[Tutorial SPSS] Membuat tabel t, tabel F. dan Chi-square

Analisis statistik inferensia pasti melibatkan uji hipotesis yang mengharuskan anda memiliki data nilai, tabel t, F, dan Ci-square. Anda tidak perlu bingung apabila tabel tersebut tersedia karena SPSS memampukan anda membuat tabel tersebut.

Membuat tabel t

Anda dapat membuat tabel t dengan mudah. Langkah pertama adalah dengan membangun data untuk variabel df (degree of freedom). Sebagai contoh, Anda membangun tabel t dengan nilai df pada rentang 1  sampai 15, seperti pada gambar berikut:

Nilai tabel t ditentukan oleh besarnya tingkat keyakinan atau besarnya nilai alfa. Pada contoh ini kita ambil tingkat keyakinan 95% atau nilai alfa=5%. berikut ini langkah-langkah untuk pembuatan tabel t.

• Klik Transform => compute Variable pada menu sehingga akan muncul kotak dialog Compute Variable
  
• Pada kotak target variabel, isikan nama variabel yang akan anda buat, tabel_t(jangan memakai spasi karena menyebabkan tidak valid)
• Pada function group, pilih inverse DF dan pada Function and Special Variables, piih Idf.T
• klik dua kali Idf.T pada Function and Special Variables sehingga akan muncul IDF.T(?,?) pada kotak Numeric Expression
• Tanda tanya pertama, masukkan nilai prob atau tingkat keyakinan. masukkan nilai 0.95. Sedangkan tanda tanya kedua adalah nilai degree of freedom, sisipkan variable df. seperti pada gambar di atas.
• klik OK.

Membuat tabel F

Membuat tabel F pada prinsipnya sama dengan membuat tabel t, namun memiliki dua degree of freedom, yaitu numerator (df1) dan denominator (df2). Contoh kali ini, df1 = 2 dan df2 seperti contoh sebelumnya. Tingkat keyakinan 95% atau nilai alfa = 5%. Berikut ini langkah-langkah untuk embuat tabel F.

• Klik transform => compute pada menu sehingga akan muncul kotak dialog compute variable.
• isi kotak target variable dengan nama variable yang akan dibuat => tabel_F
  
• Pada kotak Numeric Expression ketik IDF.F(?,?,?). masukkan nilai prob atau tingkat keyakinan 0.95 pada tanda tanya pertama. Pada tanda tanya kedua, masukkan nilai df1 dengan 2. Sedangkan tanda tanya ketiga, masukkan nilai df2 atau sisipkan variable df.
• klik OK.
  

Membuat Tabel Chi-square

Untuk membuat tabel ci-square pada prinsipnya sama dengan membuat kedua tabe sebelumnya. Berikut  ini langkah-langkahnya:

• Klik transform => compute pada menu sehingga akan muncul kotak dialog compute variable.
  
• Pada kotak target Variable, isi nama variabel yang akan anda buat => tabel_chisqr. Pada kotak numeric Expression, ketik IDF.CHISQ (?,?). Masukkan nilai prob dengan tingkat kepercayaan 0.95 pada tanda tanya pertama. Sedangkan pada tanda tanya kedua, siapkan variabel df.
• klik OK.
  

[Tutorial SPSS] Analisis Ragam / Analysis of variance (Anova) satu arah (one way)

Penghitungan Anova satu arah (one way) bisa dilakukan secara manual dengan menggunakan rumus yang sudah ada. Untuk materi ini silahkan klik materi anova satu arah. kali ini, akan kita coba menganalisis anova satu arah dengan bantuan software. Software yang digunakan kali ini adalah SPSS. contoh kasus yang digunakan dalam anova diperoleh pada materi tersebut. sehingga bisa dibandingkan manual dan bantuan software SPSS.

Contoh Kasus dalam perhitungan Analysis of Variance (Anova) satu arah

Contoh Kasus Anova satu arah:

Terdapat 4 metode diet dan 3 golongan usia peserta program diet Berikut data rata-rata penurunan berat peserta keempat metode dalam tiga kelompok umur.

Sampel	Penurunan Berat Badan (Kg)
	Metode 1	Metode 2	Metode 3	Metode 4
Sampel 1	4	8	7	6
Sampel 2	6	12	3	5
Sampel 3	4	-	-	5

Apakah keempat metode diet tersebut memberikan rata-rata penurunan berat badan yang sama?
Uji pendapat tersebut dengan taraf nyata 5 %

Solusi kasus Anova satu arah

Identifikasi Metode statistik yang digunakan

Pertama. berdasarkan hipotesis yang digunakan yaitu membandingkan rata-rata lebih dari dua kelompok maka metode yang mungkin adalah Anova. kedua Sampel yang digunakan tiap kelompok berbeda perlakuan sehingga tipe anova yang cocok adalah Anova satu arah.

Dalam metode anova yang perlu diperhatikan ada empat. asumsi normal dan homogenitas antar varians kelompok harus terpenuhi. dalam contoh ini kita asumsikan asumsi terpenuhi karena kita fokus pada langkah-langkah anova satu arah. kemudian kelompok yang dianalisis berasal dari kelompok saling bebas. dan data yang digunakan merupakan data rasio. Setelah asumsi ini terpenuhi maka bisa lanjut ke perhitungan selanjutnya. kalau tidak ganti metode.

Langkah-langkah dalam uji hipotesis anova satu arah (one way)

1. Masukkan/import data ke SPSS, Caranya yaitu buat dua kolom. Kolom pertama berisikan nilai dari semua data yang digunakan. kemudian kolom kedua berisikan pengelompokkan dari kolom pertama. jadinya hanya berisis angka yang menyatakan kelompok. Untuk jelasnya lihat gambar berikut.
   
   
2. Menentukkan nama kategorik, langkah ini digunakan untuk mengkategorisasikan dari kolom dua tadi. karena hanya berupa angka oleh karena itu perlu diberi nama. agar pada output/hasil nanti lebih jelas. caranya pada variabel view (pojok kiri bawah). pada kolom value untuk variabel kategorik dklik maka akan muncul tampilan seperti berikut.
   
   
   
3. Kemudian isi kan seperti pada gambar diatas. Pilih analyze, klik compare means dan pilih anova one way. Maka akan muncul tampilan seperti berikut. Bagian dependent List diisi dengan variabel Berat badan (berupa data kategorik) dan Factor diisi dengan Metode (data kualitatif). Untuk bagian post hoc digunakan untuk uji lanjutan yaitu digunakan untuk mengetahui kelompok yang mengalami perbedaan jika kesimpulan tolak H0. caranya aktifkan Bonferroni dan Turkey.
   
4. Pada bagian Options, aktifkan descriptives dan Homogeneity of varians. Setelah itu pilih Ok. maka akan muncul output seperti berikut.
   

Intrepretasi hasil anova satu arah dengan SPSS

1. Descriptive
   Bagian ini memberikan informasi mengenai deskripsi dari tiap kelompok dan total. deskripsi ini mencakup banyaknya data (N), rata-rata(mean), standar Devisi, Standar error, Interval kepercayaan dari rata-rata(confidence interval) dan nilai minimum serta maksimum.
2. Test of Homogeneity of variances
   
   uji yang digunakan dalam uji homogenitas varians pada spss yaitu uji levente. Perlu diperhatikan p value (sig). jika p value (sig) lebih besar dari 0.05(alpha) maka keputusan terima H0 yang artinya setiap kelompok homogen /sama. sebaliknya jika nilainya lebih kecil dari 0.05(alpha) maka keputusan tolak H0 artinya terdapat perbedaan varians antar kelompok minimal dua kelompok. Pada hasil diatas terlihat bahwa tolak H0. artinya terdapat perbedaan varians antar kelompok minimal dua kelompok. Pada anova perlu asumsi homogenitas varians. sehingga uji anova ini tidak bisa dilanjutkan lagi tapi karena ini hanya contoh anova kita abaikan saja. kita anggap varians sama.
3. Anova
   Bagian ini menampilkan tabel anova seperti pada materi anova satu arah. yang perlu dilihat pada bagian ini adalah  P value. jika nilai p value lebih besar dari 0.05(alpha) maka keputusan terima H0 artinya tidak ada perbedaan rata-rata tiap kelompok.

[Video Youtube] Anova satu arah (one way) dengan SPSS

[Tutorial SPSS] uji t: Perbedaan Rata‐rata Dua sampel saling bebas (two sample for means)

Tutorial SPSS uji t: Perbedaan Rata‐rata Dua sampel saling bebas (two sample for means) ini merupakan tutorial yang ketiga dari uji t ini dengan contoh kasus yang sama. setelah sebelumnya tutorial dengan menggunakan Program R statistic dan Excel. contoh kasus yang digunakan sama sehingga bisa dibandingkan. berikut kasusnya:

Misalkan suatu metode perakitan produk dalam pabrik tertentu memerlukan kira-kira satu bulan masa training untuk seorang pegawai baru untuk mencapai efisiensi maksimum. Suatu metode training yang baru telah diusulkan dan pengujian dilakukan untuk membandingkan metode baru tersebut dengan prosedur yang standar. Dua kelompok yang masing-masing terdiri dari sembilan pegawai baru dilatih selama periode waktu tiga minggu, satu kelompok menggunakan metode baru dan lainnya mengikuti prosedur latihan yang standar. Lama waktu (dalam menit) yang diperlukan oleh setiap pegawai untuk merakit produk dicatat pada akhir dari periode empat-minggu tersebut, dan hasilnya dapat dilihat pada tabel berikut.

Standar	32	37	35	28	41	44	35	31	34
Baru	35	31	29	25	34	40	27	32	31

Apakah data ini memberikan cukup bukti untuk menyatakan bahwa mean (rata-rata) waktu untuk merakit produk pada akhir periode empat minggu latihan adalah berbeda untuk prosedur (metode) latihan baru dibandingkan prosedur standar?

Langkah yang paling vital yaitu analisis metode yang akan digunakan. karena membahas tentang uji dua rata-rata ya tentu saja metodenya uji dua rata-rata. tapi alangkah lebih baiknya kita harus mengerti karena nantinya dalam penelitian sebenarnya kita tidak bisa langsung tau pakai metode apa.

1. Dari permasalahan kasus terlihat bahwa peneliti ingin membandingkan metode yang baru standar mana yang lebih baik. tentu saja ini membandingkan dua kelompok. yang perlu diperhatikan lagi yaitu hipotesisnya pada soal terdapat pertanyaan penelitian yaitu berbedal (tulisan bold dan hijau gelap) artinya disini kita menggunakan dua satu arah.
2. yang dibandingkan yaitu lama waktu (dalam menit). tentu saja ini adalah rata-rata. sehingga bisa dikatakan permasalahannya yaitu membandingkan rata-rata dua kelompok.
3. kelompok 1 dan kelompok 2 disini berbeda. disini terjadi pemisahan penggunaan (bukan orang yang sama) sehingga bisa dikatakan independent (bebas). disini kita satukan kesimpulan sebelum diatas menjadi perbandingan rata-rata dua kelompok independent.
4. kemudian kita identifikasi apakah datanya parametrik atau tidak. bisa dilihat disini syarat parametrik. jika parametrik bisa pakai cara ini.  tapi jika tidak memenuhi kita bisa menggunakan uji perbandingan rata-rata dua kelompok non parametrik. Kita asumsikan memenuhi asumsi Parametrik.
5. nah disini kita hampir dekat nih. pertanyaan selajutnya varians populasi diketahui apa tidak. jika diketahui pakai uji z dan jika tidak tidak diketahui pakai uji t. nah berdasarkan data diatas tidak diketahui varians populasi diketahui sehingga dapat disimpulkan menggunakan metode uji t: perbandingan rata dua sampel/kelompok independent.
6. Uji t dibagi atas tiga. untuk kasus diatas terlihat bahwa varians tidak sama. untuk ukuran sampel tidakdiperhitungkan lagi.

Setelah identifikasi metode. kita laksanakan metode tersebut dalam hal ini SPSS.

Seperti biasa langkah pertama yaitu memasukkan datanya. cara memasukkan datanya hampir sama dengan program R untuk uji t perbandingan rata-rata dua sampel. caranya untuk variabel 1 mencakup nilai sedangkan yang kedua menunjukkan ia masuk kelompok mana. bingung ya? untuk jelasnya cara memasukkan datanya seperti berikut.

Masukkan data seperti pada gambar di atas. setelah selesai, pada variabel kedua kita hanya mempunya angka 1 dan 2. kita belum menjelaskan 1 dan 2 itu apa. untuk itu kita mengelompokkannya menjadi ke kelompok "prosedur Standar" dan "prosedur Baru". Caranya Pada layar pojok kiri bawah klik "variable View". maka tampilannya seperti berikut:

Kemudian klik pada kolom values dan pada baris/variabel Metode terdapat tulisan none seperti pada gambar diatas(tanda biru). digunakan untuk memberi lebel dari angka tadi. Kemudian akan muncul tampilan seperti berikut ini.

Pada value masukkan angka dan pada Label masukkan penjelasan atau label tentang angka itu sesuai pada gambar diatas. setelah itu klik ok.

Setelah datanya sudah siap. kemudian kita ke tujuan utama. caranya yaitu klik Analyze, pilih Compare means dan pilih independent samples t test. maka akan muncul tampilan sebagai berikut.

Awalnya variabel akan ada dua dibagian kiri. kemudian klik variabel waktu kemudian pindahkan ke test variabel dengan cara klik tanda panah yang atas. kemudian pilih metode dan juga pindahhkan ke Grouping variable, caranya sama yaitu pilih panah yang dibawah. setelah dipindahkan seperti pada gambar diatas. langkah selanjutnya yaitu pilih define Groups maka tampilannya seperti pada gambar dibawah.

Setelah itu masukkan angka seperti pada gambar diatas. Sedangkan cut point digunakan apabila ingin spss yang mengelompokkan sendiri biasanya cut point 0.5 untuk membagi dua kelompok berdasarkan kelompok nilai tertinggi dan terendah. kemudian klik ok. maka hasilnya seperti berikut:

Hasil ini menunjukkan bahwa nilai statistik t yang diperoleh adalah 1.6495, dan nilai p‐value pengujian adalah 0.05927. Dengan menggunakan kaidah pengambilan keputusan berdasarkan p‐value, maka pada α=0.05 dapat disimpulkan bahwa pengujian menunjukkan gagal tolak H0. Dengan demikian dapat dijelaskan bahwa rata‐rata waktu perakitan dengan metode baru dan metode standar adalah tidak berbeda atau dugaan
bahwa metode baru memberikan waktu perakitan lebih cepat adalah tidak didukung oleh data.

Salah satu kekurangan jika menggunakan SPSS yaitu hanya bisa digunakan untuk uji dua arah. Sedangkan apabila ingin menggunakan uji satu arah bisa menggunakan R atau Excel.

Untuk materi tentang Perbedaan Rata‐rata Dua sampel saling bebas (two sample for means) silahkan klik link tersebut.
Untuk Bisa membandingkan dengan software yang lain silahkan kesini:
[Tutorial Excel] uji t: Perbedaan Rata‐rata Dua sampel saling bebas (two sample for means)
[Tutorial R] uji t: Perbedaan Rata‐rata Dua sampel saling bebas (two sample for means)

Sumber: Buku(Suhartono, 2008):Analisis Data statistik dengan R

[Tutorial SPSS] uji t Rata-rata sampel tunggal (Single sample t-test) Parametrik

Pada hari ini juga membahas tentang tutorial  uji t Rata-rata sampel tunggal (Single sample t-test) Parametrik. sebelumnya sudah membuat mengenai tutorial program R untuk uji t rata-rata sampel tunggal kalau ada yang belum liat sedikit materinya silahkan kesini Pengujian Rata-rata sampel tunggal (Single sample test of means) Parametrik berikut contoh kasus uji t rata-rata sampel tunggal: contohh ini sama dengan yang pada Tutorial R supaya bisa dibandingkan hasil SPSS dan R.

Contoh kasus:

Ujilah hipotesis bahwa isi kaleng rata – rata suatu jenis minyak pelumas adalah 10 liter. Bila random 10 kaleng adalah 10,2; 10; 9,7; 10,1; 9,8; 9,9; 10,4; 10,3; 9,8; dan 10,3 liter.Gunakan taraf nyata 1%! Secara lengkap hipotesis statistik yang digunakan dalam pengujian rata-rata ini adalah sebagai berikut.

Pertama-tama sebelum memulai menyelesaikan permasalahan ini tentu saja cara pertama yaitu memasukkan data ke SPSS. baik itu di import atau langsung diinput sendiri. setelah data sudah siap langkah selanjutnya yaitu pilih menu Analyze kemudin compare means klik one sample t-testsehingga diperoleh tampilan dialog isian untuk pengujian rata-rata sampel tunggal seperti pada Gambar di bawah. klik variabel yang akan dianalisis yaitu kaleng kemudian klik arah panah yang menunjukkan kekanan sehingga variabel kaleng berpindah tempat ke test variable(s). kemudian test values diisi angka nilai rata-rata yang diuji yaitu 10.

Setelah itu klik Option, kemudian pada Confidence interval percentages tuliskan tingkat kepercayaan dalam hal ini 99%.

kemudian klik continue dan pilih OK sehingga hasilnya sebagai berikut:

Pada output diataas terdapat sedikit statistik deskriptif tentang variabel kaleng. selain itu, Hasil ini menunjukkan bahwa nilai statistik t yang diperoleh adalah 0.643, dan nilai p-value pengujian adalah 0.537. Dengan menggunakan kaidah pengambilan keputusan berdasarkan p-value, yaitu tolak H0 jika p-value lebih kecil dari nilai a, maka pada a=0.005 dapat disimpulkan bahwa pengujian menunjukkan gagal tolak H0. Dengan demikian dapat dijelaskan bahwa pernyatan rata-rata isi kaleng jenis pelumas 10 liter TIDAK BENAR.

Catatan:
hasil yang diperoleh dari SPSS hampir sama dengan yang diperoleh pada R. tapi kalau diperhatikan perbedaaan antara SPSS dan R yaitu SPSS hanya menggunakan uji yang dua arah sehingga kita tidak bisa untuk satu arah saja. sedangkan pada R ada tiga pilihan yaitu uji dua arah dan uji satu arah kanan dan kiri. sehingga bisa dikatakan lebih lengkap R dalam analisis uji t rata-rata sampel tunggal.

Kalau mau membandingkan dengan R silahkan kesini: [Tutorial R] uji t Rata-rata sampel tunggal (Single sample t-test) Parametrik

Kalau ada kritik, saran dan pertanyaan silahkan komentarnya di kolom komentar di bawah. Kalau tidak punya akun silahkan ditulis sebelah kiri yaitu kolom “Chatbox”. Mohon dicantumkan email atau contact yang bisa dihubungi.

Sumber: Pengalaman sendiri

Perbedaan popularitas software Analisis data

Saat sekarang banyak sekali software statistik yang ada di pasaran. mulai dari yang berbayar hingga tidak berbayar. maraknya software ini tidak terlepas dari mulai banyak orang atau organisasi menyadari pentingnya statistik di era modern ini. pengambilan keputusan bukan hanya dari feeling/pra duga tetapi perlunya analisis secara ilmiah yang dapat dipertanggungjawabkan. hal ini hampir sama dengan makna "membangun tanpa data itu mahal"

nah pertanyaannya, dari banyak software itu software mana yang kita pakai? banyak pertimbangan yang perlu direnungkan. apakah yang bisa jalan di komputer kita? apakah yang sesuai dengan metode yang digunakan? jika tidak, bagaimana dengan kemapuannya? apakah menggunakan bahasa sendiri? atau dari luar yang sering diperoleh dari paket/library(misal: R,Python, SQL)apakah support penuh (programing atau point and click)? apakah visualnya sesuai dengan kemauanmu (statis atau interaktif)? apakah outputnya sesuai denganmu (cut dan copy vs Latex integration) apakah bisa dikerjakan untuk data yang besar? apakah kolega mu menggunakannya sehingga mudah untuk berbagi data dan program?

selain itu, pangsa pasar dari perusahaan software tersebut bisa dijadikan pertimbangan dan tren peningkatan atau penurunan. software yang populer dan banyak digunakan bisa dijadikan pertimbangan. untuk kali akan dibahas berbagai macam survei mengenai popularitas dan atau pangsa pasar yang bisa menjadi pertimbangan buat kita.

Penjualan dan download

The TIOBE Community Programming Index membuat peringkat tentang bahasa program yang paling populer. peringkat ini dihitung dari wikipedia, book on amazon, hasil search engine dan dikombinasikan menjadi suatu index. di januari 2012, R berada diperingkat 24 dan SAS berada diperingkat 31. kemudian pada mei 2013, mereka bertukar posisi dimana SAS peringkat 22 dan R di peringkat 24. bahasa program yang lain yang fokus analisis data yang masuk dalam 100 besar yaitu S. di tahun sebelumnya SPSS masuk dalam peringkat 50-100 tetapi setelah bulan februari 2013 SPSS sudah keluar dari 100 besar.

The Transparent Language Popularity Index hampir sama dengan TIOBE index juga melakukan survei. mei 2013, peringkat R yaitu 14 sedangkan SAS berada diperingkat 27. posisi ini hampir sama untuk priode 6 bulan. index ini juga memeringkat R sebagai bahasa script yang berada di posisi 6 setelah PHP,Python dan perl. SAS juga berada di peringkat 4 untuk penayangan sebagai aplikasi bisnis seperti COBOL atau PL/SQL.

Diskusi Internet

Ada beberapa ukuran yang stabil dan obyektif mengenai perangkat lunak analitik. Schawrtz (2009) menyarankan estimasi relatif popularitas dengan menghitung jumlah diskusi melalui email yang ditujukan untuk masing-masing. Paket yang paling banyak digunakan memiliki daftar diskusi, atau "listservs" dikhususkan untuk diskusi.Yang kurang populer juga tidak memiliki diskusi tersebut atau, seperti daftar untuk Minitab atau S-PLUS, mungkin hanya selusin atau lebih email per tahun.

Gambar di atas menunjukkan tingkat aktivitas masing-masing hanya listserv pembahasan utama dalam bulan tertentu (misalnya forum, kelompok berita dan kelompok Google dikecualikan). Plot ini berisi data sampai akhir 2012. Kita bisa melihat bahwa diskusi R telah berkembang paling pesat dan, selama beberapa tahun terakhir, R adalah software yang paling banyakb dibahas setelah itu diikuti oleh Stata, SAS dan SPSS. Stata menunjukkan pertumbuhan diskusi stabil sampai melewati SAS pada tahun 2010.

Dari tahun 2011 dan seterusnya, R dan Stata juga SAS dalam penurunan dalam diskusi listserv. Mengingat peningkatan tajam dalam popularitas analisis bisnis, Big Data, dan sebagainya, tidak mungkin bahwa orang yang menggunakan atau berbicara tentang alat ini sedikit. Sebaliknya, forum diskusi alternatif telah muncul. Situs Stack Overflow (http://stackoverflow.com) mencakup berbagai program dan topik statistik, sementara cross validation (http://stats.stackexchange.com/), hanya berfokus pada analisis statistik. Sebuah situs ketiga, talk Statistic (http://www.talkstats.com), juga berfokus pada analisis statistik. Berdasarkan tiga website tersebut, pengguna menandai topik mereka sehingga sangat mudah untuk fokus pencarian.

Kita bisa melihat bahwa diskusi R secara signifikan lebih tinggi daripada paket lain, yang tidak jauh berbeda di antara mereka sendiri. Sebagian besar perbedaan ini adalah karena pengaruh dari Stack Overflow, mencerminkan popularitas jauh lebih besar dari R sebagai bahasa pemrograman. Namun, bahkan dengan menghilangkan efek itu, mudah untuk melihat bahwa R masih mendominasi diskusi di forum yang lebih berorientasi statistik. Data ini merupakan data kumulatif, sehingga kita bisa mendapatkan tampilan tahunan tetapi hanya bisa menampilkan data R dan SAS.

Kita melihat bahwa diskusi SAS dan R yang kurang lebih sama hingga pada pertengahan tahun 2009 setelah itu diskusi R mulai meningkat secara cepat dibandingkan SAS. Halaman yang menyediakan data ini tidak menampilkan data untuk SPSS atau Stata. Hal ini mungkin karena jumlah data yang terlalu sedikit.

website forum diskusi populer lainnya adalah LinkedIn.com dan Quora.com. Tak satu pun dari situs tersebut mudah untuk menghitung jumlah posting, tetapi mereka bisa menampilkan jumlah orang yang telah bergabung dengan kelompok diskus.

Pada Gambar di atas kita mendapatkan tampilan dari penggunaan perangkat lunak perusahaan. disini kita tidak tahu rasio perusahaan untuk penggunaan akademis dari LinkedIn, tetapi di antara akademisi kita tahu (beberapa) mereka menggunakannya sangat sedikit. berdasarkan hasil itu, SAS adalah peringkat pertama setelah itu R. selain itu terihat bahwa SPSS lebih tinggi dari Stata. orang-orang yang telah bergabung dengan sebuah kelompok, mungkin bukan orang-orang yang melakukan diskusi. Namun, anggota grup harus proxy wajar untuk popularitas atau pangsa pasar.

Blog

Di blog internet, orang menulis tentang software yang menarik bagi mereka, menunjukkan bagaimana untuk memecahkan masalah dan menafsirkan peristiwa yang terjadi di lapangan. Semakin populer paket perangkat lunak, semakin banyak blogger menulis tentang hal tersebut. Blog konsolidator seperti Tal Galili R-Bloggers.com dan PROC-X.com, serta sasCommunity.org Planet dan statsblogs.com menggabungkan berbagai blog dalam satu lokasi. Sementara setiap blogger tertentu dapat menulis hanya sebuah artikel setiap minggu atau lebih, dengan menggabungkan mereka, konsolidator dasarnya memberikan berita harian pada berbagai paket. Sejauh ini hanya R dan SAS yang cukup populer untuk memiliki versi konsolidasi blog mereka.R mempunyai 452 blog yang membahasnya, sementara SAS sebanyak 40. setelah itu Stata 8.sisanya kurang begitu banyak seperti pada tabel di bawah.

Persaingan penggunaan

Kaggle.com adalah sebuah situs web yang mensponsori kontes analisis data. Orang post masalah analisis data di sana dengan jumlah uang yang mereka bersedia membayar orang atau tim yang memecahkan masalah mereka yang terbaik. Pada 2012/01/02 ada lebih dari 25.000 analis yang bekerja di lebih dari 72.000 masalah. Gambar di bawah menunjukkan software yang digunakan oleh analis data yang bekerja. R berada pada posisi pertama. Dominasi penggunaan R lebih besar di antara para pemenang kontes, lebih dari 50% di antaranya digunakan R. Hasil angka-angka ini terjadi karena lisensi dari perangkat lunak berpemilik melarang penggunaannya untuk kepentingan organisasi luar (universitas dapat membantu hibah federal menyediakan lembaga seperti NSF dan NIH, tapi tidak dapat memecahkan masalah bagi instansi pemerintah secara umum atau organisasi nirlaba).

Survei Penggunaan

Salah satu cara untuk memperkirakan popularitas relatif software analisis data melalui survei. Rexer Analytics melakukan survei setiap tahun tentang software yang digunakan untuk data mining. Perbedaan antara software untuk analisis data klasik dan data mining lebih merupakan konsep pemasaran dari perbedaan dalam kemampuan analitik.Data diperoleh dari responden melaporkan menggunakan pada tahun 2010 (data 2012 belum tersedia). berdasarkan hasil di bawah terlihat bahwa  R berada di peringkat pertama dengan 47% pengguna data mining. SAS dan SPSS berada di posisi kedua dengan persentasi 32%.

Hasil dari survei serupa yang dilakukan oleh KDnuggets situs web data mining pada tahun 2012 ditunjukkan pada Gambar di bawah . Yang satu ini menunjukkan R di tempat pertama dengan 30,7 % dari pengguna melaporkan telah digunakan untuk proyek. Excel hampir sama populer . Ini tampaknya keluar dari topik, tapi Excel adalah alat yang hampir setiap orang memiliki dan tahu bagaimana menggunakan. Sungguh menarik untuk dicatat bahwa empat dari lima paket yang digunakan adalah open source. Sementara paket open source jelas memiliki peran utama dalam analisis , orang melaporkan menggunakan perangkat lunak komersial lainnya ( 1086 ) dari open source ( 927 ).

Situs KDnuggets melakukan polling yang sama, kali ini bertanya, "Apa bahasa pemrograman yang digunakan untuk analisis data mining / data dalam 12 bulan terakhir?" R mendominasi polling ini,

Buku

Jumlah buku yang diterbitkan pada setiap perangkat lunak mencerminkan popularitas relatif mereka. Amazon.com menawarkan metode pencarian canggih yang bekerja dengan baik untuk semua perangkat lunak kecuali R. selain R data dicari di amazon sedangkan untuk R dari website http://www.r-project.org/doc/bib/R-books.html Aspek yang paling mengejutkan dari hasil adalah bagaimana sangat dominan beberapa tiga paket terkenal tidak memiliki buku sama sekali yang ditulis(BMDP, Statistika, Systat). Revolusi R dan R-PLUS tidak memiliki buku dengan nama-nama mereka dalam judul, tapi tentu saja buku-buku tentang R berlaku untuk mereka juga.

pencarian artikel ilmiah (google schoolar)

Semakin populer paket perangkat lunak, semakin besar kemungkinan akan muncul dalam publikasi ilmiah sebagai topik dan sebagai metode analisis. Google Scholar menawarkan cara mudah untuk mengukur aktivitas tersebut. Namun, tidak ada pencarian sebesar ini yang akan sempurna dan akan mencakup beberapa artikel yang tidak relevan dan menolak beberapa yang relevan. Hasil pencarian dijelaskan di http://librestats.com/2012/04/12/statistical-software-popularity-on-google-scholar/. Gambar di bawah menunjukkan jumlah artikel untuk paling populer dari enam paket statistik tahun 1995 hingga tahun 2012. SPSS memiliki hasil yang mengejutkan atas sebagian paket lain untuk banyak saat ini. hasil pencarian SPSS ini tampaknya cukup besar, tapi setelah studi yang cukup luas dari artikel dikembalikan oleh pencarian, Ini sudah relevan. namun tahun tahun berikutnya SPSS mengalami penurunan sehingga tidak terlalu jauh berbeda.

Popularitas website

Ukuran lain popularitas perangkat lunak adalah jumlah halaman web lain yang berisi link yang mengarah ke situs web utama perangkat lunak. Gambar di bawah diperoleh dengan menggunakan data dari Google pada tanggal 5 Januari 2012.

Sekarang SPSS merupakan bagian dari IBM, mendominasi hasil. Ini mencerminkan berbagai macam produk yang menjual IBM, termasuk hardware dan layanan yang tidak ada hubungannya dengan analisis data komputer. Namun, SPSS.com situs yang lebih tua tidak lagi muncul di awal pencarian web dan situs IBM yang diarahkan ke memiliki ukuran kecil link masuk karena tidak dimaksudkan untuk menjadi link langsung.

R adalah di baris berikutnya dengan lebih dari setengah ukuran IBM, diikuti oleh SAS kurang dari nilai R. Perangkat lunak lain berikut sesuai dalam urutan bahwa penulis menduga mencerminkan pangsa pasar masing-masing. Revolusi R Perusahaan dan R-PLUS adalah versi komersial R yang relatif cukup baru ke pasar. WPS merupakan implementasi dari Bahasa SAS dan Carolina adalah compiler SAS-to-Java.

Jumlah link masuk merupakan bagian penting dari algoritma PageRank yang terkenal dari Google. PageRank dibuat dengan mencari besarnya/terkenalnya link.Link dari situs besar seperti WikiPedia akan membaerikan bobot jauh lebih besar daripada akan link dari kursus silabus profesor . range nilai PageRank adalah dari 1 sampai 10. Gambar di bawah menunjukkan plot data pagerank ( dikumpulkan pada pada tanggal 4 Januari 2012) . Perangkat lunak ini yang paling tinggi tingkatan, SAS dan SPSS ( IBM ). Di bagian paling bawah adalah World Programming System  ( WPS ) dan Carolina, dua perusahaan yang menggunakan bahasa SAS. Ada beberapa perubahan dalam peringkat ini sejak tahun lalu , dengan SAS, SPSS dan Revolusi Analytics naik satu peringkat dan R , Stata dan Carolina turun satu poin.

Pasar Kerja

Pekerjaan penting bagi kita, sehingga software skill apa yang pengusaha mencari ? Sebuah jawaban yang menyeluruh atas pertanyaan ini akan memerlukan waktu untuk menganalisis job description. Namun, kita bisa mendapatkan gambaran kasar dengan mencari di situs iklan pekerjaan . Indeed.com adalah situs yang paling populer pencarian pekerjaan di dunia. Sebagai CEO dan co - founder Paul Forster menyatakan , itu termasuk "semua pekerjaan dari lebih dari 1.000 sumber yang unik , terdiri dari major job boards - monster , CareerBuilder , HotJobs , Craigslist - serta ratusan surat kabar , asosiasi , dan website perusahaan . " Bob muenchen menggunakan program untuk mengakses website itu secara mingguan dan mencari deskripsi pekerjaan untuk kata kunci seperti "SPSS" atau "Minitab" ini diulangi selama 2, 3 dan minggu ke-4 bulan Maret tahun 2012 dan 2013 . Singkatan "SAS" adalah umum dalam penyimpanan komputer , jadi pencarian itu dihindari kemudian dengan mengganti mencari dengan keyword "SAS!SATA!Storage!Firmware" (tanda seru merupakan logic "tidak") . Sedangkan R tidak mengikuti topik terkait seperti "R&D" dengan menggunakan "R SAS" atau "SAS R" , termasuk setiap paket dalam grafik . Data untuk tahun 2013 disajikan pada Gambar berikut.

SAS peringkat tertinggi dalam lowongan pekerjaan dalam pencarian, dengan SPSS peringkat kedua dengan lebih dari seperempat dari pekerjaan. R berada di tempat ketiga dengan lebih dari setengah pekerjaan yang tersedia untuk SPSS. Dibandingkan dengan R atau Minitab, SAS memiliki lebih dari tujuh kali lebih banyak pekerjaan yang tersedia.

Sejak 2012, job description yang mencakup SAS mengalami penurunan sebesar 961 (7,3%) dan Minitab menurun 154 (8,7%). Pekerjaan untuk R meningkat sebesar 497 (42%) melewati Minitab ke tempat ketiga dengan selisih tipis. Bahkan, semua paket kecuali SPSS dan Systat menunjukkan perubahan jauh lebih kecil (Holm-corrected paired t-tests). Karena perbandingan ini didiperoleh pada tiga titik data setiap tahun, disini tidak dapat disimpulkan dari banyak efek perubahan ini, namun peningkatan 48% untuk R adalah penting.

kesimpulan

Dari sebagian besar ukuran yang dibahas di sini, R bersaing ketat dengan vendor perangkat lunak komersial. Namun, penulis menyarankan tidak mengeneralisasi dari data ini. Setiap software memiliki keunggulan masing-masing. SAS dan SPSS terus mendominasi di bidang bisnis dan Stata cukup baik di bidang ilmiah. Masing-masing paket dominan di satu pasar atau yang lain.

Kalau ada kritik, saran dan pertanyaan silahkan komentarnya di kolom komentar di bawah. Kalau tidak punya akun silahkan ditulis sebelah kiri yaitu kolom “Chatbox”. Mohon dicantumkan email atau contact yang bisa dihubungi.

Sumber: The Popularity of Data Analysis Software

[Tutorial] Analisis deskriptif beserta interpretasi menggunakan SPSS

Post kali merupakan seri lanjutan dari teori analisis deskriptif. Untuk kali ini merupakan tutorial analisis deksriptif khususnya menggunakan SPSS. Kedepannya ddiharapkan dapat membuat tutorial menggunakan aplikasi lain seperti eviews, stata, sas, R, dan sebagainya. Disini menggunakan SPSS versi 20. Dalam tutorial ini mengenai deskripsi dari produksi jagung nasional. Data diperoleh dari Badan Pusat Statistik (BPS) dari tahun 1961 hingga tahun 2010. Datanya bisa diperoleh di akhir pastingan ini.

Langkah-langkah yang perlu dilakukan dalam analisis deskriptif menggunakan SPSS

1. Masukkan/input data kedalam SPSS, seperti berikut:
   
2. Klik Analyze, terus pilih Descriptive statistics dan pilih Explore. Seperti gambar di bawah ini. Sebenarnya pilih descriptive juga bisa. Tapi hasilnya akan sama dengan explore. Dan pada explore itu hasilnya lebih banyak. Setelah diklik maka akan muncul jendela sebagai berikut
   
3. Langkah selanjutnya pilih variabel yang digunakan, boleh lebih dari satu tinggal diblok semaunya terus klik tanda panah yang paling atas. Maka variabel yang terpilih akan masuk di Dependent list.
4. Setelah itu tinggal pengaturan. Klik statistic yang ada sebelah kanan. Maka akan muncul jendela seperti ini.
   
• Descriptive : menampilkan deskriptif variabel, ini tujuan utama kita
• Outliers : menampilkan data yang outlier atau yang paling besar atau kecil
• Percentiles : menampilkan persentile dari data, disini juga sudah termasuk kuartil
5. Setelah itu klik plot untuk mevisualkan data. Hasilnya seperti berikut.
   
• Pada boxplot, pilih yang mau di munculkan boxplot factor level, variabel dependen atau tidak ada
• Pada bagian descriptive, pilih grafik yang mau dipilih Histogram atau Stem and leaf
• Untuk uji normalitas pilih Normality plot with tests
6. Pada bagian Display, pilih yang akan ditampilkan statistic, plot atau keduanya. Kemudian ok.
7. Selajutnya Setelah proses itu selesai, selajutnya ke bagian interpretasi.

Interpretasi Output

Case processing summary

Hasil tersebut menjelaskan data yang terbaca, data yang hilang dan jumlah data. Pada hasil tersenut ,menjelaskan terdapat sepuluh data dan tidak ada data yang hilang. Artinya data ini sudah valid dan bisa dilanjutkan ke proses selanjutnya.

Descriptive

Disini terdapat banyak informasi deskripsi dari veriabel yang digunakan:

• Mean :  Rata-rata
• 95% confidence interval : Selang kepercayaan dengan tingkat kepercayaan 95%. Lower Bound adalah batas bawah dan upper bound adalah batas atas
• Median : Nilai tengah dari data
• Variance : varians
• Std. Deviation :Simpangan Baku
• Minimum : nilai terendah dari data
• Maximum : nilai tertinggi dari data
• Range : jangkauan, selisih antara maximum dan minimum
• Skewness : kemencengan
• Kurtosis : keruncingan

Percentiles

Pada jendela tersebut menjelaskan percentile dari data tapi hanya percentile tertentu seperti pada gambar. Selain itu disini bisa melihat kuartil.

Extreme values

Menunjukkan data-data yang paling tertinggi dan paling terendah.

Test of Normality

Uji normalitas ini untuk melihat kenormalan data. Tes ini menggunakan uji kolmogorov-Smirnov dan Shapiro-Wilk. Yang perlu dilihat pada kolom sig yang akan menunjukkan apakah data normal atau tidak. Jika nilai lebih kecil dari 0,05 maka keputusan datanya tidak normal. Sebaliknya lebih besar sama dengan 0,05 maka data normal. Seperti pada contoh ini nilai sig lebih kecil dari 0,05 maka data tidak normal.

Histogram

Grafik ini menggambarkan distribusi data. Dari contoh di atas dapat disimpulkan bahwa produksi jagung masih sekitar 5 juta ton.

7.Stem and leaf plot

Biasa disebut grafik batang dan daun. Grafik ini sama kegunaanya dengan histogram.

Normal Q-Q plot

Grafik ini merupakan salah satu cara untuk melihat distribusi apakah normal atau tidak, dimana jika titiknya mendekati atau mengikut garis maka datanya normal sedangkan jika tidak mengikuti garis atau berbeda pola maka tidak normal. Sehingga contoh diatas menunjukkan data tidak normal sesuai dengan tes normalitas yang diatas. Namun, cara ini masih merupakan subjektifitas peneliti.

Sekian untuk tutorial analisis deskriptif dengan SPSS kali ini, mudah-mudahan dapat membantu kita semua.amiiin. rencana kedepannya bukan hanya menggunakan SPSS tetapi juga ada tutorial dengan software statistic yang lain.

[Tutorial] Analisis Diskriminan dengan SPSS

Contoh Kasus Analisis Diskriminan

Suatu penelitian ingin mengetahui karakteristik sosial demografi yang dapat membedakan antar kelompok anak berdasarkan level kenakalannya di PSMP Handayani dan BRSMP Harapan dan ingin mengetahui karakteristik sosial dan demografi anak nakal tersebut berdasarkan jenis kenakalan yang dilakukan oleh anak yang dibina di PSMP Handayani dan BRSMP Harapan. Maka analisis yang digunakan dalam penelitian tersebut adalah analisis diskriminan.

Variabel independen yang digunakan:

X1: Kenakalan
X2: Nilai tes IQ
X3: Kecerdasan Emosional
X4: Perilaku sebelum masuk panti
X5: Keharmonisan keluarga
X6: Pendidikan Anak
X7: Rata-rata Lama Bermain
X8: Umur Anak
X9: Jumlah Anggota rumah tangga
X10: Jumlah Bersaudara Kandung
X11: Pendidikan Pengasuh

Variabel dependen:Y: Tingkat Kenakalan : (Nakal menengah keatas dan Nakal Ringan)

Berikut Langkah-langkah dalam analisis diskriminan:

1. Masukkan data yang akan diolah. seperti pada gambar di bawah.
   
2. Pada menu Analyze, pilih submenu Classsify, lalu pilih Discriminant. Pada kotak dialog Discriminant Analysis, pindahkan Nakal_Rev2 ke dalam Grouping Variable, lalu klik Define Range.
   
3. Lalu pada kotak kecil, bagian minimum diisi dengan kode terkecil dan maximum diisi dengan kode terbesar dari variabel respon, pada contoh kasus disini,masukkan angka “1” untuk minimum dan “2” untuk maximum. Kemudian klik Continue.
   
4. Kembali ke kotak dialog Discriminant Analysis, lalu pada Independents diisi dengan variabel penjelas. Metode yang sering dipaparkan pada literatur-literatur adalah metode bertatar (stepwise), maka kali ini hanya akan diberi contoh penggunaan metode ini. Pada contoh kasus di sini, variabel independents adalah variabel yang tersisa tadi. Kemudian pindahkan variable yang tersisa ke dalam Independents.lalu, pilih dan klik Statistics.
   
5. Pada kotak kecil, centangkan kotak means, univariate ANOVA’s, Box’s M, serta Unstandardized. Lalu, Continue.
   
6. Kembali ke kotak dialog Discriminant Analysis, lalu pada Classification, lalu diberi tanda cek di All group equal, Casewise result, Summary table, dan Within-groups. Lalu, klik Continue.
   

Interpretasi hasil analisis diskriminan

Uji Asumsi Analisis diskriminan

Uji Kesamaan matriks ragam-peragam antar kelompok

Pada kasus ini, kita menguji asumsi kesamaan matrik ragam-peragam antara kelompok nakal menengah ke atas dan nakal ringan digunakan statistic uji Box’s M.

Dengan tingkat kepercayaan 95%, kelompok-1 dan kelompok-2 memiliki matriks ragam-peragam yang sama dilihat nilai sig 0.46 yang lebih besar dari 0.05(alpha). Asumsi semua kelompok memiliki matrik ragam-peragam yang sama terpenuhi. Selain itu, kesimpulan dapat diambil dengan melihat nilai log determinan dari tiap-tiap kelompok pada tabel log determinants. Nilai log determinan kelompok menengah ke atas = 13.103 dan kelompok ringan = 12.132. Hasil keduanya relative sama, yang mengindikasikan ragam-peragam untuk tiap kelompok sama.

Perbedaan rata-rata antar kelompok

Untuk uji perbedaan rata-rata antar kelompok menggunakan uji wilks lambda.

Dengan melihat nilai signifikansi yang lebih kecil dari alpha (0.05), sehingga dapat dikatakan bahwa terdapat perbedaan rata-rata antara kelompok 1 dan kelompok 2 dengan asumsi perbedaan rata-rata antar kelompok terpenuhi.
Selain itu, juga dapat dilihat dari hasil tabel Test of Equality of Group Means mengenai perbedaan signifikan antar kelompok pada setiap peubah bebas.

Dari hasil Tabel Test Of Equality Of Group Means kita dapat mengetahui hal sebagai berikut.

1. Karakteristik IQ, Kecerdasan Emosional, Sikap, Keharmonisan Keluarga, Lama SekolahAnak, Lama waktu bermain, dan Umur memiliki P-value < 0,05 berarti bahwa kategori anak nakal ringan berbeda signifikan dengan anak nakal menengah ke atas. Terdapat 7 peubah yang signifikan berbeda antar kelompok.
2. Dalam pengolahan SPSS nilai jumlah peubah p, dari hasil output ini terdapat 70% dari p yang berbeda signifikan. Karena ≥ 50% p, maka analisis diskriminan dapat dilakukan.
3. Asumsi perbedaan rata-rata antar kelompok telah terpenuhi karena lebih dari 50 persen dari total peubah yang dianalisis telah signifikan berbeda antar kelompok.
4. Tiga peubah yang tidak signifikan yaitu jumlah anggota rumah tangga, jumlah saudara kandung, dan lama sekolah pengasuh. Ketiga peubah yang tidak lolos akan dikeluarkan dari daftar peubah yang akan disertakan pada analisis diskriminan.

Analisis Hasil Analisis Diskriminan

Stepwise statistics

Berdasarkan hasil dari proses stepwise method dengan iterasi sebanyak empat kali didapatkan empat peubah yang signifikan membedakan kelompok nakal menengah ke atas dan nakal ringan karena nilai signifikansinya yang lebih kecil dari 0,05. Dengan tingkat residual error yang semakin kecil yang dinyatakan oleh Wilk’s Lambda mulai dari level 0,414 dan terus berkurang hingga mencapai 0,270 setelah keempat peubah tersebut terpilih untuk dimasukkan ke dalam fungsi diskriminan. Hal ini berarti kemampuan diskriminasi dari fungsi yang dihasilkan semakin meningkat.

Summary of Canonical Discriminant

Nilai akar ciri (eigen value) menunjukkan ada atau tidaknya multikolinearitas antar peubah bebas. Multikolinearitas akan terjadi bila nilai akar ciri (eigen value) mendekati 0 (nol). Berdasarkan hasil pengolahan data didapatkan nilai akar ciri yang menjauhi nol, yaitu sebesar 2,709. Keadaan ini dapat diartikan bahwa fungsi diskriminan yang diperoleh cukup baik karena tidak terjadi multikolinearitas di antara sesama peubah bebasnya.

Pada tabel Eigen Value terdapat nilai canonical correlation. Canonical correlation digunakan untuk mengukur derajat hubunggan antara besarnya variabilitas yang mampu diterangkan oleh variabel independen terhadap variabel dependen. Dari tabel di atas, diperoleh nilai canonical correlation sebesar 0,855, bila dikuadratkan menjadi (0,855x0,855)=0,7310; artinya 73,10% varians dari variabel dependen dapat dijelaskan dari model diskriminan yang terbentuk

canonical discriminant function coefficients

Tabel canonical discriminant function coefficients menerangkan model diskriminan yang terbentuk, yaitu :

Y = -10,467 + 0,072IQ + 0,168Emosi + 0,076Perilaku + 0,047Harmonis.

Function at Group Centroid

Group Centroid merupakan rata-rata nilai diskriminan dari tiap-tiap observasi di dalam masing-masing kelompok. Group Centroid untuk kelompok nakal menengah ke atas adalah sebesar -1,161, sedangkan untuk kelompok nakal ringan adalah sebesar 2,285. Ini berarti bahwa secara rata - rata skor diskriminan kedua kelompok berbeda cukup besar. Sehingga fungsi diskriminan yang diperoleh dapat membedakan secara baik kelompok yang ada.

Classification results

Tabel ini menggambarkan crosstabulasi antara model awal dengan pengklasifikasian model diskriminan. Terlihat ada 4 responden yang salah klasifikasi, yaitu 3 responden yang awalnya ada pada kelompok kenakalan menengah keatas kemudian diprediksi masuk dalam kelompok kenakalan ringan dan 1 responden yang awalnya ada pada kelompok kenakalan ringan kemudian diprediksi masuk dalam kelompok kenakalan menengah keatas. Secara keseluruhan model diskriminan yang terbentuk mempunyai tingkat validasi yang cukup tinggi yaitu 95,8%. Hasil survei di atas menunjukkan hasil keakuratan model diskriminan yang cukup tinggi.

Untuk materi tentang analisis diskriminan silahkan di klik Materi analisis diskriminan

.