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

564 0.920>0.893>0.867 0.632 9 0. Apabila nilai r hitung lebih besar dari r tabel.893 0.765.931>0.811 0.705>0.632 4 0.827>0.893 0.893>0.632 10 0. selanjutnya dikonsultasikan dengan tabel korelasi nilai “r” dengan terlebih dahulu mencari derajat kebebasan (db).632 2 0.867>0.827 0.632. r 5% 1 0.884>0.920 0.632 8 0.632 3 0.Uji Validitas dengan product moment Hasil penghitungan tersebut. yaitu N-2 (10-2)=8. dan 1% adalah 0.632 7 0.931 0.632 5 0. Pada taraf signifikansi 5 % diperoleh angka 0.884 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 6 0.811>0.564<0.632 Keterangan Valid Valid Valid Valid Valid Valid Valid Valid Valid Tidak Valid .705 0.

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

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). 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 : .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 X Untuk menguji hipotesis secara parsial digunakan Uji T. 8 dan α : 5% sebesar 5.73. yaitu diperoleh F hitung = 31. yaitu :     Hipotesis Statistik adalah Ho : b = 0 dan Ha : b ≠ 0 (disebut uji dua arah) Nilai T hitung adalah : b/Sb = 0.32.98 dan Untuk nilai F tabel dengan df : k . Karena nilai F hitung lebih besar dari F tabel atau 31.874.834 Nilai T tabel dengan df : 10 – 2 = 8 dan ½ α = 2.833613932638 = 14.1 .32 maka Ho  .72041 + 0.306 maka Ho ditolak.819657/0. Ha diterima dan hipotesis penelitian yang menyatakan bahwa Tinggi Badan berpengaruh terhadap Berat Badan Seseorang adalah dapat diterima (dapat dikatakan signifikan secara statistik).Berdasarkan hasil pengolahan data tersebut di atas maka dapat dibuat persamaan regresi linier sederhana : Y = .874.306 Karena nilai T hitung lebih besar dari pada T tabel atau 14.05525673 = 14.5% (uji dua arah) sebesar ± 2.98 > 5. Sedangkan untuk menguji secara serempak digunakan Uji F. n – k = 1 .834 > 2.

Perhatikan contoh-contoh berikut: 1.4% sedangkan sisanya merupakan sumbangan dari variabel lain yang tidak dimasukkan dalam model. diketahui bahwa Variabel Tinggi Badan Seserorang berpengaruh terhadap Variabel Berat Badan Seseorang dan pengaruhnya bersifat positif (nilai koefisien regresinya sebesar 0. Contoh nomor #1 memerlukan uji beda terhadap suatu sampel data dengan nilai tertentu yaitu 1000 jam. 2. maka uji ini dipergunakan untuk mencari perbedaan. Contoh nomor #2 memerlukan uji beda terhadap dua buah . Kesimpulannya : Berdasarkan hasil pengujian hipotesis. juga bisa mencari perbedaan antara suatu sampel dengan nilai tertentu. Seorang penelitian ingin mengetahui apakah terdapat perbedaan persepsi tentang advertising KAP antara kelompok akuntan publik. Untuk nilai r (korelasi) adalah sebesar 0. Berdasarkan nilai koefisien regresi tersebut dapat diketahui bahwa jika tinggi badan meningkat sebesar 10% maka berat badan akan meningkat 8.2% tersebut sangat mendekati nilai 100%. artinya jika seseorang mempunyai tinggi badan semakin tinggi maka akan meningkatkan berat badannya (dan sebaliknya). Perusahaan ingin mengetahui apakah lampu yang diproduksi mampu menyala lebih dari 1000 jam sesuai dengan standar yang ditetapkan perusahaan. Sedangkan berdasarkan nilai r kuadrat sebesar 96.819657). 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).964. Seorang guru ingin mengetahui apakah suatu model pengajaran memberikan hasil yang berbeda terhadap hasil prestasi belajar dua kelas siswa. uji beda. Dalam kasus tertentu. Ha diterima dan hipotesis penelitian yang menyatakan bahwa Tinggi Badan berpengaruh terhadap Berat Badan Seseorang adalah dapat diterima. 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 98.4% menggambarkan bahwa sumbangan variabel independen (Tinggi Badan) terhadap naik turunnya variabel dependen (Berat Badan) sebesar 96.2%. Uji Beda Sesuai dengan namanya. kelompok akuntan pendidik dan kelompok pengguna jasa KAP.ditolak. baik antara dua sampel data atau antara beberapa sampel data. baik Uji T maupun Uji F.982 dan koefisien determinasi (r kuadrat) sebesar 0. 3.

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

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

pada "Decimals" bisa di ubah sesuai dengan keinginan. Masukkan variabel sesuai dengan data anda. sedangkan leverage. .Kemudian klik pada "variable view". Pada "Name" masukkan nama variable. Kalo pada contoh saya saya memasukkan Beta menjadi variabel tetap (dependent). 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". Analisis dimulai. Sedangkan kolom yang lain abaikan saja. hatihati jangan sampai terbalik memasukkan angka. disini saya memakai 3 desimal maka semua saya ubah menjadi 3.

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

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

Caranya masuk ke menu awal.b. data dianalisis tidak menggunakan gambar namun dengan angka. 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. 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 tidak menggunakan jendela "Linear Regression". . Jika data menyebar jauh garis diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal. klik pada Analize>Nonparametic test>1-Sample K-S. Kelebihannya hasilnya memang lebih akurat. Caranya yaitu untuk memasukkan data sama saja.

Dan akan muncul jendela One-Sample Kolmogorov-Smirnov Test seperti pada gambar contoh saya ini: . Setelah selesai dimasukkan semua.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. klik OK.

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

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

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 diantara -2 sampai +2 berarti tidak ada autokorelasi . 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. Dasar pengambilan keputusannya adalah sebagai berikut: . 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. 4. 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 bawah -2 berarti ada autokorelasi positif .

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

0 100.0 100.4 10 55.0 18 100.4 44.0 9 50. Klik OK.0 50.2 5 27. Kemudian muncul file Frequency dan pindahkan variabel dari kolom kiri ke kanan hingga tampak gambar disamping.00 4.8 50.4 44.00 5.0 50. 3.0 18 100.00 4.0 100.3 3 16.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00002 8 44.6 100.00 5.0 4.6 8 44. akan terlihat tabulasi di bawah ini.2 22.8 27.8 27. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 3 Hasil Frekuensi Data Untuk melihat penyebaran frekuensi tabulasi data.0 100.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00004 5 27.0 18 100.6 55.2 22. dan hasilnya akan terlihat.8 10 55.0 18 100.00 5.00 4.00 5.0 3.0 3.4 50.6 83.0 100.8 27. VAR00001 4 22. abaikan yang lain.0 9 50.Bab I: Statistik Deskriptif 2 2.4 44.6 5.00 Total .7 16.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00003 1 5.0 3.7 100.0 100.6 55.6 5.

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.3 100.0 100.0 4 0 0 0 0 5 27.3 33.7 6 33.00 4.9 66.7 .0 18 100.0 50.0 2 0 0 0 0 0 0 8 44.6 3 16.2 22.6 3 0 0 0 0 1 5.00 Total Valid Frequency Percent Valid Percent Cumulative Percent VAR00006 2 11.00 3.0 2.7 27.6 5 27.6 8 44.0 2.8 4 22.4 9 50.8 7 38.0 100.00 3.7 16.2 27.1 3 16.9 38.0 100. F % F % F % F % F % 1 0 0 0 0 1 5.0 9 50.0 18 100.00 4.Valid Frequency Percent Valid Percent Cumulative Percent Bab I: Statistik Deskriptif 4 VAR00005 1 5.2 22.6 5.1 11.6 4 22.2 50.00 Total Valid Frequency Percent Valid Percent Cumulative Percent Tabel ini dapat digunakan untuk mempermudah tabulasi data secara deskritif.8 9 50.8 10 55.4 10 55.00 5.1 11.6 5.00 5. misalnya variabel 1-6 adalah tabulasi data untuk varibel X1.

5 0 0 1 5. bagian yang anda inginkan.9 9 50. sedangkan 5 orang responden (27. 6 4 22. 1 orang responden (5. 2007 ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 5 Dari tabel tersebut bisa dilakukan pembahasan misalnya.0 Sumber: Data Diolah.1 3 16. Dengan kata lain median membagi data dua bagian.3 6 0 0 2 11 . 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. 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. Mode jarang sekali digunakan untuk data ordinal.6%) menjawab ragu-ragu. interval atau rasio. Mode biasanya digunkan untuk data nominal. Mode adalah salah satu ukuran rata-rata yang menunjukkan skor atau nilai data yang memiliki frekuensi terbanyak pada suatu distribusi. pilih statitisk. menjawab sangat setuju.7 4 22.8%) menjawab setuju dan selebihnya 9 responden (50%).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. Semakin bervariasi data tersebut maka . isikan (cheklist). untuk pertanyaan no 1 (sebutkan pertanyaannya). Bentuk frekuensi ini akan sangat membantu peneliti dalam melakukan tabulasi data.9 6 33. Dispersion: Penyebaran data Variance adalah ukuran variasi yang menunjukkan seberapa jauh data tersebar dari mean (rataratanya). Begitu seterusnya.

. 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.080 .155 . Error of Kurtosis Minimum Maximum 25 50 75 Percentiles Analisis: N adalah jumlah data yang valid (20 buah) sedangkan data yang hilang adalah 0.905 1. Error of Mean Median Std.512 -. artinya semua data siap diproses. Deviation Variance Skewness Std.69858 116.00 284.992 66.5000 Valid Missing N Mean Std.5000 116.0000 190.00 100.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.2000 15.20616 4928.0000 70.

Bab I: Statistik Deskriptif 10 66.00 69.00 121. Grafik bar dikenal dengan istilah grafik batang karena bentuknya seperti batang-batang dan batangbatangnya tidak bersentuhan satu sama lain.08.00 Sales 2.00 75.00 69. Bar chart menghasikan refresentasi grafik cacah frekuensi untuk setiap nilai yang berlainan.00 105.00 128.00 246. Mean (rata-rata penjualan) adalah 142.00 115.0 Frequency Sales b.00 246. klik continue dan ok.00 250. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 9 4.00 109. Histogram digunakan untuk data interval dan rasio.7. bedanya jika grafik bar batangnya terpisah maka histogram batangnya berimpitan.00 280.21 dan varians sebesar 4928.2 dengan standar error adalah 15.00 128.00 105. Chart jika anda ingin membuat grafik dari data.00 284.00 117.00 117. Ukuran skewness adalah 1.00 66.00 79. Biasanya grafik bar digunakan untuk data nominal dan ordinal.5 1.00 75. Bagan pie digunakan untuk data yang nominal dan ordinal 284.00 203. Grafik ini memiliki sumbu vertikal menunjukkan frekuensi dan horizontal menunjukkan ukuran variabelnya.00 250.0 1.00 153. Pie Chart: menghasilkan refresentasi grafik berupa potongan-potongan lingkaran (kue pie). Histogram digunakaan untuk data kontinius atau bersambung maka grafik batangnya juga bersambung.00 115. Histogram: hampir sama dengan grafik bar.00 99. Pilih.00 79.0 0.00 Sales ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 11 c. a. Chart dapat digunakan untuk memvisualisasikan data dalam bentuk garfik.00 109.00 203.00 121. Median sebesar 116 menunjukkan 50% penjualan di atas 116 dan 50% penjualan di bawah 116 Standar deviasi adalah 70.00 153. .00 280.5 0.00 99.

brand (1.00 23.00 68. brand (3.05) Bab I: Statistik Deskriptif 14 1.00 6.00 3.20 Std.00 150. Dev.00 144.91834 4662 1.36) dan freq (68.05) Standar Deviasi untuk image (6. Statistik Deskriptif Penyajian data secara numerik Contoh data: Buka file/open/pilih coffee sav. Nilai tengah (mean) untuk image (11.00 300. Deviation Pada hasil output spss di atas terlihat descriptive statistics dari image. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 13 Pilih option Klik continue. Jumlah sample (N) sebanyak 4662 Nilai paling kecil (minimum) 1 NIlai paling besar (Maximum) untuk image (23).0528 39.3606 1. sub menu Descriptive Statistic lalu explore.3.73786 4662 1.00 Sales 8 6 4 2 0 Frequency Mean = 142.05098 4662 image brand freq Valid N (listwise) N Minimum Maximum Mean Std.Histogram dapat pula dibuat untuk menunjukkan frekuensi relatif dan frekuensi kumulatif dari suatu data 50.00 250. lalu ok Descriptive Statistics 4662 1.91). Eksplorasi Data Eksplorasi data dapat membantu memberi arahan untuk memilih teknik statistik yang akan diimplementasikan pada analisis data yang akan dikehendaki.00 100. brand (6) dan Freq (144).00 11. Sav Setelah itu Analyze.2.20616 N = 20 Histogram Bab I: Statistik Deskriptif 12 1. = 70. brand dan frequensi. Contoh: Buka file/open/pilih plastic.02).0281 6. ANALISIS DATA PENELITIAN (Menggunakan Program SPSS) 15 Descriptives .00 200.74) dan freq (39.

Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Mean Lower Bound Upper Bound 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.762 2.4 5.169 .8538 . Nilai trimmed mean dihitung berdasarkan data diurutkan secara ascending kemudian dihitung 5% dari .437 1.519 5.077 1.978 3.8 3.8 6.3.811 4.986 .464 5.790 .000 3.4 6.687 -1.334 Mean Lower Bound Upper Bound 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.6 8.7 -.1 .6 3.1821 1.600 4. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Extrusion 1 2 Opacity Statistic Std.5862 2.281 1.641 3.334 4.687 .116 3.080 . Error Pada hasil output statistik terlihat adanya 5% trimmed mean.6901 2.

The weighting constants are 1. nilai tersebut digunakan untuk mengurangi data sebanyak nilai yang diperoleh dari urutan terkecil dan terbesar.660 3.700 6.500 3. 2.821 3.000 5. Percentiles .630 2. . Alternatif robust diimplementasikan pada perhitungan rata-rata dan median untukmengestimasi lokasi data terpusat.468 3.838 3.975 4. The weighting constant is 4.330 . and 8. 1.200 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.339. kemudian sisa data dicari mean-nya.800 .600 5.400.700 3. Bab I: Statistik Deskriptif 16 M-Estimators 3. The weighting constant is 1. Percentiles digunakan untuk menampilkan nilai percentiles.340*pi. Setelah nilai didapat.500 d.700. 3.821 3.685.250 .000 4.600 5. c.803 3. The weighting constant is 1.698 3.910 1.jumlah data.454 Extrusion 1 2 Opacity Huber's M-Estimatora Tukey's Biweightb Hampel's M-Estimatorc Andrews' Waved a. Fungsi M-Estimator berkaitan dengan statistik robust.700 2.000 5.625 8. b.600 1.

Sign up to vote on this title
UsefulNot useful