P. 1
makalah Statistika deskriptif

makalah Statistika deskriptif

|Views: 214|Likes:
Published by purnama
statistika deskriptif
statistika deskriptif

More info:

Published by: purnama on Apr 02, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

07/15/2015

pdf

text

original

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

dan 1% adalah 0. Pada taraf signifikansi 5 % diperoleh angka 0.920>0.811 0.564<0.827>0.632 2 0. yaitu N-2 (10-2)=8.893>0.893>0.893 0.931 0.Uji Validitas dengan product moment Hasil penghitungan tersebut.884 0.632 5 0.827 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.893 0.632 6 0.632 4 0.632 7 0. selanjutnya dikonsultasikan dengan tabel korelasi nilai “r” dengan terlebih dahulu mencari derajat kebebasan (db).811>0.564 0.705 0.632 Keterangan Valid Valid Valid Valid Valid Valid Valid Valid Valid Tidak Valid .632.632 8 0.632 9 0.632 3 0.705>0.931>0.632 10 0.884>0.765. r 5% 1 0.867 0.920 0. Apabila nilai r hitung lebih besar dari r tabel.867>0.

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. nilai r tabel sebesar 0. Misal berdasar contoh tersebut di atas diperoleh nilai rxy sebesar 0. Pada taraf signifikansi 5 %.632) pada taraf signifikansi 5 %. karena nilai r hitung lebih besar dari r tabel (0. . Cara memberikan interpretasi sama dengan pada uji validitas.99 berarti reliabel.99>0.632.Contoh Mencari Releabilitas. yangh dapat dilakukan secara keseluruhan maupun berdasar masing-masing item pernytaan. kemudian dikonsultasikan dengan nilai r pada df 8 (N-2) atau 10-2.

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).CONTOH KASUS ANALISIS REGRESI DAN KORELASI SEDERHANA Seorang peneliti ingin mengetahui pengaruh dari tinggi badan terhadap berat badan. 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. Jika Y : Berat Badan Seseorang dan X : Tinggi Badan Seseorang.

306 maka Ho ditolak.874.5% (uji dua arah) sebesar ± 2.73. yaitu :     Hipotesis Statistik adalah Ho : b = 0 dan Ha : b ≠ 0 (disebut uji dua arah) Nilai T hitung adalah : b/Sb = 0. Ha diterima dan hipotesis penelitian yang menyatakan bahwa Tinggi Badan berpengaruh terhadap Berat Badan Seseorang adalah dapat diterima (dapat dikatakan signifikan secara statistik).05525673 = 14.834 Nilai T tabel dengan df : 10 – 2 = 8 dan ½ α = 2.1 .834 > 2.306 Karena nilai T hitung lebih besar dari pada T tabel atau 14. 8 dan α : 5% sebesar 5.72041 + 0.Berdasarkan hasil pengolahan data tersebut di atas maka dapat dibuat persamaan regresi linier sederhana : Y = .819657 X Untuk menguji hipotesis secara parsial digunakan Uji T.32 maka Ho  . Karena nilai F hitung lebih besar dari F tabel atau 31.32.874.98 > 5. Sedangkan untuk menguji secara serempak digunakan Uji F. n – k = 1 .98 dan Untuk nilai F tabel dengan df : k .819657/0. yaitu diperoleh F hitung = 31.833613932638 = 14.

819657).ditolak. 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 96.4% sedangkan sisanya merupakan sumbangan dari variabel lain yang tidak dimasukkan dalam model. maka uji ini dipergunakan untuk mencari perbedaan.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). 2. baik Uji T maupun Uji F. baik antara dua sampel data atau antara beberapa sampel data. 3. Contoh nomor #2 memerlukan uji beda terhadap dua buah . diketahui bahwa Variabel Tinggi Badan Seserorang berpengaruh terhadap Variabel Berat Badan Seseorang dan pengaruhnya bersifat positif (nilai koefisien regresinya sebesar 0. Uji Beda Sesuai dengan namanya.2% tersebut sangat mendekati nilai 100%. juga bisa mencari perbedaan antara suatu sampel dengan nilai tertentu. Perusahaan ingin mengetahui apakah lampu yang diproduksi mampu menyala lebih dari 1000 jam sesuai dengan standar yang ditetapkan perusahaan. Contoh nomor #1 memerlukan uji beda terhadap suatu sampel data dengan nilai tertentu yaitu 1000 jam.982 dan koefisien determinasi (r kuadrat) sebesar 0. Ha diterima dan hipotesis penelitian yang menyatakan bahwa Tinggi Badan berpengaruh terhadap Berat Badan Seseorang adalah dapat diterima. Seorang guru ingin mengetahui apakah suatu model pengajaran memberikan hasil yang berbeda terhadap hasil prestasi belajar dua kelas siswa. 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. Dalam kasus tertentu. kelompok akuntan pendidik dan kelompok pengguna jasa KAP. Kesimpulannya : Berdasarkan hasil pengujian hipotesis. Untuk nilai r (korelasi) adalah sebesar 0. uji beda. artinya jika seseorang mempunyai tinggi badan semakin tinggi maka akan meningkatkan berat badannya (dan sebaliknya). Berdasarkan nilai koefisien regresi tersebut dapat diketahui bahwa jika tinggi badan meningkat sebesar 10% maka berat badan akan meningkat 8. Sedangkan berdasarkan nilai r kuadrat sebesar 96. Perhatikan contoh-contoh berikut: 1.2%.

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

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. Sebagai contoh saya yang tadi kami memasukkannya seperti pada gambar berikut: .

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

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

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

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

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

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

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

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

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

0 50. Klik OK.0 18 100. akan terlihat tabulasi di bawah ini.8 27.2 22.00 5.0 50.6 100.0 100.4 44.0 18 100. dan hasilnya akan terlihat.0 3.8 27.4 50.4 44.0 4.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00004 5 27. 3.00 5.6 55.0 9 50. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 3 Hasil Frekuensi Data Untuk melihat penyebaran frekuensi tabulasi data.6 8 44.00 5.0 18 100.8 50. abaikan yang lain.0 100.8 10 55.0 3.0 100.4 44.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00002 8 44.00 Total .4 10 55.7 16.0 100.6 5.0 100.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00003 1 5.0 100.0 3.6 55.2 5 27.00 4.7 100.0 9 50.2 22.Bab I: Statistik Deskriptif 2 2. VAR00001 4 22.8 27.00 5.3 3 16.00 4.6 83. Kemudian muncul file Frequency dan pindahkan variabel dari kolom kiri ke kanan hingga tampak gambar disamping.00 4.6 5.0 18 100.

00 4.9 66.00 3.0 100.0 2 0 0 0 0 0 0 8 44.0 2.0 9 50.2 27.8 10 55.7 16.8 7 38.0 18 100.0 4 0 0 0 0 5 27.0 50.00 Total Valid Frequency Percent Valid Percent Cumulative Percent Tabel ini dapat digunakan untuk mempermudah tabulasi data secara deskritif.00 3.00 5.0 100.6 5.7 27.7 . 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.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00006 2 11. misalnya variabel 1-6 adalah tabulasi data untuk varibel X1.2 22.1 3 16.6 4 22.2 22.6 5 27.00 4.1 11.0 18 100.3 100.2 50.6 3 16.0 100.00 5.4 10 55.6 5.3 33.1 11.9 38.6 8 44.8 4 22.6 3 0 0 0 0 1 5.4 9 50.0 2.7 6 33.Valid Frequency Percent Valid Percent Cumulative Percent Bab I: Statistik Deskriptif 4 VAR00005 1 5.8 9 50. F % F % F % F % F % 1 0 0 0 0 1 5.

6 4 22. 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.7 4 22. 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. Dengan kata lain median membagi data dua bagian.0 Sumber: Data Diolah. 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. pilih statitisk.9 9 50. 2007 ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 5 Dari tabel tersebut bisa dilakukan pembahasan misalnya. menjawab sangat setuju. interval atau rasio. Mode jarang sekali digunakan untuk data ordinal. 1 orang responden (5. sedangkan 5 orang responden (27. Semakin bervariasi data tersebut maka . untuk pertanyaan no 1 (sebutkan pertanyaannya).2 7 38.3 6 0 0 2 11 .5 0 0 1 5.8%) menjawab setuju dan selebihnya 9 responden (50%).1 3 16.6%) menjawab ragu-ragu. Mode biasanya digunkan untuk data nominal. bagian yang anda inginkan. Dispersion: Penyebaran data Variance adalah ukuran variasi yang menunjukkan seberapa jauh data tersebar dari mean (rataratanya).9 6 33. Begitu seterusnya. isikan (cheklist). Bentuk frekuensi ini akan sangat membantu peneliti dalam melakukan tabulasi data. Mode adalah salah satu ukuran rata-rata yang menunjukkan skor atau nilai data yang memiliki frekuensi terbanyak pada suatu distribusi.

00 284.2000 15. Error of Kurtosis Minimum Maximum 25 50 75 Percentiles Analisis: N adalah jumlah data yang valid (20 buah) sedangkan data yang hilang adalah 0.080 . artinya semua data siap diproses.5000 Valid Missing N Mean Std.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 Mean Median Std.69858 116. Error of Skewness Kurtosis Std.20616 4928.0000 70.992 66.00 100. .512 -.155 .0000 190.905 1.5000 116. Deviation Variance Skewness Std. 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.

00 99. Histogram digunakaan untuk data kontinius atau bersambung maka grafik batangnya juga bersambung.00 75.00 121.00 153. Ukuran skewness adalah 1.0 0.00 117.00 115.00 246.00 Sales ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 11 c.0 Frequency Sales b.00 109.00 203.00 128. bedanya jika grafik bar batangnya terpisah maka histogram batangnya berimpitan.00 250.5 0.00 69.00 Sales 2.00 280. Biasanya grafik bar digunakan untuk data nominal dan ordinal.00 284. .00 117. a. Histogram digunakan untuk data interval dan rasio.00 69.00 79. Histogram: hampir sama dengan grafik bar. Chart jika anda ingin membuat grafik dari data.00 280.00 121.00 203. Pie Chart: menghasilkan refresentasi grafik berupa potongan-potongan lingkaran (kue pie).00 79.00 115. Mean (rata-rata penjualan) adalah 142. Chart dapat digunakan untuk memvisualisasikan data dalam bentuk garfik. Bagan pie digunakan untuk data yang nominal dan ordinal 284. Median sebesar 116 menunjukkan 50% penjualan di atas 116 dan 50% penjualan di bawah 116 Standar deviasi adalah 70.0 1.00 246.2 dengan standar error adalah 15.21 dan varians sebesar 4928.00 105. Grafik bar dikenal dengan istilah grafik batang karena bentuknya seperti batang-batang dan batangbatangnya tidak bersentuhan satu sama lain. Bab I: Statistik Deskriptif 10 66.00 250. Grafik ini memiliki sumbu vertikal menunjukkan frekuensi dan horizontal menunjukkan ukuran variabelnya. Bar chart menghasikan refresentasi grafik cacah frekuensi untuk setiap nilai yang berlainan.00 75. Pilih.08.00 153.00 105.5 1. klik continue dan ok.00 99.00 66.7. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 9 4.00 128.00 109.

00 23. Jumlah sample (N) sebanyak 4662 Nilai paling kecil (minimum) 1 NIlai paling besar (Maximum) untuk image (23).3606 1.00 Sales 8 6 4 2 0 Frequency Mean = 142.00 6.00 68.73786 4662 1. Statistik Deskriptif Penyajian data secara numerik Contoh data: Buka file/open/pilih coffee sav.05) Standar Deviasi untuk image (6. sub menu Descriptive Statistic lalu explore.00 250.20616 N = 20 Histogram Bab I: Statistik Deskriptif 12 1.00 150.02).2. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 15 Descriptives . Contoh: Buka file/open/pilih plastic. brand (1.91).74) dan freq (39.05098 4662 image brand freq Valid N (listwise) N Minimum Maximum Mean Std.0528 39. Deviation Pada hasil output spss di atas terlihat descriptive statistics dari image. brand dan frequensi.Histogram dapat pula dibuat untuk menunjukkan frekuensi relatif dan frekuensi kumulatif dari suatu data 50.00 144.00 11.05) Bab I: Statistik Deskriptif 14 1.36) dan freq (68.00 3. lalu ok Descriptive Statistics 4662 1. brand (3. Sav Setelah itu Analyze.00 200. = 70.00 300. Eksplorasi Data Eksplorasi data dapat membantu memberi arahan untuk memilih teknik statistik yang akan diimplementasikan pada analisis data yang akan dikehendaki. Nilai tengah (mean) untuk image (11.00 100.3. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 13 Pilih option Klik continue.91834 4662 1. Dev.0281 6. brand (6) dan Freq (144).20 Std.

077 1.687 -1. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Mean Lower Bound Upper Bound 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.687 . Error Pada hasil output statistik terlihat adanya 5% trimmed mean.4 5.334 Mean Lower Bound Upper Bound 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.986 .116 3.8 3.811 4.3.1821 1.7 -.6 8.519 5.1 . Nilai trimmed mean dihitung berdasarkan data diurutkan secara ascending kemudian dihitung 5% dari .978 3.464 5.4 6.334 4.000 3.437 1.8538 .790 .8 6.281 1.169 .600 4.6 3.6901 2.762 2.080 .641 3.5862 2. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Extrusion 1 2 Opacity Statistic Std.

975 4. 3.700. 2.821 3.200 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.700 2.685.340*pi.910 1.468 3.600 5.454 Extrusion 1 2 Opacity Huber's M-Estimatora Tukey's Biweightb Hampel's M-Estimatorc Andrews' Waved a.698 3.000 5. and 8. The weighting constant is 1. Fungsi M-Estimator berkaitan dengan statistik robust.600 5.400.821 3.000 5. The weighting constants are 1.600 1. kemudian sisa data dicari mean-nya.625 8.500 3.339. 1. nilai tersebut digunakan untuk mengurangi data sebanyak nilai yang diperoleh dari urutan terkecil dan terbesar.500 d. c. Percentiles . The weighting constant is 4.838 3.330 . b.630 2. .803 3.jumlah data.000 4.250 .700 3. The weighting constant is 1.800 . Setelah nilai didapat.660 3. Alternatif robust diimplementasikan pada perhitungan rata-rata dan median untukmengestimasi lokasi data terpusat. Percentiles digunakan untuk menampilkan nilai percentiles. Bab I: Statistik Deskriptif 16 M-Estimators 3.700 6.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->