Pelatihan Statistik Olah Data

Dalam Praktek Penulisan Karya Tulis Ilmiah Skripsi (S1), Thesis (S2), bahkan publikasi Dosen di sejumlah Jurnal didalam Negeri, banyak kami temukan Kesalahan dalam Pemilihan aplikasi alat Analisis yang ujungnya, hasil Analisis Statistik tidak dapat dipertanggung Jawabkan, karena bias dan miss-leading, keluar dari jalur lintasan, dan tidak sampai di Tujuan Akhir. 

 SPSS memiliki fasilitas untuk melakukan pengujian statistik non parametric. Salah satu yang paling popular adalah penggunaan model analisis Chi Square seta uji tanda Wilcoxon maupun Mann-Whitney. Model analisis statistik dinyatakan non parametric karena hasil analisis statistik yang diperoleh tidak menghasilkan parameter atau koefisien sebagaimana didapatkan apabila kita mempergunakan model regressi. Meskipun demikian, analisis statistik non parametric juga memiliki kelebihan tersendiri. 

 Analisis Statistik Dengan SPSS Model regressi adalah dirancang untuk dipergunakan sebagai alat prediksi untuk melihat arah perubahan variable pendapatan (income) sebagai variable dependent yang dipengaruhi oleh tingkat pendidikan (educ) dan pengalaman kerja (job experience). Data yang disajikan pada Gambar 1.1 adalah sheet yang berhubungan dengan data sampel (person) serta nilai pendapatan masingmasing yang diperoleh dengan variasi tingkat pendidikan dan pengalatan kerja yang berdbeda satu sama lain. (data ada pada CDROM).

PENJELASAN SINGKAT PEMAHAMAN MODEL FORMATIVE DAN REFLECDTIVE YANG BISA DIBEDAKAN DENGAN PENDEKATAN CBSM (AMOS), PADA SEM PLS, DIMENSI DAN CONTRUCT (VARIABELLATEN) DAPAT BERBENTUK FORMATIVE, SANGAT TERGANTUNG KEPADA KERANGKA TEORI DAN RELASI ANTAR VARIABLE. PEMBACA YANG INGUN MENDALAMI, DAPAT DI DOWNLOAD JURNAL DARI HENSELER, RINGLE DAN BACKER, DARI UNIVERSITAS HAMBURG, PUSAT STUDI SEM PLS. 

                                                                     RINGKASAN

Ketika para peneliti berhadapan dengan sejumlah besar persoalan berkaitan dengan theoretical link dalam pembentukan variabel konstruk (latent variable), maka banyak pihak sering melupakan hubungan yang paling mendasar yaitu proses pengukuran latent variable yang terbentuk dari penggunaan sejumlah indikator. Sejauh ini, pengetahuan secara umum yang diketahui sampai saat ini yaitu bahwa latent variable dibangun berdasarkan asumsi reflective, yaitu latent variable yang digambarkan memiliki hubungan tanda panah yang bergerak dari latent variable ke anggota indikatornya, dimana indikator terbentuk berdasarkan sumber dari informasi data yang dipergunakan peneliti. Sejalan dengan proses perjalanan waktu, maka pembentukan hubungan antara latent dengan indikatornya dipetakan tidak saja berbentuk reflective, tetapi juga bisa bersifat formative. Konstruk formative adalah konsep pengukuran dari indicator dalam membentuk nilai latent variable yaitu apabila items atau indikator ternyata membentuk atau mempengaruhi variabel latent yang digambarkan sebagai arah tanda panah menuju latent variable. Paper ini berusaha untuk menjelaskan adanya kemungkinan peneliti seharusnya mempergunakan hubungan bersifat formative, tetapi dilaksanakan dengan mempergunakan pendekatan reflective. Apabila hasil penelitian diharapkan memiliki nilai yang valid, maka seorang peneliti harus memiliki informasi dan dapat membedakan dengan baik kapan pembentukan sebuah variabel latent itu memiliki karakter indikator reflectifve atau formative. Paper ini juga membahas implikasi yang akan dihadapi para peneliti tentang kesalahan perumusan items formative atau reflective yang tentu akan menimbulkan resiko kesalahan statistik seperti type error 1 dan type error 2. Dalam rangka menghindarkan kesalahan pada spesipikasi model dalam membangun konstruk, maka paper ini berusaha menyajikan roadmap bagi para peneliti untuk menjustify variabel latent yang terbentuk apakah memiliki karakter reflective atau formative. Paper ini juga mengkaji tindak lanjut dari pilihan penggunaan konstruk formative setelah ditetapkan sebagai indkator yang membentuk latent variable. 

RINGKASAN,

BERDASARKAN HASIL PRINT OUT SPSS, PENGGUNA PERLU MEMAHAMI CARA MENDAPATKAN NILAI R ADJUSTED, UJI F DAN UJI T TEST. PRINSIPNYA, SEMAKIN BESAR SATNADAR ERROR DARI HASIL OLAH DATA, MAKA SEMASKIN KECIL NILAI F DAN T, MAKA SEMAKIN KECIL PELUANG HASIL ANALISIS AKAN SIGNIFIKANT. BILA NILAI F DAN T SEMAKIN MENGECIL, MAKA PELUANG SIGNIFICANT JUGA SEMAKIN KECIL. BILA F DAN T SEBARAN NILAINYA LEBH KECIL DARI F TABEL ATAU T TABEL, MAKA HO DITERIMA DAN Hi DITOLAK. ARTINYA HASIL ANALISIS TIDAK SIGNIFICANT..*******

PT KRAMA BALI ACADEMICA MENYIAPKAN KEBUTUHAN PARA MAHASISWA BAIK UNTUK TUJUAN PELATIHAN APLIKASI STATISTIK MAUPUN UNTUK LAYANAN PENGOLAHAN DATA DENGAN MEDIA ONLINE, CEPAT CERDAS DAN EFISIEN. KAMI SIAPKAN HASIL ANALISIS DENGAN DISERTAI ARTI STATISTIK ATAS HASIL PERHITUNGAN. 

SEMOGA BERMANFAAT

MANAGEMENT PT KRAMA BALI ACADEMICA

PETRA BRAWIJAYA

       ttd.

Dr. Sudjana Budhi, SE, MSI

Direktur 

RINGKASAN 

Model ekonomi mikro juga banyak dikembangkan untuk studi periode waktu tertentu (cross-section data), sehingga model memiliki karakter data random, sehingga tidak diperlukan uji autocorrelation dan uji stasioner, karena variance yang berubah karena waktu tidak ditemukan pada studi cross-section data. Lihat misalnya Thomas LR, (1997), Stewart (2006). Ketika simpangan baku (standar error) tidak berubah berdasarkan dinamika waktu, maka model path dan SEM multivariate dapat diaplikasikan, meskipun dewasa ini telah dicoba dikembangkan MIMIC model yang memuat didalamnya dinamika waktu melalui penyajian data panel ( Hair, 2010). Metode multivariate path dan SEM juga disebut sebagai the second generation, karena lahir setelah abad econometric berkembang. Berbeda dengan SEM pada econometric yang dapat mempergnakan metode regressi secara tuntas, tetapi pada path dan SEM khususnya yang banyak mempergunakan data persepsi melalui penggunaan skala Likert, maka bantun analsis factor diperlukan untuk mengkonstruksi data katagorical menjadi regression score atau latent variable