Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga

memberikan informasi yang berguna.[1] Pengklasifikasian menjadi statistika deskriptif dan statistika inferensia dilakukan berdasarkan aktivitas yang dilakukan.[2] Statistika deskriptif hanya memberikan informasi mengenai data yang dipunyai dan sama sekali tidak menarik inferensia atau kesimpulan apapun tentang gugus induknya yang lebih besar.[1] Contoh statistika deskriptif yang sering muncul adalah, tabel, diagram, grafik, dan besaran-besaran lain di majalah dan koran-koran.[1] Dengan Statistika deskriptif, kumpulan data yang diperoleh akan tersaji dengan ringkas dan rapi serta dapat memberikan informasi inti dari kumpulan data yang ada. Pengertian Reliabilitas Reliabilitas adalah indeks yang menunjukkan sejauh mana suatu alat pengukur dipercaya atau dapat diandalkan. Bila suatu alat ukur dipakai dua kali untuk mengukur gejala yang sama dan hasil pengukuran yang diperoleh relatif konsisten, maka alat ukur tersebut reliabel. Atau dengan kata lain, reliabilitas menunjukkan konsistensi suatu alat ukur di dalam mengukur gejala yang sama. Pengertian Validitas Uji validitas adalah suatu langkah pengujian yang dilakukan terhadap isi ( content) dari suatu instrumen, dengan tujuan untuk mengukur ketepatan instrumen yang digunakan dalam suatu penelitian

Teknik untuk Menentukan Validitas dan Releabilitas. Ada beberapa teknik untuk mengukur reliabilitas, antara lain: a. Teknik Pengukuran Ulang

Teknik ini dilakukan dengan cara mengadakan pengkuran ulang kepada responden, kita meminta responden yang sama agar menjawab semua pertanyaan dalam alat pengukur sebanyak dua kali. Selang waktu antara pengukuran pertama dan ke dua menurut Masri Singarimbun antara 15 s/d 30 hari, apa bila selang waktunya terlalu dekat dikhawatirkan responden masih ingat jawaban yang diberikan pada waktu yang pertama. Hasil pengukuran pertama dan kedua kemudian dikorelasikan dengan teknik korelasi ”product moment”, kemudian dianalisa seperti dalam teknik validitas.

b. Teknik Belah Dua, yaitu dengan membagi instrumen menjadi dua bagian misal ganjil genap. c. Teknik Bentuk paralel, yaitu dilakukan dengan menggunakan dua alat ukur yang mengukur aspek yang sama.

CONTOH UJI VALIDITAS DAN RELIABILITAS

Cara mencari validitas konstruk dengan membandingkan nilai pernyataan pada masing-masing nomor urut dengan nilai keseluruhan
Responden A B C D E F G H I J 1 5 4 3 5 3 2 2 1 4 3 2 4 5 4 5 3 1 3 1 4 2 3 5 4 4 4 4 2 2 1 4 2 4 4 5 3 3 4 1 3 2 5 2 Nomor Pertanyaan Total 5 5 4 4 4 3 2 2 1 5 2 6 4 5 2 5 4 2 2 2 5 3 7 4 5 4 4 4 1 1 2 4 2 8 5 4 5 3 4 2 3 1 4 2 9 4 5 4 4 4 1 1 2 4 2 10 5 4 4 1 1 5 5 5 1 5 45 45 39 38 35 21 26 16 40 24

Tabel Perhitungan Korelasi
Responden A B C D E F G H I J N=10 X 5 4 3 5 3 2 2 1 4 3 ∑X=32 Y 45 45 39 38 35 21 26 16 40 24 ∑Y=328 X² 25 14 9 25 9 4 4 1 16 9 ∑∑X²=118 Y² 2025 2025 1521 1444 1156 441 676 256 1600 576 Y²=11720 XY 235 180 117 190 102 42 52 16 160 72 ∑XY=1166

705 0.867 0.884>0. selanjutnya dikonsultasikan dengan tabel korelasi nilai “r” dengan terlebih dahulu mencari derajat kebebasan (db).893>0.811>0.920 0.893 0.884 0. yaitu N-2 (10-2)=8.765.893 0.632 10 0.632. dan 1% adalah 0.632 3 0. Apabila nilai r hitung lebih besar dari r tabel.931>0.811 0.893>0.632 Keterangan Valid Valid Valid Valid Valid Valid Valid Valid Valid Tidak Valid . r 5% 1 0.632 9 0. Pada taraf signifikansi 5 % diperoleh angka 0.827>0.931 0.564 0. maka soal/pernyataan tersebut memiliki validitas konstruk yang baik Berdasarkan rumus tersebut diperoleh nilai r sebagai berikut Pernyataan Nilai r Cara Interpretasi pada taraf sig.632 7 0.632 6 0.867>0.632 8 0.632 4 0.705>0.827 0.564<0.632 5 0.Uji Validitas dengan product moment Hasil penghitungan tersebut.920>0.632 2 0.

Contoh Mencari Releabilitas. yangh dapat dilakukan secara keseluruhan maupun berdasar masing-masing item pernytaan. Misal berdasar contoh tersebut di atas diperoleh nilai rxy sebesar 0. .99 berarti reliabel. dengan cara pengukuran dua kali Responden A B C D E F G H I J Hasil Pengukuran I 45 45 39 38 34 21 26 16 40 24 Hasil Pengukuran II 45 42 40 38 32 20 24 17 42 24 Langkah selanjutnya hasil penghitungan tersebut dimasukkan dalam rumus korelasi produc moment. Cara memberikan interpretasi sama dengan pada uji validitas. karena nilai r hitung lebih besar dari r tabel (0. Pada taraf signifikansi 5 %.632) pada taraf signifikansi 5 %. nilai r tabel sebesar 0. kemudian dikonsultasikan dengan nilai r pada df 8 (N-2) atau 10-2.99>0.632.

Hasil pengumpulan data diketahui data sebagai berikut : Hipotesis penelitian : Tinggi Badan berpengaruh terhadap Berat Badan Seseorang (karena hanya dikatakan berpengaruh maka menggunakan uji dua arah). Jika Y : Berat Badan Seseorang dan X : Tinggi Badan Seseorang. maka untuk mendapatkan nilai a dan b untuk persamaan regersi linier sederhana : . Untuk kebutuhan penelitian tersebut diambil sampel secara acak sebanyak 10 orang untuk diteliti.CONTOH KASUS ANALISIS REGRESI DAN KORELASI SEDERHANA Seorang peneliti ingin mengetahui pengaruh dari tinggi badan terhadap berat badan.

98 > 5. Sedangkan untuk menguji secara serempak digunakan Uji F.819657/0. n – k = 1 .834 Nilai T tabel dengan df : 10 – 2 = 8 dan ½ α = 2.73.834 > 2.98 dan Untuk nilai F tabel dengan df : k .833613932638 = 14. yaitu :     Hipotesis Statistik adalah Ho : b = 0 dan Ha : b ≠ 0 (disebut uji dua arah) Nilai T hitung adalah : b/Sb = 0.819657 X Untuk menguji hipotesis secara parsial digunakan Uji T.Berdasarkan hasil pengolahan data tersebut di atas maka dapat dibuat persamaan regresi linier sederhana : Y = . yaitu diperoleh F hitung = 31.32 maka Ho  .1 .05525673 = 14.306 maka Ho ditolak.72041 + 0. 8 dan α : 5% sebesar 5.306 Karena nilai T hitung lebih besar dari pada T tabel atau 14.5% (uji dua arah) sebesar ± 2.874. Karena nilai F hitung lebih besar dari F tabel atau 31.874.32. Ha diterima dan hipotesis penelitian yang menyatakan bahwa Tinggi Badan berpengaruh terhadap Berat Badan Seseorang adalah dapat diterima (dapat dikatakan signifikan secara statistik).

Contoh nomor #2 memerlukan uji beda terhadap dua buah . juga bisa mencari perbedaan antara suatu sampel dengan nilai tertentu.982 dan koefisien determinasi (r kuadrat) sebesar 0.4% sedangkan sisanya merupakan sumbangan dari variabel lain yang tidak dimasukkan dalam model. Berdasarkan nilai koefisien regresi tersebut dapat diketahui bahwa jika tinggi badan meningkat sebesar 10% maka berat badan akan meningkat 8. baik Uji T maupun Uji F.964. Sedangkan berdasarkan nilai koefisien korelasi dan koefisien determinasi diketahui bahwa variabel independen (Tinggi Badan) mempunyai hubungan yang kuat dan mempunyai sumbangan yang cukup besar terhadap variabel dependen (Berat Badan). Untuk nilai r (korelasi) adalah sebesar 0. baik antara dua sampel data atau antara beberapa sampel data. kelompok akuntan pendidik dan kelompok pengguna jasa KAP. Ha diterima dan hipotesis penelitian yang menyatakan bahwa Tinggi Badan berpengaruh terhadap Berat Badan Seseorang adalah dapat diterima. uji beda. diketahui bahwa Variabel Tinggi Badan Seserorang berpengaruh terhadap Variabel Berat Badan Seseorang dan pengaruhnya bersifat positif (nilai koefisien regresinya sebesar 0.819657). Seorang penelitian ingin mengetahui apakah terdapat perbedaan persepsi tentang advertising KAP antara kelompok akuntan publik.4% menggambarkan bahwa sumbangan variabel independen (Tinggi Badan) terhadap naik turunnya variabel dependen (Berat Badan) sebesar 96. Uji Beda Sesuai dengan namanya. Contoh nomor #1 memerlukan uji beda terhadap suatu sampel data dengan nilai tertentu yaitu 1000 jam. Perhatikan contoh-contoh berikut: 1. 3. maka uji ini dipergunakan untuk mencari perbedaan. Kesimpulannya : Berdasarkan hasil pengujian hipotesis. 2.ditolak. Berdasarkan hasil nilai koefisien korelasi maka dapat dikatakan bahwa hubungan antara variabel independen (Tinggi Badan) dengan variabel dependen (Berat Badan) mempunyai hubungan yang kuat karena nilai r sebesar 98. artinya jika seseorang mempunyai tinggi badan semakin tinggi maka akan meningkatkan berat badannya (dan sebaliknya). Seorang guru ingin mengetahui apakah suatu model pengajaran memberikan hasil yang berbeda terhadap hasil prestasi belajar dua kelas siswa. Dalam kasus tertentu. Sedangkan berdasarkan nilai r kuadrat sebesar 96.2%. Perusahaan ingin mengetahui apakah lampu yang diproduksi mampu menyala lebih dari 1000 jam sesuai dengan standar yang ditetapkan perusahaan.2% tersebut sangat mendekati nilai 100%.

Jika dua kelompok mempunyai anggota yang sama dan mempunyai korelasi maka dipergunakan uji sampel berpasangan ( paired test). apakah normal atau tidak. Uji Heteroskedastisitas serta Uji Autokorelasi. yaitu Fisher. Disini uji yang akan saya kemukakan adalah uji yang umum. kenapa disebut uji F? Karena merupakan huruf depan dari nama seorang pakar statistik di masa lalu. Anggapan ini kurang tepat. Uji Multikolinieritas. ROA dan ROE terhadap Risiko Sistematis (beta) yang sudah saya rekap sebagai berikut: . Disini saya pakai SPSS 13.sampel yaitu nilai prestasi belajar antara dua kelas. maka memerlukan uji beda yang lain. Regresi Berganda Persyaratan untuk bisa menggunakan persamaan regresi berganda adalah terpenuhinya asumsi klasik. Disebut uji t karena merupakan huruf terakhir dari nama pencetus uji ini yaitu. dan jika jumlah anggota kelompok berbeda. meskipun tidak sepenuhnya salah. Current ratio (CR). Contoh nomor #3 memerlukan uji beda terhadap tiga kelompok akuntan dalam hal persepsi terhadap advertising KAP. barulah merupakan statistik non parametrik. akan tetapi jika distribusi data tidak normal. Anda bisa menduga bahwa korelasi Pearson adalah diambil dari nama penemunya yaitu Karl Pearson dan berbagai metode juga diambil dari nama pencetusnya. Tambahan lagi. Juga terdapat jenis uji beda lain selain berdasarkan jumlah kelompok sampel yang diuji. Untuk mendapatkan nilai pemeriksa yang efisien dan tidak bias atau BLUE (Best Linear Unbias Estimator) dari satu persamaan regresi berganda dengan metode kuadrat terkecil (least square). maka perlu dilakukan pengujian untuk mengetahui model regresi yang dihasilkan memenuhi persyaratan asumsi klasik. hanya sebagai pengetahuan saja. Uji t dengan distribusi normal maka tetap merupakan statistik parametrik. yaitu Uji Normalitas. Jadi penentuan parametrik atau bukan. Masing-masing metode memerlukan kajian tersendiri dan akan dibahas satu persatu. tidak didasarkan pada jenis uji tetapi tergantung dari distribusi data. Grosett. kalo ada yang beda silakan menyesuaikan aja ya… Supaya mempermudah saya berikan sebuah contoh: Saya akan menghitung pengaruh Leverage. tentunya tidak berkorelasi. Misalnya jumlah sampel pada masing-masing kelompok juga menentukan jenis uji beda yang digunakan. Ada yang menyebut bahwa uji beda merupakan uji statistik non parametrik. misalnya Independent Sample t test atau Mann-Whitney U-Test. kenapa uji beda juga sering disebut uji t? Ini sebenarnya tidak penting.

Sebagai contoh saya yang tadi kami memasukkannya seperti pada gambar berikut: . Kemudian masukkan semua angkanya pada "data view".(kalo kurang jelas bisa di download dulu gambar di atas ini) Pertama-tama yang harus dilakukan adalah masuk ke program SPSS.

pada "Decimals" bisa di ubah sesuai dengan keinginan. Klik analize>regression>linear Akan muncul jendela "Linear Regression". Pada "Name" masukkan nama variable. Kalo pada contoh saya saya memasukkan Beta menjadi variabel tetap (dependent). Masukkan variabel sesuai dengan data anda. dan datanya pastikan sudah benar (untuk mencek kebenarannya klik lagi pada Data View maka pada var akan berubah namanya sesuai dengan data variabel kita). Analisis dimulai. sedangkan leverage. hatihati jangan sampai terbalik memasukkan angka. . Untuk lebih jelasnya bisa dilihat pada gambar berikut sesuai dengan contoh saya tadi: Setelah semua sudah diisi. disini saya memakai 3 desimal maka semua saya ubah menjadi 3.Kemudian klik pada "variable view". Sedangkan kolom yang lain abaikan saja.

Covariance matrik". Contohnya sebagai berikut: Kemudian klik pada statistics (masih dalam jendela Linear Reggresion). Sehingga akan muncul jendela "Linear Regressions: Statistics". "R squared change". Pada Regression Coefficients centang pada "Estimates". Dan pada residuals klik "Durbin-Watson". "Collinearity diagnostics".current ratio. Setelah semua dicentang klik "Continue". ROA dan ROE variabel bebas (independen). "Model Fit". Klik tanda berbentuk seperti "panah" untuk memasukkannya ke dalam kolom data. Supaya jelas lihat contoh saya sebagai berikut: .

1.Akan muncul lagi jedela "Linear Regression" yang awal. Dasar pengambilan keputusan: a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal. Setelah selesai klik “Continue”. Maksud data terdistribusi secara normal adalah bahwa data akan mengikuti bentuk distribusi normal (Santosa&Ashari. . Yaitu dengan "Normal P-P Plot" dan "Tabel Kolmogorov Smirnov". Caranya dengan mengklik *zpred atau *sresid kemudian klik tanda yang mirip bentuk panah pada tempatnya masing-masing. Dan akan muncul jendela baru. maka model regresi memenuhi asumsi normalitas. Kemudian pada Standardized Residual Plots centang pada "Histogram" dan "Normal Probability Plot". Klik pada "Plots" sehingga muncul jendela "Linnear Regression:Plots". dan *SRESID pada X. Klik "OK" untuk segera memproses data. Data yang tertera disitulah yang akan menjadi dasar analisis kita. Uji normalitas bisa dilakukan dengan dua cara. Penggunaan uji normalitas karena pada analisis statistik parametik. 2005:231). Yang paling umum digunakan adalah Normal P-P Plot. Seperti contoh saya berikut ini: Kembali ke jendela "Linear regression". Uji Normalitas Uji normalitas adalah pengujian tentang kenormalan distribusi data. asumsi yang harus dimiliki oleh data adalah bahwa data tersebut harus terdistribusi secara normal. Masukkan *ZPRED pada Y. Pada Normal P-P Plot prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal grafik atau dengan melihat histogram dari residualnya.

seperti contoh saya yang sebagai berikut: Dari analisis kurva dapat dilihat bahwa data menyebar di sekitar diagram dan mengikuti model regresi sehingga dapat disimpulkan bahwa data yang diolah merupakan data yang berdistribusi normal sehingga uji normalitas terpenuhi. Jika data menyebar jauh garis diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal. maka model regresi tidak memenuhi asumsi normalitas (Ghozali 2007:110-112). namun tidak menggunakan jendela "Linear Regression". Caranya yaitu untuk memasukkan data sama saja. Caranya masuk ke menu awal.b. klik pada Analize>Nonparametic test>1-Sample K-S. Kelebihannya hasilnya memang lebih akurat. . Namun bila para pembaca kepingin cara Kolmogorov-Smirnov juga bisa. Untuk menganalisis dengan SPSS kita lihat hasil output kita tadi pada gambar "Normal P-P Plot of Regression Standardized Residual". data dianalisis tidak menggunakan gambar namun dengan angka.

Masukka semua variabel dengan menklik variabel kemudian klik tanda panah untuk memasukkannya pada kolom yang di sebelah. Dan akan muncul jendela One-Sample Kolmogorov-Smirnov Test seperti pada gambar contoh saya ini: . klik OK.Akan muncul jendela "One-Sample Kolmogorov-Smirnov Test". Setelah selesai dimasukkan semua.

hehehee.. Sebaliknya. maka variabel-variabel ini tidak ortogonal (Ghozali 2007:91).05 sehingga agar terlihat terpenuhi saya lebih baik menggunakan metode P-P Plot yang berupa gambar.untuk menganalisisnya. (2-tailed)" baris paling bawah. bila nilai tiap variabel lebih dari (>0. kita lihat pada baris "Asymp. Untuk analisisnya dengan SPSS kita lihat hasil output pada tabel "Coefficients". Pada contoh saya yang ini nilainya ada yang kurang dari 0. tidak terjadi multikolinearitas (Wijaya. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. dapat dilihat dari Value Inflation Factor (VIF). 2009:119). terjadi multikolinieritas. Apabila nilai VIF > 10.05) maka uji normalitas bisa terpenuhi.. jika VIF < 10. Untuk mendeteksi adanya multikolinearitas. seperti pada contoh saya berikut: . Jika variabel independen saling berkorelasi. Sig. 2. Uji Multikolinieritas Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen).

Heteroskedastisitas mempunyai suatu keadaan bahwa varian dari residual suatu pengamatan ke pengamatan yang lain berbeda. b. melebar kemudian menyempit). Uji Heteroskedastisitas Pengujian ini digunakan untuk melihat apakah variabel pengganggu mempunyai varian yang sama atau tidak. yaitu bahwa variasi residual sama untuk semua pengamatan atau disebut homokedastisitas (Gujarati dalam Elmasari. Salah satu metode yang digunakan untuk menguji ada tidaknya Heterokedastisitas akan mengakibatkan penaksiran koefisien-koefisien regresi menjadi tidak efisien. Deteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi. 2010:53) Untuk mendeteksi ada atau tidaknya heteroskedastisitas yaitu dengan melihat grafik Plot antara nilai prediksi variabel terikat (dependen) yaitu ZPRED dengan residualnya SRESID.Dari hasil output data didapatkan bahwa nilai semua nilai VIF<10 ini berarti tidak terjadi multikolonieritas. maka mengindikasikan telah terjadi heteroskedastisitas. Heterokedastisitas bertentangan dengan salah satu asumsi dasar regresi linear. seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang. Hasil penaksiran akan menjadi kurang dari semestinya. untuk menganalisis datanya kita lihat pada gambar "Scatterplot" pada output data. Jika ada pola tertentu. 3. serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Seperti contoh saya di bawah ini: . Dan menyimpulkan bahwa uji multikolonieritas terpenuhi. dan sumbu X adalah residual (Y prediksi – Y sesuungguhnya) yang telah di-studentized. Jika ada pola yang jelas. Dasar analisisnya adalah sebagai berikut: a. maka tidak terjadi heteroskedastisitas.

seperti contoh saya berikut ini: .Angka D-W di bawah -2 berarti ada autokorelasi positif . Uji Autokorelasi Uji autokorelasi merupakan pengujian asumsi dalam regresi dimana variabel dependen tidak berkorelasi dengan dirinya sendiri.Dari gambar diatas dapat diketahui bahwa tidak terjadi heteroskedastisitas sebab tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Maksud korelasi dengan diri sendiri adalah bahwa nilai dari variabel dependen tidak berhubungan dengan nilai variabel itu sendiri. baik nilai variabel sebelumnya atau nilai periode sesudahnya (Santosa&Ashari.Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi . Dasar pengambilan keputusannya adalah sebagai berikut: .Angka D-W di atas +2 berarti ada autokorelasi negatif untuk menganalisisnya menggunakan output SPSS tadi kita lihat pada tabel "Model Summary". 2005:240). 4. sehingga dapat dikatakan uji heteroskedastisitas terpenuhi.

Analisis Frekuensi Analisis frekuensi merupakan analisis yang mencakup gambaran frekuensi data secara umum seperti mean. pilih Deskriptif Statistik. A . Berdasarkan kriteria yang telah ditentukan DW hitung berada diantara -2 dan 2. varian. Sehingga kesimpulannya adalah Uji Autokorelasi terpenuhi. maksimum dan sebagainya.Dari tabel diatas didapatkan nilai Durbin-Watson (DW hitung) sebesar 2. deviasi. Analyze. minimum. Data yang dipakai untuk statistik deskriptif bisa kualitatif dan kuantatif. media. 1. yakni -2 ≤ 2 ≤ 2 maka ini berarti tidak terjadi autokorelasi. deskriptif.038 atau 2. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 1 BAB I STATISTIK DESKRIPTIF nalisis deskripsi merupakan analisis yang paling mendasar untuk menggambarkan keadaan data secara umum. tabulasi silang dan analisis rasio. modus. standar. Dari sebuah tabulasi data penelitian yang terdiri dari 6 item dan 18 responden diperoleh sebagai berikut: Langkah: 1.1. pilih Frekuensi. Contoh Data 1. Analisis deskripsi ini meliputi beberapa hal sub menu deskriptif statistik seperti frekuensi. eksplorasi data.

7 100.6 55.3 3 16.00 5.8 27.0 3.8 27.8 50.6 100.Bab I: Statistik Deskriptif 2 2. Kemudian muncul file Frequency dan pindahkan variabel dari kolom kiri ke kanan hingga tampak gambar disamping.0 3.6 5.00 4.0 9 50.00 4.2 22.6 83.00 5.6 55.4 44.0 3.0 100.6 8 44.6 5.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00004 5 27. 3.0 18 100.8 10 55. abaikan yang lain.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00002 8 44.8 27.4 50.0 100.0 4.0 9 50.0 100. dan hasilnya akan terlihat.4 44. akan terlihat tabulasi di bawah ini.2 22.7 16. VAR00001 4 22.2 5 27.0 18 100.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00003 1 5. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 3 Hasil Frekuensi Data Untuk melihat penyebaran frekuensi tabulasi data. Klik OK.0 50.0 100.00 5.00 Total .0 100.4 44.00 5.00 4.0 18 100.0 100.0 50.0 18 100.4 10 55.

2 27.3 100.0 4 0 0 0 0 5 27.8 10 55.0 100.Valid Frequency Percent Valid Percent Cumulative Percent Bab I: Statistik Deskriptif 4 VAR00005 1 5.9 66.6 5 27.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00006 2 11.7 6 33.00 5.0 18 100.9 38.00 4.6 5.00 3.00 3.7 .00 Total Valid Frequency Percent Valid Percent Cumulative Percent Tabel ini dapat digunakan untuk mempermudah tabulasi data secara deskritif.0 2.6 3 16.0 9 50.6 5.00 4.3 33.2 22. misalnya variabel 1-6 adalah tabulasi data untuk varibel X1. maka statitisk deskriptifnya sebagai berikut: Tabel Frekuensi Jawaban Responden Variabel X1 Tanggapan Responden Sangat tidak Setuju Tidak Setuju Ragu ragu Setuju Sangat Setuju Item No. F % F % F % F % F % 1 0 0 0 0 1 5.8 7 38.0 2 0 0 0 0 0 0 8 44.1 3 16.00 5.0 50.2 50.7 16.2 22.8 4 22.6 4 22.0 100.7 27.4 9 50.0 2.6 3 0 0 0 0 1 5.4 10 55.0 100.1 11.0 18 100.1 11.6 8 44.8 9 50.

9 6 33. Median adalah suatu nilai di mana setengah dari data berada dibawa niali tersebut dan setengahnya lagi berada di atas nilai tersebut setelah nilai itu disusun berurut. isikan (cheklist). setelah itu klik ok Persentil adalah ukuran letak yang membagi data yang telah diurutkan sehingga membagi data sama besar ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 7 Quartil: Membagi data ke dalam empat bagian yang sama Central tendency: Pengukuran pusat data Mean adalah ukuran rata-rata yang merupakan penjumlahan dari seluruh nilai dibagi julah datanya. Bentuk frekuensi ini akan sangat membantu peneliti dalam melakukan tabulasi data. sedangkan 5 orang responden (27. 2007 ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 5 Dari tabel tersebut bisa dilakukan pembahasan misalnya. Dengan kata lain median membagi data dua bagian. untuk pertanyaan no 1 (sebutkan pertanyaannya). Dispersion: Penyebaran data Variance adalah ukuran variasi yang menunjukkan seberapa jauh data tersebar dari mean (rataratanya). Mode adalah salah satu ukuran rata-rata yang menunjukkan skor atau nilai data yang memiliki frekuensi terbanyak pada suatu distribusi. bagian yang anda inginkan.0 Sumber: Data Diolah.8%) menjawab setuju dan selebihnya 9 responden (50%). Mode jarang sekali digunakan untuk data ordinal.7 4 22. Mode biasanya digunkan untuk data nominal. Contoh Data 2 Diketahui sebuah data Penjualan perusahaan sebagai berikut: Bab I: Statistik Deskriptif 6 Kemudian muncul file frequency dan pindahkan variabel dari kolom kiri ke kanan hingga tampak gambar disamping.3 6 0 0 2 11 . 6 4 22.6%) menjawab ragu-ragu. interval atau rasio. Semakin bervariasi data tersebut maka . pilih statitisk.1 3 16. menjawab sangat setuju.2 7 38.9 9 50.5 0 0 1 5. 1 orang responden (5. Begitu seterusnya.

semakin jauh data tersebut tersebar di sekitar mean-nya Standar deviasi adalah akar dari varian Range adalah ukuran variasi yang paling sederhana karena kesederhanaannya maka range tidak dapat diandalkan. Error of Kurtosis Minimum Maximum 25 50 75 Percentiles Analisis: N adalah jumlah data yang valid (20 buah) sedangkan data yang hilang adalah 0.0000 70.69858 116. Deviation Variance Skewness Std.0000 190.5000 Valid Missing N Mean Std.5000 116. artinya semua data siap diproses.155 . Minimum: nilai yang paling rendah/kecil dari data Maksimum: nilai yang paling besar/tingi dari data Distribution: Bentuk Kurtosis data Skewness: Ukuran kecondongan (kurva yang tidak simetris) Kurtosis: Ukuran keruncingan/ketinggian kurva Bab I: Statistik Deskriptif 8 Hasil Output Statistics Sales 20 0 142. .20616 4928.992 66. Error of Mean Median Std.00 100.512 -.00 284. Error of Skewness Kurtosis Std.080 .905 1.2000 15.

00 Sales 2.00 117.00 121.00 105.5 0.00 128. Median sebesar 116 menunjukkan 50% penjualan di atas 116 dan 50% penjualan di bawah 116 Standar deviasi adalah 70.0 0. bedanya jika grafik bar batangnya terpisah maka histogram batangnya berimpitan. Bagan pie digunakan untuk data yang nominal dan ordinal 284.00 250. Bab I: Statistik Deskriptif 10 66. Histogram: hampir sama dengan grafik bar.00 75.00 203. .00 115.00 280.00 79. a. Chart jika anda ingin membuat grafik dari data.0 1.00 117.7.00 69.00 153.00 246. Pilih.00 Sales ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 11 c.00 99. Biasanya grafik bar digunakan untuk data nominal dan ordinal.08.21 dan varians sebesar 4928.2 dengan standar error adalah 15.00 109. Bar chart menghasikan refresentasi grafik cacah frekuensi untuk setiap nilai yang berlainan.00 109.5 1.00 66.00 128. Grafik ini memiliki sumbu vertikal menunjukkan frekuensi dan horizontal menunjukkan ukuran variabelnya.00 69.00 79. klik continue dan ok. Chart dapat digunakan untuk memvisualisasikan data dalam bentuk garfik.00 284. Histogram digunakan untuk data interval dan rasio.00 203. Pie Chart: menghasilkan refresentasi grafik berupa potongan-potongan lingkaran (kue pie).0 Frequency Sales b.00 153. Ukuran skewness adalah 1. Mean (rata-rata penjualan) adalah 142. Histogram digunakaan untuk data kontinius atau bersambung maka grafik batangnya juga bersambung. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 9 4.00 280.00 105.00 250.00 99.00 75.00 246.00 121. Grafik bar dikenal dengan istilah grafik batang karena bentuknya seperti batang-batang dan batangbatangnya tidak bersentuhan satu sama lain.00 115.

Sav Setelah itu Analyze.20 Std.0281 6.3606 1. brand (3.02). Dev. = 70. Deviation Pada hasil output spss di atas terlihat descriptive statistics dari image. brand (1.20616 N = 20 Histogram Bab I: Statistik Deskriptif 12 1.00 144. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 15 Descriptives .0528 39.00 68.3.00 23. lalu ok Descriptive Statistics 4662 1.00 300. Nilai tengah (mean) untuk image (11.2.00 150. brand (6) dan Freq (144). Eksplorasi Data Eksplorasi data dapat membantu memberi arahan untuk memilih teknik statistik yang akan diimplementasikan pada analisis data yang akan dikehendaki.00 Sales 8 6 4 2 0 Frequency Mean = 142.91834 4662 1.00 6. Jumlah sample (N) sebanyak 4662 Nilai paling kecil (minimum) 1 NIlai paling besar (Maximum) untuk image (23).05) Bab I: Statistik Deskriptif 14 1. sub menu Descriptive Statistic lalu explore.05098 4662 image brand freq Valid N (listwise) N Minimum Maximum Mean Std.73786 4662 1. Statistik Deskriptif Penyajian data secara numerik Contoh data: Buka file/open/pilih coffee sav.Histogram dapat pula dibuat untuk menunjukkan frekuensi relatif dan frekuensi kumulatif dari suatu data 50.36) dan freq (68. brand dan frequensi.91).05) Standar Deviasi untuk image (6.00 100.00 200.00 11. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 13 Pilih option Klik continue.74) dan freq (39.00 3. Contoh: Buka file/open/pilih plastic.00 250.

687 -1.437 1.8 3.6 3.116 3.1 .464 5.519 5.4 5.077 1.978 3. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Extrusion 1 2 Opacity Statistic Std.334 4.080 . Error Pada hasil output statistik terlihat adanya 5% trimmed mean.4 6.3.986 .790 .600 4.687 .641 3.6 8.8 6. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Mean Lower Bound Upper Bound 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.7 -.334 Mean Lower Bound Upper Bound 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.281 1.811 4.169 . Nilai trimmed mean dihitung berdasarkan data diurutkan secara ascending kemudian dihitung 5% dari .5862 2.762 2.6901 2.000 3.1821 1.8538 .

b.821 3. Setelah nilai didapat.000 5.910 1.600 5.339.700 6.660 3.800 . nilai tersebut digunakan untuk mengurangi data sebanyak nilai yang diperoleh dari urutan terkecil dan terbesar.975 4.200 Extrusion 1 2 1 2 Opacity Opacity Weighted Average(Definitio Tukey's Hinges 5 10 25 50 75 90 95 Percentiles Persentil adalah ukuran letak yang membagi data yang telah diurutkan sehingga membagi data sama besar. 2. and 8.600 5.330 .500 d.803 3.698 3. Percentiles .821 3.600 1. The weighting constant is 1.000 4.250 .400.625 8. The weighting constants are 1.630 2.700. .685. c.700 2.340*pi. The weighting constant is 1.838 3.700 3. Fungsi M-Estimator berkaitan dengan statistik robust. 3. Bab I: Statistik Deskriptif 16 M-Estimators 3.500 3.000 5.454 Extrusion 1 2 Opacity Huber's M-Estimatora Tukey's Biweightb Hampel's M-Estimatorc Andrews' Waved a. Percentiles digunakan untuk menampilkan nilai percentiles.468 3. kemudian sisa data dicari mean-nya. 1.jumlah data. Alternatif robust diimplementasikan pada perhitungan rata-rata dan median untukmengestimasi lokasi data terpusat. The weighting constant is 4.

Sign up to vote on this title
UsefulNot useful