEM)

-

199

Perhatikan output pada nilai P (P-value), hasil menunjukkan bahwa tidak terdapat

variabel independen yang berpengaruh secara langsung terhadap variabel dependen,

di mana P-value>0,05. Dalam artian bahwa umur, pendidikan, dan pendapatan secara

langsung tidak berpengaruh terhadap sikap dan praktik (tindakan). Tetapi secara tidak

langsung variabel umur, pendidikan, dan pendapatan berpengaruh nyata terhadap

praktik (tindakan). Dengan demikian, dalam pengelolaan perikanan, variabel-variabel

seperti; umur, pendidikan, dan pendapatan berpengaruh tidak langsung terhadap

praktik (tindakan).

Kotak 29:

Perbedaan mendasar analisis regresi, analisi jalur (path) dan SEM adalah

kemampuan SEM Analysis untuk mengungkap peran/pengaruh dari variabel

laten. Variabel laten merupakan variabel yang tidak terukur (unmeasure),

seperti bagaimana kecerdasan seseorang (intelegency) berpengaruh terhadap

kesejahteraannya.

REFERENSI

Ackoff RL 1989. From data to wisdom. Journal of

Applied Systems Analysis 16: 3–9.

Allen dan Yen. 1979. Fisika 2. Jakarta: Erlangga.

Arikunto S. 2006. Prosedur Penelitian: Suatu Pendekatan Praktek. Cetakan

ketiga Belas (Edisi RevisiVI). Jakarta PT Rineka Cipta.

Arikunto S. 2005. Manajemen Penelitian. Edisi Revisi. Jakarta: Rineka Cipta.

Arikunto S. 2002. Prosedur Penelitian: Suatu Pendekatan Praktek. Cetakan

kedua Belas (Edisi Revisi V). Jakarta PT Rineka Cipta.

Azwar S. 2006. Reliabilitas dan Validitas (Edisi III). Yogyakarta: Pustaka

Pelajar.

Azwar S. 1986. Reliabilitas dan Validitas: Interpretasi dan Komputasi.

Yogyakarta: Pustaka Pelajar.

Babbie ER. 2009. The Practice of Social Research, 12th edition, Wadsworth

Publishing. pp. 436–440.

Bierly III PE, Kessler EH, and Christensen EW. 2000. Organizational learning,

knowledge and wisdom. Journal of Organizational Change 13(6): 595–

618.

Borg I, Groenen P. 2005. Modern Multidimensional Scaling: Theory and

applications (2nd ed.). New York: Springer-Verlag. pp. 207–212.

Borg I, Groenen P. 2005. Modern Multidimensional Scaling: Theory and

applications (2nd ed.). New York: Springer-Verlag. pp. 207–212.

Bronstein AM, Bronstein MM, Kimmel R. 2006. Generalized

multidimensional scaling: a framework for isometry-invariant partial

surface matching. Proc. Natl. Acad. Sci. U.S.A. 103(5).

Budiarto E. 2002. Metodologi Penelitian Kedokteran: Sebuah Pengantar.

Jakarta: Buku Kedokteran EGC.

Croxton FE, Cowden DJ, K. Sidney. 1968. Applied General Statistics. Pitman.

p625.

Davis GB. 2002. Kerangka Dasar: Sistem Informasi Manajemen, Bagian I

Pengantar. Seri Manajemen No. 90-A. Cetakan Kedua Belas. Jakarta:

PT. Pustaka Binawan Pressindo.

Dennis C. 2006. The Essentials of Factor Analysis (edisi ke-3rd), Continuum

International, ISBN 978-0-8264-8000-2.

Daniel WW. 1989. Statistika Non Parametrik Terapan. George State

University. USA. Jakarta: PT Gramedia.

Ferdinand. A. 2002. Metode Penelitian Manajemen. Semarang: Badan

Penerbit Universitas Diponegoro.

Ghozali I. 2009. Aplikasi analisis Multivariate dengan Program SPSS.

Semarang: Badan Penerbit Universitas Diponegoro.

Gujarati D. 2003. Ekonometri Dasar (Terjemahan). Jakarta: Erlangga.

Hair JF, Rolph E. Anderson, Ronald L. Tatham, William C. Black. 2006.

Multivariate Data Analysis. Sixth Edition, Pearson Education Prentice

Hall, Inc.

Hamidi. 2004. Metode Penelitian Kualitatif: Aplikasi Praktis Pembuatan

Proposal dan Laporan Penelitian. Malang: UMM Press.

Hasan MI. 2002. Pokok-pokok Materi Statistika 1 (Statistik Deskriptif). Edisi

Kedua. Jakarta: PT. Bumi Aksara.

Hasan MI. 2009. analisis Data Penelitian Dengan Statistik. PT. Bumi Aksara.

Jakarta.

Hoppe A, Seising R, Nurnberger A, dan Wenzel C. 2011. Wisdom – The Blurry

Top Of Human Cognition In the DIKW-model?. [Tersedia pada:

http://www.atlantispress.com/php/download_paper.php?]

Hora SC. 2004. Probability judgments for continuous quantities: linear

combinations and calibration. Management Science 50: 597–604.

Hox JJ dan Bechger TM. 1998. An Introduction to Structural Equation

Modeling. Family Science Review 11: 354–373. Referensi


202

Jankowski A. dan A. Skowron. 2007. A wistech paradigm for intelligent

system. In Peters, J F. et al. (Eds.): Transactions on Rough Sets VI, LNCS

4374, 94–132, Springer-Verlag Berlin Heidelberg.

Jogiyanto. 2005. Analisis dan Desain Sistem Informasi. Yogyakarta: Penerbit

Andi.

Johnson N, Wichern D. 2002. Applied Multivariate Statistical Analysis. 5 th

Edition. New Jersey: Prentice Hall, Englewood Cliffs.

John W. Creswell. 2008. Educational Researchs: Planning, Conducting, And

Evaluating Quantitative and Qualitative Research, New Jersey, Pearson

Education Inc.

Judd C, G. McCleland. 1989. Data Analysis. Harcourt Brace Jovanovich. ISBN

0-15-516765-0.

Kavanagh P dan Pitcher TJ. 2004. Implementing Microsoft Excel Software For

Rapfish: A Technique For The Rapid Appraisal of Fisheries Status.

Fisheries Centre Research Reports. University of British Columbia.

Canada: 12 (2)

Kruskal JB. 1964. Multidimensional scaling by optimizing goodness of fit to a

nonmetric hypothesis. Psychometrika 29(1): 1–27.

Lacke PSM and J. Christopher. 2010. Introductory statistics (7th ed.).

Hoboken, NJ: John Wiley & Sons. ISBN 978-0-470-44466-5.

Liew A. 2013. DIKIW: Data, Information, Knowledge, Intelligence, Wisdom

and their Interrelationships. Business Management Dynamics Vol.2.

No.10: Pp.49–62.

Liew A. 2007. Data, information, knowledge, and their interrelationships.

Journal of Knowledge Management Practice 7(2).

Likert R. 1932. A Technique for the Measurement of Attitudes. Archives of

Psychology 140: 1–55.

Miller, C. Delbert. 1974. Handbook of Research Design and Social

Measurement. David McKay Company.

Muhadjir, N. 1996. Metodologi Penelitian Kualitatif. Yogyakarta:

Rakesarasin.

191

Murti B. 2006. Desain dan Ukuran Sampel untuk Penelitian Kuantitatif dan

Kualitatif di bidang Kesehatan. Yogyakarta: Gajah Mada University

Press. P.47

Nasution S. 2011. Metode Research. Jakarta: Bumi Aksara.

Nazir M. 2003. Metode Penelitian. Penerbit Ghalia Indonesia: Jakarta.

Nasution. 2011. Metode Research; Penelitian Ilmiah. Jakarta: PT Bumi

Aksara.

Nazir. 1988. Metode Penelitian. Jakarta: Ghalia Indonesia.

Nisfiannoor M. 2009. Pendekatan Statistika Modern untuk Ilmu Sosial.

Jakarta: Salemba Humatika.

Notoatmodjo S. 2002. Metodologi Penelitian Kesehatan. Cetakan II, Edisi

Revisi. Jakarta: Rineka Cipta.

Nursalam. 2003. Konsep dan Penerapan Metodologi Penelitian Ilmu

Keperawatan: Pedoman Skripsi, Tesis, dan Instrumen Penelitian

Keperawatan. 1th ed. Jakarta: Penerbit Salemba Medika.

Rochaety E, dkk. 2007. Metodologi Penelitian Bisnis: dengan Aplikasi SPSS,

Edisi Pertama. Penerbit Mitra Wacana Media: Jakarta.

Riduan. 2005. Dasar-dasar Statistika. Bandung: Penerbit Alfabeta.

Schervish, Mark J. 1987. A Review of Multivariate Analysis. Statistical Science

2(4): 396–413.

Sekaran U. 2006. Metodologi Penelitian untuk Bisnis. Edisi 4, Buku 1, Jakarta:

Salemba Empat.

Siegel S. 1992. Statistik Non Parameterik untuk Ilmu-Ilmu Sosial. Jakarta: PT

Gramedia.

Singgih S. 2003. Statistika Multivariat. Jakarta: PT Gramedia.

Singgih S. 2014. Statistik Multivariat Edisi Revisi. Jakarta: PT Elex Media

Komputindo.

Siagian D dan Sugiarto. 2002. Metode Statistika untuk Bisnis dan Ekonomi.

Jakarta: Gramedia Pustaka Utama.


204

Soejoeti Zanzawi. 1987. Materi Pokok Analisis Runtun Waktu. Jakarta:

Karunika, Universitas Terbuka Referensi

Spiegel, Murray R. dan Larry J. Stephens. 2007. Statistik. Edisi Ketiga.

(Terjemahan). Jakarta: Erlangga.

Subagyo DP. 1998. Statistik Induktif. Yogyakarta: BPFE UGM.

Sudjana 1996. Metode Statistika. Bandung: PT Tarsito.

Sudaryanto. 2003. Teori dan Praktik analisis Wacana. Yogyakarta: Duta

Wacana University Press.

Sugiyono. 2014. Metode Penelitian Kuantitatif, Kualitatif, dan Kombinasi

(Mixed Methods). Bandung: Alfabeta

Sugiyono. 2010. Metode Penelitian Administratif. Bandung: Alfabeta.

Sugiyono. 2009. Metode Penelitian Kuantitatif, Kualitatif, R & D. (Edisi

Revisi). Bandung: Alfabeta.

Sugiyono. 2006. Metode Penelitian Kuantitatif, Kualitatif, R & D. Bandung:

Alfabeta.

Supranto J. 2004. Analisis Multivariat Arti dan Interpretasi. Jakarta: PT Rineka

Cipta.

Vardiansyah, Dani. 2008. Filsafat Ilmu Komunikasi: Suatu Pengantar. Jakarta:

Indeks.

Walpole RE. 1993. Pengantar Statistika. Jakarta: Gramedia Pustaka Utama.

Wellisch HH. 1996. Abstracting, indexing, classification, thesaurus.

construction: A glossary. Port Aransas, TX: American Society of

Indexers.

Yusuf M. 2017. Modul Training. Aplikasi Software Statistik Bidang Perikanan

& Kelautan. Fakultas Perikanan dan Kelautan Universitas Riau.

Pekanbaru.

Zins C. 2007. Conceptual Approaches for Defining Data, Information, and

Knowledge. Journal Of The American Society For Information Science

And Technology 58(4):479–493.

GLOSARIUM

Akurasi adalah keadaan benar (tepat).

Angket merupakan alat pengumpulan data sejenis

kuisinoer.

Asumsi adalah syarat dalam analisis yang harus dipenuhi.

Autokorelasi adalah pengujian terjadinya korelasi dalam model prediksi.

Bias adalah simpangan atau tingkat kesalahan.

Bivariate adalah uji statistik secara serentak yang terdiri dari 2 (dua) variabel

dependen (terikat) pada setiap objek yang diamati.

Cross Section adalah jenis data yang dikumpulkan berdasarkan waktu, yakni

pada suatu waktu tertentu.

Dependent adalah variabel terikat.

Desil adalah ukuran data yang dibagi menjadi 10 bagian.

Desk Study adalah studi pustaka atau studi literatur.

Diskrit adalah data hasil perhitungan.

Deskriptif adalah uji statistik yang hanya memberikan informasi mengenai

data yang dipunyai dan tidak menarik kesimpulan apa pun tentang

gugus induknya.

Hardware atau Perangkat Keras adalah komponen fisik yang digunakan

sebagai bagian dari analisis data; PC, Laptop, Notebook, etc.

Heteroskedastisitas adalah gambaran ketidaksamaan varian dari residual

untuk semua pengamatan pada model regresi linear.

Independent adalah variabel bebas.

Inferensia (l) adalah uji statistik yang dapat menarik kesimpulan dari gugus

data induknya.

Instrumen adalah alat yang digunakan dalam pengumpulan data. Analisis Data Penelitian

Teori & Aplikasi dalam Bidang Perikanan

Kontinyu adalah data hasil pengukuran.

Kuartil adalah ukuran data yang dibagi menjadi 4 bagian.

Model adalah representasi atau deskripsi yang menjelaskan suatu objek,

sistem, atau konsep.

Multikolineariti adalah gambaran korelasi antara variabel bebas

(independent).

Multivariate adalah uji statistik secara serentak yang diamati lebih dari 2

(dua) variabel dependen (terikat) pada setiap objek.

Normalitas adalah gambaran data berdistribusi normal atau memiliki rata-

rata nol dan simpangan baku sama dengan satu.

Non-Paramterik adalah uji statistik yang tidak mensyaratkan data populasi.

Parameterik adalah uji statistik yang mensyaratkan data memenuhi data

populasi berdistribusi normal dan memiliki varians homogen.

Persentil adalah ukuran data yang dibagi menjadi 100 bagian.

Presisi adalah keadaan pasti.

Ragam (variance) adalah nilai yang menunjukkan besarnya penyebaran data

pada kelompok data.

Range (rentang) adalah selisih data terbesar (maksimum) dan data terkecil

(minimum).

Reliabilitas adalah tingkat ketahanan Sampel

atau data.

Sampling adalah teknik pegambilan data.

Simpangan Baku (Standar Deviasi) adalah akar dari jumlah kuadrat deviasi

dibagi banyaknya data.

Simpangan rata-rata adalah nilai rata-rata dari selisih setiap data dengan

nilai mean atau rataan hitungnya.

Sistem adalah suatu kesatuan yang terdiri komponen atau elemen yang

dihubungkan bersama untuk memudahkan aliran informasi, materi

atau energi.

196 Glosarium

Software atau Perangkat Lunak adalah suatu perangkat sistem yang

digunakan dalam analisis data, terdiri dari sistem operasi & sistem

aplikasi; Microsoft Excel, SPSS, MINITAB, SEM (Lisrel, AMOS), etc.

Statistik adalah data, informasi atau kumpulan fakta-fakta.

Statistika (statistics) adalah ilmu tentang pengumpulan dan klasifikasi data.

Time Series adalah data runtut waktu.

Tools adalah formula matematika/statistik yang merupakan bagian dari

software/aplikasi, seperti; Tools Analysis Descriptive, Analysis

Regresi dan lain-lain.

Univariate adalah uji statistik secara serentak yang hanya memiliki satu

variabel dependen (terikat) pada setiap objek yang diamati.

Valid artinya sahih atau tingkat akurasi. Validitas

adalah tingkat kesahihan

INDEKS

A

Analisis, 2, 3, 5, 7, 9, 14, 26, 42,

43, 59, 60, 75, 76, 80,

85, 89, 94, 99, 100,

102, 107, 109, 110,

111, 112, 114, 118,

119, 122, 124, 129,

130, 131, 132, 134,

137, 138, 143, 154,

156, 158, 171, 180,

194, 196, 208, 213

Angket, 13, 61

Asumsi, 138, 158, 181, 187

Autokorelasi, 76, 86, 89

B

Berkelompok, 12

Bias, 14, 99

C

Cross Section, 11, 16

D

Data, 2, 3, 4, 5, 6, 7, 9, 10, 11, 12, 13,

15, 16, 18, 19, 20, 21, 22,

24, 25, 26, 27, 29, 30, 31, 32,

33, 34, 35, 36, 37, 38, 39, 40,

41, 42, 43, 44, 45, 47, 48, 49,

51, 58, 59, 60, 61, 62, 63, 67,

68, 69, 71, 75, 76, 77, 80, 83,

85,

86,

89,

90,

95,

98,

99,

100, 101, 102, 104, 106, 107,

108, 111, 112, 113, 114, 117,

121, 122, 123, 124, 126, 128,

129, 130, 131, 132, 139, 142,

144, 147, 148, 149, 154, 156,

158, 159, 160, 161, 164, 165,

166, 167, 171, 172, 173, 180,

181, 182, 183, 188, 189, 195,

196, 201, 203, 207

Dependent, 6, 80, 92, 123, 156,

157, 174, 200, 205

Desil, 21, 33, 34

Desk Study, 18

Deskriptif, 98, 99, 100, 102, 107,

112

Dimensi, 11, 130, 131, 138, 142

Diskrit, 12, 16

E

Error, 90, 200

F

Faktor, 14, 77, 130, 131, 137, 138,

142, 174, 194

Favorable, 14, 147

Frekuensi,12, 24, 25, 29, 31, 38, 40,

41, 70, 99, 112 Analisis Data Penelitian Teori & Aplikasi dalam Bidang Perikanan

G

Group, 12, 111, 129, 185

H

Handal, 58, 68, 74

Hardware, 7, 213

Heteroskedastisitas, 76, 89, 90, 94

I

Independent, 77, 80, 92, 94, 123,

156, 158, 171, 181,

205

Input, 3, 22, 23, 27, 43, 51,

53, 55, 57, 63, 64, 71,

78, 104, 108, 113,

124, 132, 134, 139,

148, 160, 166, 172,

173, 183, 184, 189,

196, 199, 200, 202

Interval, 15, 16, 128, 164, 170,

176, 178

K

Karakteristik, 77, 94, 97

M

Mean, 21, 24, 37, 38, 40, 76,

106, 107, 123, 179

Median, 21, 26, 27, 29, 106,

107, 181

Metode, 2, 18, 43, 69, 86, 99,

130, 154, 180, 182,

188, 194

MINITAB, 8, 56, 102, 132

Model, 76, 85, 89, 90, 94, 95,

130, 144, 171, 194,

195, 196, 208

Modus, 21, 29, 30, 31, 106,

107, 148

Multikolineariti, 76, 94, 97

N

Nominal, 12, 16

Normal, 76, 82, 83, 84

Normalitas, 75, 76, 77, 112,

158

O

P

Kode, 13, 173

Konfigurasi, 145

Kontinyu, 12, 16

Kualitatif, 10, 16, 208, 210, 211

Kuantitatif, 11, 210, 211

Kuartil, 21, 32

Kuesioner, 10, 13, 14, 60, 61, 62,

77, 101, 147

Observasi, 10, 11, 18, 19, 70, 86,

89

Ordinal, 13, 14, 16, 152

Output, 2, 3, 7, 28, 46, 49, 61,

80, 83, 104, 110, 111,

116, 120, 121, 128,

143, 144, 163, 169,

176, 177, 186, 193,

203, 204

200

Pakar, 10, 18, 19, 30

Parameterik, 75, 76, 98, 180, 181

Persentil, 21, 34, 35

Peubah, 130

Process, 2, 3

Publik, 18, 19

R

Rasio, 15, 16

Raw, 2, 3, 6, 43

Reliabilitas, 68, 69, 207

Residual, 80, 83, 88, 93

Responden, 10, 14, 18, 19, 62,

100, 101, 142, 143,

147, 148, 188, 196

S

Sampel, 81, 157, 167, 168, 171,

181, 188, 210

Sampling, 19

SAVE, 80

Signifikan, 60, 86, 90, 129, 130,

156, 158, 159, 163,

164, 166, 170, 172,

177, 179, 182, 186,

187, 189, 193

Sistem, 7, 43, 130, 131

Skala, 13, 16, 147

Indeks

Software, 7, 111, 132, 138, 197, 209,

211, 213

SPSS, 8, 22, 43, 44, 51, 53, 56, 62, 71,

77, 78, 86, 90, 102, 107,

108, 111, 113,

124, 148, 159, 160,

166, 172, 182, 183,

189, 196, 197, 201,

208, 210

Stakeholder, 19

Statistik, 7, 8, 10, 20, 51, 59, 75,

85, 98, 99, 100, 102,

111, 112, 122, 123,

124, 131, 137, 142,

154, 156, 171, 180,

181, 187, 194

Statistika, 20, 22, 35, 76, 98, 99,

100, 111, 129, 130,

143, 157

Survei, 19, 101, 112

T

Test, 2, 58, 68, 75, 86, 89, 154, 155,

156, 157, 158, 166,

167, 168, 175, 178, 180,

181, 182, 189

Time Series, 11, 16

Tools, 68, 102, 112, 142, 143,

197

Tunggal, 12

201 Analisis Data Penelitian Teori & Aplikasi dalam Bidang Perikanan

U

Unfavorable, 14, 147

W

Worksheet, 44, 139, 148, 183, 189

V

Valid, 2, 3, 21, 29, 58, 60, 61, 67, 68, 75,

85, 89, 90, 117, 123, 164, 177, 194

Validitas, 58, 59, 60, 61, 62, 68

Variabel, 11, 58, 63, 75, 76, 77, 80, 83,

85, 89, 92, 94, 95, 99, 109, 111, 112,

115, 117, 118, 119, 122, 123,

126, 129, 131, 134, 137, 138, 142,

143, 144, 150, 155, 156, 161, 168,

171, 174, 184, 191, 194, 196, 199,

200, 202, 204

View, 63, 71, 80, 173

Riwayat Penulis

Dr Muhammad Yusuf, SPi, MSi dilahirkan di

Pinrang, 2 Maret 1977. Menamatkan pendidikan dasar hingga menengah

atas di Kabupaten Pinrang. Meraih gelar Sarjana pada tahun 2002 pada

jurusan Manajemen

Sumberdaya Perairan Fakultas Ilmu Kelautan dan Perikanan Universitas

Hasanuddin Makassar. Menyelesaikan pendidikan Magister dan Doktoral

di Institut Pertanian Bogor pada bidang Keahlian Pengelolaan dan

Pemodelan Lingkungan Hidup dan Sumberdaya Alam. Saat ini, Penulis

Mengajar di Universitas Cokroaminoto Makassar. Penulis juga

merupakan salah seorang trainer Aplikasi Software Penelitian dan

Penunjang Keputusan, khususnya pada bidang Pengelolaan Sumberdaya

Alam dan Lingkungan.

Dr Lukman Daris, SPi, MSi dilahirkan di Bone, 5 Desember 1970. Meraih

gelar Sarjana Perikanan pada tahun 2000, dan gelar Magister dan

Doktoral dari Universitas Hasanuddin pada bidang Sosial Ekonomi

Perikanan. Saat ini, Penulis merupakan Dosen Dipekerjakan (DPK) di

bawah LLDIKTI Wilayah IX Sulawesi pada Universitas Cokroaminoto

Makassar. Buku lain yang telah diterbitkan oleh penulis berjudul

“Dinamik Sosial Masyarakat Pesisir”.

penerbit ipb press @ipbpress · swot/ ahp/ism/ppa/anp; aplikasi grab, gojek (lebih populer berbasis...

Documents