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

931>0.827 0. Pada taraf signifikansi 5 % diperoleh angka 0.893>0.705 0. r 5% 1 0.Uji Validitas dengan product moment Hasil penghitungan tersebut.632 2 0.632 6 0.632 9 0.564 0.867 0.867>0. Apabila nilai r hitung lebih besar dari r tabel.811 0.564<0.884 0.632 7 0.920 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.765.632 8 0.893 0.893 0.884>0.632 Keterangan Valid Valid Valid Valid Valid Valid Valid Valid Valid Tidak Valid . yaitu N-2 (10-2)=8.632 5 0.811>0.632 4 0.893>0.632.827>0. selanjutnya dikonsultasikan dengan tabel korelasi nilai “r” dengan terlebih dahulu mencari derajat kebebasan (db).632 10 0.931 0.632 3 0. dan 1% adalah 0.920>0.705>0.

yangh dapat dilakukan secara keseluruhan maupun berdasar masing-masing item pernytaan.632. Cara memberikan interpretasi sama dengan pada uji validitas.99>0. . nilai r tabel sebesar 0.632) pada taraf signifikansi 5 %. 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 (0.99 berarti reliabel. kemudian dikonsultasikan dengan nilai r pada df 8 (N-2) atau 10-2. Misal berdasar contoh tersebut di atas diperoleh nilai rxy sebesar 0. Pada taraf signifikansi 5 %.Contoh Mencari Releabilitas.

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

819657/0. yaitu diperoleh F hitung = 31.306 Karena nilai T hitung lebih besar dari pada T tabel atau 14.874.834 Nilai T tabel dengan df : 10 – 2 = 8 dan ½ α = 2.73.98 dan Untuk nilai F tabel dengan df : k .1 .819657 X Untuk menguji hipotesis secara parsial digunakan Uji T.98 > 5.874. n – k = 1 .Berdasarkan hasil pengolahan data tersebut di atas maka dapat dibuat persamaan regresi linier sederhana : Y = .5% (uji dua arah) sebesar ± 2. Sedangkan untuk menguji secara serempak digunakan Uji F.32 maka Ho  .05525673 = 14. yaitu :     Hipotesis Statistik adalah Ho : b = 0 dan Ha : b ≠ 0 (disebut uji dua arah) Nilai T hitung adalah : b/Sb = 0. Karena nilai F hitung lebih besar dari F tabel atau 31.32.833613932638 = 14. 8 dan α : 5% sebesar 5.834 > 2.72041 + 0. Ha diterima dan hipotesis penelitian yang menyatakan bahwa Tinggi Badan berpengaruh terhadap Berat Badan Seseorang adalah dapat diterima (dapat dikatakan signifikan secara statistik).306 maka Ho ditolak.

2%.819657). baik Uji T maupun Uji F. Seorang guru ingin mengetahui apakah suatu model pengajaran memberikan hasil yang berbeda terhadap hasil prestasi belajar dua kelas siswa.982 dan koefisien determinasi (r kuadrat) sebesar 0. Berdasarkan nilai koefisien regresi tersebut dapat diketahui bahwa jika tinggi badan meningkat sebesar 10% maka berat badan akan meningkat 8. Seorang penelitian ingin mengetahui apakah terdapat perbedaan persepsi tentang advertising KAP antara kelompok akuntan publik. diketahui bahwa Variabel Tinggi Badan Seserorang berpengaruh terhadap Variabel Berat Badan Seseorang dan pengaruhnya bersifat positif (nilai koefisien regresinya sebesar 0. uji beda. Contoh nomor #2 memerlukan uji beda terhadap dua buah . Uji Beda Sesuai dengan namanya. baik antara dua sampel data atau antara beberapa sampel data. Contoh nomor #1 memerlukan uji beda terhadap suatu sampel data dengan nilai tertentu yaitu 1000 jam. Perhatikan contoh-contoh berikut: 1. 2. maka uji ini dipergunakan untuk mencari perbedaan. Untuk nilai r (korelasi) adalah sebesar 0.4% 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). Ha diterima dan hipotesis penelitian yang menyatakan bahwa Tinggi Badan berpengaruh terhadap Berat Badan Seseorang adalah dapat diterima.2% tersebut sangat mendekati nilai 100%.4% sedangkan sisanya merupakan sumbangan dari variabel lain yang tidak dimasukkan dalam model.ditolak. Perusahaan ingin mengetahui apakah lampu yang diproduksi mampu menyala lebih dari 1000 jam sesuai dengan standar yang ditetapkan perusahaan. kelompok akuntan pendidik dan kelompok pengguna jasa KAP. artinya jika seseorang mempunyai tinggi badan semakin tinggi maka akan meningkatkan berat badannya (dan sebaliknya). Kesimpulannya : Berdasarkan hasil pengujian hipotesis.964. Sedangkan berdasarkan nilai r kuadrat sebesar 96. 3. Dalam kasus tertentu. juga bisa mencari perbedaan antara suatu sampel dengan nilai tertentu. 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.

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

(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: .

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

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

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

Caranya yaitu untuk memasukkan data sama saja. Caranya masuk ke menu awal.b. klik pada Analize>Nonparametic test>1-Sample K-S. data dianalisis tidak menggunakan gambar namun dengan angka. maka model regresi tidak memenuhi asumsi normalitas (Ghozali 2007:110-112). Untuk menganalisis dengan SPSS kita lihat hasil output kita tadi pada gambar "Normal P-P Plot of Regression Standardized Residual". 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. Kelebihannya hasilnya memang lebih akurat. namun tidak menggunakan jendela "Linear Regression".

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

Sig. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen.05 sehingga agar terlihat terpenuhi saya lebih baik menggunakan metode P-P Plot yang berupa gambar. bila nilai tiap variabel lebih dari (>0.05) maka uji normalitas bisa terpenuhi. Jika variabel independen saling berkorelasi. Pada contoh saya yang ini nilainya ada yang kurang dari 0. (2-tailed)" baris paling bawah. maka variabel-variabel ini tidak ortogonal (Ghozali 2007:91).. 2. Untuk mendeteksi adanya multikolinearitas. tidak terjadi multikolinearitas (Wijaya. terjadi multikolinieritas. Sebaliknya. seperti pada contoh saya berikut: . Apabila nilai VIF > 10. Untuk analisisnya dengan SPSS kita lihat hasil output pada tabel "Coefficients". hehehee.untuk menganalisisnya. kita lihat pada baris "Asymp. jika VIF < 10. dapat dilihat dari Value Inflation Factor (VIF).. 2009:119). Uji Multikolinieritas Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen).

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

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

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

6 100.8 27. VAR00001 4 22.6 5.0 100. abaikan yang lain.00 5.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00004 5 27.4 50.0 18 100.0 100.6 83.8 10 55.0 50. 3.00 5.2 22.4 44.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00002 8 44.4 44.6 55.2 5 27.0 3. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 3 Hasil Frekuensi Data Untuk melihat penyebaran frekuensi tabulasi data.00 4.0 9 50.3 3 16.8 27.2 22.00 4.00 4.7 16.6 55.0 100.Bab I: Statistik Deskriptif 2 2.4 44.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00003 1 5.0 9 50.00 Total .0 100.0 4.0 50.0 18 100.8 50.0 3. akan terlihat tabulasi di bawah ini.0 18 100.6 8 44. Kemudian muncul file Frequency dan pindahkan variabel dari kolom kiri ke kanan hingga tampak gambar disamping. dan hasilnya akan terlihat.00 5.7 100. Klik OK.6 5.4 10 55.0 100.8 27.0 3.0 100.0 18 100.00 5.

1 11.7 . F % F % F % F % F % 1 0 0 0 0 1 5.Valid Frequency Percent Valid Percent Cumulative Percent Bab I: Statistik Deskriptif 4 VAR00005 1 5.0 18 100.6 3 16.4 10 55.0 100.0 100.0 18 100.0 9 50.00 3.0 2.1 3 16.8 9 50.0 100.2 22.4 9 50.2 27.6 5.7 27.0 50.00 4.8 10 55.8 7 38.9 66.6 5.7 6 33.0 2.3 100.6 5 27.6 8 44.2 50.3 33.00 Total Valid Frequency Percent Valid Percent Cumulative Percent Tabel ini dapat digunakan untuk mempermudah tabulasi data secara deskritif.00 4.7 16.0 2 0 0 0 0 0 0 8 44.8 4 22.00 5. misalnya variabel 1-6 adalah tabulasi data untuk varibel X1.2 22. 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 3.6 4 22.9 38.6 3 0 0 0 0 1 5.00 5.1 11.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00006 2 11.0 4 0 0 0 0 5 27.

1 3 16. Mode jarang sekali digunakan untuk data ordinal.3 6 0 0 2 11 . pilih statitisk. interval atau rasio.9 6 33. Dengan kata lain median membagi data dua bagian. 2007 ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 5 Dari tabel tersebut bisa dilakukan pembahasan misalnya.5 0 0 1 5.0 Sumber: Data Diolah. 1 orang responden (5. Mode adalah salah satu ukuran rata-rata yang menunjukkan skor atau nilai data yang memiliki frekuensi terbanyak pada suatu distribusi. 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. untuk pertanyaan no 1 (sebutkan pertanyaannya). sedangkan 5 orang responden (27.9 9 50.8%) menjawab setuju dan selebihnya 9 responden (50%).2 7 38. Bentuk frekuensi ini akan sangat membantu peneliti dalam melakukan tabulasi data.6%) menjawab ragu-ragu. isikan (cheklist). Dispersion: Penyebaran data Variance adalah ukuran variasi yang menunjukkan seberapa jauh data tersebar dari mean (rataratanya). bagian yang anda inginkan. Semakin bervariasi data tersebut maka . 6 4 22. Begitu seterusnya.7 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. menjawab sangat setuju. 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. Mode biasanya digunkan untuk data nominal.

artinya semua data siap diproses.0000 190.080 . 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.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.5000 116.905 1.5000 Valid Missing N Mean Std. Error of Mean Median Std.00 284. Error of Skewness Kurtosis Std.992 66.00 100.69858 116.0000 70. Error of Kurtosis Minimum Maximum 25 50 75 Percentiles Analisis: N adalah jumlah data yang valid (20 buah) sedangkan data yang hilang adalah 0.2000 15.155 . . Deviation Variance Skewness Std.512 -.

00 280.00 109.00 115. .00 246.00 105.2 dengan standar error adalah 15.5 1.00 115.00 153.00 105.00 79.00 203.08.00 Sales 2. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 9 4. Median sebesar 116 menunjukkan 50% penjualan di atas 116 dan 50% penjualan di bawah 116 Standar deviasi adalah 70. Grafik ini memiliki sumbu vertikal menunjukkan frekuensi dan horizontal menunjukkan ukuran variabelnya.00 75.00 250. klik continue dan ok.00 66. Bagan pie digunakan untuk data yang nominal dan ordinal 284. Biasanya grafik bar digunakan untuk data nominal dan ordinal.0 1.00 128. Chart jika anda ingin membuat grafik dari data.00 284.00 280. Histogram digunakaan untuk data kontinius atau bersambung maka grafik batangnya juga bersambung.00 99. Grafik bar dikenal dengan istilah grafik batang karena bentuknya seperti batang-batang dan batangbatangnya tidak bersentuhan satu sama lain.7.5 0.0 Frequency Sales b.00 246.00 117.00 203.00 153. Ukuran skewness adalah 1.00 128.00 250. Mean (rata-rata penjualan) adalah 142. Chart dapat digunakan untuk memvisualisasikan data dalam bentuk garfik. Bar chart menghasikan refresentasi grafik cacah frekuensi untuk setiap nilai yang berlainan.00 117.00 Sales ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 11 c. Histogram: hampir sama dengan grafik bar.0 0. a.00 69. Histogram digunakan untuk data interval dan rasio.00 75. Pilih.00 99. bedanya jika grafik bar batangnya terpisah maka histogram batangnya berimpitan. Pie Chart: menghasilkan refresentasi grafik berupa potongan-potongan lingkaran (kue pie).00 121.00 69. Bab I: Statistik Deskriptif 10 66.00 109.00 79.00 121.21 dan varians sebesar 4928.

Histogram dapat pula dibuat untuk menunjukkan frekuensi relatif dan frekuensi kumulatif dari suatu data 50.00 6.20616 N = 20 Histogram Bab I: Statistik Deskriptif 12 1.05098 4662 image brand freq Valid N (listwise) N Minimum Maximum Mean Std.00 3.02). = 70. brand (6) dan Freq (144). Sav Setelah itu Analyze.00 150. brand (3.20 Std. brand dan frequensi.3.00 100.00 Sales 8 6 4 2 0 Frequency Mean = 142.0528 39.2. Jumlah sample (N) sebanyak 4662 Nilai paling kecil (minimum) 1 NIlai paling besar (Maximum) untuk image (23).00 144. Eksplorasi Data Eksplorasi data dapat membantu memberi arahan untuk memilih teknik statistik yang akan diimplementasikan pada analisis data yang akan dikehendaki.00 300. Nilai tengah (mean) untuk image (11. sub menu Descriptive Statistic lalu explore.0281 6. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 15 Descriptives .00 23.36) dan freq (68.91834 4662 1.00 11. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 13 Pilih option Klik continue. brand (1.73786 4662 1. Deviation Pada hasil output spss di atas terlihat descriptive statistics dari image.05) Standar Deviasi untuk image (6.74) dan freq (39.3606 1.00 68.91). Contoh: Buka file/open/pilih plastic. Dev.00 250. Statistik Deskriptif Penyajian data secara numerik Contoh data: Buka file/open/pilih coffee sav. lalu ok Descriptive Statistics 4662 1.00 200.05) Bab I: Statistik Deskriptif 14 1.

464 5.8538 . Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Mean Lower Bound Upper Bound 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.986 .3. Nilai trimmed mean dihitung berdasarkan data diurutkan secara ascending kemudian dihitung 5% dari .437 1.6901 2.077 1.687 .6 3.169 .5862 2.687 -1.8 6.7 -.978 3.1 .116 3.281 1.600 4.334 Mean Lower Bound Upper Bound 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Extrusion 1 2 Opacity Statistic Std.6 8.790 .8 3.000 3.519 5.334 4.4 6.641 3.762 2.080 .4 5.1821 1. Error Pada hasil output statistik terlihat adanya 5% trimmed mean.811 4.

The weighting constant is 1.454 Extrusion 1 2 Opacity Huber's M-Estimatora Tukey's Biweightb Hampel's M-Estimatorc Andrews' Waved a.250 .500 3.400.800 . . and 8. 1.630 2.660 3.600 1.330 .339.838 3. Bab I: Statistik Deskriptif 16 M-Estimators 3. The weighting constants are 1. nilai tersebut digunakan untuk mengurangi data sebanyak nilai yang diperoleh dari urutan terkecil dan terbesar. Fungsi M-Estimator berkaitan dengan statistik robust.625 8.600 5. kemudian sisa data dicari mean-nya.803 3.468 3. Percentiles .700 3. b.975 4. Setelah nilai didapat.698 3.000 4. Alternatif robust diimplementasikan pada perhitungan rata-rata dan median untukmengestimasi lokasi data terpusat.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. c. 2.000 5.600 5. 3.700.685.340*pi.821 3. The weighting constant is 4.700 6.jumlah data. The weighting constant is 1.821 3.000 5.500 d. Percentiles digunakan untuk menampilkan nilai percentiles.910 1.

Sign up to vote on this title
UsefulNot useful