Statistika dan Aplikasi Komputer Sesi 1: Pengantar

Presentasi berjudul: "Statistika dan Aplikasi Komputer Sesi 1: Pengantar"— Transcript presentasi:

1 Statistika dan Aplikasi Komputer Sesi 1: Pengantar
Program Pasca Sarjana Universitas Indonesia Magister Kajian Kependudukan & Ketenagakerjaan Semester Gasal 2012/2013

2 Garis Besar I - PENDAHULUAN Statistika: Apa dan Mengapa
Statistika Deskriptif dan Inferens Data Kuantitatif dan Data Kualitatif Populasi dan Sampel II - DISTRIBUSI FREKUENSI Cara Menyusun Distribusi Frekuensi Distribusi Frekuensi Relatif dan Kumulatif Gambar dan Grafik Distribusi Frekuensi 05/09/2012 E. L. Pardede

3 Statistika: Apa dan Mengapa
Keputusan sehari-hari dengan ‘statistika’ Belanja Menentukan menu makan malam Mencicipi masakan Memilih pacar, suami/istri Memilih bidang studi (contoh: Akuntansi FEUI) Tujuan berlibur MKJP vs kontrasepsi jangka pendek Contoh lain adalah misalnya bagaimana asuransi menentukan harga premi (berdasarkan statistika, khususnya teknik demografi seperti life table (tabel kematian)) 05/09/2012 E. L. Pardede

4 PENGAMBILAN KEPUTUSAN/
DATA PROSES HASIL/ OUTPUT ANALISIS STATISTIKA State-istics: data untuk kebutuhan negara/state (Wonnacott & Wonnacott 1998) PENGAMBILAN KEPUTUSAN/ PERUMUSAN KEBIJAKAN 05/09/2012 E. L. Pardede

5 Statistika: Apa itu? ILMU YANG MEMPELAJARI MENGENAI MENGUMPULKAN, MENATA, MENYAJIKAN, MENGANALISIS, DAN MENGINTERPRETASI DATA UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN YANG LEBIH EFEKTIF (Lind , Marchal, Waten, 2005) 05/09/2012 E. L. Pardede

6 Kalau kita tidak belajar untuk mengetahui angka mana yang penting, maka misalnya seorang presiden menginginkan informasi, kita tidak tahu mana yang perlu ditampilkan sementara presiden sehari-hari sudah dihujani begitu banyak informasi. Jadinya kalau kita tidak mempelajari bagaimana memproses data dan analisisnya untuk pengambilan keputusan, maka keputusan yang diambil tidak berdasarkan data yang tepat dan akurat. Kalau kita bandingkan dengan keputusan kita sehari-hari yang menggunakan statistik (data) dan juga proses yang mungkin tanpa sadar kita jalani, maka untuk keputusan yang menyangkut skala besar dan untuk jangka panjang dan strategis, kita tidak bisa mengandalkan ‘kira-kira’ karena menyangkut hajat hidup orang banyak atau kesuksesan suatu program pemerintah atau keberhasilan usaha tertentu 05/09/2012 E. L. Pardede

7 Statistika: Mengapa? Informasi tersedia
Statistika digunakan untuk menganalisis masalah dan menyiapkan informasi untuk pengambilan keputusan Dasar perumusan kebijakan Prediksi kejadian (kecenderungan) di masa depan Kebutuhan bidang demografi: proyeksi Saat ini informasi tersedia di mana-mana sehingga kita perlu mengetahui cara untuk memahaminya, misalnya untuk memahami tingkat kemiskinan, tingkat kesehatan, pengangguran, dll. Tanpa memahami data dan interpretasinya, kita bisa mengambil kesimpulan yang tidak tepat. Contohnya, dalam kehidupan sehari-hari terkadang kita mengambil kesimpulan dari 1 pengalaman, padahal untuk bisa valid dan obyektif, sampel kita harus cukup. Dalam proyeksi, data-data dibutuhkan yang juga dihasilkan oleh alat statistika yang bernama teknik demografi seperti penghitungan tingkat kematian, kelahiran, dan migrasi 05/09/2012 E. L. Pardede

8 Statistika – Apa dan Mengapa
Statistik – Mengacu pada kumpulan informasi numerik berbentuk angka-angka, gambar (grafik), dan tabel Statistik – Secara khusus digunakan untuk mengacu kepada karakteristik sampel seperti rata-rata, median, modus, standar deviasi, dan varians (Parameter: karakteristik populasi) 05/09/2012 E. L. Pardede

9 Fakta vs Opini Orang Batak galak Kantin itu ramai
Tongseng di kantin FEUI memang enak Aku sudah gagal sebagai suami/istri Tas itu mahal Dosen S2KK baik-baik Bapak itu sangat saleh/soleh 05/09/2012 E. L. Pardede

10 Statistika: Deskriptif dan Inferens
Deskriptif: metode untuk menata, meringkas, dan menyajikan data dengan cara yang informatif Inferens (statistika induktif) : metode yang digunakan untuk menyatakan sesuatu (keputusan, dugaan/estimasi, prediksi, dan/atau kesimpulan/generalisasi) mengenai populasi berdasarkan sampel 05/09/2012 E. L. Pardede

11 Populasi dan Sampel Populasi: sekumpulan seluruh individu/obyek/ukuran-ukuran yang lain yang mungkin menjadi obyek penelitian Sampel: bagian dari populasi  ILUSTRASI Populasi dari kelas BKKBN/Reguler 19 orang? Sampel, ambil sebagian 05/09/2012 E. L. Pardede

12 Regina vs Pertama, ambil sampel dua kali dari S2KK, dibagi dua, siapa yang menang? Sean 05/09/2012 E. L. Pardede

13 Populasi & Sampel di mana:  = proporsi populasi P = proporsi sampel n = besarnya sampel Untuk tingkat keyakinan 95% 05/09/2012 E. L. Pardede

14 Hasil Pilkada Gubernur DKI Jakarta
Sumber: (3) Diolah dari 05/09/2012 E. L. Pardede

15 Sampling RANDOM: setiap individu/obyek penelitian memiliki kesempatan yang sama untuk terpilih Simple random Multistage random sampling 05/09/2012 E. L. Pardede

16 Contoh: Survei Konsumsi Rokok di Jawa Tengah dan Jawa Timur, 2010 (LD FEUI)

17 Data Kualitatif dan Kuantitatif
Kualitatif: data berisi karakteristik non numerik (atribut); contoh: jenis kelamin, daerah tempat tinggal, status perkawinan Kuantitatif: data berisi variabel yang numerik; terdiri atas variabel: Diskrit: penghitungan dan bilangan bulat; contoh: jumlah anak, jumlah TV, jumlah sekolah Kontinu: nilainya bisa berapa saja dalam range atau interval tertentu; contoh: pendapatan, pengeluaran, berat badan, umur Opini atau fakta? Coba cek ulang, kata-kata seperti ‘gagal’, ‘baik’, ‘enak’, ‘ramai’ 05/09/2012 E. L. Pardede

18 Skala Pengukuran Data (1)
Skala pengukuran: cara mengukur variabel Dalam melakukan pengukuran data, pengelompokan individu/obyek penelitian harus bersifat: Mutually exclusive: kategori yang dibuat hanya mengelompokkan SATU individu/obyek penelitian per kategori (tidak tumpang tindih) Exhaustive: setiap individu/obyek HARUS muncul dalam satu kagetori (tidak ada yang tertinggal) Contoh: data pendidikan di Susenas Contoh: data pendidikan, lihat kuesioner Susenas 05/09/2012 E. L. Pardede

19 Keterangan Pendidikan
dari Kuesioner SUSENAS 2009 KOR 05/09/2012 E. L. Pardede

20 Skala Pengukuran Data (1)
Skala nominal: data yang kategorinya tidak ada tingkatan/urutan. Contoh: Jenis kelamin, daerah tempat tinggal Data ordinal: data yang diklasifikasikan berurut/bertingkat (orderly/ranked) berdasarkan karakteristik tertentu. Contoh: Rasa jus di kantin FEUI 05/09/2012 E. L. Pardede

21 Jumlah Mahasiswa Beberapa Program Studi di PPs UI (Data Rekaan)
No Program Studi/Kajian Jumlah Mahasiswa 1 Ilmu Lingkungan 25 2 Kajian Ketahanan Nasional 80 3 Kajian Stratejik Intelijen 30 4 Kajian Kependudukan dan Ketenagaan Kerja 35 5 Kajian Ilmu Kepolisian 70 6 Kajian Gender 10 05/09/2012 E. L. Pardede

22 Program Studi di PPs UI berdasarkan Jumlah Mahasiswa (Data Rekaan)
No Program Studi/Kajian Jumlah Mahasiswa 1 Kajian Ketahanan Nasional 80 2 Kajian Ilmu Kepolisian 70 3 Kajian Kependudukan dan Ketenagaan Kerja 35 4 Kajian Stratejik Intelijen 30 5 Ilmu Lingkungan 25 6 Kajian Gender 10 05/09/2012 E. L. Pardede

23 Jumlah Jenis Jus Kantin FEUI berdasarkan Rasa (Data Rekaan)
No Rasa Jus Jumlah Jus 1 Sangat enak 5 2 Enak 3 Biasa/sedang/netral 4 Tidak enak Sangat tidak enak Ordinal, sangat enak bukan berarti dua kali netral 05/09/2012 E. L. Pardede

24 Skala Pengukuran Data (2)
Data interval: berurutan seperti data ordinal, tetapi jarak antara karakteristik sama dengan jarak dalam pengukuran. Contoh: Temperatur, ukuran sepatu Data rasio: berurutan seperti data ordinal, jarak antara karakteristik sama dengan jarak dalam angka dalam pengukuran, dan angka 0 artinya adalah tanpa karakteristik Contoh: Pendapatan, upah, penjualan, jarak 05/09/2012 E. L. Pardede

25 Ukuran Pakaian (Standar Belanda)
Interval Small 36-38 Medium 40-42 Large 44-46 05/09/2012 E. L. Pardede

26 Predikat Lulusan UI Ukuran Interval Memuaskan 2,75-3,40
Sangat Memuaskan 3,41-3,70 Cum Laude 3,71-4,00 05/09/2012 E. L. Pardede

27 Rata-rata Upah Menurut Pendidikan dan Jenis Kelamin, 2007
No Pendidikan Laki-laki (Rp) Perempuan (Rp) RASIO UPAH (L/P) 1 <=SD 1,421,217 1,078,925 1.32 2 SMP 1,549,586 1,059,262 1.46 3 SMA 2,342,967 1,806,685 1.30 4 Akademi/Dipl. 3,275,466 2,537,911 1.29 5 Universitas 2,496,516 1,664,763 1.50 Rata-rata 958,972 715,414 1.34 Sumber: BPS, dikutip dari Fa’atin (2010), diolah 05/09/2012 E. L. Pardede

28 Distribusi Frekuensi Definisi: pengelompokan data ke dalam kategori/kelompok/kelas yang mutually exclusive yang menyajikan jumlah observasi di dalam setiap kategori/kelompok/kelas Metode: Tentukan jumlah kelompok Tentukan interval/lebar tiap kelompok Tentukan batas atas dan bawah tiap kelompok Hitung jumlah observasi untuk tiap kelompok Contoh: kelompok umur dan tingkat pendidikan Tentukan midpoint dari setiap kelompok Alasan lain untuk menentukan jumlah kelompok adalah alasan teoretis. Contoh: pembagian usia Wanita Usia Subur 05/09/2012 E. L. Pardede

29 Jumlah Kelompok dan Interval Kelas
Rumus penentuan jumlah kelompok (1) 2k  n (2) k = 1 + 3,322 Log n di mana k=jumlah kelompok dan n=jumlah observasi Rumus penentuan interval kelompok/kelas Interval Kelas = Nilai terbesar – Nilai terkecil Jumlah kelas 05/09/2012 E. L. Pardede

30 Distribusi Frekuensi Relatif
Definisi: menyajikan persentase/proporsi berdasarkan jumlah observasi di dalam setiap kategori/kelompok/kelas Absolut vs Relatif: Jumlah lulusan cum laude prodi S2 Ilmu Kepolisian UI lebih besar daripada jumlah lulusan cum laude prodi S2 Kependudukan & Ketenagakerjaan UI Contoh: kelompok umur dan tingkat pendidikan 05/09/2012 E. L. Pardede

31 Absolut vs Relatif Distribusi Lulusan Program Studi Ilmu Kepolisian dan Kependudukan dan Ketenagakerjaan Pascasarjana UI Berdasarkan Predikat Lulusan (Data Rekaan) PREDIKAT LULUSAN Kajian Kepolisian Kajian Kependudukan & Ketenagakerjaan Cum Laude 12 7 Tidak Cum Laude 68 28 05/09/2012 E. L. Pardede

32 Latihan 2: Bermain dengan Excel
50 lansia diseleksi random dari IFLS 2007 Buat: Distribusi: Frekuensi, Frekuensi Relatif, dan Frekuensi Kumulatif dari usia lansia tersebut Buat Histogram, Diagram Poligon, dan Kurva Ogifnya Buat Histogram distribusi kelompok umur menurut jenis kelamin: 60-69, 70-79, dan 80+ 05/09/2012 E. L. Pardede

33 Observational studies vs Randomized experiments
Umumnya data untuk studi bidang ilmu sosial dan ekonomi adalah data hasil studi observasional (given) : tidak bisa memisahkan sampel secara random sampel yang kena ‘treatment’ dan sampel yang ‘dikontrol’ Adanya asosiasi (hubungan) antar variabel berdasarkan data observasional (bersifat pengamatan) yang ditemukan berdasarkan perangkat statistika bersifat netral terhadap hubungan kausalitas (sebab-akibat) Contohnya adalah perbandingannya dengan eksperimen di dalam Lab 05/09/2012 E. L. Pardede

34 PENTING! “We have to use observational studies that passively observe how treatment happened to be given, rather than actively assign it randomly and fairly when randomized experiments are not feasible. (Bias can be reduced in such cases by including as many as confounding factors possible in a regression) (Wonnacott & Wonnacott, 1990, p. 16). 05/09/2012 E. L. Pardede

35 with the abstractions we use
"We must be careful not to confuse data with the abstractions we use to analyze them." (William James) Statistics are no substitute for judgment. (Henry Clay) 05/09/2012 E. L. Pardede