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 X 25 14 9 25 9 4 4 1 16 9 X=118 Y 2025 2025 1521 1444 1156 441 676 256 1600 576 Y=11720 XY 235 180 117 190 102 42 52 16 160 72 XY=1166

Uji Validitas dengan product moment

Hasil penghitungan tersebut, selanjutnya dikonsultasikan dengan tabel korelasi nilai r dengan terlebih dahulu mencari derajat kebebasan (db), yaitu N-2 (10-2)=8. Pada taraf signifikansi 5 % diperoleh angka 0.632, dan 1% adalah 0.765. Apabila nilai r hitung lebih besar dari r tabel, 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. r 5% 1 0.884 0.884>0.632 2 0.893 0.893>0.632 3 0.931 0.931>0.632 4 0.811 0.811>0.632 5 0.920 0.920>0.632 6 0.705 0.705>0.632 7 0.827 0.827>0.632 8 0.893 0.893>0.632 9 0.867 0.867>0.632 10 0.564 0.564<0.632

Keterangan Valid Valid Valid Valid Valid Valid Valid Valid Valid Tidak Valid

Contoh Mencari Releabilitas, 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, kemudian dikonsultasikan dengan nilai r pada df 8 (N-2) atau 10-2. Pada taraf signifikansi 5 %, nilai r tabel sebesar 0.632. Cara memberikan interpretasi sama dengan pada uji validitas, 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, karena nilai r hitung lebih besar dari r tabel (0.99>0.632) pada taraf signifikansi 5 %.

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. 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 :

Berdasarkan hasil pengolahan data tersebut di atas maka dapat dibuat persamaan regresi linier sederhana : Y = - 73,72041 + 0,819657 X Untuk menguji hipotesis secara parsial digunakan Uji T, yaitu :

Hipotesis Statistik adalah Ho : b = 0 dan Ha : b 0 (disebut uji dua arah) Nilai T hitung adalah : b/Sb = 0,819657/0,05525673 = 14,833613932638 = 14,834 Nilai T tabel dengan df : 10 2 = 8 dan = 2,5% (uji dua arah) sebesar 2,306 Karena nilai T hitung lebih besar dari pada T tabel atau 14,834 > 2,306 maka Ho ditolak, Ha diterima dan hipotesis penelitian yang menyatakan bahwa Tinggi Badan berpengaruh terhadap Berat Badan Seseorang adalah dapat diterima (dapat dikatakan signifikan secara statistik). Sedangkan untuk menguji secara serempak digunakan Uji F, yaitu diperoleh F hitung = 31.874,98 dan Untuk nilai F tabel dengan df : k - 1 ; n k = 1 ; 8 dan : 5% sebesar 5,32. Karena nilai F hitung lebih besar dari F tabel atau 31.874,98 > 5,32 maka Ho

ditolak, Ha diterima dan hipotesis penelitian yang menyatakan bahwa Tinggi Badan berpengaruh terhadap Berat Badan Seseorang adalah dapat diterima. Untuk nilai r (korelasi) adalah sebesar 0,982 dan koefisien determinasi (r kuadrat) sebesar 0,964. 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% tersebut sangat mendekati nilai 100%. Sedangkan berdasarkan nilai r kuadrat sebesar 96,4% 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. Kesimpulannya : Berdasarkan hasil pengujian hipotesis, baik Uji T maupun Uji F, diketahui bahwa Variabel Tinggi Badan Seserorang berpengaruh terhadap Variabel Berat Badan Seseorang dan pengaruhnya bersifat positif (nilai koefisien regresinya sebesar 0,819657), 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 8,2%. 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 Beda
Sesuai dengan namanya, uji beda, maka uji ini dipergunakan untuk mencari perbedaan, baik antara dua sampel data atau antara beberapa sampel data. Dalam kasus tertentu, juga bisa mencari perbedaan antara suatu sampel dengan nilai tertentu. Perhatikan contoh-contoh berikut:

1. Perusahaan ingin mengetahui apakah lampu yang diproduksi mampu menyala lebih dari 1000 jam sesuai dengan standar yang ditetapkan perusahaan. 2. Seorang guru ingin mengetahui apakah suatu model pengajaran memberikan hasil yang berbeda terhadap hasil prestasi belajar dua kelas siswa. 3. Seorang penelitian ingin mengetahui apakah terdapat perbedaan persepsi tentang advertising KAP antara kelompok akuntan publik, kelompok akuntan pendidik dan kelompok pengguna jasa KAP. Contoh nomor #1 memerlukan uji beda terhadap suatu sampel data dengan nilai tertentu yaitu 1000 jam. Contoh nomor #2 memerlukan uji beda terhadap dua buah

sampel yaitu nilai prestasi belajar antara dua kelas. Contoh nomor #3 memerlukan uji beda terhadap tiga kelompok akuntan dalam hal persepsi terhadap advertising KAP. Juga terdapat jenis uji beda lain selain berdasarkan jumlah kelompok sampel yang diuji. Misalnya jumlah sampel pada masing-masing kelompok juga menentukan jenis uji beda yang digunakan. Jika dua kelompok mempunyai anggota yang sama dan mempunyai korelasi maka dipergunakan uji sampel berpasangan ( paired test), dan jika jumlah anggota kelompok berbeda, tentunya tidak berkorelasi, maka memerlukan uji beda yang lain, misalnya Independent Sample t test atau Mann-Whitney U-Test. Masing-masing metode memerlukan kajian tersendiri dan akan dibahas satu persatu, kenapa uji beda juga sering disebut uji t? Ini sebenarnya tidak penting, hanya sebagai pengetahuan saja. Disebut uji t karena merupakan huruf terakhir dari nama pencetus uji ini yaitu, Grosett. Tambahan lagi, kenapa disebut uji F? Karena merupakan huruf depan dari nama seorang pakar statistik di masa lalu, yaitu Fisher. Anda bisa menduga bahwa korelasi Pearson adalah diambil dari nama penemunya yaitu Karl Pearson dan berbagai metode juga diambil dari nama pencetusnya. Ada yang menyebut bahwa uji beda merupakan uji statistik non parametrik. Anggapan ini kurang tepat, meskipun tidak sepenuhnya salah. Uji t dengan distribusi normal maka tetap merupakan statistik parametrik, akan tetapi jika distribusi data tidak normal, barulah merupakan statistik non parametrik. Jadi penentuan parametrik atau bukan, tidak didasarkan pada jenis uji tetapi tergantung dari distribusi data, apakah normal atau tidak.

Regresi Berganda
Persyaratan untuk bisa menggunakan persamaan regresi berganda adalah terpenuhinya asumsi klasik. 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. Disini uji yang akan saya kemukakan adalah uji yang umum, yaitu Uji Normalitas, Uji Multikolinieritas, Uji Heteroskedastisitas serta Uji Autokorelasi. Disini saya pakai SPSS 13, kalo ada yang beda silakan menyesuaikan aja ya Supaya mempermudah saya berikan sebuah contoh: Saya akan menghitung pengaruh Leverage, Current ratio (CR), ROA dan ROE terhadap Risiko Sistematis (beta) yang sudah saya rekap sebagai berikut:

(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:

Kemudian klik pada "variable view". Pada "Name" masukkan nama variable, pada "Decimals" bisa di ubah sesuai dengan keinginan. disini saya memakai 3 desimal maka semua saya ubah menjadi 3. Sedangkan kolom yang lain abaikan saja. 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). hatihati jangan sampai terbalik memasukkan angka. Analisis dimulai. Klik analize>regression>linear

Akan muncul jendela "Linear Regression". Masukkan variabel sesuai dengan data anda. Kalo pada contoh saya saya memasukkan Beta menjadi variabel tetap (dependent), sedangkan leverage,

current ratio, ROA dan ROE variabel bebas (independen). Klik tanda berbentuk seperti "panah" untuk memasukkannya ke dalam kolom data. Contohnya sebagai berikut:

Kemudian klik pada statistics (masih dalam jendela Linear Reggresion). Sehingga akan muncul jendela "Linear Regressions: Statistics". Pada Regression Coefficients centang pada "Estimates", Covariance matrik", "Model Fit", "R squared change", "Collinearity diagnostics". Dan pada residuals klik "Durbin-Watson". Setelah semua dicentang klik "Continue". Supaya jelas lihat contoh saya sebagai berikut:

Akan muncul lagi jedela "Linear Regression" yang awal. Klik pada "Plots" sehingga muncul jendela "Linnear Regression:Plots". Masukkan *ZPRED pada Y, dan *SRESID pada X. Caranya dengan mengklik *zpred atau *sresid kemudian klik tanda yang mirip bentuk panah pada tempatnya masing-masing. Kemudian pada Standardized Residual Plots centang pada "Histogram" dan "Normal Probability Plot". Setelah selesai klik Continue. Seperti contoh saya berikut ini:

Kembali ke jendela "Linear regression". Klik "OK" untuk segera memproses data. Dan akan muncul jendela baru. Data yang tertera disitulah yang akan menjadi dasar analisis kita.

1. Uji Normalitas
Uji normalitas adalah pengujian tentang kenormalan distribusi data. Penggunaan uji normalitas karena pada analisis statistik parametik, asumsi yang harus dimiliki oleh data adalah bahwa data tersebut harus terdistribusi secara normal. Maksud data terdistribusi secara normal adalah bahwa data akan mengikuti bentuk distribusi normal (Santosa&Ashari, 2005:231). Uji normalitas bisa dilakukan dengan dua cara. Yaitu dengan "Normal P-P Plot" dan "Tabel Kolmogorov Smirnov". Yang paling umum digunakan adalah Normal P-P Plot. Pada Normal P-P Plot prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan keputusan: a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.

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

Akan muncul jendela "One-Sample Kolmogorov-Smirnov Test". 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:

untuk menganalisisnya, kita lihat pada baris "Asymp. Sig. (2-tailed)" baris paling bawah. bila nilai tiap variabel lebih dari (>0,05) maka uji normalitas bisa terpenuhi. Pada contoh saya yang ini nilainya ada yang kurang dari 0,05 sehingga agar terlihat terpenuhi saya lebih baik menggunakan metode P-P Plot yang berupa gambar. hehehee...

2. Uji Multikolinieritas
Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak ortogonal (Ghozali 2007:91). Untuk mendeteksi adanya multikolinearitas, dapat dilihat dari Value Inflation Factor (VIF). Apabila nilai VIF > 10, terjadi multikolinieritas. Sebaliknya, jika VIF < 10, tidak terjadi multikolinearitas (Wijaya, 2009:119). Untuk analisisnya dengan SPSS kita lihat hasil output pada tabel "Coefficients". seperti pada contoh saya berikut:

Dari hasil output data didapatkan bahwa nilai semua nilai VIF<10 ini berarti tidak terjadi multikolonieritas. Dan menyimpulkan bahwa uji multikolonieritas terpenuhi.

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

4. Uji Autokorelasi
Uji autokorelasi merupakan pengujian asumsi dalam regresi dimana variabel dependen tidak berkorelasi dengan dirinya sendiri. 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, 2005:240). Dasar pengambilan keputusannya adalah sebagai berikut: - Angka D-W di bawah -2 berarti ada autokorelasi positif - Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi - Angka D-W di atas +2 berarti ada autokorelasi negatif untuk menganalisisnya menggunakan output SPSS tadi kita lihat pada tabel "Model Summary". seperti contoh saya berikut ini:

Dari tabel diatas didapatkan nilai Durbin-Watson (DW hitung) sebesar 2,038 atau 2. Berdasarkan kriteria yang telah ditentukan DW hitung berada diantara -2 dan 2, yakni -2 2 2 maka ini berarti tidak terjadi autokorelasi. Sehingga kesimpulannya adalah Uji Autokorelasi terpenuhi.

ANALISIS DATA PENELITIAN (Menggunakan Program SPSS)

BAB I

STATISTIK DESKRIPTIF
nalisis deskripsi merupakan analisis yang paling mendasar untuk menggambarkan keadaan data secara umum. Analisis deskripsi ini meliputi beberapa hal sub menu deskriptif statistik seperti frekuensi, deskriptif, eksplorasi data, tabulasi silang dan analisis rasio. 1.1. Analisis Frekuensi Analisis frekuensi merupakan analisis yang mencakup gambaran frekuensi data secara umum seperti mean, media, modus, deviasi, standar, varian, minimum, maksimum dan sebagainya. Data yang dipakai untuk statistik deskriptif bisa kualitatif dan kuantatif. Contoh Data 1. Dari sebuah tabulasi data penelitian yang terdiri dari 6 item dan 18 responden diperoleh sebagai berikut: Langkah: 1. Analyze, pilih Deskriptif Statistik, pilih Frekuensi.

Bab I: Statistik Deskriptif

2 2. Kemudian muncul file Frequency dan pindahkan variabel dari kolom kiri ke kanan hingga tampak gambar disamping, abaikan yang lain. 3. Klik OK, dan hasilnya akan terlihat.
ANALISIS DATA PENELITIAN (Menggunakan Program SPSS)

3 Hasil Frekuensi Data Untuk melihat penyebaran frekuensi tabulasi data, akan terlihat tabulasi di bawah ini.
VAR00001 4 22.2 22.2 22.2 5 27.8 27.8 50.0 9 50.0 50.0 100.0 18 100.0 100.0 3.00 4.00 5.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00002 8 44.4 44.4 44.4 10 55.6 55.6 100.0 18 100.0 100.0 4.00 5.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00003 1 5.6 5.6 5.6 8 44.4 44.4 50.0 9 50.0 50.0 100.0 18 100.0 100.0 3.00 4.00 5.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00004 5 27.8 27.8 27.8 10 55.6 55.6 83.3 3 16.7 16.7 100.0 18 100.0 100.0 3.00 4.00 5.00 Total

Valid Frequency Percent Valid Percent Cumulative Percent

Bab I: Statistik Deskriptif

4
VAR00005 1 5.6 5.6 5.6 4 22.2 22.2 27.8 7 38.9 38.9 66.7 6 33.3 33.3 100.0 18 100.0 100.0 2.00 3.00 4.00 5.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00006 2 11.1 11.1 11.1 3 16.7 16.7 27.8 4 22.2 22.2 50.0 9 50.0 50.0 100.0 18 100.0 100.0 2.00 3.00 4.00 5.00 Total Valid Frequency Percent Valid Percent Cumulative Percent

Tabel ini dapat digunakan untuk mempermudah tabulasi data secara deskritif, 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 5.6 5 27.8 9 50.0 2 0 0 0 0 0 0 8 44.4 10 55.6 3 0 0 0 0 1 5.6 8 44.4 9 50.0 4 0 0 0 0 5 27.8 10 55.6 3 16.7

5 0 0 1 5. 6 4 22.2 7 38.9 6 33.3 6 0 0 2 11 .1 3 16.7 4 22.9 9 50.0

Sumber: Data Diolah, 2007

ANALISIS DATA PENELITIAN (Menggunakan Program SPSS)

5 Dari tabel tersebut bisa dilakukan pembahasan misalnya, untuk pertanyaan no 1 (sebutkan pertanyaannya), 1 orang responden (5,6%) menjawab ragu-ragu, sedangkan 5 orang responden (27,8%) menjawab setuju dan selebihnya 9 responden (50%), menjawab sangat setuju. Begitu seterusnya. Bentuk frekuensi ini akan sangat membantu peneliti dalam melakukan tabulasi data. 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, isikan (cheklist), 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. 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. Dengan kata lain median membagi data dua bagian. 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. Mode jarang sekali digunakan untuk data ordinal, interval atau rasio. Dispersion: Penyebaran data Variance adalah ukuran variasi yang menunjukkan seberapa jauh data tersebar dari mean (rataratanya). Semakin bervariasi data tersebut maka

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. 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 0 142.2000 15.69858 116.0000 70.20616 4928.905 1.080 .512 -.155 .992 66.00 284.00 100.5000 116.0000 190.5000 Valid Missing N Mean Std. Error of Mean Median Std. Deviation Variance Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis Minimum Maximum 25 50 75 Percentiles

Analisis: N adalah jumlah data yang valid (20 buah) sedangkan data yang hilang adalah 0, artinya semua data siap diproses.

 Mean (rata-rata penjualan) adalah 142.2 dengan

standar error adalah 15.7. Median sebesar 116 menunjukkan 50% penjualan di atas 116 dan 50% penjualan di bawah 116 Standar deviasi adalah 70,21 dan varians sebesar 4928. Ukuran skewness adalah 1.08.
ANALISIS DATA PENELITIAN (Menggunakan Program SPSS)

9 4. Pilih, Chart jika anda ingin membuat grafik dari data. klik continue dan ok. Chart dapat digunakan untuk memvisualisasikan data dalam bentuk garfik. a. Bar chart menghasikan refresentasi grafik cacah frekuensi untuk setiap nilai yang berlainan. Grafik bar dikenal dengan istilah grafik batang karena bentuknya seperti batang-batang dan batangbatangnya tidak bersentuhan satu sama lain. Grafik ini memiliki sumbu vertikal menunjukkan frekuensi dan horizontal menunjukkan ukuran variabelnya. Biasanya grafik bar digunakan untuk data nominal dan ordinal.
Bab I: Statistik Deskriptif

10
66.00 69.00 75.00 79.00 99.00 105.00 109.00 115.00 117.00 121.00 128.00 153.00 203.00 246.00 250.00 280.00 284.00

Sales
2.0 1.5 1.0 0.5 0.0

Frequency
Sales

b. Pie Chart: menghasilkan refresentasi grafik berupa potongan-potongan lingkaran (kue pie). Bagan pie digunakan untuk data yang nominal dan ordinal
284.00 280.00 250.00 246.00 203.00 153.00 128.00 121.00 117.00 115.00 109.00 105.00 99.00 79.00 75.00 69.00 66.00

Sales

ANALISIS DATA PENELITIAN (Menggunakan Program SPSS)

11 c. Histogram: hampir sama dengan grafik bar, bedanya jika grafik bar batangnya terpisah maka histogram batangnya berimpitan. Histogram digunakaan untuk data kontinius atau bersambung maka grafik batangnya juga bersambung. Histogram digunakan untuk data interval dan rasio.

Histogram dapat pula dibuat untuk menunjukkan frekuensi relatif dan frekuensi kumulatif dari suatu data
50.00 100.00 150.00 200.00 250.00 300.00

Sales
8 6 4 2 0

Frequency
Mean = 142.20 Std. Dev. = 70.20616 N = 20

Histogram

Bab I: Statistik Deskriptif

12 1.2. Statistik Deskriptif Penyajian data secara numerik Contoh data: Buka file/open/pilih coffee sav.
ANALISIS DATA PENELITIAN (Menggunakan Program SPSS)

13 Pilih option Klik continue, lalu ok

Descriptive Statistics 4662 1.00 23.00 11.0281 6.91834 4662 1.00 6.00 3.3606 1.73786 4662 1.00 144.00 68.0528 39.05098 4662 image brand freq Valid N (listwise) N Minimum Maximum Mean Std. Deviation

Pada hasil output spss di atas terlihat descriptive statistics dari image, brand dan frequensi. Jumlah sample (N) sebanyak 4662 Nilai paling kecil (minimum) 1 NIlai paling besar (Maximum) untuk image (23), brand (6) dan Freq (144). Nilai tengah (mean) untuk image (11.02), brand (3.36) dan freq (68.05) Standar Deviasi untuk image (6.91), brand (1.74) dan freq (39.05)
Bab I: Statistik Deskriptif

14 1.3. Eksplorasi Data Eksplorasi data dapat membantu memberi arahan untuk memilih teknik statistik yang akan diimplementasikan pada analisis data yang akan dikehendaki. Contoh: Buka file/open/pilih plastic. Sav Setelah itu Analyze, sub menu Descriptive Statistic lalu explore.
ANALISIS DATA PENELITIAN (Menggunakan Program SPSS)

15
Descriptives

3.790 .5862 2.464 5.116 3.811 4.000 3.437 1.8538 .8 6.4 5.6 3.7 -.169 .687 -1.077 1.334 4.080 .6901 2.519 5.641 3.978 3.600 4.762 2.1821 1.6 8.4 6.8 3.1 .986 .687 .281 1.334 Mean Lower Bound Upper Bound 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis 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. Error

Pada hasil output statistik terlihat adanya 5% trimmed mean. Nilai trimmed mean dihitung berdasarkan data diurutkan secara ascending kemudian dihitung 5% dari

jumlah data. Setelah nilai didapat, nilai tersebut digunakan untuk mengurangi data sebanyak nilai yang diperoleh dari urutan terkecil dan terbesar, kemudian sisa data dicari mean-nya.
Bab I: Statistik Deskriptif

16
M-Estimators 3.838 3.821 3.803 3.821 3.660 3.468 3.698 3.454 Extrusion 1 2 Opacity Huber's M-Estimatora Tukey's Biweightb Hampel's M-Estimatorc Andrews' Waved a. The weighting constant is 1.339. b. The weighting constant is 4.685. c. The weighting constants are 1.700, 3.400, and 8.500 d. The weighting constant is 1.340*pi.

Fungsi M-Estimator berkaitan dengan statistik robust. Alternatif robust diimplementasikan pada perhitungan rata-rata dan median untukmengestimasi lokasi data terpusat.
Percentiles .800 .910 1.975 4.000 5.700 6.330 . 1.600 1.630 2.500 3.600 5.625 8.250 . 2.000 4.000 5.700 2.700 3.600 5.200 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. Percentiles digunakan untuk menampilkan nilai percentiles.