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

827 0.564 0.705 0.632 6 0.632 5 0.632.867 0.893 0.811>0. r 5% 1 0.632 8 0. Apabila nilai r hitung lebih besar dari r tabel. Pada taraf signifikansi 5 % diperoleh angka 0.827>0.632 9 0.893>0.765.884 0.893>0.931 0.632 3 0. selanjutnya dikonsultasikan dengan tabel korelasi nilai “r” dengan terlebih dahulu mencari derajat kebebasan (db).920>0.920 0.632 2 0. yaitu N-2 (10-2)=8.Uji Validitas dengan product moment Hasil penghitungan tersebut.705>0.893 0.931>0. dan 1% adalah 0.632 10 0.632 Keterangan Valid Valid Valid Valid Valid Valid Valid Valid Valid Tidak Valid .811 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 0.884>0.867>0.564<0.632 4 0.

Misal berdasar contoh tersebut di atas diperoleh nilai rxy sebesar 0. kemudian dikonsultasikan dengan nilai r pada df 8 (N-2) atau 10-2. nilai r tabel sebesar 0.99 berarti reliabel. Pada taraf signifikansi 5 %.Contoh Mencari Releabilitas.632) pada taraf signifikansi 5 %. yangh dapat dilakukan secara keseluruhan maupun berdasar masing-masing item pernytaan. .632.99>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. karena nilai r hitung lebih besar dari r tabel (0. Cara memberikan interpretasi sama dengan pada uji validitas.

CONTOH KASUS ANALISIS REGRESI DAN KORELASI SEDERHANA Seorang peneliti ingin mengetahui pengaruh dari tinggi badan terhadap berat badan. Untuk kebutuhan penelitian tersebut diambil sampel secara acak sebanyak 10 orang untuk diteliti. maka untuk mendapatkan nilai a dan b untuk persamaan regersi linier sederhana : . 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.

05525673 = 14.Berdasarkan hasil pengolahan data tersebut di atas maka dapat dibuat persamaan regresi linier sederhana : Y = .834 Nilai T tabel dengan df : 10 – 2 = 8 dan ½ α = 2.98 dan Untuk nilai F tabel dengan df : k .834 > 2.72041 + 0. Sedangkan untuk menguji secara serempak digunakan Uji F.306 maka Ho ditolak.874.98 > 5.819657 X Untuk menguji hipotesis secara parsial digunakan Uji T.32 maka Ho  . n – k = 1 . yaitu :     Hipotesis Statistik adalah Ho : b = 0 dan Ha : b ≠ 0 (disebut uji dua arah) Nilai T hitung adalah : b/Sb = 0.819657/0. Karena nilai F hitung lebih besar dari F tabel atau 31.32.306 Karena nilai T hitung lebih besar dari pada T tabel atau 14.73. Ha diterima dan hipotesis penelitian yang menyatakan bahwa Tinggi Badan berpengaruh terhadap Berat Badan Seseorang adalah dapat diterima (dapat dikatakan signifikan secara statistik). 8 dan α : 5% sebesar 5.833613932638 = 14. yaitu diperoleh F hitung = 31.874.5% (uji dua arah) sebesar ± 2.1 .

baik antara dua sampel data atau antara beberapa sampel data. Ha diterima dan hipotesis penelitian yang menyatakan bahwa Tinggi Badan berpengaruh terhadap Berat Badan Seseorang adalah dapat diterima. Contoh nomor #1 memerlukan uji beda terhadap suatu sampel data dengan nilai tertentu yaitu 1000 jam.2%. Uji Beda Sesuai dengan namanya.4% sedangkan sisanya merupakan sumbangan dari variabel lain yang tidak dimasukkan dalam model. artinya jika seseorang mempunyai tinggi badan semakin tinggi maka akan meningkatkan berat badannya (dan sebaliknya). Perhatikan contoh-contoh berikut: 1. kelompok akuntan pendidik dan kelompok pengguna jasa KAP. Sedangkan berdasarkan nilai r kuadrat sebesar 96.982 dan koefisien determinasi (r kuadrat) sebesar 0. Contoh nomor #2 memerlukan uji beda terhadap dua buah .819657).2% tersebut sangat mendekati nilai 100%. baik Uji T maupun Uji F. uji beda. 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. 2. diketahui bahwa Variabel Tinggi Badan Seserorang berpengaruh terhadap Variabel Berat Badan Seseorang dan pengaruhnya bersifat positif (nilai koefisien regresinya sebesar 0. 3. maka uji ini dipergunakan untuk mencari perbedaan. Berdasarkan nilai koefisien regresi tersebut dapat diketahui bahwa jika tinggi badan meningkat sebesar 10% maka berat badan akan meningkat 8. Perusahaan ingin mengetahui apakah lampu yang diproduksi mampu menyala lebih dari 1000 jam sesuai dengan standar yang ditetapkan perusahaan. juga bisa mencari perbedaan antara suatu sampel dengan nilai tertentu. Seorang guru ingin mengetahui apakah suatu model pengajaran memberikan hasil yang berbeda terhadap hasil prestasi belajar dua kelas siswa. Untuk nilai r (korelasi) adalah sebesar 0.964.ditolak. Seorang penelitian ingin mengetahui apakah terdapat perbedaan persepsi tentang advertising KAP antara kelompok akuntan publik. Dalam kasus tertentu. Kesimpulannya : Berdasarkan hasil pengujian hipotesis.4% menggambarkan bahwa sumbangan variabel independen (Tinggi Badan) terhadap naik turunnya variabel dependen (Berat Badan) sebesar 96. 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).

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

(kalo kurang jelas bisa di download dulu gambar di atas ini) Pertama-tama yang harus dilakukan adalah masuk ke program SPSS. Kemudian masukkan semua angkanya pada "data view". 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. dan datanya pastikan sudah benar (untuk mencek kebenarannya klik lagi pada Data View maka pada var akan berubah namanya sesuai dengan data variabel kita). . Klik analize>regression>linear Akan muncul jendela "Linear Regression". hatihati jangan sampai terbalik memasukkan angka. Analisis dimulai. pada "Decimals" bisa di ubah sesuai dengan keinginan.Kemudian klik pada "variable view". Kalo pada contoh saya saya memasukkan Beta menjadi variabel tetap (dependent). Masukkan variabel sesuai dengan data anda. Sedangkan kolom yang lain abaikan saja. disini saya memakai 3 desimal maka semua saya ubah menjadi 3. sedangkan leverage. Pada "Name" masukkan nama variable.

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

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

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

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

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

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

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

Analyze. Berdasarkan kriteria yang telah ditentukan DW hitung berada diantara -2 dan 2.Dari tabel diatas didapatkan nilai Durbin-Watson (DW hitung) sebesar 2. maksimum dan sebagainya. 1. modus. media. 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. Sehingga kesimpulannya adalah Uji Autokorelasi terpenuhi.038 atau 2. standar. eksplorasi data. Contoh Data 1. pilih Frekuensi. Analisis Frekuensi Analisis frekuensi merupakan analisis yang mencakup gambaran frekuensi data secara umum seperti mean. deskriptif. 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. minimum. deviasi. yakni -2 ≤ 2 ≤ 2 maka ini berarti tidak terjadi autokorelasi. Analisis deskripsi ini meliputi beberapa hal sub menu deskriptif statistik seperti frekuensi. pilih Deskriptif Statistik. varian.1. A .

8 27.6 55.7 100.0 18 100.0 18 100.0 100. Kemudian muncul file Frequency dan pindahkan variabel dari kolom kiri ke kanan hingga tampak gambar disamping.0 9 50.8 50.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00002 8 44.00 5.0 50.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00004 5 27.00 4.0 3.2 22.00 Total . 3.0 3.0 100.2 22.00 5.3 3 16.00 4.4 44.8 10 55.6 8 44.4 44.6 100.2 5 27.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00003 1 5.00 5.0 100.0 50.0 100.Bab I: Statistik Deskriptif 2 2.0 100. abaikan yang lain.0 4. dan hasilnya akan terlihat.00 4.4 50.6 55.0 9 50.8 27.0 18 100.00 5.6 5.7 16.4 10 55.6 5. Klik OK.0 18 100. akan terlihat tabulasi di bawah ini.6 83.0 3. VAR00001 4 22.4 44.8 27.0 100. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 3 Hasil Frekuensi Data Untuk melihat penyebaran frekuensi tabulasi data.

7 .00 3.6 8 44.00 3.00 4.0 2.6 5 27.1 11.0 2.8 7 38.1 3 16.7 6 33.00 5.4 10 55.3 100.8 10 55.8 9 50. F % F % F % F % F % 1 0 0 0 0 1 5.0 9 50.0 18 100.6 3 16.00 Total Valid Frequency Percent Valid Percent Cumulative Percent Tabel ini dapat digunakan untuk mempermudah tabulasi data secara deskritif.9 38.6 5.1 11.2 50.0 2 0 0 0 0 0 0 8 44.3 33.0 100.Valid Frequency Percent Valid Percent Cumulative Percent Bab I: Statistik Deskriptif 4 VAR00005 1 5.7 27.0 50.6 3 0 0 0 0 1 5.2 22.00 5.2 22.0 100.6 4 22.2 27.0 4 0 0 0 0 5 27.0 100.4 9 50.0 18 100. 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.6 5.8 4 22.7 16.00 4.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00006 2 11.9 66.

6 4 22.6%) menjawab ragu-ragu.0 Sumber: Data Diolah. Mode adalah salah satu ukuran rata-rata yang menunjukkan skor atau nilai data yang memiliki frekuensi terbanyak pada suatu distribusi. Mode biasanya digunkan untuk data nominal. 2007 ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 5 Dari tabel tersebut bisa dilakukan pembahasan misalnya. sedangkan 5 orang responden (27.7 4 22. bagian yang anda inginkan. 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.3 6 0 0 2 11 .8%) menjawab setuju dan selebihnya 9 responden (50%). untuk pertanyaan no 1 (sebutkan pertanyaannya). Dengan kata lain median membagi data dua bagian. Semakin bervariasi data tersebut maka . isikan (cheklist). interval atau rasio. 1 orang responden (5. Bentuk frekuensi ini akan sangat membantu peneliti dalam melakukan tabulasi data. 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.9 6 33. Mode jarang sekali digunakan untuk data ordinal. menjawab sangat setuju. Dispersion: Penyebaran data Variance adalah ukuran variasi yang menunjukkan seberapa jauh data tersebar dari mean (rataratanya).9 9 50.5 0 0 1 5.2 7 38. 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. pilih statitisk.1 3 16. Begitu seterusnya.

512 -. Deviation Variance Skewness Std.155 .905 1.00 100.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 70.5000 116.0000 190.2000 15.992 66. 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. Error of Skewness Kurtosis Std.00 284. . Error of Mean Median Std. artinya semua data siap diproses.69858 116.20616 4928.5000 Valid Missing N Mean Std.080 .

00 Sales 2. Histogram digunakan untuk data interval dan rasio.00 246.00 115.21 dan varians sebesar 4928.0 Frequency Sales b. Pie Chart: menghasilkan refresentasi grafik berupa potongan-potongan lingkaran (kue pie).00 250. Biasanya grafik bar digunakan untuk data nominal dan ordinal. a.00 79.00 75.00 Sales ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 11 c. Histogram: hampir sama dengan grafik bar.00 99. Bar chart menghasikan refresentasi grafik cacah frekuensi untuk setiap nilai yang berlainan. Bagan pie digunakan untuk data yang nominal dan ordinal 284.00 153.00 203.00 128. .00 284.00 105.00 69.00 280. Pilih.00 117.00 79.00 128. Grafik ini memiliki sumbu vertikal menunjukkan frekuensi dan horizontal menunjukkan ukuran variabelnya.00 105.0 0. Bab I: Statistik Deskriptif 10 66.00 203. Ukuran skewness adalah 1.00 75.00 99.00 117.00 109.7.5 0.00 250. Chart jika anda ingin membuat grafik dari data.08. Chart dapat digunakan untuk memvisualisasikan data dalam bentuk garfik. bedanya jika grafik bar batangnya terpisah maka histogram batangnya berimpitan.00 109. Grafik bar dikenal dengan istilah grafik batang karena bentuknya seperti batang-batang dan batangbatangnya tidak bersentuhan satu sama lain. Median sebesar 116 menunjukkan 50% penjualan di atas 116 dan 50% penjualan di bawah 116 Standar deviasi adalah 70. klik continue dan ok.00 121.00 153.0 1.00 69.5 1. Mean (rata-rata penjualan) adalah 142.00 115.00 280. Histogram digunakaan untuk data kontinius atau bersambung maka grafik batangnya juga bersambung. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 9 4.00 246.00 121.00 66.2 dengan standar error adalah 15.

sub menu Descriptive Statistic lalu explore.00 200.00 11. Statistik Deskriptif Penyajian data secara numerik Contoh data: Buka file/open/pilih coffee sav.91).00 3. Dev.05) Standar Deviasi untuk image (6. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 13 Pilih option Klik continue.00 144.00 Sales 8 6 4 2 0 Frequency Mean = 142.2.05) Bab I: Statistik Deskriptif 14 1.74) dan freq (39.00 23. brand (1. brand (3.36) dan freq (68.02). Contoh: Buka file/open/pilih plastic. brand dan frequensi. Nilai tengah (mean) untuk image (11.20616 N = 20 Histogram Bab I: Statistik Deskriptif 12 1.3.00 300.00 6.00 68. Jumlah sample (N) sebanyak 4662 Nilai paling kecil (minimum) 1 NIlai paling besar (Maximum) untuk image (23).Histogram dapat pula dibuat untuk menunjukkan frekuensi relatif dan frekuensi kumulatif dari suatu data 50.0528 39. brand (6) dan Freq (144).3606 1.73786 4662 1. = 70. Sav Setelah itu Analyze.00 150. Deviation Pada hasil output spss di atas terlihat descriptive statistics dari image. lalu ok Descriptive Statistics 4662 1.0281 6.05098 4662 image brand freq Valid N (listwise) N Minimum Maximum Mean Std.20 Std.00 100.00 250.91834 4662 1. Eksplorasi Data Eksplorasi data dapat membantu memberi arahan untuk memilih teknik statistik yang akan diimplementasikan pada analisis data yang akan dikehendaki. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 15 Descriptives .

8538 .790 .811 4.6901 2.762 2. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Extrusion 1 2 Opacity Statistic Std.169 .464 5.077 1.641 3.3.519 5.5862 2.080 .4 6.8 3.687 -1.8 6.7 -.437 1.6 3.1 .6 8. Nilai trimmed mean dihitung berdasarkan data diurutkan secara ascending kemudian dihitung 5% dari .4 5.334 4.1821 1.986 .600 4. Error Pada hasil output statistik terlihat adanya 5% trimmed mean. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Mean Lower Bound Upper Bound 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.116 3.000 3.687 .281 1.334 Mean Lower Bound Upper Bound 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.978 3.

700 3. b.803 3.jumlah data.454 Extrusion 1 2 Opacity Huber's M-Estimatora Tukey's Biweightb Hampel's M-Estimatorc Andrews' Waved a. and 8.600 1.821 3.660 3.250 .000 4. nilai tersebut digunakan untuk mengurangi data sebanyak nilai yang diperoleh dari urutan terkecil dan terbesar. .700. Percentiles . Percentiles digunakan untuk menampilkan nilai percentiles.600 5.910 1.500 3.600 5. 3. The weighting constant is 4.630 2.000 5.800 .838 3.975 4. 2.340*pi.685.821 3. The weighting constant is 1.700 2.700 6. c.468 3.000 5. The weighting constants are 1.500 d.625 8. Setelah nilai didapat.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.698 3.330 . Fungsi M-Estimator berkaitan dengan statistik robust. The weighting constant is 1. Alternatif robust diimplementasikan pada perhitungan rata-rata dan median untukmengestimasi lokasi data terpusat. kemudian sisa data dicari mean-nya.339. 1. Bab I: Statistik Deskriptif 16 M-Estimators 3.400.

Sign up to vote on this title
UsefulNot useful