EXPLORE. Nama variabelTipeLabelKeterangan Prestasinumerik1=sangat baik 2=baik 3=cukup baik 4=jelek 5=sangat jelek Ukuran prestasi untuk seorang karyawan.

Presentasi berjudul: "EXPLORE. Nama variabelTipeLabelKeterangan Prestasinumerik1=sangat baik 2=baik 3=cukup baik 4=jelek 5=sangat jelek Ukuran prestasi untuk seorang karyawan."— Transcript presentasi:

1 EXPLORE

2 Nama variabelTipeLabelKeterangan Prestasinumerik1=sangat baik 2=baik 3=cukup baik 4=jelek 5=sangat jelek Ukuran prestasi untuk seorang karyawan IQnumerik1=sangat cerdas 2=cerdas 3=cukup cerdas Ukuran IQ seseorang LOYALITASnumerik1=sangat loyal 2=loyal 3=cukup loyal 4=meragukan Ukuran Loyalitas seorang karyawan Data Nilai Karyawan

3 No.PRESTASIIQLOYALITASPENDIDIKAN 1.baiksangat cerdasloyalsarjana 2.baikcukup cerdasloyalsarjana 3.baikcerdasloyaldiploma 4.baikcerdasloyalsarjana 5.baikcerdasloyalsmu 6.baikcerdasloyalsmu 7.baikcerdasloyalsarjana 8.baikcukup cerdasloyalsarjana 9.baikcukup cerdasloyalsarjana 10.sangat baikcukup cerdascukup loyaldiploma 11.sangat baikcerdascukup loyaldiploma 12.jelekcukup cerdascukup loyaldiploma 13.baikcerdasloyalsarjana 14.baiksangat cerdasloyalsarjana 15.baikcerdasloyalsarjana 16.baikcukup cerdasloyalsarjana 17.baikcerdasloyalsarjana 18.baikcerdasloyalsarjana 19.cukup baikcerdascukup loyalsmu 20.sangat baikcukup cerdascukup loyalsarjana

4 21.cukup baikcerdascukup loyalsmu 22.sangat baikcukup cerdascukup loyalsmu 23.cukup baikcerdasloyaldiploma 24.baikcerdasloyaldiploma 25.baikcerdasloyalsmu 26.cukup baikcerdascukup loyalsmu 27.baikcerdasloyalsarjana 28.baikcerdasloyalsmu 29.sangat baikcerdassangat loyaldiploma 30.baikcukup cerdasloyalsmu 31.baikcukup cerdasloyalsarjana 32.cukup baikcukup cerdascukup loyaldiploma 33.baikcukup cerdasloyalsmu 34.cukup baikcerdascukup loyalsmu 35.sangat jelekcukup cerdascukup loyalsarjana 36.cukup baikcerdassangat loyaldiploma 37.cukup baikcukup cerdasmeragukandiploma 38.cukup baikcerdasloyalsmu 39.sangat baikcukup cerdasmeragukansarjana 40.baikcerdasloyalsmu

5

6 Dependent List atau variabel tergantung yg akan dimasukkan (variabel yg menjadi pembahasan). Factor List atau variabel faktor yg akan dimasukkan (berisi data dengan skala pengukuran nominal/kategori) List case by atau kasus akan diurutkan menurut variabel yg mana.

7

8

9

10

11

12 ANALISA # OUTPUT CASE PROCESSING SUMMARY Semua data berjumlah 40 observasi valid 100% # Output Descriptives Berisi ringkasan statistik deskripsi dari variabel2x yg dimasukkan # Output M-Estimators Bila sebagai pengukuran pusat yaitu memberi bobot pd data. Terlihat beberapa hasil pengukuran seperti Huber, Tukey,Hampel dan Andrew. # Output Extreme Value Menampilkan 5 nilai tertinggi dan 5 nilai terendah dari 40 data berdasarkan tingkat pendidikan

13 # OUTPUT BOXPLOT Boxplot adl kotak pada gambar berwarna merah (atau berwarna lain) dengan garis tebal horizontal di kotak tersebut. Kotak merah tersebut memuat 50% data, atau mempunyai batas persentil ke-25 dan ke-75. sedangkan garis tebal hitam adalah median data. Persentil 25 / Hinges Persentil 50 / Median Persentil 75 / Hinges Nilai diatas garis adl Outlier/nilai ekstrim hspread Nilai 1,5 dari hspread (whisker)

14 Catatan : -Perhatikan panah hspread dan whisker -Nilai lebih dari 1,5 hspread (tinggi BoxPlot) ditandai dengan “ o” disebut Outlier (pencilan) -Nilai lebih dari 3 hspread ditandai dengan “ * ” disebut extrem value atau ‘far outside value’. -Jika garis hitam tebal atau tanda median terletak tepat di tengah BoxPlot, maka distribusi data adalah normal. Jika berada diatas maka distribusi menceng ke kiri. Dan jika disebelah bawah maka distribusi menceng ke kanan.

15  5% Trimmed Mean. Yaitu mengurutkan data yg diteliti (misal tinggi badan),diurutkan dari data terkecil sampai terbesar lalu memotong 5% dari data terkecil dan 5% dari data terbesar.Tujuan nya utk membuang nilai yg menyimpang (karena jauh dr rata-rata), kemudian dilakukan perhitungan mean seperti biasa.  Interquartile Range. Yaitu selisih persentil ke-25 dan persentil ke-75.secara teori 50% dr data terletak pd persentil 25-75.

16 Rasio skewness dan Kurtosis Rasio Skewness=(skewness)/(standard error Skewness) Rasio Kurtosis=(kurtosis)/(standard error Kurtosis) Jika nilai keduanya < 2 maka data tersebut normal atau mendekati normal. Output M-Estimators Sebagai alternatif pd pengukuran pusat (mean dan me dian).jika data mengandung nilai2x yg cukup menyimpang dari rata2xnya, mk mean tidak bisa menggambarkan ukuran pusat data tsb.

17 Misalkan diperoleh output BoxPlot sebagai berikut :

18 Analisis BOXPLOT Median bidang personal paling tinggi atau titik tengah personal paling besar. Bidang administrasi dan produksi adak miring ke kanan, namun masih bisa dikatakan normal. Bidang market tidak normal, karena terlalu miring ke kiri. Bidang personal miring ke kanan, tetapi masih dikatakan normal. Ada dua data outlier yaitu kasus ke 39 dan 22, pada bidang market dan personal.

19 # Rata-rata pengalaman kerja bidang personalia adalah paling tinggi, kemudian disusul olehbidang administrasi, market dan produksi. # dari posisi garis hitam (mean) masing2x bidang terlihat bidang marketing sangat menceng kiri, bidang administrasi menceng kanan. # klik ganda pada BoxPlot akan muncul Chart Editor sehingga diperoleh ada 2 nilai outlier 1 buah bidang market dan 1 buah bidang personalia.

20 Terdapat 2 orang yang memiliki pengalaman 4 tahun, leaf/ cabang bernilai 00, artinya ada dua orang.tidak ada nilai ekstrem.dan seterusnya untuk frekuensi yang lainnya.

21 Terdapat 1 orang yang memiliki pengalaman 4 tahun, leaf/ cabang bernilai 0, artinya ada satu orang.Ada 1 orang bernilai ekstrem dengan pengalaman diatas 10 tahun.

22 SELESAI

23

24