Analisis Statistik Teori Dan Aplikasi Menggunakan Spss 11 (1)

ANALISIS STATISTIK

(TEORI DAN APLIKASI MENGGUNAKAN SPSS)

OLEH: DIDIN ASTRIANI PRASETYOWATI, M.Stat

FAKULTAS ILMU KOMPUTER UNIVERSITAS INDO GLOBAL MANDIRI

PALEMBANG 2016

Analisis Statistik (Teori dan Aplikasi Menggunakan SPSS)

Didin Astriani Prasetyowati Page 1

BAB I KONSEP DASAR STATISTIKA

A. Pengertian Statistik Dan Statistika

a. Statistik

Kata statistik telah dipakai untuk menyatakan ukuran sebagai wakil dari

kumpulan data mengenai suatu hal. Contohnya, statistik penduduk, statistik

kelahiran, statistik pendidikan, statistik pertanian, statistik kesehatan dan

sebagainya.

Kumpulan angka-angka dari suatu penelitian sering disusun, diatur, atau

disajikan dalam bentuk daftar atau tabel. Sering pula daftar atau tabel tersebut

disertai dengan gambar-gambar yang biasa disebut diagram atau grafik supaya

lebih dapat menjelaskan lagi tentang persoalan yang sedang dipelajari. Jadi,

statistik menyatakan kumpulan data, bilangan maupun non-bilangan yang disusun

dalam tabel dan atau diagram, yang melukiskan atau menggambarkan suatu

persoalan.

b. Statistika

Statistika adalah Ilmu mengumpulkan, menata, menyajikan, menganalisis, dan

menginterprestasikan data menjadi informasi untuk membantu pengambilan

keputusan yang efektif.

Buku ”Statistical Theory in Research”, karangan Anderson and Bancof

mendefinisikan statistika adalah ilmu dan seni pengembangan dan penerapan

metode yang paling efektif untuk kemungkinan salah dalam kesimpulan dan

estimasi dapat diperkirakan dengan menggunakan penalaran induktif berdasarkan

metematika probabilitas. Statistika, sebagai cabang ilmu yang memberikan

berbagai macam teknik dan metode analisis, telah menyediakan berbagai metode

yang memiliki kegunaan yang berbeda-beda. Pengetahuan tentang kegunaan dari

berbagai teknik ini perlu dimiliki untuk menghindari penggunaan yang tidak

tepat. Dua macam analisis mungkin memiliki kegunaan yang sama tapi

membutuhkan tipe data yang berbeda.



Pada umumnya pengertian Statistika selalu dikaitkan pada ilmu yang

berhubungan dengan apa yang dikenal dengan data dan rumus-rumus yang rumit.

Dalam statistika tercakup dua pekerjaan penting, yaitu :

penyajian

DATA menghasilkan INFORMASI

penafsiran

Informasi : data yang telah diproses

Ilmu Statistika banyak sekali di gunakan dalam kehidupan sehari-hari kita,

baik dalam ilmu-ilmu alam (misalnya astronomi dan biologi) maupun ilmu-ilmu

sosial (termasuk sosiologi dan psikologi), maupun di bidang bisnis, ekonomi, dan

industri). Statistika juga di gunakan oleh untuk berbagai macam keperluan dan

tujuan dalam pemerintahan; sensus penduduk merupakan salah satu prosedur

yang paling dikenal. Aplikasi statistika lainnya yang sekarang popular adalah

prosedur jajak pendapat atau polling (misalnya dilakukan sebelum pemilihan

umum), serta jajak cepat (perhitungan cepat hasil pemilu) atau quick count.

B. Ruang Lingkup Statistika

Sebagai suatu bidang studi, statistika mempunyai empat bagian utama, yaitu :

1. Statistik Deskriptif

Statistik Deskriptif berhubungan dengan peringkasan seperangkat data dan

penyajiannya ke dalam bentuk yang dapat dipahami (lebih menekankan pada

teknik pengumpulan, pengolahan, penyajian dan penganalisisan data

kuantitatif secara deskriptif guna memberikan gambaran yang teratur mengenai

suatu persoalan). Perhitungan rata-rata dan distribusi frekuensi, angka indeks,

dan analisis time series merupakan pokok-pokok bahasan dalam statistik

deskriptif.

2. Probabilitas

Probabilitas adalah suatu angka yang mengukur frekuensi relatif dari suatu

kejadian dalam jangka panjang atau menunjukkan suatu tingkat kepercayaan.



Pemakaian konsep-konsep probabilitas menjadi dasar/landasan dalam

mempelajari teori keputusan secara statistik dan statistik inferensi.

3. Teori keputusan secara statistik

Analisis keputusan secara statistik berhubungan dengan pengambilan

keputusan bila alternatif-alternatif tindakan diketahui, akan tetapi hasil dari

masing-masing tindakan berbeda-beda. Analisis keputusan secara statistik akan

memberikan jawaban yang paling baik dalam situasi yang tidak pasti atau

penuh resiko.

4. Statistik Inferensi

Statistik Inferensi adalah suatu pernyataan mengenai suatu populasi yang

didasarkan pada informasi dari sampel random yang diambil dari populasi itu

(tidak hanya menekankan pada teknik pengumpulan, pengolahan, penyajian

dan penganalisisan data saja, tetapi juga teknik penarikan kesimpulan dan

pembuatan keputusan yang dapat dipertanggungjawabkan).

C. Istilah-istilah dalam statistika

1. Karakteristik

Karakteristik adalah ciri yang dimiliki suatu objek yang dapat membedakan

objek tersebut dari objek lainnya. Dan objek yang memiliki karakteristik yang

diperhatikan disebut satuan pengamatan.

2. Variabel

Dalam statistika dan bidang ilmu lainnya, karakteristik yang berubah-ubah

disebut variabel. Secara definisi dikatakan bahwa variabel adalah sesuatu yang

dapat diklasifikasikan ke dalam sekurang-kurangnya dua klasifikasi yang

berbeda, atau sesuatu yang dapat memberikan sekurang-kurangnya dua hasil

pengukuran yang berbeda.

3. Populasi

Populasi adalah keseluruhan objek yang dibatasi oleh kriteria tertentu.

4. Sampel



Sampel adalah beberapa satuan pengamatan yang merupakan bagian dari

populasi.

5. Sensus

Sensus adalah teknik pengumpulan data dimana setiap anggota yang ada

dalam populasi dikenai penelitian.

6. Sampling

Sampling adalah teknik pengumpulan data dimana hanya sebagian saja

dari populasi yang diteliti (proses pengambilan sampel).

7. Parameter

Parameter adalah sebuah bilangan yang diperoleh melalui sebuah rumus

tertentu dan merupakan ukuran dari sebuah populasi.

Contoh : µ untuk rata-rata, σ untuk simpangan baku.

8. Statistik

Statistik adalah perhitungan yang didasarkan pada data sampel atau

merupakan ukuran dari sampel. Contoh : x untuk rata-rata, s untuk simpangan

baku.

9. Hipotesis

Pengertian hipotesis menurut Arikunto (1995), hipotesis adalah alternatif

dugaan jawaban yang dibuat oleh peneliti bagi problematika yang diajukan dalam

penelitiannya. Dugaan jawaban tersebut merupakan kebenaran yang sifatnya

sementara, yang akan diuji kebenarannya dengan data yang dikumpulkan melalui

penelitian. Pada umumnya hipotesis dirumuskan dalam bentuk pernyataan yang

menguraikan hubungan sebab-akibat antara variabel bebas dan tak bebas gejala

yang diteliti.

Secara teknis, hipotesis dapat didefinisikan sebagai pernyataan mengenai

keadaan populasi yang akan diuji kebenarannya berdasarkan data yang diperoleh

dari sample penelitian.

Secara statistik, hipotesis merupakan pernyataan mengenai keadaan

parameter yang akan diuji melalui statistik sampel.



Secara implisit, hipotesis menyatakan prediksi. Misalnya, hipotesis yang

menyatakan bahwa ada hubungan yang positif dan sistematis antara nilai ujian

masuk dan prestasi belajar mengandung prediksi bahwa mahasiswa-mahasiswa

yang mempinyai nilai ujian masuk tinggi juga akan mempunyai indeks prestasi

belajar tinggi; hipotesis yang menyatakan bahwa metode diskusi lebih baik

daripada metode ceramah secara implicit mengandung prediksi bahwa kelas-kelas

yang diajar terutama dengan metode diskusi akan lebih baik hasil belajarnya dari

pada kelas-kelas yang diajar terutama dengan metode ceramah; dan sebagainya.

Menurut Moh. Nazir (1988), kegunaan hipotesa adalah sebagai berikut:

a. Memberikan batasan serta memperkecil jangkauan penelitian dan kerja

penelitian.

b. Mensiagakan peneliti kepada kondisi fakta dan hubungan antar fakta, yang

kadangkala hilang begitu saja dari perhatian peneliti.

c. Sebagai alat yang sederhana dalam memfokuskan fakta yang tercerai-berai

tanpa koordinasi ke dalam suatu kesatuan penting dan menyeluruh.

d. Sebagai panduan dalam pengujian serta penyesuaian dengan fakta dan antar

fakta.

Konsep penting mengenai hipotesis adalah hipo-Ho adalah hipotesis yang

menyatakan tidak adanya saling hubungan antara 2 variabel atau lebih, atau

hipotesis yang menyatakan tidak adanya perbedaan antara kelompok yang satu dan

lainnya. Didalam analisis statistik, uji statistik biasanya mempunyai sasaran untuk

menolak kebenaran hipotesis nol itu. Hipotesis lain yang bukan hipotesis nol

disebut hipotesis alternatif. Hipotesis alternatif (HA) menyatakan adanya saling-

hubungan antara dua variable atau lebih, atau menyatakan adanya perbedaan

dalam hal tertentu pada kelompok-kelompok yang berbeda.

10. Signifikan Dan Tingkat Kepercayaan

Besarnya taraf signifikan biasanya sudah ditentukan sebelumnya, yaitu 0,15,

0,05, 0,01, 0,005, atau 0,001. Untuk penelitian pendidikan, biasanya digunakan taraf

0,05 atau 0,01 , sedangkan untuk bidang yang berisiko tinggi akibat penarikan



kesimpulannya, seperti bidang kesehatan, biasanya digunakan taraf 0,005 atau

0,001.

Seandainya peneliti menetapkan kesalahan 5%, hal itu sama saja dengan

menyebut bahwa peneliti telah menolak hipotesis pada tingkat kepercayaan 95% .

Artinya, apabila kesimpulan hasil penelitian diterapkan pada populasi sejumlah

100 orang, peneliti tersebut hanya sesuai untuk 95 orang, sedangkan pada 5 orang

sisanya terjadi penyimpangan. Dengan kata lain, peluang terjandinya kemelesetan

setiap 100 kali adalah 5 kali. Selayaknya, 95% tersebut dinamakan tingkat

kepercayaan. Jadi, tingkat kepercayaan adalah ukuran keyakinan peneliti yang

dinyatakan dalam persentase bahwa ia sanggup mengambil resiko bahwa sesuatu

itu dapat terjadi, apakah 95% , 99% dan lain-lain.

11. Derajat Kebebasan

Derajat kebebasan merupakan tingkat kebebasan untuk bervariasi sehingga

tidak terjadi kekeliruan dalam penafsiran. Derajat kebebasan juga sebagai patokan

membaca tabel statistic berkenaan dengan batas rasio penolakan (kritis), yaitu pada

batas saat suatu hasil perhitungan statistic dapat disebut signifikan. Rumus derajat

kebebasan (dk) bergantung pada jenis statistik yang digunakan.

12. Pengujian Hipotesis

Penarikan kesimpulan yang berakhir pada penerimaan atau penolakan

hipotesis diawali oleh pengujian hipotesis. Jadi, hasil akhirnya adalah dua pilihan

berupa diterima atau ditolaknya suatu hipotesis (H) didampingi pernyataan lain

yang berlawanan, sehingga diperoleh hipotesis (Ho) dan hipotesis alternative (H1).

Secara umum hipotesis dapat diuji dengan dua cara:

a. Mencocokkan dengan fakta, maka diperlukan percobaan-percobaan untuk

memperoleh data. Data tersebut kemudian kita nilai untuk mengetahui apakah

hipotesa tersebut cocok dengan fakta tersebut atau tidak. Cara ini biasa

dkerjakan dengan menggunakan desain percobaan.



b. Dengan mempelajari konsekuensi logis, maka si peneliti meneliti suatu desain di

mana logik dapat digunakan, untuk menerima atau menolak hipotesa. Cara ini

sering digunakan dalam menguji hipotesa pada penelitian dengan

menggunakan metode noneksperimental seperti metode deskriptif, metode

sejarah, dan sebagainya.

Langkah - langkah dalam pengujian hipotesis secara umum ( Harun Al

Rasyid , 2004 : 4 ) , antara lain:

1. Nyatakan hipotesis statistik ( Ho dan H1 ) yang sesuai dengan penelitian yang

diajukan.

2. Menentukan taraf kemaknaan atau nyata

3. Kumpulkan data melalui sampel peluang

4. Gunakan statistik uji tepat

5. Tentukan titik kritis dan daerah kritis ( daerah penolakan ) Ho

6. Hitung nilai statistik uji berdasarkan data yang dikumpulkan.

Perhatikan apakah nilai hitung statistik uji jatuh di daerah penerimaan atau

daerah penolakan.

7. Berikan kesimpulan statistik



BAB II METODE PENGUMPULAN DATA

A. Pengertian Data

Data adalah sesuatu yang belum mempunyai arti bagi penerimanya dan masih

memerlukan adanya suatu pengolahan. Data bisa berujut suatu keadaan, gambar,

suara, huruf, angka, matematika, bahasa ataupun simbol-simbol lainnya yang bisa

kita gunakan sebagai bahan untuk melihat lingkungan, obyek, kejadian ataupun

suatu konsep.

Data adalah catatan atas kumpulan fakta. Data merupakan bentuk jamak dari

datum, berasal dari bahasa Latin yang berarti "sesuatu yang diberikan". Dalam

penggunaan sehari-hari data berarti suatu pernyataan yang diterima secara apa

adanya. Pernyataan ini adalah hasil pengukuran atau pengamatan suatu variabel

yang bentuknya dapat berupa angka, kata-kata, atau citra.

Dalam keilmuan (ilmiah), fakta dikumpulkan untuk menjadi data. Data

kemudian diolah sehingga dapat diutarakan secara jelas dan tepat sehingga dapat

dimengerti oleh orang lain yang tidak langsung mengalaminya sendiri, hal ini

dinamakan deskripsi. Pemilahan banyak data sesuai dengan persamaan atau

perbedaan yang dikandungnya dinamakan klasifikasi.

Dalam pokok bahasan Manajemen Pengetahuan, data dicirikan sebagai sesuatu

yang bersifat mentah dan tidak memiliki konteks. Dia sekedar ada dan tidak

memiliki signifikansi makna di luar keberadaannya itu. Dia bisa muncul dalam

berbagai bentuk, terlepas dari apakah dia bisa dimanfaatkan atau tidak. Menurut

berbagai sumber lain, data dapat juga didefinisikan sebagai berikut:

Menurut kamus bahasa inggris-indonesia, data berasal dari kata datum yang

berarti fakta

Berdasarkan sudut pandang bisnis, data bisnis adalah deskripsi organisasi

tentang sesuatu (resources) dan kejadian (transactions) yang terjadi



Pengertian yang lain menyebutkan bahwa data adalah deskripsi dari suatu

kejadian yang kita hadapi. Intinya data itu adalah suatu fakta-fakta tertentu

sehingga menghasilkan suatu kesimpulan dalam menarik suatu keputusan.

Informasi merupakan hasil pengolahan dari sebuah model, formasi, organisasi,

ataupun suatu perubahan bentuk dari data yang memiliki nilai tertentu, dan bisa

digunakan untuk menambah pengetahuan bagi yang menerimanya. Dalam hal ini,

data bisa dianggap sebagai obyek dan informasi adalah suatu subyek yang

bermanfaat bagi penerimanya. Informasi juga bisa disebut sebagai hasil pengolahan

ataupun pemrosesan data.

Data bisa merupakan jam kerja bagi karyawan perusahaan. Data ini kemudian

perlu diproses dan diubah menjadi informasi. Jika jam kerja setiap karyawan

kemudian dikalikan dengan nilai per-jam, maka akan dihasilkan suatu nilai tertentu.

Jika gambaran penghasilan setiap karyawan kemudian dijumlahkan, akan

menghasilkan rekapitulasi gaji yang harus dibayar oleh perusahaan. Penggajian

merupakan informasi bagi pemilik perusahaan. Informasi merupakan hasil proses

dari data yang ada, atau bisa diartikan sebagai data yang mempunyai arti. Informasi

akan membuka segala sesuatu yang belum diketahui.

B. Jenis-Jenis Data

Berdasarkan Sumber-nya data dibedakan menjadi 2 (dua), yaitu:

1. Data Primer : data yang didapatkan atau dikumpulkan sendiri.

Misalnya data dengan melakukan wawancara, observasi atau penelitian di

lapangan atau laboratorium.

2. Data Sekunder: data yang didapatkan dari pihak lain.

Misalnya dari data providers, Contoh data providers : BPS, LIPI, Bank, dll

Menurut jenisnya, data dibedakan menjadi :

a. Data Kuantitatif adalah data yang dapat dinyatakan dengan bilangan.

Menurut cara mendapatkan data kuantitatif dibagi 2 yaitu :



a) Data Diskrit atau data Data Cacahan : data yang diperolah dengan cara

mencacah atau menghitung satu per satu.

Contoh : - Banyaknya siswa SMKN 1 padang 600 orang. - Satu kilogram telur

berisi 16 butir.

b) Data Kontinu atau Data Ukuran atau Data Timbangan : data yang diperoleh

dengan cara mengukur atau menimbang dengan alat ukur yang valid.

Contoh : - Berat badan 3 orang siswa adalah 45 kg, 50 kg, 53 kg. - Diameter

tabung = 72,5 mm

b. Data Kualitatif adalah data yang tidak dapat dinyatakan dengan bilangan

(menyatakan mutu atau kualitas).

Contoh : - Data jenis kelamin

- Data kegemaran siswa

Berdasarkan Skala Pengukuran:

Berdasarkan nilai-nilainya, variabel bisa dikelompokkan dalam dua

kelompok, yaitu numerik dan kategorik. Suatu variabel dikatakan numerik jika

nilai dari variabel itu merupakan bilangan yang mencerminkan nilai yang

sesungguhnya, bukan hanya sebuah kode. Misalnya tinggi badan 176 cm,

merupakan variabel numerik karena 176 merupakan nilai hasil pengukuran yang

sebenarnya. Berbeda dengan variabel kategorik yang hanya sebuah kode misalnya

pendidikan diberi kode 1 untuk SD, 2 untuk SMP dan seterusnya.

Secara lengkap pembagian tipe variabel (sering juga disebut skala

pengukuran) bisa dijelaskan sebagai berikut :

1. Variabel Kategorik, terdiri atas dua jenis lagi :

a. Variabel Nominal, yaitu jenis variabel yang penggolongannya atau

pengkategoriannya hanya berupa nama saja, tidak ada urutan yang

memberikan makna tertentu. Yang termasuk dalam variabel ini, misalnya:

jenis kelamin (laki-laki, perempuan); warna (merah, kuning, ungu, hijau,

dsb); nama orang (Andi, Bayu, Cepi, Doni, Eko, dsb). Tidak ada alasan

tertentu kategori mana yang disebut di awal dan mana yang di akhir.



b. Variabel Ordinal, yaitu jenis variabel yang pengkategoriannya bisa

diurutkan berdasarkan kriteria tertentu yang bermakna. Yang termasuk

dalam jenis variabel ini, misalnya : pendidikan (SD, SMP, SMA, Diploma,

S1, S2, S3); pernyataan sikap (sangat tidak setuju, tidak setuju, netral, setuju,

sangat setuju). Urutan tersebut merupakan urutan pendidikan dari yang

tingkat rendah sampai ke tingkat tinggi, sedangkan pernyataan sikap

menunjukkan sikap dari tingkat yang paling tidak setuju hingga sangat

setuju.

2. Variabel Numerik, dibagi lagi menjadi dua jenis:

c. Variabel Interval, yaitu variabel yang nilai-nilainya numerik tapi tidak bisa

dirasiokan satu dengan lainnya. Hal ini karena nilai 0 pada variabel ini

bukan nilai nol mutlak, tapi merupakan kesepakatan saja. Misalnya:

Suhu (dalam derajat celcius), merupakan variabel selang karena 0 pada

variabel ini adalah kesepakatan orang yaitu suhu ketika air membeku

pada tekanan 4 atm. Jika ada sebuah benda bersuhu 5oC dan benda lain

bersuhu 100oC, tidak bisa dikatakan bahwa benda kedua suhunya 20

kali benda pertama.

Tahun (masehi), merupakan variabel selang karena tahun 0 adalah

kesepakatan. Jika ada suatu peristiwa terjadi tahun 100 dan peristiwa

lain terjadi tahun 2000, tidak bisa dikatakan, peristiwa kedua memiliki

tahun 20 kali dari tahun peristiwa pertama.

d. Variabel Rasio, yaitu variabel yang nilai-nilainya numerik dan bisa

dirasiokan satu dengan lainnya. Hal ini terjadi karena nilai 0 pada variabel

ini bersifat mutlak. Yang termasuk variabel ini adalah :

Panjang benda (dalam cm), merupakan variabel rasio karena kalau

panjangnya 0 berarti benda itu tidak ada. Jika sebuah benda memiliki

panjang 5 cm dan benda lain panjangnya 20 cm, maka benda kedua 4

kali lebih panjang dari yang pertama. Atau sebaliknya, benda pertama

seperempat panjangnya daripada benda kedua.



Berat (dalam kg), merupakan variabel rasio karena kalau beratnya 0 itu

berarti bendanya tidak ada, serta juga dapat dirasiokan.

Variabel dalam skala pengukuran rasio ataupun selang bisa dinyatakan

sebagai variabel dalam skala pengukuran ordinal maupun nominal, setelah

dikategorikan terlebih dahulu. Misalnya pendapatan per bulan sebuah keluarga.

Jika diukur dalam satuan rupiah maka itu merupakan variabel rasio, namun jika

variabel yang sama kemudian nilai-nilainya dikelompokkan menjadi misalnya : < 1

juta; 1 juta s/d 2 juta; 2 juta s/d 5 juta; dan > 5 juta, maka yang data tersebut

menjadi variabel ordinal. (catt : sebagian orang memberikan pengertian yang salah

tentang variabel interval, dengan mengatakan pembagian seperti di atas sebagai sampel

dari variabel interval, padahal yang demikian adalah ordinal).

Atau misalnya yang diukur adalah diameter ujung bolpoin pada suatu

pemeriksaan pengendalian mutu produk (diukur dalam mm). Kemudian

dikategorikan seperti berikut : < 1 mm atau > 2 mm dinyatakan tidak memenuhi

syarat; dan 1 mm s/d 2 mm dinyatakan memenuhi syarat. Pada akhirnya diameter

bolpoin dinyatakan menjadi dua kategori : memenuhi syarat dan tidak memenuhi

syarat, dan ini adalah variabel nominal.

Pengetahuan tentang jenis variabel ini sangat perlu untuk diketahui karena

menyangkut analisis yang digunakan dan ketajaman analisisnya. Setiap analisis

hanya bisa untuk jenis variabel tertentu, tidak sembarangan. Jadi perlu

diperhatikan benar analisis apa yang bisa untuk data kita.

C. Metode Pengumpulan Data

Terdapat beberapa macam metode pengumpulan data diantaranya yaitu:

a. Angket (Kuesioner)

Angket adalah daftar pertanyaan yang diberikan kepada responden untuk

menggali data sesuai dengan permasalahan penelitian. Menurut Masri

Singarimbum, pada penelitian survai, penggunaan angket merupakan hal yang

paling pokok untuk pengumpulan data di lapangan. Hasil kuesioner inilah

yang akan diangkakan (kuantifikasi), disusun tabel-tabel dan dianalisa secara



statistik untuk menarik kesimpulan penelitian. Tujuan pokok pembuatan

kuesioner adalah (a) untuk memperoleh informasi yang relevan dengan

masalah dan tujuan penelitian, dan (b) untuk memperoleh informasi dengan

reliabel dan validitas yang tinggi. Hal yang perlu diperhatikan oleh peneliti

dalam menyusun kuesioner, pertanyaan-pertanyaan yang disusun harus sesuai

dengan hipotesa dan tujuan penelitian.

Jenis-jenis Kuesioner:

1. Kuesioner terbuka

Dalam kuesioner ini responden diberi kesempatan untuk menjawab sesuai

dengan kalimatnya sendiri. Contoh:

Bagaimanakah pendapat anda tentang sistem pengisian KRS Online di

Universitas Indo Global Mandiri?...................................

2. Kuesioner tertutup

Dalam kuesioner ini jawaban sudah disediakan oleh peneliti, sehingga

responden tinggal memilih saja. Contoh:

Bagaimanakah pendapat anda tentang sistem pengisian KRS Online di

Universitas Indo Global Mandiri?

Sangat mudah Tidak Mudah

Mudah Sangat Tidak Mudah

Netral

Menurut Suharsimi Arikunto, sebelum kuesioner disusun memperhatikan

prosedur sebagai berikut:

1) Merumuskan tujuan yang akan dicapai dengan kuesioner.

2) Mengidentifikasikan variabel yang akan dijadikan sasaran kuesioner.

3) Menjabarkan setiap variabel menjadi sub-sub variabel yang lebih spesifik

dan tunggal.

4) Menentukan jenis data yang akan dikumpulkan, sekaligus unit analisisnya.



b. Tes

Tes adalah serentetan pertanyaan atau latihan serta alat lain yang digunakan

untuk mengukur ketrampilan, pengetahuan intelegensi, kemampuan atau bakat

yang dimiliki oleh indiIVdu atau kelompok.

Ditinjau dari sasaran atau obyek yang akan dievaluasi, ada beberapa macam tes

dan alat ukur yaitu:

1) Tes kepribadian atau personality test, yaitu tes yang digunakan untuk

mengungkap kepribadian seseorang, seperti self–concept, kreatiIVtas,

disiplin, kemampuan khusus, dan sebagainya.

2) Tes bakat atau abtitude test, yaitu tes yang digunakan untuk mengukur atau

mengetahui bakat seseorang.

3) Tes intelegensi atau intellegence test, yaitu tes yang digunakan untuk

mengadakan estimasi atau perkiraan terhadap tingkat intelektual seseorang

dengan cara memberikan berbagai tugas kepada orang yang akan diukur

intelegensinya.

4) Tes sikap atau attitude test, yang sering disebut dengan istilah kala sikap,

yaitu alat yang digunakan untuk mengadakan pengukuran terhadap

berbagai sikap seseorang.

5) Tes minat atau measures test yaitu tes yang digunakan untuk menggali minat

seseorang terhadap sesuatu.

6) Tes prestasi atau achievement test yaitu tes yang digunakan untuk mengukur

pencapaian seseorang setelah mempelajari sesuatu.

c. Wawancara

Wawancara merupakan proses komunikasi yang sangat menentukan dalam

proses penelitian. Dengan wawancara data yang diperoleh akan lebih

mendalam, karena mampu menggali pemikiran atau pendapat secara detail.

Oleh karena itu dalam pelaksanaan wawancara diperlukan ketrampilan dari

seorang peneliti dalam berkomunikasi dengan responden. Seorang peneliti

harus memiliki ketrampilan dalam mewawancarai, motivasi yang tinggi, dan



rasa aman, artinya tidak ragu dan takut dalam menyampaikan wawancara.

Seorang peneliti juga harus bersikap netral, sehingga responden tidak merasa

ada tekanan psikis dalam memberikan jawaban kepada peneliti. Secara garis

besar ada dua macam pedoman wawancara, yaitu:

1) Pedoman wawancara tidak terstruktur, yaitu pedoman wawancara yang

hanya memuat garis besar yang akan ditanyakan. Dalam hal ini perlu

adanya kreatiIVtas pewawancara sangat diperlukan, bahkan pedoman

wawancara model ini sangat tergantung pada pewawancara.

2) Pedoman pewawancara terstruktur, yaitu pedoman wawancara yang

disusun secara terperinci sehingga menyerupai chek-list. Pewawancara

hanya tinggal memberi tanda v (check).

Dalam pelaksanaan penelitian dilapangan, wawancara biasanya wawancara

dilaksanakan dalam bentuk ”semi structured”. Dimana interIVwer menanyakan

serentetan pertanyaan yang sudah terstruktur, kemudian satu persatu

diperdalam dalam menggali keterangan lebih lanjut. Dengan model wawancara

seperti ini, maka semua variabel yang ingin digali dalam penelitian akan dapat

diperoleh secara lengkap dan mendalam.

Menurut Nasution, ada beberapa hal yang dapat ditanyakan dalam

wawancara, antara lain: pengalaman, pendapat, perasaan, pengetahuan,

pengeinderaan dan latar belakang pendidikan. Dalam pelaksanaan wawancara,

sering kita temukan dilapangan adanya perbedaan persepsi pandangan tentang

hal-hal tertentu yang berkaitan dengan masalah penelitian, antara peneliti

dengan orang yang diwawancarai. Berdasar hal tersebut, yang perlu diketahui

bahwa dalam penelitian kualitatif naturalistik, ada dua istilah yaitu informasi

emic dan etic. Informasi emic adalah informasi yang berkaitan dengan

bagaimana pandangan responden terhadap dunia luar berdasar perspektifnya

sendiri, sedangkan yang berdasar perspektif peneliti disebut informasi etic.



d. dokumen

Data dalam penelitian kualitatif kebanyakan diperoleh dari sumber manusia

atau human resources, melalui observasi dan wawancara. Sumber lain yang

bukan dari manusia (non-human resources), diantaranya dokumen, foto dan

bahan statistik.

Dokumen terdiri bisa berupa buku harian, notula rapat, laporan berkala,

jadwal kegiatan, peraturan pemerintah, anggaran dasar, rapor siswa, surat-surat

resmi dan lain sebagainya.

Selain bentuk-bentuk dokumen tersebut diatas, bentuk lainnya adalah

foto dan bahan statistik. Dengan menggunakan foto akan dapat mengungkap

suatu situasi pada detik tertentu sehingga dapat memberikan informasi

deskriptif yang berlaku saat itu. Foto dibuat dengan maksud tertentu, misalnya

untuk melukiskan kegembiraan atau kesedihan, kemeriahan, semangat dan

situasi psikologis lainya. Foto juga dapat menggambarkan situasi sosial seperti

kemiskinan daerah kumuh, adat istiadat, penderitaan dan berbagai fenomena

sosial lainya. Selain foto, bahan statistik juga dapat dimanfaatkan sebagai

dokumen yang mampu memberikan informasi kuantitatif, seperti jumlah guru,

murid, tenaga administrasi dalam suatu lembaga atau organisasi.

Data ini sangat membantu sekali bagi peneliti dalam menganalisa data,

dengan dokumen-dokumen kuantitatif ini analisa data akan lebih mendalam

sesuai dengan kebutuhan penelitian.

e. Observasi

Agar observasi yang dilakukan oleh peneliti memperoleh hasil yang maksimal,

maka perlu dilengkapi format atau blangko pengamatan sebagai instrumen.

Dalam pelaksanaan observasi, peneliti bukan hanya sekedar mencatat, tetapi

juga harus mengadakan pertimbangan kemudian mengadakan penilaian ke

dalam suatu skala bertingkat. Seorang peneliti harus melatih dirinya untuk

melakukan pengamatan. Banyak yang dapat kita amati di dunia sekitar kita

dimanapun kita berada. Hasil pengamatan dari masing-masing indiIVdu akan



berbeda, disinilah diperlukan sikap kepekaan calon peneliti tentang realitas

diamati. Boleh jadi menurut orang lain realitas yang kita amati, tidak memiliki

nilai dalam kegiatan penelitian, akan tetapi munurut kita hal tersebut adalah

masalah yang perlu diteliti.

Observasi dapat dilakukan dengan dua cara, yaitu observasi partisipasi

dan non partisipan. Observasi partisipasi dilakukan apabila peneliti ikut terlibat

secara langsung, sehingga menjadi bagian dari kelompok yang diteliti.

Sedangkan observasi non partisipan adalah observasi yang dilakukan dimana

peneliti tidak menyatu dengan yang diteliti, peneliti hanya sekedar sebagai

pengamat. Menurut Nasution, ada beberapa hal yang perlu diperhatikan dalam

melakukan observasi, antara lain:

a. Harus diketahu dimana observasi dapat dilakukan, apakah hanya ditempat-

tempat pada waktu tertentu atau terjadi diberbagai lokasi?

b. Harus ditentukan siapa-siapa sajakah yang dapat diobservasi, sehingga benar-

benar representatif?

c. Harus diketahui dengan jelas data apa yang harus dikumpulkan sehingga

relevan dengan tujuan penelitian.

d. Harus diketahui bagaimana cara mengumpulkan data, terutama berkaitan

dengan izin pelaksanaan penelitian.

e. Harus diketahui tentang cara-cara bagaimana mencatat hasil observasi.

D. Skala yang Digunakan dalam Kuesioner

1. Skala Likert

Skala Likert adalah suatu skala psikometrik yang umum digunakan

dalam kuesioner, dan merupakan skala yang paling banyak digunakan

dalam riset berupa survei. Nama skala ini diambil dari nama Rensis Likert, yang

menerbitkan suatu laporan yang menjelaskan penggunaannya. Sewaktu

menanggapi pertanyaan dalam skala Likert, responden menentukan tingkat

persetujuan mereka terhadap suatu pernyataan dengan memilih salah satu dari

pilihan yang tersedia. Ada dua bentuk pertanyaan yang menggunakan Likert yaitu



pertanyaan positif untuk mengukur minat positif , dan bentuk pertanyaan negatif

untuk mengukur minat negatif. Pertanyaan positif diberi skor 5, 4, 3, 2, dan 1;

sedangkan bentuk pertanyaan negatif diberi skor 1, 2, 3, 4, dan 5. Bentuk jawaban

skala Likert terdiri dari sangat setuju, setuju, ragu-ragu, tidak setuju, dan sangat

tidak setuju. Biasanya disediakan lima pilihan skala dengan format seperti:

1) Sangat Tidak Setuju (STS)

2) Tidak Setuju (TS)

3) Netral atau Biasa (B)

4) Setuju (S)

5) Sangat setuju (SS)

Penskalaan ini apabila dikaitkan dengan jenis data yang dihasilkan adalah

data Ordinal. Selain pilihan dengan lima skala seperti contoh di atas, kadang

digunakan juga skala dengan tujuh atau sembilan tingkat. Suatu studi empiris

menemukan bahwa beberapa karakteristik statistik hasil kuesioner dengan berbagai

jumlah pilihan tersebut ternyata sangat mirip.

Prosedur dalam membuat skala Likert adalah sebagai berikut :

1. Peneliti mengumpulkan item-item yang cukup banyak, relevant dengan

masalah yang sedang diteliti, dan terdiri dari item yang cukup jelas disukai dan

tidak disukai.

2. Kemudian item-item itu dicoba kepada sekelompok responden yang cukup

representatif dari populasi yang ingin diteliti.

3. Responden di atas diminta untuk mengecek tiap item, apakah ia menyenangi

(+) atau tidak menyukainya (-). Respons tersebut dikumpulkan dan jawaban

yang memberikan indikasi menyenangi diberi skor tertinggi. Tidak ada masalah

untuk memberikan angka 5 untuk yang tertinggi dan skor 1 untuk yang

terendah atau sebaliknya. Yang penting adalah konsistensi dari arah sikap yang

diperlihatkan. Demikian juga apakah jawaban “setuju” atau “tidak setuju”

disebut yang disenangi, tergantung dari isi pertanyaan dan isi dari item-item

yang disusun.



4. Total skor dari masing-masing individu adalah penjumlahan dari skor masing-

masing item dari individu tersebut.

5. Respon dianalisis untuk mengetahui item-item mana yang sangat nyata batasan

antara skor tinggi dan skor rendah dalam skala total. Misalnya, responden pada

upper 25% dan lower 25% dianalisis untuk melihat sampai berapa jauh tiap

item dalam kelompok ini berbeda. Item-item yang tidak menunjukkan beda

yang nyata, apakah masuk dalam skortinggi atau rendah juga dibuang untuk

mempertahankan konsistensi internal dari pertanyaan.

2. Skala Gutman

Skala Guttman yaitu skala yang menginginkan jawaban tegas seperti

jawaban benar-salah, ya-tidak, pernah – tidak pernah. Untuk jawaban positif seperti

setuju, benar, pernah dan semacamnya diberi skor 1; sedangkan untuk jawaban

negatif seperti tidak setuju, salah, tidak, tidak pernah, dan semacamnya diberi skor

0. Dengan skala ini, akan diperoleh jawaban yang tegas yaitu Ya - Tidak, Benar -

Salah dan lain-lain. Skala ini dapat pula dibentuk dalam bentuk checklist atau

pilihan ganda. Skor 1 untuk skor tertinggi dan skor 0 untuk terendah.

Contoh: Dimensi belajar dibagi menjadi 5 pernyataan (dari kebutuhan yang paling

rendah dahulu) :

1. Untuk mencari ilmu

2. Untuk melanjutkan pendidikan

3. Untuk mendapatkan gelar

4. Untuk mendapatkan ijazah

5. Untuk syarat dalam mencari kerja

Dalam bentuk pertanyaan :

1. Apakah dengan belajar akan terpenuhi kebutuhan anda dalam mencari ilmu

? (Ya/Tidak)

2. Apakah dengan belajar akan terpenuhi kebutuhan anda dalam melanjutkan

pendidikan?(Ya/Tidak)



3. Apakah dengan belajar akan terpenuhi kebutuhan anda dalam mendapatkan

gelar? (Ya/Tidak)

4. Apakah dengan belajar akan terpenuhi kebutuhan anda dalam mendapatkan

ijazah? (Ya/Tidak)

5. Apakah dengan belajar akan terpenuhi kebutuhan anda dalam memenuhi

syarat mencari kerja?(Ya/Tidak)

3. Skala Rating

Skala rating adalah data mentah yang diperoleh berupa angka kemudian

ditafsirkan dalam pengertian kualitatif.

Contoh :

Seberapa baik televisi merek X? Berilah jawaban angka :

4 bila produk sangat baik 3 bila produk cukup baik 2 bila produk kurang baik 1 bila produk sangat tidak baik

Atau Jawablah dengan melingkari interval jawaban. NO PERTANYAAN INTERVAL JAWABAN 1. 2 3 4

Bagaimana kualitas gambar Bagaimana kualitas suara Bagaimana tampilan produk Bagaimana pelayanan purna jual

4 3 2 1 4 3 2 1 4 3 2 1 4 3 2 1

4. Skala Semantik Defferensial

Skala defferensial yaitu skala untuk mengukur sikap dan lainnya, tetapi

bentuknya bukan pilihan ganda atau checklist tetapi tersusun dalam satu garis

kontinum. Skala Semantik defferensial disusun dalam suatu garis dimana jawaban

sangat positif terletak dibagian kanan garis, sedangkan jawaban sangat negatif

terletak dibagian kiri garis atau sebaliknya.

Data yang diperoleh adalah data interval dan baisanya skala ini digunakan

untuk mengukur sikap/karakteristik tertentu yang dipunyai oleh seseorang.

Responden dapat memberi jawaban pada rentang jawaban yang positif sampai

dengan negative.



Contoh : Gaya Kepemimpinan Demokrasi 7 6 5 4 3 2 1 Otoriter Bertanggung jawab 7 6 5 4 3 2 1 Tidak bertanggung jawab Memberi Kepercayaan 7 6 5 4 3 2 1 Mendomi-nasi Menghargai bawahan 7 6 5 4 3 2 1 Tidak menghargai bawahan Keputusan diambil bersama

7 6 5 4 3 2 1 Keputusan diambil sendiri



BAB III

PENGENALAN PAKET PROGRAM SPSS

A. Pengenalan SPSS

Pada era globalisasi seperti sekarang ini, komputer merupakan suatu kebutuhan.

Sejalan dengan pesatnya perkembangan komputer, perkembangan paket program

statistik juga sangat pesat. Dari yang “kuno” dan berbasis DOS seperti Microstat

sampai yang berbasis Windows seperti SPSS (Statistical Product and Service Solutions),

Minitab, SAS (Statisical Analysis System), Statistica, Statistix, S-Plus, dan lain-lain.

Dengan pesatnya perkembangan paket program statistik tentunya kita tidak perlu

menguasai semua program statistik yang ada. Pemilihan paket program statistik

hendaknya disesuaikan dengan kebutuhan dari masing-masing pengguna. Cukup

dengan menguasai satu program statistik maka semua permasalahan statistik dapat

diselesaikan baik dengan memanfaatkan progam yang sudah ada maupun

menggunakan makro yang tersedia pada masing-masing paket program statistik

tersebut.

Dalam buku ini hanya akan diulas tentang penggunaan paket program SPSS.

Program ini dipilih mengingat program ini sangat populer dan paling banyak

digunakan dalam berbagai bidang seperti riset pasar, pengendalian dan perbaikan

mutu, riset ilmu-ilmu sosial, riset ilmu-ilmu sains dan sebagainya. Sehingga SPSS yang

pada saat itu merupakan singkatan dari Statistical Package for the Social Sciences sekarang

diperluas menjadi Statistical Product and Service Solutions.

Sejalan dengan perkembangan yang pesat dan pelayanan yang beragam, mulai

tahun 1998 SPSS beroperasi dalam 4 operating units, yaitu:

1. SPSS BI atau Business Inteligence untuk pasar bisnis.

2. SPSS MR atau Market Research untuk riset pasar.

3. SPSS Science untuk riset sains.

4. SPSS Quality untuk peningkatan kualitas.



B. Menjalankan SPSS

Untuk menjalankan program SPPS, pastikan bahwa komputer atau laptop anda

sudah terinstal aplikasi SPSS tersebut. Dalam buku ini, digunakan aplikasi IBM SPSS

Statistic 22 yang merupakan program SPSS versi ke 22 buatan IBM. Langkah-langkah

untuk memulainya adalah :

1. Kilk Start – All Programs – IBM SPSS Statistics – IBM SPSS Statistics 22

2. Akan muncul jendela muka seperti gambar dibawah ini :

Jika kita sudah memiliki data yang siap untuk di operasikan dengan SPSS, maka

pilih data yang akan diolah pada kotak dialog kemudian klik OK. Tetapi jika belum

ada data yang tersedia pada kotak dialog tersebut maka klik Cancel, maka Jendela

Kerja SPSS akan terbuka seperti gambar di bawah ini :

Untuk mengakhiri SPSS dapat dilakukan dengan klik File pada baris menu

kemudian klik Exit, atau klik icon X pada sudut kanan atas.



C. Pengenalan Windows SPSS

Sebelum memulai bekerja dengan SPSS, maka terlebih dahulu kenalilah window

yang ada pada program SPSS, yang terdiri dari 4 window, yaitu Data Editor, Output

Viewer, Syntax Editor, dan Script Editor.

Menu-menu yang tersedia pada Data Editor adalah:

a. Menu File

Menu file ini berfungsi untuk menangani masalah yang berhubungan dengan file

data, seperti:

New [Data, Syntax, Output, Draft Output, Script] membuat file baru

Open [Data, Syntax, Output, Draft Output, Script] membuka file baru

Open Database [New Query, Edit Query, Run Query] mengimport data dari suatu

program lain, seperti Excel, SAS, Minitab, dan lainnya.

Read Text Data Membaca data text.

Save Menyimpan data yang sedang aktif ke dalam file SPSS.

Save As Menyimpan data yang sedang aktif ke dalam berbagai type data.

Display Data Info Membuka beberapa nama file yang sudah ada dalam bentuk

SPSS.

Print Mencetek data yang sedang aktif.

Print Preview Melihat data yang sedang aktif sebelum dicetak.

Stop Processor Menghentikan/membatalkan perintah yang sedang berjalan.

b. Menu Edit

Menu Edit ini berfungsi untuk menangani hal-hal yang berhubungan dengan

memperbaiki atau mengubah nilai data, seperti:

Undo Memanggil ulang perintah yang sudah berlalu.

Redo Memanggil kembali perintah yang sudah dibuat.

Cut Menghapus text atau data yang disorot.

Copy Menggandakan text atau data yang disorot ke Clipboard.

Paste Menempatkan text atau data yang dicopy ke Clipboard.

Clear Menghapus text atau data yang disorot.

Find Mencari data atau text yang diinginkan.



Options Mengubah seting seperti output tabel, label, script, dan lainnya.

c. Menu View

Menu View ini berfungsi untuk mengatur toolbar, seperti:

Status Bar Mengaktifkan status bar.

Toolbars Mengatur penampilan toolbar yang ada pada SPSS.

Font Mengatur ukuran dan bentuk huruf yang akan digunakan.

Grid Lines Mengaktifkan garis-garis pada sel data.

Value Label Mengaktifkan/ menampakkan nilai pada lebel.

d. Menu Data

Menu Data ini berfungsi untuk membuat perubahan data SPSS secara keseluruhan,

seperti:

Define Dates Mengerjakan pengisian variabel yang berhu-bungan dengan deret

waktu.

Insert Variable Menyisipkan variabel.

Insert Cases Menyisipkan kasus pada sel tertentu.

Go to Cases Menemukan sel tertentu.

Sort Cases Mengurutkan data yang disorot.

Transpose Mentransformasi data dari baris menjadi kolom atau sebaliknya.

Merger File Menggabung file yang sekarang ada dengan file baru.

Aggregate Meringkas data secara agregat.

Split File Memisahkan isi file dengan kriteria tertentu.

Select Cases Menyeleksi isi file dengan kriteria tertentu.

Weight Cases Memberi bobot pada suatu kasus tertentu.

e. Menu Transform

Menu Transform ini berfungsi untuk membuat perubahan pada variabel yang telah

dipilih dengan kriteria tertentu, seperti:

Compute Menambah variabel baru yang berisi hasil perhitungan berdasarkan data

dari variabel lama.

Random Number Seed Digunakan untuk menciptakan sejumlah angka acak untuk

keperluan tertentu.



Count Menghitung data dengan kriteria tertentu.

Recode Memberi kode ulang ke suatu variabel berdasarkan kriteria tertentu baik

dalam variabel yang sama maupun dalam variabel yang berbeda.

Categorize Variables Mengubah bilangan numerik yang kontinue menjadi

bilangan diskrit atau kategorik.

Rank Cases Mengurutkan kasus dengan kriteria tertentu.

Automatic Recode Mengubah sebuah variabel numerik tanpa nilai menjadi sebuah

variabel numerik dengan nilai secara otomatis.

Create Time Series Fungsi ini berhubungan dengan pembuatan variabel pada data

Time Series.

Replace Missing Value Fungsi ini berhubungan dengan pengelolaan nilai missing

pada data Time Series

f. Menu Analyze

Menu Analyze ini berfungsi untuk melakukan semua prosedur perhitungan

statistika. Menu ini adalah inti dari modul ini, sehingga akan dibahas dalam bab

tersendiri.

g. Menu Graphs

Menu Graphs ini berfungsi untuk membuat berbagai jenis grafik yang dikehendaki,

seperti:

Status Bar Mengaktifkan status bar.

h. Menu Utilities

Menu Utilities atau menu tambahan yang medukung program SPSS, seperti:

Variables Memberi informasi tentang sebuah variabel yang disorot.

File Info Memberi informasi tentang semua variabel yang ada pada data yang

sedang aktif.

Define Set Mengubah atau menampilkan variabel-variabel yang dianggap perlu

saja.

Use Set Mengubah atau menampilkan variabel-variabel yang dianggap perlu saja.

Menu Editor Menyediakan fasilitas untuk dapat menampilkan menu tambahan

tersendiri diluar menu-menu standar yang sudah ada.



i. Menu Window

Menu Window ini berfungsi untuk berpindah di antara menu-menu yang lain yang

ada dalam SPSS.

j. Menu Help

Menu Help berfungsi untuk menyediakan bantuan informasi mengenai program

SPSS yang dapat diakses secara mudah dan jelas.

Menu ini berisi antara lain:

TOPICS untuk melihat tiap topik mengenai cara kerja SPSS.

TUTORIAL untuk melihat tiap topik mengenai cara kerja SPSS, dapat tiap topik

yang khusus dengan cara mencari kata kunci lewat INDEX.

STATISTICS COACH untuk melihat tiap topik statistik yang diperlukan dan

kaitannya dengan pengerjaan SPSS.



BAB IV EKSPLORASI DATA

A. Penyajian Data

Data yang telah dikumpulkan, baik yang berasal dari populasi ataupun dari

sampel, untuk keperluan laporan dan/atau analisis selanjutnya perlu diatur,

disusun, disajikan dalam bentuk yang jelas dan baik untuk memudahkan seseorang

memahami data. Hal tersebut diperlukan teknik penyajian data. Ada berbagai

bentuk penyajian data yang dapat digunakan, yaitu secara umum dalam bentuk

tabel dan grafik. Teknik-teknik ini diperlukan untuk memberikan gambaran umum

informasi yang terkandung data. Di samping itu, teknik penyajian ini dimaksudkan

untuk memperindah tampilan dari suatu laporan penelitian.

Penyajian dalam bentuk tabel, memiliki beberapa jenis :

1. Tabel Baris Kolom

Contoh :

Tabel 4.1 (Daftar Baris Kolom) DATA HASIL PENJUALAN, MODAL DAN TENAGA KERJA PERUSAHAAN X

PERIODE TAHUN 2001-2005

Tahun Penjualan

(Milyar Rp) Modal

(Milyar Rp) Tenaga Kerja

(orang) 2001 928.395 781.886 1170 2002 275.979 690.115 1147 2003 300.803 711.155 794 2004 796.005 823.337 734 2005 565.562 742.683 752

Catatan : Data Rekaan

2. Tabel Kontigensi (b x k)

Digunakan untuk data yang terdiri atas 2 faktor atau 2 variabel, variabel

yang satu terdiri dari b kategori dan yang lainnya terdiri atas k kategori.



Contoh : Tabel 4.2 (Daftar Kontingensi 3x2) JUMLAH PEGAWAI DI PERUSAHAAN Y

MENURUT JENIS KELAMIN DAN JUMLAH JAM KERJA Jenis Kelamin

Jumlah Jam Kerja Pria

Wanita

Kurang dari 25 jam/minggu 20 30 25 sampai 50 jam/minggu 70 60 Lebih dari 50 jam/minggu 90 50

Catatan : Data Rekaan 3. Tabel Distribusi Frekuensi (relative, kumulatif, relative–kumulatif).

Digunakan untuk data kuantitatif yang dibuat menjadi beberapa kelompok.

Contoh :

Tabel 4.3 (Daftar Distribusi Frekuensi) NILAI UJIAN STATISTIK UNTUK 50 MAHASISWA

Nilai Banyak 40 – 49 6 50 – 59 9 60 – 69 12 70 – 79 17 80 – 89 13 Jumlah 57

Catatan : Data Rekaan

Sementara itu banyak orang yang berpendapat bahwa penyajian informasi

menggunakan tabel yang berisi angka memiliki keefektifan yang kurang jika

dibandingkan dengan grafik. Pesan visual yang diberikan oleh grafik selain lebih

menarik untuk dilihat juga mempermudah seseorang dalam membandingkan.

Grafik yang banyak digunakan adalah :

1. Diagram Batang

Sangat tepat digunakan untuk menyajikan data yang variabelnya berbentuk

kategori, dapat juga untuk data tahunan.

Dalam diagram batang dibutuhkan sumbu datar yang menyatakan kategori

atau waktu, dan sumbu tegak untuk menyatakan nilai data.

2. Diagram Garis



Digunakan untuk menggambarkan keadaan yang

berkesinambungan/kontinu, misalnya : hasil produksi perusahaan tiap

tahun, jumlah penduduk tiap tahun, dll.

Dalam diagram garis, sumbu datar menyatakan waktu dan sumbu tegak

menyatakan nilai data tiap waktu.

3. Diagram Titik atau Pencar

Digunakan untuk menggambarkan kumpulan data kuantitatif yang terdiri

dari 2 variabel, yang dibuat dalam sistem sumbu koordinat dan gambarnya

berupa kumpulan titik-titik yang terpencar.

4. Diagram Lingkaran dan Diagram Pastel

Digunakan untuk menggambarkan kategori data yang terlebih dahulu

diubah ke dalam nilai derajat.

Beberapa contoh jenis grafik : Tabel 4.4 Gambar 4.1 (Diagram Batang)

JUMLAH MAHASISWA POLTEK PG GRAFIK JUMLAH MAHASISWA POLTEK PG BERDASARKAN JURUSAN BERDASARKAN JURUSAN

Tabel 4.5 Gambar 4.2 (Diagram Garis) JUMLAH PERMINTAAN BARANG PT. A GRAFIK PERMINTAAN BARANG PT. A PERIODE TAHUN 2004 – 2008 PERIODE TAHUN 2004 – 2008

JURUSAN JUMLAH MAHASISWA

AKE 500 MIF 400 TIK 350 ARS 200

MPRS 300

TAHUN JUMLAH BARANG

2004 50 2005 100 2006 80 2007 125 2008 150

50

100

80

125150

020406080

100120140160

2004 2005 2006 2007 2008TAHUN

JUMLAH BARANG (UNIT)

500 400 350

200 300

0100200300400500

AKE MIF TIK ARS MPRS JURUSAN

JUMLAH MAHASISWA (ORANG)



Tabel 4.6 Gambar 4.3 (Diagram Titik/Pencar) PENDAPATAN (X) & PENGELUARAN PENDUDUK (Y) GRAFIK PENDAPATAN & PENGELUARAN DI DAERAH B PENDUDUK DAERAH B

Tabel 4.7 Gambar 4.4 (Diagram Lingkaran)

HASIL PEMUNGUTAN SUARA DIAGRAM HASIL PEMUNGUTAN SUARA

B. Distribusi Frekuensi

Tujuan dari pembuatan tabel distribusi frekuensi adalah untuk mengatur data

mentah (data yang belum dikelompokkan) ke dalam bentuk yang rapi tanpa

mengurangi inti informasi yang ada.

Pembuatan tabel distribusi frekuensi dapat dimulai dengan menyusun data

mentah ke dalam urutan yang sistematis (dari nilai terkecil ke nilai yang lebih besar atau

sebaliknya) atau lebih sering disebut data terurut.

Keuntungan dari pengurutan data mentah ke dalam urutan data yang sistematis,

diantaranya

1. Dapat melihat jarak antara nilai terkecil dan terbesar dari kumpulan data tersebut.

2. Dapat mengetahui distribusi data.

3. Dapat mengetahui di sekitar mana data terkonsentrasi.

Untuk mendapatkan distribusi frekuensi, kumpulan array data dikumpulkan ke

dalam sejumlah kelas (kelompok) yang relatif sedikit, sehingga distribusi frekuensi

adalah suatu pengelompokkan data berdasarkan pada kemiripan ciri.

X 30 50 65 80 90 100 110 120 125 130

Y 30 45 60 60 80 70 95 100 120 100

Kandidat Jml Suara Jml Suara (derajat)

A 25 (25/100) x 3600 = 900

B 45 (45/100) x 3600 = 1620

C 20 (20/100) x 3600 = 720

Abstain 10 (10/100) x 3600 = 360

JUMLAH 100 3600

040

80 120

50 100 150PENDAPATAN (JUTA RP)

PENGELUARAN (JUTA RP)

B, 45

A, 25 Abstain, 10

C, 20



1. Istilah-istilah Dalam Distribusi Frekuensi Tabel 4.8

Nilai Ujian Statistik Untuk 50 Mahasiswa

Nilai Ujian Frekuensi (f) Batas Kelas Titik Tengah Kelas 50 – 59 8 49,5 - 59,5 54.5 60 – 69 10 59,5 - 69,5 64.5 70 – 79 13 69,5 - 79,5 74,5 80 – 89 10 79,5 - 89,5 84,5 90 – 99 9 89,5 -99,5 94,5 Jumlah 50

Berdasarkan tabel 4.8 dapat dilihat bahwa :

Kelas Interval

- Nilai Ujian 50 – 59, 60 – 69, ..dst disebut kelas interval.

- Dalam daftar distribusi frekuensi, data dibuat menjadi beberapa kelompok

dalam interval-interval tertentu. Urutan kelas interval disusun mulai dari data

terkecil sampai dengan data terbesar atau sebaliknya.

- Urutan kelas interval 50 – 59 disebut kelas interval pertama, 60 – 69 disebut kelas

interval kedua,..., 90 – 99 disebut kelas interval kelima/terakhir.

Ujung Kelas Interval

- Nilai-nilai di kiri kelas interval (50, 60, 70, 80 dan 90) disebut ujung bawah kelas

(UBK).

- Nilai 50 disebut ujung bawah kelas pertama, nilai 60 disebut ujung bawah kelas

kedua,..., 90 disebut ujung bawah kelas kelima/terakhir.

- Nilai-nilai di kanan kelas interval (59, 69, 79, 89 dan 99) disebut ujung atas kelas

(UAK).

- Nilai 59 disebut ujung atas kelas pertama, nilai 69 disebut ujung atas kelas kedua,...,

nilai 99 disebut ujung kelas kelima/terakhir.

- Perbedaan antara ujung bawah kelas dengan ujung atas kelas sebelumnya

adalah satu jika data dicatat hingga satuan, sepersepuluh jika data dicatat

hingga satu desimal, seperseratus jika data dicatat hingga dua desimal, dst.

Panjang Kelas Interval (p)



Selisih positif antara tiap dua ujung bawah kelas berurutan disebut panjang kelas

interval. Dari tabel diperoleh panjang kelas interval = 60 – 50 = 70 – 60 =...= 90 – 80

=10.

Frekuensi (f)

- Bilangan yang menunjukkan banyaknya data yang terdapat dalam setiap kelas

interval disebut frekuensi.

- Nilai f = 8, artinya jumlah mahasiswa yang nilai ujian statistiknya antara 50 – 59

ada 8 orang. Jumlah seluruh frekuensi sama dengan jumlah seluruh data (N).

Batas Kelas Interval

- Nilai 49,5 , 59,5 ,..., 89,5 disebut batas bawah kelas (BBK). Nilainya bergantung

pada ketelitian data yang digunakan. Jika data dicatat hingga satuan batas bawah

kelas = ujung bawah kelas – 0,5. Jika data dicatat hingga satu desimal batas bawah

kelas = ujung bawah kelas – 0, 05....dst.

- Nilai 59,5 , 69,5 ,..., 99,5 disebut batas atas kelas(BAK). Nilainya juga

bergantung pada ketelitian data yang digunakan. Jika data dicatat hingga

satuan batas atas kelas = ujung atas kelas + 0,5. Jika data dicatat hingga satu

desimal batas atas kelas = ujung atas kelas + 0, 05....dst.

- Nilai batas bawah kelas berikutnya sama dengan nilai batas atas kelas

sebelumnya.

Titik Tengah Kelas (m)

- Nilai 54,5 , 64,5 ,..., 94,5 disebut titik tengah kelas

- Titik tengah kelas/tanda kelas adalah suatu nilai yang diambil sebagai wakil

dari kelas itu, yakni rata-rata setiap kelas interval .

- 22

KelasTengah Titik BAKBBKUAKUBK

- Untuk kelas interval pertama, 5,542

5950 KelasTengah Titik

....dst



2. Langkah-langkah Membuat Daftar Distribusi Frekuensi

Berikut adalah langkah-langkah untuk membuat Daftar Distribusi Frekuensi :

1. Tentukan nilai dari data terkecil, data terbesar, dan banyak data.

2. Tentukan Rentang/Range, yaitu nilai data terbesar dikurangi nilai data terkecil.

Rentang = Data Terbesar – Data Terkecil

3. Tentukan banyak kelas interval yang diperlukan.

Pada umumnya, banyak kelas interval ini antara 5 sampai 15 kelas, dipilih sesuai

keperluan. Namun yang ideal, banyak kelas interval dapat dihitung dengan

menggunakan aturan Sturges, yaitu :

Banyak Kelas = 1 + 3,3 log n ; dengan n menyatakan banyak data

4. Tentukan panjang kelas interval (p).

kelasbanyak rentang p

5. Tentukan ujung bawah kelas interval pertama.

Biasanya diambil data terkecil atau data yang lebih kecil dari data terkecil, akan

tetapi selisihnya harus kurang dari panjang kelas interval yang telah didapat.

6. Selanjutnya kelas interval pertama dihitung dengan cara menjumlahkan ujung bawah

kelas dengan p dikurangi 1. Demikian seterusnya.

7. Nilai f dihitung dengan menggunakan

tabel penolong sebagai berikut. Tabel 4.9

Tabel Penolong Kelas Interval Tabulasi Frekuensi

8. Buat Tabel Distribusi Frekuensi Tabel 4.10 Distribusi Frekuensi

Kelas Interval Frekuensi



Contoh 4.1: Buatlah daftar distribusi frekuensi dari data pengeluaran per hari (ribu rupiah)

untuk 15 keluarga di suatu daerah berikut ini : Data Pengeluaran Per Hari (Ribu Rupiah) Untuk 15 Keluarga

50 77 65 62 70 75 80 60 71 72 74 66 75 68 83

Catatan : Data Rekaan Jawab :

1. Tentukan nilai dari data terkecil, data terbesar, dan banyak data.

Data terkecil (DK) = 50

Data terbesar (DB) = 83

Banyak data (N) = 15

2. Tentukan rentang, yaitu nilai data terbesar dikurangi nilai data terkecil.

Rentang = DB – DK = 83 – 50 = 33

3. Tentukan banyak kelas interval yang diperlukan.

Dengan menggunakan aturan Sturges :

Banyak kelas = 1 + 3,3 log N = 1 + 3,3 log 15 = 4,881 ≈ 5 (selalu bulatkan ke atas)

4. Tentukan panjang kelas interval (p).

)(76,65

33kelasbanyak

rentang p keatasdibulatkanselalu

5. Tentukan ujung bawah kelas interval pertama.

UBK Pertama = 50

6. Selanjutnya kelas interval pertama dihitung dengan cara menjumlahkan ujung

bawah kelas dengan p dikurangi 1.

Kelas Interval = UBK + P – 1 = 50 + 7 -1 = 56

7. Buat Tabel Penolong Tabel 4.11

Tabel Penolong Kelas ke- Kelas Interval Tabulasi Frekuensi

1 50 – 56 I 1 2 57 – 63 II 2 3 64 – 70 IIII 4 4 71 – 77 IIIII I 6



8. Sehingga Daftar Distribusi Frekuensinya adalah Tabel 4.12

Distribusi Frekuensi Pengeluaran Per Hari (Ribu Rupiah) Untuk 15 Keluarga

Pengeluaran Frekuensi 50 – 56 1 57 – 63 2 64 – 70 4 71 – 77 6

C. Penyajian Distribusi Frekuensi Dengan Grafik

Pola data yang disajikan dalam diagram/grafik dapat lebih mudah ditangkap

maknanya dibandingkan dengan memperhatikan tabel frekuensi. Dua bentuk

penyajian grafik dari seperangkat data yang disajikan dalam daftar distribusi frekuensi

adalah Histogram dan Poligon Frekuensi.

Histogram

Histogram adalah penyajian data distribusi frekuensi yang diubah menjadi diagram

batang, namun sisi-sisi batang yang berdekatan harus berimpitan. Untuk

menggambarkan histogram digunakan sumbu mendatar yang menyatakan

batas-batas kelas interval dan sumbu tegak menyatakan frekuensi absolut atau

frekuensi relatif.

Poligon Frekuensi

Polygon frekuensi adalah diagram garis dari suatu distribusi frekuensi. Polygon

frekuensi diperoleh dengan menghubungkan titik-titik yang merupakan pasangan

koordinat titik tengah dan frekuensi setiap kelas. Titik tengah kelas diperoleh dengan

membagi dua jumlah antara batas bawah dan batas atas kelas.

Contoh 4.2 (Berdasarkan Contoh 4.1)

Gambarkan histogram dan poligon dari data pengeluaran per hari (ribu rupiah)

untuk 15 keluarga.

Jawab :

Untuk menggambarkan histogram dan poligon maka diperlukan batas-batas

kelas dan titik tengah kelas.



Tabel 4.13 Perhitungan Batas Kelas Dan Titik Tengah Kelas

Gambar 4.5 Histogram dan Poligon Pengeluaran Per Hari (Ribu Rupiah) Untuk 15 Keluarga

EKPLORASI DATA MENGGUNAKAN SPSS

1. Input (Memasukkan) Data

Poses dalam input data pada program SPSS dapat dilakukan dengan berbagai

cara, yaitu:

a. Memanggil data dari program lain, jika data sudah tersimpan dalam program

lain seperti (excel, minitab, Systat, dBase, Lotus, dan lain-lain). Langkah-

langkahnya adalah seperti pada Gambar berikut:

Pengeluaran Frekuensi Batas Kelas Titik Tengah Kelas 50 – 56 1 49,5 – 56,5 (50+56)/2=53 57 – 63 2 56,5 – 63,5 60 64 – 70 4 63,5 –70,5 67 71 – 77 6 70,5 – 77,5 74 78 – 84 2 77,5 – 84,5 81 Jumlah 15 - -



b. Memasukkan data langsung dalam windows (sel) SPSS pada Data Editor.

Langkah-langkahnya adalah:

1. Buka lembar kerja baru (klik menu utama File, sorot menu New, klik sub

menu Data)

2. Persiapkan nama dan karakteristik variabel dengan menampilkan

VARIABEL VIEW (klik tab sheet Variable View yang ada di bagian kiri

bawah atau tekan CTRL+T)

3. Setelah terlihat tampilan SPSS DATA EDITOR, kemudian menamai

variabel yang diperlukan dan karakteristik variabel tersebut.

KASUS 4.I

Misalkan kita punya data sebagai berikut:

Nama Berat badan Gender Pendidikan Ahmad 75.00 Pria S1

Budi 67.80 Pria SMA Cindy 45.00 Wanita SMA Danny 68.00 Pria S1 Early 50.50 Wanita SD Fanny 45.80 Wanita SMP

Gerhana 65.50 Pria SMA Iwan 70.00 Pria S1

Jovanka 62.00 Wanita S1 Katherine 45.50 Wanita SMP

Langkah-langkah memasukkan data secara langsung ke SPSS:

1. Buka lembar kerja baru

2. Menampilkan tampilan VARIABLE VIEW untuk mempersiap-kan pemasukan

nama dan properti variabel.

3. Menamai variabel yang diperlukan, dalam hal ini ada 4 variabel, maka akan

dilakukan input nama variabel sebanyak 4 kali.

4. Untuk setiap variabel terdiri dari beberapa kolom sebagai berikut:

a. Name merupakan tempat menuliskan nama variabel, misalkan variabel

pertama adalah NAMA, variabel kedua adalah BERAT BADAN, variabel

ketiga adalah GENDER dan variabel keempat PENDIDIKAN. Letakkan



pointer di bawah kolom Name, lalu ketik X1 atau nama variabel yang

diinginkan. (Nama variabel tidak boleh lebih dari 8 karakter dan semua

huruf dianggap kapital)

b. Type merupakan tipe data dari variabel tersebut. Tipe data terdiri dari:

Numeric, Comma, Dot., Scientific notation, Date, Custom currency, dan

String. Karena nama seseorang (variabel NAMA) adalah huruf, bukan

angka, maka tipe variabel ini adalah String. Sedangkan berat seseorang

berupa angka atau numerik maka tipenya dipilih Numerik. Sementara

untuk Gender dan Pendidikan merupakan variabel yang unik bila

dibandingkan variabel NAMA yang berisi huruf, karena selain dapat diberi

tipe string juga bisa diberi tipe numerik dengan skala datanya kategorik

(nominal atau ordinal).

c. Width adalah untuk menentukan berapa jumlah maksimal angka/huruf

yang dapat dimuat. Untuk keperluan praktik biarkan kolom width sesuai

dengan default SPSS yaitu = 8.

d. Desimal adalah untuk menentukan jumlah angka di belakang koma. Bila

angka merupakan bilangan bulat, seperti PRIA = 1, WANITA = 2, desimal

diisi dengan angka NOL (0).

e. Label. Untuk menjelaskan atau menerangkan nama variabel yang ditulis

dalam Name. Ketik Berat Badan dalam kg.

f. Values. Untuk mendeskripsikan nilai-nilai yang ada pada variabel tersebut,

jika tipe datanya kategorik, seperti Jenis Kelamin (PRIA = 1, WANITA = 2)

berskala nominal, dan Pendidikan (SD =1, SMP =2, SMA = 3, S1 = 4)

berskala Ordinal. Variabel NAME memiliki tipe string, dan BERAT BADAN

memiliki tipe skala kontinue, maka abaikan kolom Values.

g. Missing. Tidak ada data missing, maka abaikan bagian ini.

h. Columns. Manunjukkan lebar kolom yang diinginkan. Untuk default ketik

8.

i. Align. Menunjukkan format isisn dalam sel. Apakah rata kiri, rata kanan,

atau center.



j. Measure. Menunjukkan ukuran skala data pada kolom tersebut, dengan

pilihan scale jika datanya kontinue, ordinal jika skalanya ordinal dan

nominal jika skala datanya nominal.

5. Langkah berikutnya adalah mengisikan data variabel yang telah didefinisikan

nama, tipe, width dan desimalnya. Cara pengisian data persis seperti kita

mengisi data pada program Excell, yaitu baris-baris pada tiap-tiap kolom

variabel tersebut, seperti gambar berikut ini.

6. Langkah berikutnya adalah menyimpan data.

Dari menu File, lalu pilih submenu Save As ….

Beri nama file tersebut, misalnya kita beri nama “Berat”. Dan tempatkan file

tersebut di direktori yang kita kehendaki. Untuk tipe data file SPSS adalah sav,

sehingga data tersebut akan disimpan dengan nama lengkap Berat.sav.

2. Peringkasan dan Penyajian Data dalam bentuk Grafik

Peringkasan data dilakukan untuk mengetahui karakteristik data yang ada serta

menjelaskan kondisi data yang ada secara jelas dan mudah dipahami oleh kebanyakan

orang (orang awam). Dalam statistika istilah yang digunakan untuk menyajikan dan

menjelaskan kondisi data adalah ukuran pemusatan dan ukuran penyebaran.

SPSS menyediakan menu untuk membuat berbagai macam grafik. Penyajian data

dalam bentuk grafik ini dapat digunakan untuk melengkapi analisis data. Macam



menu grafik yang disediakan oleh SPSS diantaranya adalah Bar (grafik batang), Line

(grafik garis), Pie (grafik lingkaran), Scatter/Dot (sebaran/titik), Histogram, dll.

Masing-masing grafik memiliki karakteristik-karakteristik tertentu yang sesuai

dalam penggambaran data. Grafik yang berbasis batang, umumnya digunakan untuk

menggambarkan perbandingan antar variabel/kategori. Grafik yang berbasis garis,

umumnya (lebih sesuai) untuk menggambarkan perkembangan data. Grafik yang

berbasis lingkaran, umumnya untuk menggambarkan data yang bersifat proporsi.

Grafik yang berbasis titik umumnya untuk menggambarkan pencaran/sebaran data.

B.1 Grafik jenis Bar (Batang)

Diagram ini berupa batang-batang yang menggambarkan nilai dari masing-

masing kategori. Diagram ini bisa diterapkan pada tabel ringkasan maupun tabel

frekuensi dan tabel kontigensi. Untuk menyajikan data dalam bentuk grafik Bar

(Batang) maka klik menu Graph; Legancy Dialogs, Bar seperti Gambar berikut:

Sehingga akan muncul tampilan sebagai berikut:

Terdapat tiga pilihan grafik batang, yaitu Simple, Clustered dan Stacked. Pilihan

Simple digunakan untuk menggambarkan grafik dari variabel tunggal. Pilihan



Clustered dan Stacked digunakan untuk menggambarkan grafik dari variabel tunggal

tetapi dikelompokkan berdasarkan kategori dari variabel lainnya. Pengelompokan

pada tipe grafik Clustered dilakukan secara horizontal, sedangkan pada tipe Stacked

secara vertikal. Kemudian terdapat pilihan tampilan data untuk grafik (Data in Chart

Are), yaitu diringkas berdasarkan kategori (Summaries for groups of cases), diringkas

berdasarkan pemisahan variabel (Summaries of separate variables) atau menampilkan

data individual.

Sebagai latihan awal, kita akan membuat grafik untuk variabel Pendidikan. Kita

pilih jenis grafik Simple (klik) dan tampilan data adalah Summaries for groups of cases.

Kemudian klik Define, akan muncul tampilan berikut:

Tentukan terlebih dahulu ukuran yang akan ditampilkan oleh batang dari grafik

kita (Bar Represent). Ada beberapa pilihan yaitu ukuran frekuensi absolut (N of cases),

kumulatif frekuensi (Cum.N), persentase frekuensi (% of cases), kumulatif persentase

frekuensi (Cum.%), atau ukuran statistik lainnya (Other Statistics). Untuk latihan ini,

kita pilih N of cases. Selanjutnya masukkan variabel Pendidikan ke dalam kotak

Category Axis, dan kemudian klik OK. Akan muncul output grafik sebagai berikut:



B.2 Grafik jenis Line (Garis)

Untuk menyajikan data dalam bentuk grafik Line ( Garis ) maka klik menu

Graph --> Legacy dialogs --> Line Charts.

Untuk menyajikan data dalam bentuk grafik Line ( Garis ) maka klik menu

Graph ; Line Charts sehingga akan muncul tampilan sbb :

Tipe grafik Line yang tersedia adalah :

a. Simple

Menghasilkan grafik garis tunggal untuk masing-masing kategori, kasus atau

variable

b. Multiple

Menghasilkan grafik garis ganda untuk masing-masing kategori, kasus atau

variable

c. Drop-line

Menghasilkan grafik garis vertikal yang menghubungkan tanda-tanda dalam

kategori untuk masing-masing kategori, kasus atau variable

B.3 Grafik jenis Pie (Lingkaran)

Untuk menyajikan data dalam bentuk grafik Pie (Lingkaran) maka klik menu

Graph ; Pie Charts sehingga akan muncul tampilan sbb :



Tipe grafik Pie yang tersedia adalah :

a. Summaries for groups of cases

Grafik ini menyajikan data untuk tiap grup tertentu.

b. Summaries of separate variable

Grafik ini menyajikan data untuk tiap variable.

c. Value of individual cases

Grafik ini menyajikan data untuk tiap kasus secara individual.

B.3 Grafik jenis Area

Untuk menyajikan data dalam bentuk grafik Area maka klik menu Graph ; Bar

Charts sehingga akan muncul tampilan sbb :

Tipe grafik Area yang tersedia adalah :

a. Simple

Menghasilkan grafik area yang tunggal untuk masing-masing kategori, kasus atau

variable

b. Stacked

Menghasilkan grafik area ganda tunggal untuk masing-masing kategori, kasus atau

variable

B.4 Grafik jenis Scatterplot

Untuk menyajikan data dalam bentuk grafik Scatterplot maka klik menu Graph

; Scatterplot Charts sehingga akan muncul tampilan sbb :



Tipe grafik Area yang tersedia adalah :

a. Simple

Menghasilkan grafik scaterrplot yang menunjukkan distribusi bersama dari dua

variabel.

b. Overlay

Menghasilkan grafik scaterrplot ganda, dimana warna atau simbol plot yang

membedakannya

c. Matrix

Menghasilkan grafik scaterrplot untuk seluruh pasangan variabel

d. 3-D

Menghasilkan grafik scaterrplot yang menunjukkan distribusi bersama dari tiga

variabel.



BAB V ANALISIS DESKRIPTIF

A. Ukuran Pemusatan Data

Ukuran pemusatan merupakan suatu informasi yang memberikan penjelasan

bahwa data memiliki satu (mungkin lebih) titik dimana data itu memusat atau

terkumpul. Ukuran pemusatan merupakan penyederhanaan data untuk

mempermudah peneliti membuat interprestasi dan mengambil suatu keputusan.

Ukuran-ukuran pemusatan yang sering digunakan antara lain: Rata-rata (average),

Median, Modus.

1. Ukuran Pemusatan Data Untuk Data Tunggal

a. Rata-Rata Hitung (Mean)

Rataan Hitung (mean) adalah jumlah semua nilai data yang diamati dibagi

banyknya data yang diamati. Secra rumus ditulis:

(5.1) dengan : x = rata-rata hitung

n = banyak data Xn = data ke – n

x = jumlah seluruh nilai data

Contoh 5.1 Berapa rata-rata hitung dari data berikut : 2, 5, 6, 8, 9 ?

Jawab : 65

30

nx

x

☺ Rata-rata hitung dari data tersebut adalah 6 b. Modus

Modus merupakan ukuran yang digunakan untuk menyatakan fenomena

yang paling banyak terjadi atau paling sering muncul. Untuk data kualitatif (data

dengan tingkat pengukuran sekurang-kurangnya nominal) modus sering dipakai

nx

nxxxxX n

....321



sebagai pengganti rata-rata. Sedangkan untuk data kuantitatif, modus diperoleh

dengan jalan menentukan frekuensi terbesar di antara serangkaian data.

Serangkaian data mungkin memiliki satu modus (unimodal), dua modus

(bimodal) atau lebih dari dua (multimodal).

Contoh 5.2

Berapa modus dari data berikut : 2,3,5,3,6,9,3,9,5,6,5,1,5 ?

Jawab : modus =4

☺ Modus dari data tersebut adalah 4

c. Median

Median merupakan ukuran letak untuk variabel dengan skala ukur sekurang-

kurangnya ordinal.

Median dapat berlaku sebagai rata-rata untuk variabel dengan tingkat

pengukuran ordinal.

Median menentukan posisi tengah data setelah data diurutkan dari kecil ke besar.

Misalkan jika nilai median sama dengan 7, artinya 50% dari data nilainya paling

tinggi 7 dan 50% lagi nilainya paling rendah 7.

Median Untuk data tunggal ditentukan sebagai berikut :

- jika banyak data ganjil, setelah data disusun menurut nilainya dari kecil ke

besar, maka median merupakan data yang paling tengah.

- jika banyak data genap, setelah data disusun menurut nilainya dari kecil ke

besar, maka median merupakan rata-rata hitung dua data tengah.

Contoh 5.3

Tentukan median dari data berikut 2, 6, 8, 5, 4, 9, dan 12.

Jawab : Data diurutkan menjadi : 2, 4, 5, 6, 8, 9, 12

Median = 6

Contoh 5.4

Diberikan data 12, 7, 8, 14, 9, 14, 19, 16. Berapa mediannya?

Jawab : Data diurutkan menjadi 7, 8, 9, 12, 14, 14, 16, 19

Median = (12+14)/2 = 13



2. Ukuran Pemusatan Untuk Data Berkelompok Ringkasan data dalam suatu daftar distribusi frekuensi dinamakan data yang

dikelompokkan.

a. Rata-rata Hitung (Mean)

n

mfx (5.2)

dengan : f = frekuensi kelas interval m = titik tengah kelas interval n = banyak data/jumlah frekuensi

Contoh 5.5 Hitunglah rata-rata hitung untuk data pengeluaran per hari (ribu rupiah) untuk 30 keluarga dalam daftar distribusi frekuensi di bawah ini?

Tabel 5.1 Perhitungan rata-rata hitung Pengeluaran (ribu Rp) Frekuensi (f) Titik Tengah Kelas (m) f x m

50 – 55 1 (50+55)/2 = 52,5 1 x 52,5 = 52,5 56 – 61 5 58,5 292,5 62 – 67 6 64,5 387,0 68 – 73 10 70,5 705,0 74 – 79 5 76,5 382,5 80 – 85 3 82,5 247,5 Jumlah 30 - 2067

Jawab : n

mfx = 2067/30 = 68,9

☺ Rata-rata hitung pengeluaran per hari untuk 30 keluarga tersebut adalah Rp 68.900

b. Modus Untuk data yang dikelompokkan modus didefinisikan sebagai :

21

1 Modd

dpLMo (5.3)

dengan : Mo = Modus LMo = batas bawah kelas modus, yakni kelas interval dengan frekuensi terbesar. p = panjang kelas modus d1 = frekuensi kelas modus dikurangi frekuensi kelas interval sebelumnya. d2 = frekuensi kelas modus dikurangi frekuensi kelas interval sesudahnya.



Contoh 5.6 Untuk data pengeluaran per hari 30 keluarga, hitunglah modusnya !

Tabel 5.2 Perhitungan Modus Kelas ke- Pengeluaran (ribu Rp) f Batas Bawah Kelas

1 50 – 55 1 50 – 0,5 = 49,5 2 56 – 61 5 55,5 3 62 – 67 6 61,5 4 68 – 73 10 67,5 5 74 – 79 5 73,5 6 80 – 85 3 79,5 Jumlah 30 -

Jawab : Dari tabel di atas diperoleh :

Kelas modus = kelas ke- 4

LMo = 67,5 p = 6 d1 = 10-6=4 d2 = 10-5=5

21

1 Modd

dpLMo 67,5+6(4/(4+5))=70,17

☺ Pengeluaran per hari 30 keluarga tersebut mempunyai modus sebesar Rp 70.170

c. Median

Untuk data yang dikelompokkan median didefinisikan sebagai :

MeMe f

FnpL 2

1

Me (5.4)

dengan : Me = median data kelompok

LMe = batas bawah kelas median, yakni kelas dimana median akan

terletak, yaitu pada jumlah frekuensi n21 .

p = panjang kelas median.

n = banyak data/jumlah frekuensi

F = jumlah frekuensi sebelum kelas median (frekuensi kumulatif)

fMe = frekuensi kelas median

Contoh 5.7

Untuk data pengeluaran per hari 30 keluarga, hitunglah mediannya !



Tabel 5.3 Perhitungan Median

Kelas ke- Pengeluaran (ribu Rp) f BBK Frek. Kum (F) 1 50 – 55 1 49,5 1 2 56 – 61 5 55,5 6 3 62 – 67 6 61,5 12 4 68 – 73 10 67,5 22 5 74 – 79 5 73,5 27 6 80 – 85 3 79,5 30 Jumlah 30 - -

Jawab :

Pada tabel di atas, jumlah frekuensi n = 30 , sehingga n/2 = 15 .

Kelas median = kelas ke- 4

LMe = 67,5 p = 6 fMe = 10 F = 12 (jumlah frekuensi sebelum kelas median)

MeMe f

FnpL 2

1

Me 67,5+6((15-12)/10)=69,3

☺ Artinya ada 50% keluarga dengan pengeluaran per hari paling tinggi Rp 69.300

dan 50% lagi dengan pengeluaran per hari paling rendah Rp 69.300.

B. Ukuran Penyebaran Data

Ukuran penyebaran merupakan suatu ukuran yang memberikan gambaran

seberapa besar data menyebar dalam kumpulannya. Dengan kata lain seberapa jauh

data-data menyebar dari titik pemusatannya. Ukuran penyebaran yang sering

digunakan antara lain: Simpangan Rata-rata, Varian, Simpangan Baku, Koefisien

Variasi..

1. Ukuran Penyebaran Untuk Data Tunggal

a. Simpangan Rata-rata

nxx

SR (5.5)

dengan : xx = jumlah harga mutlak data dikurangi rata-rata hitung

n = banyak data

Contoh 5.8

Berapa simpangan rata-rata dari data berikut : 2, 5, 6, 8, 9 ?



Jawab :

65

30

nx

x =

25

105

6968666562

nxx

SR

☺ Simpangan rata-rata untuk data tersebut adalah 2

b. Varians Dan Simpangan Baku

Varians →

1

22

nxx

s (5.6)

Simpangan Baku → 2ss (5.7)

Contoh 5.9

Diberikan data 2, 5, 6, 8, 9. hitunglah varians dan simpangan bakunya !

Jawab :

Dari contoh 5.8 diperoleh x 6

5,74

3015

69686665621

2222222

nxx

s

738,22 ss

☺ Varians untuk data tersebut adalah 7.5 . Sedangkan simpangan bakunya adalah

2.738.

c. Koefisien Variasi

Koefisien variasi digunakan untuk membandingkan variasi data, apabila satuan

pengukuran dari variabel-variabel yang diukur berbeda satu sama lain (misalnya

berat badan dalam kg, dan tinggi badan dalam cm).

%100xsKV (5.8)

dengan : s = simpangan baku

x = rata-rata hitung



Contoh 5.10

Data berikut menunjukan umur dan pendapatan 5 orang karyawan di sebuah

perusahaan X : Tabel 5.4 Data Mengenai Umur & Pendapatan 5 Orang Karyawan

Manakah yang lebih seragam, umur atau pendapatan karyawan?

Jawab :

Umur Karyawan

Rata-rata → 315

1555

2532372734

nx

x

Simpangan Baku

→ 95,4

498

153125..31273134

1

2222

nxx

s

Koefisien variasi → %97,15%1003195,4%100 x

xsKV

☺ Koefisien variasi umur karyawan adalah 15,97%.

Pendapatan Karyawan

Rata-rata → 1225

6105

1351871239075

nx

x

Simpangan Baku

→ 67,43

47628

15122135..1229012275

1

2222

nxx

s

Koefisien variasi → %8,35%100122

67,43%100 xxsKV

☺ Koefisien variasi pendapatan karyawan adalah 35,8%.

☺ Ternyata KV umur lebih kecil daripada KV pendapatan (15,97%<35,8%.).

Maka umur karyawan lebih seragam daripada pendapatan karyawan.

Karyawan 1 2 3 4 5 Umur ( Tahun ) 34 27 37 32 25 Pendapatan ( $ ) 75 90 123 187 135



2. Ukuran Penyebaran Untuk Data Berkelompok

a. Simpangan Rata-rata

n

xmfSR

(5.9)

dengan : m = titik tengah kelas

f = frekuensi tiap kelas interval

x = rata-rata hitung

n = banyak data/jumlah frekuensi

Contoh 5.11 Untuk data pengeluaran per hari 30 keluarga (yang telah dikelompokan), hitunglah simpangan rata-ratanya ! Tabel 5.5 Perhitungan Simpangan Rata-rata

Pengeluaran (ribu Rp) F m xm xmf

50 – 55 1 52,5 I 52,5-68,9 I = 16,4 1X16,4=16,4 56 – 61 5 58,5 10,4 52 62 – 67 6 64,5 4,4 26,4 68 – 73 10 70,5 1,6 16 74 – 79 5 76,5 7,6 38 80 – 85 3 82,5 13,6 40,8 Jumlah 30 - - 189,6

Catatan : berdasarkan perhitungan pada contoh 5.5 diperoleh x 68,9

n

xmfSR

=189,6/30 = 6,32

☺ Simpangan rata-rata pengeluaran per hari 30 keluarga adalah Rp 6320

b. Varians dan Simpangan Baku

Varians →

1

22

nxmf

s (5.10)

Simpangan Baku → 2ss (5.11) Contoh 5.12

Hitunglah Varians dan Standar Deviasi untuk pengeluaran per hari 30 keluarga

yang telah dikelompokan !



Tabel 5.6 Perhitungan Varians & Simpangan Baku Pengeluaran

(ribu Rp) f m xm 2xm 2xmf

50 – 55 1 52,5 52,5-68,9=-16,4 268,96 1X268,96=268,96 56 – 61 5 58,5 -10,4 108,16 540,80 62 – 67 6 64,5 -4,4 19,36 116,16 68 – 73 10 70,5 1,6 2,56 25,60 74 – 79 5 76,5 7,6 57,76 288,80 80 – 85 3 82,5 13,6 184,96 554,88 Jumlah 30 - - - 1795,20

Jawab : Catatan : berdasarkan perhitungan pada contoh 5.5 diperoleh x 68,9

Varians →

9,6129

2,17951

22

nxmf

s

Standar Deviasi → 868,79,612 ss

☺ Varians pengeluaran per hari 30 keluarga adalah Rp 61.900 dan standar

deviasinya adalah Rp 7.868.

c. Koefisien Variasi

Contoh 5.13

Untuk contoh soal pengeluaran per hari 30 keluarga, besarnya koefisien variasinya

adalah...... ?

Jawab :

%100xsKV (7,868/68,9) x 100%=11,41%

☺ Koefisien variasi untuk data pengeluaran per hari 30 keluarga adalah 11,41%

d. Nilai Baku (Skor z)

sxxz

(5.12)

Contoh 5.14

Budi memperoleh nilai 83 pada UAS Statistik, dimana rata-rata kelas dan

simpangan bakunya masing-masing 75 dan 12. Sedangkan pada UAS Kalkulus



dimana rata-rata kelasnya 83 dan simpangan bakunya 16 ia memperoleh nilai 90.

Dalam mata kuliah mana Budi mencapai kedudukan yang lebih baik?

Jawab :

Untuk mata kuliah statistik → 67,012

7583

sxxz

Untuk mata kuliah Kalkulus → 44,016

8390

sxxz

☺ Artinya Budi mendapat 0,67 simpangan baku di atas rata-rata nilai Statistik, dan

hanya 0,44 simpangan baku di atas rata-rata nilai Kalkulus. Karena nilai baku

statistik lebih tinggi dari nilai baku kalkulus, maka Budi memperoleh

kedudukan yang lebih tinggi dalam mata kuliah statistik.

ANALISIS DESKRIPTIF MENGGUNAKAN SPSS

Peringkasan data secara eksak dengan menyajikan ukuran pemusatan dan ukuran

penyebaran disebut dengan ringkasan statistik (summary statistics). Dalam analisis

deskriptif dengan menggunakan paket program SPSS ada beberapa pilihan dari menu

Analyze dengan sub menu Descriptive Statistics yang dapat digunakan sesuai dengan

kebutuhan.

a. Menu Frequencies

Pada menu ini membahas beberapa ukuran statistika deskriptif seperti rata-rata

(mean), nilai tengah (median), kuartil, persentil, standar deviasi dan lainnya.

Dengan memperhatikan data pada Kasus I, dapat dilakukan analisis deskriptif

dari menu Frequencies dengan langkah-langkah sebagai berikut:

1. Buka lembar kerja dan pastikan data sudah tersedia dengan kriteria yang

sudah ditentukan.

2. Dari menu utama SPSS, pilih menu Analyze, kemudian pilih submenu

Descriptive Statistics.



3. Sorot ke kanan Frequencies…kemudian klik pilihan tersebut. Seperti pada

Gambar berikut.

4. Setelah itu muncul kotak dialog seperti pada Gambar berikut.

5. Pilihlah variabel yang akan dijelaskan secara deskriptif dengan cara ‘blok

variabel tersebut kemudian klik tanda sehingga variabel tersebut masuk

kedalam kotak variable(s). Misalkan ada dua variabel yang akan dilihat

yaitu, Berat Badan dan Masa Kerja.

6. Klik statistics…yang digunakan untuk memunculkan ukuran-ukuran

statistik yang diperlukan. Sehingga muncul seperti pada Gambar berikut.



Pada kotak dialog ini ada beberapa kategori, yaitu:

Percentiles Values atau nilai persentil, untuk keseragaman klik

Quartiles dan Percentile(s). Kemudian pada kotak ketik 10, lalu tekan

Add. Kemudian ketik 90 lalu tekan Add. Hal ini untuk membuat

persentil pada 10 dan 90.

Dispersion atau penyebaran data, untuk keseragaman klik semua

ukuran sebaran yang ada pada kotak tersebut.

Central Tendency atau pengukuran pusat data. Untuk keseragaman klik

semua ukuran yang ada pada kotak tersebut.

Distribution atau bentuk distribusi data. Klik Skewness dan Kurtosis.

7. Setelah selesai, klik continue untuk melanjutkan analisis selanjutnya.

Kemudian klik Charts, maka tampak seperti pada Gambar berikut.

Pada Data Type atau jenis grafik, dapat dipilih sesuai dengan keinginan

(diagram batang, diagram lingkaran atau histogram). Sementara ini klik

Histograms dengan klik With normal curve.

8. Kemudian klik continue untuk melanjutkan analisis selanjutnya. klik

Format, maka tampak seperti pada Gambar berikut.

Pada kotak dialog ini ada beberapa kategori, yaitu:



Order by atau output data akan disusun seperti apa, jika data disusun

dari kecil ke besar maka pilih Ascending values.

Multiple Varables atau variabel multipel, Jika ingin membandingkan

antar variabel, maka klik Compare variables.

Suppress tables with more then … categories.

Untuk bagian ini abaikan karena data bukan kategorik. Kemudian klik

continue untuk melanjutkan analisis.

9. Tekan OK, jika semua pengisian dan format yang diinginkan sudah selesai.

10. Setelah proses SPSS dijalankan, maka muncul window output dan diperoleh

output deskriptif sebagai berikut.

Output SPSS

Frequencies

Statistics

BERAT MasaKerja

N Valid 10 10

Missing 0 0

Mean 59.5100 13.60

Std. Error of Mean 3.66489 1.400

Median 63.7500 13.00

Mode 45.00a 13

Std. Deviation 11.58941 4.427

Variance 134.314 19.600

Skewness -.253 2.014

Std. Error of Skewness .687 .687

Kurtosis -1.851 5.911

Std. Error of Kurtosis 1.334 1.334

Range 30.00 17

Minimum 45.00 8

Maximum 75.00 25

Sum 595.10 136

Percentiles 25 45.7250 12.25

50 63.7500 13.00

75 68.5000 14.00

a. Multiple modes exist. The smallest value is shown



Frequency Table

BERAT

Frequency Percent Valid Percent Cumulative

Percent Valid 45.00 1 10.0 10.0 10.0

45.50 1 10.0 10.0 20.0 45.80 1 10.0 10.0 30.0 50.50 1 10.0 10.0 40.0 62.00 1 10.0 10.0 50.0 65.50 1 10.0 10.0 60.0 67.80 1 10.0 10.0 70.0 68.00 1 10.0 10.0 80.0 70.00 1 10.0 10.0 90.0 75.00 1 10.0 10.0 100.0 Total 10 100.0 100.0

MasaKerja

Frequency Percent Valid Percent Cumulative

Percent Valid 8 1 10.0 10.0 10.0

10 1 10.0 10.0 20.0 13 5 50.0 50.0 70.0 14 2 20.0 20.0 90.0 25 1 10.0 10.0 100.0 Total 10 100.0 100.0

Histogram



Analisis dan Interpretasi.

Disini akan dijelaskan untuk satu variabel saja, yaitu: Variabel Masa Kerja,

sedangkan yang lain mengikuti.

Pada output bagian pertama (Statistics)

N menunjukkan jumlah data (valid dan missing). Pada hasil tersebut

diperoleh data valid (sah untuk diproses) sebanyak 10, sedangkan

data yang hilang (missing) adalah nol.

Mean menunjukkan rata-rata Masa Kerja adalah 13,6 tahun dan Std.

Error of Mean menunjukkan kesalahan baku untuk rata-rata sebesar

1,4 tahun.

Median menunjukkan nilai tengah data setelah diurutkan adalah 13

tahun.

Mode menunjukkan nilai yang paling sering muncul, yaitu 13 tahun.

Std. Deviation menunjukkan simpangan bakunya sebesar 4,427 cm

dan Variance merupakan kelipatan dari Std. Deviation, yaitu 19,6 cm.

Skewness sebesar 2,014 dan Std. Error of Skewness sebesar 0,687

digunakan untuk melihat pola sebaran data. Dengan melihat ratio

skewness (2,014/0,687) adalah –2,931, karena nilai tersebut tidak

berada pada interval –2 sampai 2, maka distribusi sampel data Masa

Kerja tidak berdistribusi normal.

Kurtosis sebesar 5,911 dan Std. Error of Kurtosis sebesar 1,334

digunakan untuk melihat pola sebaran data. Dengan melihat ratio

skewness (5,911/1,334) adalah 4,431, karena nilai tersebut tidak

berada pada interval –2 sampai 2, maka distribusi sampel data Masa

Kerja tidak berdistribusi normal.

Range menunjukkan selisih antara data maksimum dengan minimum

yaitu 17 cm. Nilai maksimum 25 cm dan nilai minimumnya 8 cm.

Sum menunjukkan jumlah data untuk variabel tinggi padi sebesar

136.



Percentiles menunjukkan nilai data pada 10 persen adalah 91,8 cm,

pada 25 persen adalah 12,25 cm, pada 50 persen adalah 13cm, dan pada

75 persen adalah 14 cm.

Pada output bagian kedua (Frequency Table)

Menunjukkan kondisi data dalam bentuk tabel frekuensi. Pada

baris pertama sampel untuk ukuran Masa Kerja 8 cm ada satu orang

(sampel) atau (1/10 * 100%) = 10%. Pada baris kedua, responden dengan

Masa Kerja 10 cm ada satu orang atau (1/10 * 100%) = 10%, sehingga

persen komulatifnya menjadi 10% + 10% = 20%.

Demikian seterusnya hingga mencapai kumulatif 100%.

Output bagian ketiga (Histogram)

Pada bagian ini menggambarkan grafik data yang telah dibuat

frekuensinya. Untuk variabel Masa Kerja padi terlihat bahwa batang

histogram tidak mempunyai kemiripan bentuk dengan kurva normal

(berbentuk seperti lonceng). Hal ini membuktikan bahwa distribusi

tersebut belum dapat dikatakan normal atau mendekati normal. Namun

ini hanya sebatas visual, untuk membuat kesimpulan yang akurat dapat

dilakukan pengujian secara statistik.

b. Menu Descriptive

Pada menu ini berfungsi untuk mengetahui skor z dari suatu distribusi data dan

menguji apakah data berdistribusi normal ataukah tidak.

Dengan memperhatikan data pada kasus I, dapat dilakukan analisis deskriptif

dari menu Descriptive dengan langkah-langkah sebagai berikut:

1. Buka lembar kerja dan pastikan data sudah tersedia dengan kriteria

yang sudah ditentukan.



3. Sorot ke kanan Descriptive …kemudian klik pilihan tersebut. Sehingga

muncul kotak dialog seperti pada Gambar berikut.



Pilihlah variabel yang akan dijelaskan secara deskriptif dengan cara

‘blok variabel tersebut kemudian klik tanda sehingga variabel tersebut

masuk kedalam kotak variable(s). Misalkan ada satu variabel yang akan

dilihat yaitu Masa Kerja.

4. Klik isian Save standardized values as variables untuk menyimpan

nilai-nilai z pada data editor.

Kemudian klik Options sehingga muncul kotak dialog seperti pada

Gambar berikut. Seperti halnya pada menu Frequencies, pada menu

Descriptives juga mensyaratkan tipe data dalam ukuran skala kontinu,

atau minimal memiliki skala pengukuran interval.

Pada gambar tersebut terlihat ada tiga bagian isian, yaitu:

Dispersion menunjukkan nilai-nilai sebaran data yang dikehendaki.



Distribution menunjukkan pengujian data sampel apakah

mengikuti distribusi normal atau tidak.

Display Order menunjukkan tampilan yang diinginkan.

5. Kemudian tekan continue, lalu tekan OK, sehingga muncul output pada

windows output seperti di bawah.

Descriptives

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

Masa Kerja 40 1.00 29.00 11.9500 5.61568

Valid N (listwise) 40

Analisis dan Interpretasi

Pada output Description Statistics dapat diinter-pretasikan seperti pada

menu Frequency di atas. Untuk variabel Masa Kerja (tahun) ada 40 data yang

valid, dengan nilai minimum 1 tahun, nilai maksimum 29 tahun, rata-rata 11,95

tahun dan Simpangan bakunya 5,615 tahun.

Pada data editor terdapat variabel tambahan, yaitu nilai z untuk variabel

Masa Kerja. Nilai-nilai z ini menunjukkan tingkat simpangan data terhadap

data normal (menunjukkan adanya pencilan data).

c. Menu Explore

Menu ini berfungsi untuk memeriksa lebih teliti sekelompok data dengan alat

utama yaitu Box-Plot dan Stem and Leaf Plot untuk menguji apakah data

berasal dari distribusi normal.

Pada menu ini tidak akan dibahas lebih banyak, karena pada menu Crosstab

semuanya sudah bisa dijelaskan.

d. Menu Crosstab

Menu ini berfungsi untuk menyajikan deskripsi data dalam bentuk tabel silang

(crosstab), yaitu yang terdiri atas baris dan kolom. Selain itu, menu ini juga



dilengkapi dengan analisis hubungan di antara baris dan kolom seperti

independensi, korelasi dan lainnya. Menu ini merupakan perluasan dari

statistik deskriptif. Pada Menu Explore dan menu Crosstab dapat digunakan

untuk mendeskripsikan data yan berskala nominal atau ordinal.

Kasus 2:

Seorang peneliti melakukan survey terhadap 25 kepala keluarga (KK) sebagai

responden pada suatu daerah tentang pendapatan dalam satu bulan. Selain

pendapatan, peneliti tersebut juga mengamati profil (latar belakang) responden seperti

jumlah anak, usia, pendidikan, dan asal daerah. Hasil pendataan diperoleh seperti pada

tabel berikut.

Tabel 5.7. Data Pendapatan Rumah Tangga pada Suatu Daerah

No. Jumlah anak Daerah Usia Pendidikan Pendapatan 1 1 1 27 2 50002 0 1 57 2 1260003 1 0 35 4 8250004 0 1 21 2 650005 1 1 17 2 750006 0 1 29 4 3000007 1 1 35 1 1500008 0 1 46 1 3000009 1 1 40 3 300000

10 1 1 37 2 35000011 0 1 58 1 10500012 0 1 46 1 12000013 1 1 31 4 9000014 0 1 28 4 10500015 0 1 33 2 50000016 0 1 30 4 30000017 1 1 38 1 6950018 0 0 59 3 18000019 0 0 51 2 15000020 0 0 60 2 40000021 2 0 35 1 40000022 1 0 31 2 16000023 2 0 44 1 15000024 0 1 60 3 15000025 1 1 26 4 200000



Dengan memperhatikan data pada kasus 2, dapat dilakukan analisis deskriptif

dari menu Crosstab dengan langkah-langkah sebagai berikut:





3. Sorot ke kanan Crosstab … kemudian klik pilihan tersebut. Sehingga


Agar penggunaan metode lebih optimal, pada analisis dengan menu

crosstab dilakukan untuk menjelaskan data-data kategorik (skala nominal

dan ordinal).

Hubungan antara Jumlah Anak dengan Pendidikan.

Langkah-langkahnya setelah muncul kotak dialog seperti pada Gambar berikut

adalah:

1) Pilih variabel yang akan ditempatkan pada baris dengan cara klik variabel

tersebut (Jumlah Anak) kemudian klik tanda sehingga variabel tersebut

berpindah pada kotak Row(s).



2) Pilih variabel yang akan ditempatkan pada kolom dengan cara klik variabel

tersebut (Pendidikan) kemudian klik tanda sehingga variabel tersebut

berpindah pada kotak Column(s).

3) Klik pilihan Statistics…, sehingga muncul kotak dialog seperti gambar di

bawah.

Pada kotak dialog tersebut yang dipilih cukup chi-square, karena hanya akan

melihat hubungan antara dua variabel yang memiliki skala kontinue dan skala

ordinal (kategorik). Pilihan lain akan digunakan pada kasus yang relevan.

Kemudian klik continue untuk melanjutkan proses.

4) Kemudian klik Cells…sehingga muncul kotak dialog seperti



Pada kotak dialog ini ada tiga bagian yang bisa dipilih sesuai keinginan

peneliti.

i. Bagian pertama Counts, menunjukkan tampilan yang dilakukan dengan

Chi-square dapat berupa nilai-nilai observasi (Observed) dan atau nilai-

nilai harapan (Expected). Untuk keseragaman pilihlah Observed saja.

ii. Bagian kedua Percentages, menunjukkan tampilan nilai-nilai pada kolom

maupun baris dengan menyertakan persentase terhadap jumlah baris,

terhadap jumlah kolom maupun terhadap jumlah total. Untuk

keseragaman klik Row dan Column.

iii. Bagian ketiga Residuals, menunjukkan tampilan tentang sisaan dari hasil

analisis Chi-square. Pada kesempatan ini cukup diabaikan.

Kemudian klik continue untuk melanjutkan proses.

5) Klik Format…sehingga muncul kotak dialog seperti pada Gambar berikut.

Pada kotak ini muncul isian Row Order, menunjukkan penempatan nilai-nilai

variabel dalam baris apakah dari kecil ke besar (Ascending) ataukah dari besar

ke kecil (Descending). Pada kesempatan ini pilihlah Ascending. Kemudian

klik Continue untuk melanjutkan proses.

6) Klik OK, jika isian pada menu ini sudah dianggap cukup dan SPSS akan

melakukan proses sampai muncul window output yang hasilnya seperti di

bawah.



OUTPUT SPSS

Crosstabs

Case Processing Summary

25 100.0% 0 .0% 25 100.0%Jumlah Anak* Pendidikan

N Percent N Percent N PercentValid Missing Total

Cases

Jumlah Anak * Pendidikan Crosstabulation

3 5 2 3 1323.1% 38.5% 15.4% 23.1% 100.0%42.9% 55.6% 66.7% 50.0% 52.0%

2 4 1 3 1020.0% 40.0% 10.0% 30.0% 100.0%28.6% 44.4% 33.3% 50.0% 40.0%

2 2100.0% 100.0%

28.6% 8.0%7 9 3 6 25

28.0% 36.0% 12.0% 24.0% 100.0%100.0% 100.0% 100.0% 100.0% 100.0%

Count% within Jumlah Anak% within PendidikanCount% within Jumlah Anak% within PendidikanCount% within Jumlah Anak% within PendidikanCount% within Jumlah Anak% within Pendidikan

0

1

2

JumlahAnak

Total

tamat SD tamat SLTP tamat SMUtamat

Akademik/PT

Pendidikan

Total

Chi-Square Tests

5.862a 6 .4395.823 6 .443

.910 1 .340

25

Pearson Chi-SquareLikelihood RatioLinear-by-LinearAssociationN of Valid Cases

Value dfAsymp. Sig.

(2-sided)

12 cells (100.0%) have expected count less than 5. Theminimum expected count is .24.

a.

Jumlah Anak

210

Cou

nt

6

5

4

3

2

1

0

Pendidikan

tamat SD

tamat SLTP

tamat SMU

tamat Akademik/PT



Hasil Analisis dan Interpretasi

Pada bagian pertama (Case Processing Summary), menunjuk-kan banyaknya

data (N) yang valid sebanyak 25 responden (100%) sedangkan data yang hilang

(missing) tidak ada (0%).

Pada bagian kedua (Jumlah Anak*Pendidikan Crosstabulation), menunjukkan

tabel silang yang memuat hubungan diantara kedua variabel. Misalkan untuk sel

pertama tertulis 3, artinya responden yang tidak memiliki anak dan

berpendidikan tamat SD ada 3 orang. Jika dilihat terhadap responden yang tidak

memiliki anak ada 23,1%. Sedangkan jika dibandingkan dengan responden yang

berpendidikan tamat SD ada 42,9%.

Pada bagian ketiga (Chi-Square Test), menunjukkan pengujian hipotesis dengan

uji Chi-square (Chi-kuadrat).

Hipotesis yang akan diuji pada kasus ini adalah:

H0: Tidak ada hubungan antara jumlah anak dengan pendidikan seseorang.

H1: ada hubungan antara jumlah anak dengan pendidikan seseorang

Statistik ujinya adalah uji Chi-kuadrat (Chi-Square Test) dengan nilai Chi-

kuadrat hitung seperti pada output di atas untuk nilai Pearson Chi-Square

yaitu sebesar 5,862 dengan p-value (Asymp. Sig.) sebesar 0,439.

Kriteria ujinya adalah tolak H0, jika p-value < taraf nyata ().

Kesimpulan, karena p-value sebesar 0,439 > dari 0,05 (5%), maka H0

diterima. Artinya, tidak ada hubungan antara jumlah anak dengan tingkat

pendidikan seseorang.

Pada bagian keempat (Bar chart), menunjukkan grafik parsial antara jumlah anak

dengan tingkat pendidikan.

Menyimpan hasil Output.

Untuk menyimpan hasil output SPSS dapat dilakukan dengan cara yang sama

seperti yang dilakukan di atas, yaitu:

Dari menu utama File, klik Save As…



Setelah tampak kotak dialog, pilih direktori yang dikehendaki, kemudian

ketik nama file, lalu tekan save.

Latihan.

Cobalah analisis hubungan antara daerah asal dengan tingkat pendidikan responnden

dari kasus II dengan terlebih dahulu melakukan analisis deskripsi data terhadap masing-

masing variabel !!



BAB VI

COMPARE MEANS (UJI PERBANDINGAN)

Compare Means dalam bahasa Indonesia disebut dengan uji perbandingan rata-

rata. Uji hipotesis dua rata-rata digunakan untuk mengetahui tingkat perbedaan antara

kelompok (grup) yang satu dengan yang lainnya. Uji ini digunakan untuk

membandingkan rata-rata sampel independen ataupun sampel berpasangan dengan

menghitung t student dan menampilkan probabilitas dua arah selisih dua rata-rata.

Kelompok-kelompok tersebut disebut dengan sub populasi atau subgrup, karena

merupakan bagian dari suatu populasi.

Dalam penelitian komparasional yang melakukan pembandingan antar dua

variabel, yaitu apakah memang secara signifikan dua variabel yang diperbandingkan

atau dicari perbedaannya itu memang berbeda, ataukah perbedaan itu terjadi karena

kebetulan saja (by change).

Analisis statistik untuk uji perbandingan menggunakan statistik uji t dan

analisis varians (ANOVA). Statistik uji t dan ANOVA digunakan sebagai statistik uji

untuk perbandingan dua atau lebih kelompok sampel data. Uji t digunakan untuk

membandingkan dua sampel yang akan dibandingkan, sedangkan ANOVA digunakan

untuk uji perbandingan lebih dari dua kelompok sampel data maka digunakan analisis

varians.

Analisis perbandingan satu variabel bebas dikenal dengan Uji-T atau T-Test dan

uji-Z. Tujuan Uji-T atau Uji-Z adalah untuk mengetahui perbedaan variabel yang

dihipotesiskan . Rumus Uji-T dan Uji-Z, yaitu :

a) Apabila standar deviasi diketahui dan n > 30 menggunakan rumus Zhitung sebagai

berikut :

N

xZ hitung 0

Dimana,



hitungZ : harga yang dihitung dan menunjukkan nilai standar deviasi pada distribusi

normal (tabel Z).

x : rata-rata nilai yang diperoleh dari hasil pengumpulan data.

0 : rata-rata nilai yang dihipotesiskan

σ : standar deviasi populasi yang telah diketahui

N : jumlah populasi penelitian

b) Apabila standar deviasi sampel tidak diketahui dan n ≤ 30 menggunakan rumus

thitung sebagai berikut :

ns

xthitung0

Di mana :

hitungt : harga yang dihitung dan menunjukkan nilai standar deviasi pada distribusi t

(tabel t).

x : rata-rata nilai yang diperoleh dari hasil pengumpulan data.

µo : rata-rata nilai yang dihipotesiskan

SD : standar deviasi sampel yang telah diketahui

n : jumlah sampel penelitian

Langkah-langkah Uji-T :

1) Menentukan hipotesis penelitian

2) Menentukan hipotesis statistic

3) Mencari hitungt

4) Menentukan kriteria pengujian dan tentukan juga posisi pengujian pihak kiri ,

pihak kanan atau uji dua pihak .

5) Mencari ttabel dengan cara tentukan α (0,01 atau 0,05) dan dk = n –1.

6) Membandingkan hitungt dengan tabelt

7) Menarik kesimpulan



Contoh 6.1:

Hasil rapat koordinasi pimpinan perguruan tinggi swasta di lingkungan

kopertis wilayah x menduga bahwa :

a) Kualitas mengajar dosen tahun 2009 paling tinggi 70% dari rata-rata nilai ideal.

b) Kualitas mengajar dosen tahun 2009 paling rendah 70% dari rata-rata nilai

ideal.

c) Kualitas mengajar dosen tahun 2009 tidak sama dengan 70% dari rata-rata nilai

ideal.

Dengan pernyataan tersebut, ditindaklanjuti atau dibuktikan oleh Balitbang

Dikti dengan suatu penelitian di berbagai kota di wilayah kopertis x. Kemudian

disebar kepada 61 dosen untuk mengisi angket yang isinya mengenai kualitas

mengajar pada tahun 2009.

Jumlah pertanyaan angket penelitian 15 item dengan instrumen diberi skala

nilai : 4 = sangat baik, 3 = baik, 2 = cukup baikdan 1 = kurang baik. Adapun taraf

signifkansi α= 0,05. Data diperoleh sebagai berikut :

59 60 58 59 60 58 60 59 50 60 59 50 59 58 50 59 60 59 60 59 50 60 60 60 60 60 50 59 60 60 60 59 60 60 60 60 60 60 60 50 60 60 60 59 60 60 60 60 58 60 58 50 58 60 60 58 60 60 60 60

Sebelum dilakukan perumusan hipotesis dihitung terlebih dahulu rata-rata

nilai yang dihipotesiskan (µo).

Nilai ideal= 15 x 4 x 61= 3660

Rata-rata nilai ideal= 3660 : 61 = 60

70% dari rata-rata nilai ideal= 70% x 60 = 42 (µo) = 42

Menentukan standar deviasi dan rata-rata hitung dengan rumus :

14,3

16161

3565208939

1

22

n

nX

XSD



443,5861

3565

nX

X

Diperoleh : SD = 3,14 dan rata-rata hitung = 58,443

1. Penyelesaian point (a) uji pihak kiri :


Ho: Kualitas mengajar dosen tahun 2009 sama dengan 70% dari rata-rata nilai

ideal.

Ha: Kualitas mengajar dosen tahun 2009 paling tinggi 70% dari rata-rata nilai

ideal.

2) Menentukan hipotesis statistik

Ho : µo= 42

Ha : µo< 42

3) Mencari hitungt

4) Menentukan kriteria pengujian

Taraf signifikansi ( α ) = 0,05

Derajat kebebasan (dk) = n – 1 = 61 – 1 = 60

Kriteria pengujian pihak kiri :

Jika tabelt ≤ hitungt maka Ho diterima dan Ha ditolak

5) Mencari tabelt dengan cara tentukan αdan dk = n –1.

Dengan (α) = 0,05 dan derajat kebebasan (dk) = n –1 = 61 –1 = 60 sehingga

diperoleh tabelt = 1,671

6) Membandingkan t-hitung dengan t-tabel

Ternyata tabelt < hitungt atau 1,671 < 41 maka Ho diterima dan Ha ditolak




Karena Ho diterima maka kesimpulan yang diperoleh adalah kualitas mengajar

dosen tahun 2009 sama dengan 70% dari rata-rata nilai ideal.

2. Penyelesaian point (b) uji pihak kanan :


Ho : Kualitas mengajar dosen tahun 2009 sama dengan70% dari rata-rata nilai

ideal.

Ha : Kualitas mengajar dosen tahun 2009 paling rendah70% dari rata-rata nilai

ideal.


Ho : µo= 42

Ha : µo>42

3) Mencari thitung

108,41

6114,3

42443,580

nSD

xthitung




Kriteria pengujian pihak kanan :

Jika t-tabel ≥ t-hitung maka Ho diterima dan Ha ditolak

5) Mencari t-tabel dengan cara tentukan α dan dk = n –1.

Dengan ( α) = 0,05 dan derajat kebebasan (dk) = n –1 = 61 –1 = 60 sehingga

diperoleh t-tabel= 1,671



6) Membandingkan t-hitung dengan t-tabel

Ternyata t-tabel < t-hitung atau 1,671 < 41 maka Ho ditolak dan Ha diterima


Karena Ha diterima maka kesimpulan yang diperoleh adalah kualitas mengajar

dosen tahun 2009 paling rendah 70% dari rata-rata nilai ideal.

Penyelesaian point (c) uji dua pihak :


Ho : Kualitas mengajar dosen tahun 2009 sama dengan70% dari rata-rata nilai

ideal.

Ha : Kualitas mengajar dosen tahun 2009 tidak sama dengan 70% dari rata-rata

nilai ideal.


Ho : µo= 42

Ha : μo≠42

3) Mencari thitung

108,41

6114,3

42443,580

nSD

xthitung




Kriteria pengujian pihak kanan :

Jika t-tabel ≤ t-hitung maka Ho diterima dan Ha ditolak

5) Mencari t-tabel dengan cara tentukan α dan dk = n –1.

Dengan ( α) = 0,05 dan derajat kebebasan (dk) = n –1 = 61 –1 = 60 sehingga

diperoleh t-tabel = 2,000



6) Membandingkan thitung denganttabel

Ternyata t-tabel < t-hitung atau –2 < 41,108 maka Ho ditolak dan Ha diterima.


Karena Ha diterima maka kesimpulan yang diperoleh adalah kualitas mengajar

dosen tahun 2009 tidak sama dengan 70% dari rata-rata nilai ideal.

ANALISIS COMPARE MEAN MENGGUNAKAN SPSS

Terdapat 5 (lima) bagian utama untuk analisis perbandingan rata-rata pada

Compare means di SPSS yaitu :

1. Perbandingan Rata-rata (mean)

Perbandingan rata-rata digunakan untuk membandingkan nilai rata-rata

dan satandar deviasi antara 2 kelompok sampel/data.

2. One Sample t-test

One Sample t- test digunakan untuk membandingkan apakah terdapat

perbedaan atau kesamaan rata-rata dari kelompok sampel data dengan nilai rata-

rata tertentu.

3. Independent Sample t-test

Independen sample t-test digunakan untuk membandingkan 2 kelompok

sampel data dan kedua kelompok sampel tersebut bersifat independen/bebas.

4. Paired Sample t-test

Paired Sample t-test digunakan untuk membandingkan antara 2 kelompok

sampel dan kedua kelompok sampel ini saling berhubungan.

5. One Way ANOVA.



One-Way Anova digunakan untuk membandingkan nilai rata-rata antara 2

atau lebih kelompok data. Dalam uji ini diperlukan asumsi distribusi normal dan

homogenitas varians antara kelompok sampel.

A. Prosedur Means

Prosedur dalam SPSS yang digunakan untuk menampilkan mean dari beberapa

subgrup adalah prosedur Means.

• 1 variabel numerik sebagai variabel dependent

• 1 variabel numerik atau string pendek sebagai variabel independent.

(Secara opsional bisa ditambahkan variabel-variabel hingga beberapa lapis dan

maksimal 5 lapis). Untuk menjalankan prosedur Means, dari menu pilih:

Analyze…Compare maens…Means…

Maka akan ditampilkan kotak dialog Means.

1. Pindahkan satu atau beberapa variabel numerik kekotak Dependendent List

2. Pindahkan satu atau beberapa variabel numerik atau string pendek ke kotak

Independent List

3. Klik OK untuk mendapatkan tabel default yang berisi mean dan cacah case.

Means subgrup dari tiap-tiap variabel dependen yang anda daftar akan

dihitung menurut masing-masing kategori dari variabel independen.



Kasus 6.1

Manajer pemasaran MAJU MAKMUR ingin mengetahui rata-rata penjualan ROTI

DURIAN berdasarkan Tingkat Pendidikan Salesman. Adapun data penjualan dari

salesman tersebut adalah sebagai berikut :

Tabel 6.1. Data Pemasaran MAJU MAKMUR

No Salesman Gender Kacang Durian Coklat Susu 1 1 1 250 300 298 325 2 1 2 234 320 254 312 3 1 2 220 324 315 450 4 1 1 245 315 387 500 5 1 1 281 400 200 268 6 1 2 220 420 145 351 7 2 2 256 398 256 245 8 2 2 238 375 200 221 9 2 2 210 364 241 621 10 2 1 310 325 269 235 11 2 1 287 410 254 214 12 2 1 254 425 . .

OUTPUT SPSS

Case Processing Summary

12 100.0% 0 .0% 12 100.0%Penjualan RotiRasa Durian *Tingkat Pendidikan

N Percent N Percent N PercentIncluded Excluded Total

Cases

Report

Penjualan Roti Rasa Durian

346.50 6 50.254382.83 6 36.074364.67 12 45.820

Tingkat PendidikanSales-SarjanaSales-AkademikTotal

Mean N Std. Deviation



B. Prosedur One Sample T-Test

Prosedur One Sample T-test digunakan untuk menguji apakah suatu nilai

tertentu (yang diberikan sebagai pembanding) berbeda secara nyata ataukah tidak

dengan rata-rata sebuah sampel.

Spesifikasi minimum yang diperlukan dalam prosedur ini adalah:

1 variabel numerik yang akan diuji, dengan asumsi:

• Data berdistribusi Normal

• Data sampel berjumlah sedikit (≤ 30 )

Untuk menjalankan prosedur ini dari menu pilih:

Analyze…Compare Means…One Sampel T test…

Maka akan ditampilkan kotak dialog One Sample T test.

a. Pindah satu atau beberapa variabel numerik kekotak Test Variabel

b. Ketikkan nilai tertentu (yang diberikan sebagai pembanding) pada kotak Test

Value

c. Klik OK untuk mengakhiri prosedur ini

Kasus 6.2

Seorang karyawan bernama Ryan memiliki jam kerja selama 7,5 jam. Manajer dari

perusahaan tersebut menganggap jam kerja Ryan berbeda dengan rekan-rekannya.

Benarkah pernyataan tersebut ? Adapun data karyawan sebagai berikut :



Tabel 6.2. Gender Tingkat pendidikan Jam kerja Jam lembur

No

Jenis Kelamin Karyawan

Tingkat Pendidikan Karyawan

Jam Kerja Karyawan

Jam Lembur Karyawan

1 1 2 6 3 2 1 1 7 3 3 1 1 8 3 4 1 2 10 2 5 1 2 9 3 6 1 1 5 3 7 1 2 8 3 8 1 1 10 2 9 1 1 7 2

10 1 2 7 2 11 2 2 5 3 12 2 2 6 2 13 2 2 8 2 14 2 1 6 3 15 2 1 5 3 16 2 1 5 2 17 2 1 7 2 18 2 1 7 3 19 2 2 6 3 20 2 1 6 2

Definisi Variabel :

Nama Value Label: Jenis Kelamin Karyawan:1= Laki-laki, 2= Perempuan; Tingkat

Pendidikan: 1= Sarjana, 2= Akademik

Output SPSS

One-Sample Statistics

20 6.90 1.553 .347Jam Kerja KaryawanN Mean Std. Deviation

Std. ErrorMean



One-Sample Test

-1.728 19 .100 -.600 -1.33 .13Jam Kerja Karyawant df Sig. (2-tailed)

MeanDifference Lower Upper

95% ConfidenceInterval of the

Difference

Test Value = 7.5

Analisis :

♦ Hipotesis

Ho : Jumlah jam kerja Ryan tidak berbeda dengan rata-rata jam kerja rekan-rekannya

(µ Ryan ≠ 7.5).

Hi : Jumlah jam kerja Ryan berbeda dengan rata-rata jam kerja rekan-rekannya (µ

Ryan = 7.5).

♦ Pengambilan Keputusan

a. Berdasarkan perbandingan t-hitung dengan t-tabel

Uji dilakukan dua sisi karena akan diketahui apakah jumlah jam kerja Ryan

sama dengan rata-rata jam kerja rekan-rekannya selama ini atau tidak. Jadi bisa

lebih besar atau lebih kecil, maka digunakan uji dua sisi.

Syarat :

- Ho diterima : Jika thitung berada diantara nilai – t-tabel dan + t-tabel.

- Ho ditolak : Jika thitung tidak berada diantara nilai – t-tabel dan + t-tabel.

t-hitung dari output diatas = - 1,728

Dari tabel, dengan tingkat signifikasi (α) 5% dengan df (derajat kebebasan = n-1 =

20-1=19). Diperoleh t-tabel = ± 2,09. Karena t-hitung berada di daerah penerimaan

Ho, maka jumlah jam kerja Ryan memang tidak berbeda bila dibandingkan

dengan jam kerja rata-rata (=7.5).

b. Berdasarkan nilai probabilitas

Syarat :

- Jika probabilitas > 0,05 maka Ho diterima

- Jika Probabilitas < 0,05 maka Ho ditolak



Karena output tampak nilai probabilitas 0,100 > 0,05 maka kesimpulannya sama

yaitu jumlah jam kerja Ryan memang tidak berbeda bila dibandingkan dengan

jam kerja rata-rata.

C. Prosedur Independent Sampel T-Test

Prosedur Independent Sample T-test digunakan untuk menguji apakah dua

sampel yang tidak berhubungan berasal dari populasi yang mempunyai mean sama

atau yang tidak secara signifikan.

Spesifikasi minimum yang diperlukan dalam prosedur ini adalah :

• Satu atau beberapa variabel numerik yanga akan diuji.

• Satu variabel numerik atau string pendek sebagai variabel grup (variabel pembuat

grup)

• Value-value grup untuk variabel grup.

Untuk menjalankan prosedur ini, dari menu pilih

Statistics…Compare Means…Independent Sample T-test...

Maka akan ditampilakan kotak dialog Independent Sample T-test

1. Pindahkan satu atau beberapa variabel numerik yang akan diuji ke kotak Test

variabel (S), tiap variabel yang anda pindahkan masing-masing akan

menghasilkan sebuah uji t

2. Pindahkan satu variabel numerik atau string pendek (variabel berbentuk

kategori) yang akan membagi variabel-variabel yang akan diuji menjadi 2 grup

kekotak Grouping variabel.



3. Definisikan kategori dari grup, setelah itu klik tombol OK untuk mendapatkan

uji t sampel independent secara default, dimana ditampilkan probabilitas 2-ekor

dari interval konvidensi 95%.

Kasus 6.3.

Manajer ingin mengetahui apakah ada perbedaan jam kerja berdasarkan tingkat

pendidikan karyawannya? (data pada sub bab one sample t-test)

Penyelesaian :

Dengan mengikuti langkah-langkah diatas maka akan anda dapatkan output sebagai

berikut:

Output SPSS

Group Statistics

11 6.64 1.502 .4539 7.22 1.641 .547

Tingkat PendidikanKaryawanSarjanaAkademik

Jam Kerja KaryawanN Mean Std. Deviation

Std. ErrorMean

Independent Samples Test

.359 .557 -.833 18 .416 -.586 .704 -2.064 .892

-.825 16.512 .421 -.586 .710 -2.088 .916

Equal variancesassumedEqual variancesnot assumed

Jam Kerja KaryawanF Sig.

Levene's Test forEquality of Variances

t df Sig. (2-tailed)Mean

DifferenceStd. ErrorDifferenceLower Upper


Difference

t-test for Equality of Means



Analisis :

Ada 2 tahapan analisis yaitu :

a. Dengan Levene Test, diuji apakah varians populasi kedua sampel sama ataukah

berbeda.

b. Dengan T Test, dan berdasarkan hasil analisis nomor a, diambil suatu keputusan.

Mengetahui apakah varians populasi identik atau tidak.

• Hipotesis

Ho : Kedua varians populasi adalah identik (varians populasi jam kerja pada

karyawan sarjana dan akademik adalah sama)

H1 : Kedua varians populasi adalah tidak identik (varians populasi jam kerja pada

karyawan sarjana dan akademik adalah berbeda)

• Pengambilan keputusan

a. Berdasarkan perbandingan F-hitung dengan F-tabel

Syarat :

- Ho diterima : Jika F-hitung berada diantara nilai – F-tabel dan + F-tabel.

- Ho ditolak : Jika F-hitung tidak berada diantara nilai – F-tabel dan + F-tabel.

Terlihat bahwa F-hitung dengan Equal Variance Assumed (diasumsikan kedua

varian sama) adalah 0,359 dan nilai F-tabel : 5,98 maka Ho diterima.


Syarat :


- Jika Probabilitas < 0,05 maka Ho ditolak

Karena probabilitas > 0,05 maka Ho diterima yang artinya kedua varians adalah

identik.

Analisis dengan memakai t-test untuk asumsi varians sama.

• Hipotesis

Ho : Kedua rata-rata populasi adalah identik (rata-rata populasi jam kerja pada

karyawan sarjana dan akademik adalah sama)



H1 : Kedua rata-rata populasi adalah tidak identik (rata-rata populasi jam kerja pada

karyawan sarjana dan akademik adalah berbeda)

• Pengambilan keputusan


Syarat :

- Ho diterima : Jika thitung berada diantara nilai – t-tabel dan + t-tabel.

- Ho ditolak : Jika thitung tidak berada diantara nilai – t-tabel dan + t-tabel.

Pada output didapat nilai t-hitung sebesar -0,833. Sedangkan t-tabel dapat

dihitung pada tabel t dengan tingkat signifikansi (α) adalah 5% dan derajat

kebebasan (df) adalah 19. Uji dilakukan dua sisi sehingga didapatkan ttabel

sebesar 2,09.

Karena t-hitung terletak pada daerah Ho diterima (-0,833), maka rata-rata populasi

jam kerja pada karyawan sarjana dan akademik adalah sama. Atau tingkat

pendidikan seorang karyawan ternyata tidak membuat jam kerja menjadi berbeda.


Syarat :


- Jika probabilitas < 0,05 maka Ho ditolak

Pada output tampak nilai probabilitas adalah 0,416. Karena nilai probabilitas jauh

di atas 0,05 maka Ho diterima dengan kesimpulan yang sama dengan cara

perbandingan t-hitung dengan t-tabel.

D. Prosedur Paired Sample T-Test

Prosedur paired sampel t-test digunakan untuk menguji dua sampel yang

berpasangan, apakah mempunyai rata-rata yang secara nyata berbeda ataukah

tidak.

Untuk menjalankan prosedur ini dari menu utama SPSS, pilih menu

Analyze...Compare Mean...Paired-Samples T Test…

Maka akan ditampilkan kotak dialog Paired Sample T-test.



1. Pindahkan satu atau beberapa pasang variabel sekaligus kekotak Paired Variabel.

Untuk memindahkan pasangan lakukan langkah berikut :

a. Klik salah satu variabel, sehingga akan ditampilkan sebagai variabel

pertama pada kotak Current Selections.

b. Klik variabel lain, sebagai pasangannya, sehingga akan ditampilkan sebagai

variabel kedua pada kotak Current Selections.

2. Untuk membuat pasangan variabel lagi. Ulangi langkah-langkah diatas.

3. Klik OK untuk mendapatkan uji default dari pasangan sampel dengan

probabilitas 2 ekor dan interval konfidensi 95% untuk perbedaan rata-rata.

Kasus 6.4.

Sebuah perusahaan ingin mengetahui apakah dengan penggantian mesin dapat

meningkatkan jumlah produksi barang. Dilakukan pengamatan dengan data sebagai

berikut:



Tabel 6.3. Barang Produksi dg mesin lama Produksi dg mesin baru

Barang Produksi dengan

mesin lama

Produksi dengan

mesin baru 1 356 298 2 365 299 3 312 305 4 321 368 5 332 345 6 364 375 7 351 301 8 389 299 9 397 300

10 374 369 11 368 398 12 298 301 13 296 325 14 301 346 15 374 293 16 310 355 17 321 371

Dari data tersebut ingin diketahui apakah pengubahan mesin dapat

meningkatkan produksi barang ?

Penyelesaian :

Dengan mengikuti langkah-langkah di atas akan Anda dapatkan Output

sebagai berikut :

Output SPSS

Paired Samples Statistics

342.88 17 33.423 8.106

332.24 17 35.234 8.546

Produksi denganmesin lamaProduksi denganmesin baru

Pair1

Mean N Std. DeviationStd. Error

Mean



Paired Samples Correlations

17 -.146 .576Produksi dengan mesinlama & Produksidengan mesin baru

Pair1

N Correlation Sig.

Paired Samples Test

10.647 51.983 12.608 -16.080 37.374 .844 16 .411Produksi denganmesin lama - Produksidengan mesin baru

Pair1

Mean Std. DeviationStd. Error

Mean Lower Upper


Difference

Paired Differences

t df Sig. (2-tailed)

Analisis :

• Hipotesis

Ho : Kedua rata-rata adalah identik (rata-rata populasi produksi dengan mesin lama

dan baru adalah sama).

H1 : Kedua rata-rata adalah tidak identik (rata-rata populasi produksi dengan mesin

baru lebih besar dari prouksi dengan mesin lama).

• Pengambilan Keputusan


Syarat :

- Ho diterima : Jika t-hitung berada diantara nilai – t-tabel dan + t-tabel.

- Ho ditolak : Jika t-hitung tidak berada diantara nilai – t-tabel dan + t-tabel.

t-hitung dari output di atas = 0,844. Nilai t-tabel, dengan tingkat signifikansi (α) 5

% dengan df (derajat kebebasan) = n-1 = 17 – 1= 16, maka didapatkan t-tabel = ±

2,12

Karena t-hitung terletak diantara ± t-tabel maka H0 diterima yang artinya

penggantian mesin produksi ternyata tidak mempengaruhi jumlah produksi

barang.

b. Berdasarkan Probabilitas

Syarat :

♦ Jika probabilitas > 0,05 maka H0 diterima



♦ Jika probabilitas < 0,05 maka H0 ditolak

Karena nilai probabilitas 0,411 > 0,05 maka H0 diterima, dengan kesimpulan yang

sama dengan perbandingan di atas.

E. Prosedur One-Way ANOVA

Analysis of Variance (disingkat ANOVA) merupakan alat statistik yang

digunakan untuk menguji apakah rata-rata dari dua atau lebih populasi berbeda secara

signifikan ataukah tidak dan menguji apakah dua atau lebih sampel mempunyai

varians populasi yang sama atau tidak.

Asumsi yang diperlukan untuk Analisis Varians adalah:

Masing-masing grup merupakan sampel random yang berasal dari populasi

normal.

Dalam populasi, varians dari grup-grup tersebut sama.

Sampel tidak berhubungan satu dengan yang lainnya.

Cara untuk memeriksa asumsi tersebut adalah menggunakan prosedur Explore.

Dari prosedure ini, anda bisa membuat stem-leaf plot atau histogram dari masing-

masing grup dan menghitung variansnya. Anda juga bisa menggunakan uji statistik

untuk memeriksa asumsi normalitas dan kesamaan varians.

Prosedur One-Way ANOVA digunakan untuk menghasilkan analisis varians

satu jalur bagi sebuah variabel dependen dalam tingkat interval berdasarkan sebuah

variabel faktor (independen). Anda dapat menguji kecenderungan antar kategori,

menentukan kontras dan menggunakan variasi dari uji range.

Spesifikasi minimum dari prosedur ini adalah:

Satu variabel dependent numerik. Variabel ini diasumsikan mempunyai ukuran

dalam skala interval.

Satu variabel faktor numerik. Skala pengukuran dari variabel ini harus interval.

Definisi range dari variabel faktor.

Untuk menjalankan program ini, dari menu pilih:

Analyze…Compare Means…One-Way ANOVA

Maka akan ditampilkan kotak dialog One-Way ANOVA.



1. Pindahkan sebuah variabel numerik ke kotak Dependent List. Tabel analisis

varians akan dibuat untuk setiap variabel numerik yang anda pindahkan ke

kotak ini.

2. Pindahkan sebuah variabel faktor (independen) ke kotak Factor. Variabel yang

cocok sebagai variabel faktor adalah yang berbentuk kategori.

3. Pilih Options untuk mendapatkan deskripsi variabel.

4. Klik OK untuk mendapatkan hasil default dari tabel analisis varians satu jalur

yang berisi rasio F, probabilitas F, jumlah kuadrat dan rata-rata jumlah kuadrat

untuk antar dan dalam grup (within groups).

Kasus 6.5.

Peneliti ingin mengetahui apakah ada perbedaan rata-rata dalam pemakaian beberapa

sim card antara lain : IM3, Mentari, Simpati, AS, Flexi, 3, dan Axis pada beberapa

daerah. Dari hasil penelitian diperoleh informasi sebagai berikut :



Tabel 6.4. Data Pemakaian Sim Card

Daerah IM3 Mentari Simpati AS 3 Flexi Axis 1 152 105 125 152 105 125 105 2 132 145 164 132 145 164 145 3 147 100 144 147 100 144 100 4 123 99 136 123 99 136 99 5 102 96 125 102 96 125 96 6 133 130 133 133 130 133 130 7 165 121 154 165 121 154 121

Untuk menganalisis data di atas dengan menggunakan one way ANOVA, maka

bentuk table harus dimodifikasi karena dalam one way ANOVA hanya ada dua

variable yang dapat dimasukkan. Sehingga bentuk table akan berubah seperti Tabel 6.5.

Tabel 6.5. Data Pemakaian Sim Card

Daerah Jenis Sim Card Jumlah Pemakaian 1 1 152 2 1 132 3 1 147 4 1 123 5 1 102 6 1 133 7 1 165 1 2 105 2 2 145 3 2 100 4 2 99 5 2 96 6 2 130 7 2 121 1 3 125 2 3 164 3 3 144 4 3 136 5 3 125 6 3 133 7 3 154 1 4 152 2 4 132



3 4 147 4 4 123 5 4 102 6 4 133 7 4 165 1 5 105 2 5 145 3 5 100 4 5 99 5 5 96 6 5 130 7 5 121 1 6 125 2 6 164 3 6 144 4 6 136 5 6 125 6 6 133 7 6 154 1 7 105 2 7 145 3 7 100 4 7 99 5 7 96 6 7 130 7 7 121

Definisi variable : Nama Value Label Jenis Sim Card: 1=IM3, 2=MENTARI,

3=SIMPATI, 4= AS, 5= FLEXI, 6= 3, 7= AXIS

Dengan mengikuti langkah-langkah di atas maka akan diperoleh output sebagai

berikut:

Output SPSS



Descriptives

Jumlah Pemakaian

7 136.29 20.686 7.819 117.15 155.42 102 1657 113.71 18.670 7.057 96.45 130.98 96 1457 140.14 14.736 5.570 126.51 153.77 125 1647 136.29 20.686 7.819 117.15 155.42 102 1657 113.71 18.670 7.057 96.45 130.98 96 1457 140.14 14.736 5.570 126.51 153.77 125 1647 113.71 18.670 7.057 96.45 130.98 96 145

49 127.71 21.076 3.011 121.66 133.77 96 165

IM3MentariSimpatiASFlexi3AxisTotal

N Mean Std. Deviation Std. Error Lower Bound Upper Bound

95% Confidence Interval forMean

Minimum Maximum

Test of Homogeneity of Variances

Jumlah Pemakaian

.301 6 42 .933

LeveneStatistic df1 df2 Sig.

ANOVA

Jumlah Pemakaian

7307.143 6 1217.857 3.650 .00514014.857 42 333.68721322.000 48

Between GroupsWithin GroupsTotal

Sum ofSquares df Mean Square F Sig.

Analisis :

Pertama yang harus dilakukan adalah menguji terlebih dahulu apakah grup-

grup yang di uji berlaku tidaknya salah satu asumsi untuk Analisis Varians (lihat

asumsi di atas), yaitu apakah ketujuh sampel tersebut mempunyai varians yang sama.

a. Test Varians Populasi (Test of Homogenity of Variance)

• Hipotesis

Ho : Ketujuh varians populasi adalah identik

H1 : Ketujuh varians populasi adalah tidak identik



- Jika probabilitas < 0,05 maka Ho ditolak



Terlihat probabilitas output Livene Test adalah 0,933. Karena probabilitas > 0,05

maka Ho diterima atau ketujuh varians populasi adalah sama, sehingga salah satu

asumsi Analisis Varianscterpenuhi.

Catatan :

Jika varians berbeda analisis selanjutnya secara otomatis tidak dapat dilakukan,

karena asumsi tidak terpenuhi.

b. Analisis Varians

• Hipotesis

Ho : Ketujuh rata-rata populasi adalah identik

H1 : Ketujuh rata-rata populasi adalah tidak identik (sekurang-kurangnya satu

rata-rata tidak sama)


a. Berdasarkan Perbandingan F-hitung dengan F-tabel

- Jika Fhitung > Ftabel maka Ho ditolak

- Jika Fhitung < Ftabel maka Ho diterima

Didapatkan Fhitung pada output diatas adalah 6,650 Ftabel dengan

tingkat signifikan (α) 5 % dan derajat kebebasan (df) Numerator 6 dan

denumerator 42 adalah 2,32 maka Ho ditolak, dengan kesimpulan bahwa rata –

rata ketujuh populasi berbeda atau rata – rata pemakaian dari ketujuh jenis sim

card memang berbeda.

b. Berdasarkan Probabilitas

- Jika Probabilitas > 0,05, maka Ho diterima

- Jika Probabilitas < 0,05, maka Ho ditolak

Terlihat dari hasil output probabilitas (lihat sig.) = 0,005 < 0,05 maka Ho

ditolak dengan kesimpulan sama dengan menggunakan perbandingan diatas.



BAB VII ANALISIS KORELASI

Metode analisis korelasi dikembangkan untuk mempelajari pola dan mengukur

hubungan keeratan secara statistik antara dua variabel atau lebih.

Seorang peneliti ingin mengungkapkan hubungan antara variabel. Yang jadi

masalah adalah bagaimana pola hubungan yang ingin diungkapkan? Jika pola

hubungan yang ingin diungkapkan adalah keeratan hubungan antara variabel satu

dengan variabel yang lain maka analisis yang digunakan adalah Analisis Korelasi

(Correlation Analysis). Jika pola hubungan yang akan diungkapkan adalah untuk

membuat dugaan, maka analisis yang digunakan adalah Analisis Regresi (Regression

Analysis). Jika pola hubungan yang mengungkapkan besarnya pengaruh suatu variabel

baik itu yang langsung atau tidak langsung terhadap variabel lainnya yang sifatnya

Exploratory maka dapat digunakan Analisis Jalur (Path Analysis), jika sifatnya

Confirmatory maka digunakan Lisrel (Linier structural relation) dan modelnya disebut

Model Struktural (Structural Equation Model – SEM).

Pola hubungan yang memperlihatkan eratnya hubungan antara satu variabel

dengan variabel yang lain disebut dengan hubungan korelasi. Dalam analisis korelasi

akan diperoleh nilai koefesien korelasi yang menyatakan ukuran keeratan hubungan

antara satu variabel dengan variabel lain.

B. Korelasi Linier Sederhana (r) dan Koefisien Determinasi (R=r2)

Koefisien Korelasi (r) merupakan ukuran hubungan linier/derajat keeratan antara

variabel bebas (X) dan variabel takbebas (Y).

Nilai r berkisar antara -1 sampai +1.

Nilai r + (positif) menunjukan korelasi positif, artinya semakin besar nilai X

maka akan semakin besar nilai Y, dan sebaliknya nilai r – (negatif) menunjukan

korelasi negatif, artinya semakin besar nilai X maka semakin kecil nilai Y.



Jika nilai r mendekati +1 atau -1, maka X dan Y memiliki korelasi linier yang

tinggi.

Jika nilai r = +1 atau r = -1 maka X dan Y memiliki korelasi linier sempurna.

Jika nilai r = 0 maka X dan Y tidak memiliki relasi (hubungan) linier (dalam

kasus r mendekati 0, anda dapat melanjutkan analisis ke regresi eksponensial).

Koefisien Determinasi (R) merupakan ukuran proporsi keragaman (variansi) total

nilai variabel takbebas (Y) yang dapat dijelaskan oleh nilai variabel bebas (X)

melalui hubungan linier.

C. Rentang Koefisien Korelasi

0.00 - 0.20 : Hubungan yang sangat kecil dan bisa diabaikan (sangat tidak erat)

0.21 - 0.40 : Hubungan yang kecil (tidak erat)

0.41 - 0.70 : Hubungan yang cukup erat

0.71 - 0.90 : Hubungan yang erat

0.91 - 1.00 : Hubungan yang sangat erat

Penetapan dan Interpretasi Koefisien Korelasi dan Koefisien Determinasi

Koefisien Korelasi Produk Momen-Pearson

Penentuan koefisien korelasi untuk variabel dengan skala minimal interval.

Koefisien Korelasi →

2

11

22

11

2

1 11

n

ii

n

ii

n

ii

n

ii

n

i

n

ii

n

iiii

yynxxn

yxyxnr (7.1)

Koefisien Determinasi → R = r2 (7.2)

Contoh 7.1.

Berikut adalah data Biaya Promosi, X, (juta Rupiah) dan Volume Penjualan,Y,

(juta Liter) PT BIMO perusahaan Minyak Goreng.



Tabel T.1. Biaya Promosi Dan Volume Penjualan PT. BIMO Periode Tahun 2000 – 2004 Tahun X Y XY X² Y2

2000 2 5 10 4 25 2001 4 6 24 16 36 2002 5 8 40 25 64 2003 7 10 70 49 100 2004 8 11 88 64 121

261

n

iix 40

1

n

iiy

n

iii yx

1

232

n

iix

1

2 158

n

iiy

1

2 346

Hitung koefisien korelasi (r) dan koefisien determinasi (R) dari contoh tersebut.

Jawab : Dengan menggunakan persamaan (7.1) diperoleh koefisien korelasi :

9857,040)346(526)158(5

)40)(26()232(5

222

11

22

11

2

1 11

n

ii

n

ii

n

ii

n

ii

n

i

n

ii

n

iiii

yynxxn

yxyxnr

Nilai r = 0,9857 menunjukkan bahwa biaya promosi (variabel bebas X) dan

volume penjualan (variabel takbebas Y) berkorelasi linier positif. Hal tersebut

mengindikasikan bahwa kedua variabel memiliki hubungan yang sangat erat,

semakin besar biaya promosi maka semakin besar volume penjualannnya.

Dengan menggunakan persamaan (7.2) diperoleh koefisien determinasi :

R = r2 = (0,9857)2 = 0,9716

Nilai R = 0,9716 menunjukkan bahwa keragaman nilai volume penjualan

(variabel takbebas Y) dapat dijelaskan oleh nilai biaya promosi (variabel bebas

X) sebesar 97,16 persen dan sisanya, yaitu 2,84 persen dijelaskan oleh hal-hal

lain.

Koefisien Korelasi Rank Spearman : rs

Koefisien Korelasi Rank Spearman digunakan untuk penentuan koefisien

korelasi pada variabel dengan skala minimal ordinal, sehingga obyek-obyek

yang diteliti dapat di-ranking dalam rangkaian terurut.



nn

dr

n

ii

s 3

1

261 (8.3)

Dengan : di = selisih ranking variabel X dan variable Y

n = banyak data

Contoh 7.2.

Hitung besarnya koefisien korelasi rank spearman antara ukuran keotoriteran dan

perjuangan status sosial dari 12 mahasiswa berikut ini :

Mahasiswa

Skor Ranking id

2id

Keotoriteran (X)

Perjuangan Status Sosial (Y) X Y

1 82 42 2 3 -1 1 2 98 46 6 4 2 4 3 87 39 5 2 3 9 4 40 37 1 1 0 0 5 116 65 10 8 2 4 6 113 88 9 11 -2 4 7 111 86 8 10 -2 4 8 83 56 3 6 -3 9 9 85 62 4 7 -3 9 10 126 92 12 12 0 0 11 106 54 7 5 2 4 12 117 81 11 9 2 4

Jumlah 52

8181,01212)52(61

61 33

1

2

nn

dr

n

ii

s

Nilai r = 0,8181 menunjukkan bahwa keotoriteran dan perjuangan status sosial

berkorelasi linier positif. Hal ini mengindikasikan bahwa kedua variabel memiliki

hubungan yang sangat erat.

Dengan menggunakan persamaan (5.2) diperoleh koefisien determinasi :

R = r2 = (0,8181)2 = 0,6694

Nilai R = 0,6694 menunjukkan bahwa proporsi keragaman perjuangan status

sosial dapat dijelaskan oleh keotoriteran sebesar 66,94 persen dan sisanya, yaitu

33,06 persen dijelaskan oleh hal-hal lain.



ANALISIS KORELASI MENGGUNAKAN APLIKASI SPSS

Langkah langkah dalam analisis korelasi sederhana untuk melihat hubungan

antara tingkat motivasi dengan kepuasan kerja adalah sebagai berikut (berdasarkan

contoh 7.1):




Correlate.

3. Sorot ke kanan Bivariate … kemudian klik pilihan tersebut. Sehingga


4. Kemudian pilih variabel Promosi dan Penjualan sehingga masuk ke

kotak Variables.

5. Pada bagian Correlation Coefficients pilih Pearson, karena datanya

dalam skala interval. Jika datanya ordinal maka pilihannya adalah

Spearman.

6. Bagian Test of Significance pilih Two-tailed (dua arah), karena

hipotesisnya menggunakan uji dua arah.

7. Kemudian klik OK, sehingga diperoleh output pada window output.

8. Hasil output dari analisis korelasi pearson adalah.



Correlations Promosi Penjualan

Promosi Pearson Correlation

1 .986**

Sig. (2-tailed) .002 N 5 5

Penjualan Pearson Correlation

.986** 1

Sig. (2-tailed) .002

N 5 5 **. Correlation is significant at the 0.01 level (2-tailed).

9. Analisis dan Interpretasi.

Dari hasil output di atas diperoleh nilai koefesien korelasi sebesar 0,986.

Hasil pengujian menunjukkan p-value (Sig.) sebesar 0,002. Karena p-

value < 5%, maka dengan taraf nyata sebesar 5% dapat dinyatakan

bahwa ada hubungan yang nyata antara Biaya Promosi dan Volume

Penjualan.



BAB VIII.

ANALISIS REGRSEI LINIER

Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui

pengaruh antara satu atau beberapa variabel terhadap satu buah variabel. Variabel

yang mempengaruhi sering disebut variabel bebas, variabel independen atau variabel

penjelas, sedangkan variabel yang dipengaruhi sering disebut dengan variabel terikat

atau variabel dependen. Gujarati (2006) juga mendefinisikan analisis regresi sebagai

kajian terhadap hubungan satu variabel yang disebut sebagai variabel yang

diterangkan (the explained variabel) dengan satu atau dua variabel yang menerangkan

(the explanatory).

Tujuan menggunakan analisis regresi ialah

1. Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada

nilai variabel bebas.

2. Menguji hipotesis karakteristik dependensi

3. Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai

variabel bebas diluar jangkaun sample.

Terdapat 2 (dua) metode analisis regresi linier (Linear Regression Analysis),

yaitu: analisis regresi linier sederhana dan analisis regresi linier berganda (multiple).

Disebut regresi sederhana jika melibatkan satu variabel bebas (X) dengan satu variabel

terikat (Y), sedangkan disebut regresi berganda (multiple) jika melibatkan lebih dari

satu variabel bebas (X1, X2, …, Xk) dengan satu variabel terikat (Y). Disebut regresi linier

karena variabel bebasnya berpangkat satu.

Pada analisis regresi ada beberapa persyaratan (asumsi) yang harus dipenuhi

diantaranya adalah: Variabel X dan variabel Y memiliki skala pengukuran sekurang-

kurangnya interval.

Model umum persamaan regresi linier berganda adalah:

kk XXXY 22110

Dimana: Y adalah variabel terikat.

X1 adalah variabel bebas ke-1



X2 adalah variabel bebas ke-2

Xk adalah variabel bebas ke-k

0, 1, 2, k adalah koefesien regresi.

adalah gallat atau error

Jika k=1, maka model regresi tersebut dinamakan regresi linier sederhana, jika k>1,

maka persamaan regresi tersebut dinamakan regresi linier berganda.

Untuk menghitung nilai-nilai koefesien regresi dapat dilakukan dengan Metode

Kuadrat Terkecil (Least Square Method) atau dengan bantuan paket program statistik

seperti (SPSS, Minitab, SAS, S-Plus dan lain-lain). Setelah koefesien regresi diperoleh

langkah selanjutnya adalah melakukan pengujian terhadap koefesien-koefesien

tersebut. Ada dua tahap yang harus dilakukan dalam pengujian ini, yaitu:

1. Pengujian secara keseluruhan (simultan) dengan uj-F.

a. Hipotesis pada pengujian ini adalah:

H0: 0210 k . Artinya, semua variabel bebas tidak

berpengaruh terhadap variabel terikat.

H1: Sekurang-kurangnya ada sebuah i 0. Artinya, ada variabel bebas yang

berpengaruh terhadap variabel terikat.

b. Statistik uji yang akan digunakan adalah Uji-F dari distribusi F-Snedecor

melalui daftar ANAVA.

Tabel 5.3 Daftar Analisis Ragam

Sumber

Variasi

Derajat

Bebas (db)

Jumlah

Kuadrat (JK)

Rata-rata Jml

Kuadrat (RJK) Uji-F

Regresi k JKreg RJKreg F-hitung

Sisa n-k-1 JKsisa RJKsisa

Total n-1 JKtot

JKreg =

n

iikik

n

iyxyx

111111

JKtot =

n

iiy

1

2

JKsisa = JKtot - JKreg



RJKreg = JKreg/k

RJKsisa = JKsisa / (n-k-1)

F-hitung = RJKreg / RJKsisa

c. Kriteria ujinya adalah tolak H0, jika F-hitung > F-tabel, dimana F-tabel = F1-

;k:n-k-1. Jika H0 ditolak maka dilanjutkan dengan pengujian secara individual

(parsial).

2. Pengujian secara individual (Parsial)

a. Hipotesis pada pengujian ini adalah:

H0: i = 0. Artinya, tidak ada pengaruh variabel ke-i terhadap variabel

terikat.

H1: i 0. Artinya, ada pengaruh variabel ke-i terhadap variabel terikat.

i. Statistik uji yang akan digunakan adalah Uji-t dari distribusi t-Student

dengan rumus:

iisisa

ii CRJK

t , dimana Cii adalah elemen pada baris ke-i dan kolom

ke-i dari matriks invers.

ii. Kriteria ujinya adalah tolak H0, jika p-value < atau t-hitung > t-tabel,

dimana t-tabel = t1-/2;n-k-1. Jika H0 ditolak artinya ada pengaruh yang nyata

antara variabel ke-i terhadap variabel terikat.

Koefisien Determinasi

Koefisien determinasi berguna untuk mengetahui sumbangan dari

masing-masing variabel bebas terhadap variabel tidak bebas. Dalam penelitian

ini dipergunakan rumus sebagai berikut :

tot

reg

tot

sisa

JKJK

JKJK

R 12

dimana :

R2 = koefisien determinasi

JKsisa = jumlah kuadrat error

JKtot = jumlah kuadrat total



Kasus 8.1.

Seorang peneliti ingin melihat pengaruh kepemimpinan dan tingkat disiplin kerja

terhadap kinerja pegawai. Survey telah dilakukan terhadap 36 responden sebagai

sampel pada sebuah departeman di Palembang Sumatera Selatan. Setelah data

dikonversi ke dalam skala interval diperoleh data seperti pada Tabel 8.1.

Untuk menganalisis data dan permasalahan di atas akan dilakukan dengan metode

analisis regresi berganda, karena ada dua variabel bebas. Langkah-langkah dalam

analisis regresi berganda untuk melihat pengaruh kepemimpinan dan disiplin kerja

terhadap kinerja pegawai adalah sebagai berikut:

1. Buka lembar kerja dan pastikan data sudah tersedia dengan kriteria yang sudah

ditentukan.


Regression.

3. Sorot ke kanan Linear … kemudian klik pilihan tersebut. Sehingga muncul

kotak dialog seperti pada Gambar berikut.

4. Kemudian pilih variabel kinerja pegawai sebagai variabel terikat sehingga

masuk ke kotak Dependent.

5. Kemudian pilih variabel bebas kepemimpinan dan disiplin kerja sehingga masuk

ke kotak Independent(s).

6. Pada bagian lainnya diisi sesuai dengan kebutuhan yang ingin diungkapkan atau

dikeluarkan.



Tabel 8.1. Data Hasil Survey tentang Kinerja Pegawai

No. Res.

KEPEMIMPINAN (X1)

DISIPLIN KERJA (X2)

KINERJA PEGAWAI (Y)

1 3.1291 3.1145 3.2322 2 2.3290 2.1046 1.9619 3 2.8692 2.0513 2.3839 4 3.5409 3.4066 2.9580 5 2.5257 2.0723 1.9583 6 3.0371 2.8497 2.6341 7 3.6185 3.1225 3.0168 8 3.2835 2.9472 3.0782 9 3.4606 3.2134 2.3434 10 3.3628 3.2613 3.1304 11 3.0904 3.3050 3.1304 12 2.2002 2.5355 1.9198 13 3.2851 3.0759 3.2050 14 3.6185 3.4066 3.0162 15 2.9668 2.8403 2.3542 16 2.9999 3.3150 2.3707 17 3.3994 3.1169 2.6408 18 2.5800 3.0252 2.2910 19 3.3978 2.7734 2.6579 20 2.7572 3.0692 2.4844 21 2.6643 3.0348 2.8312 22 2.2084 2.0460 1.6357 23 2.3720 2.5702 2.6452 24 2.3799 2.1245 2.4965 25 3.1471 3.0348 2.9725 26 2.5894 2.0460 1.5347 27 2.1476 2.0360 1.5347 28 2.6057 2.0338 1.8901 29 2.8735 3.0253 2.8224 30 3.0101 2.6674 2.2606 31 2.3280 2.5710 2.6443 32 2.4164 2.8152 2.9081 33 3.2967 3.3318 3.2671 34 2.6595 2.2491 2.7521 35 3.6185 1.9762 2.4340 36 2.5800 3.0252 2.2910



OUTPUT SPSS

Regression

Descriptive Statistics

2.546883 .487384 362.898573 .455659 362.755381 .481213 36

Kinerja PegawaiKepemimpinanDisiplin Kerja

Mean Std. Deviation N

Correlations

1.000 .627 .721.627 1.000 .602.721 .602 1.000

. .000 .000.000 . .000.000 .000 .

36 36 3636 36 3636 36 36

Kinerja PegawaiKepemimpinanDisiplin KerjaKinerja PegawaiKepemimpinanDisiplin KerjaKinerja PegawaiKepemimpinanDisiplin Kerja

Pearson Correlation

Sig. (1-tailed)

N

KinerjaPegawai

Kepemimpinan Disiplin Kerja

Variables Entered/Removedb

DisiplinKerja,Kepemimpinan

a. Enter

Model1

VariablesEntered

VariablesRemoved Method

All requested variables entered.a.

Dependent Variable: Kinerja Pegawaib.

Model Summaryb

.760a .578 .552 .326134Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Predictors: (Constant), Disiplin Kerja, Kepemimpinana.


ANOVAb

4.804 2 2.402 22.583 .000a

3.510 33 .1068.314 35

RegressionResidualTotal

Model1

Sum ofSquares df Mean Square F Sig.





Coefficientsa

.105 .378 .278 .782

.324 .151 .303 2.139 .040

.545 .143 .538 3.802 .001

(Constant)KepemimpinanDisiplin Kerja

Model1

B Std. Error

UnstandardizedCoefficients

Beta

Standardized

Coefficients

t Sig.

Dependent Variable: Kinerja Pegawaia.

Residuals Statisticsa

1.911306 3.135224 2.546883 .370483 36-.635324 .558727 6.91E-16 .316679 36

-1.716 1.588 .000 1.000 36-1.948 1.713 .000 .971 36

Predicted ValueResidualStd. Predicted ValueStd. Residual

Minimum Maximum Mean Std. Deviation N


Charts

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Kinerja Pegawai

Observed Cum Prob

1.00.75.50.250.00

Expe

cted

Cum

Pro

b

1.00

.75

.50

.25

0.00

7. Hasil analisis dan interpretasi akan dijelaskan pada Bab IX.



BAB IX

PENYAJIAN HASIL ANALISIS DAN PEMBAHASAN

Salah satu hal yang paling penting dalam proses analisis data adalah cara

penyajian dan interpretasi dari hasil pengolahan data. Output-output yang dikeluarkan

dari program SPSS hanyalah berupa tabel dan angka, tanpa ada penjelasan atau

interpretasi. Sehingga output yang diperoleh dari SPSS hendaknya dipindahkan

kedalam program pengolah kata seperti MS Word, MS Power Point atau yang lain

untuk memberikan penjelasan dari hasil tersebut. Langkah-langkah memindahkan

output dari window SPSS ke window MS Word adalah:

1. Buka Windows Output SPSS.

2. Klik (blok) bagian output SPSS yang akan dicopy.

3. Buka menu utama Edit, kemudian klik Copy objects seperti pada Gambar berikut.

Atau dengan cara klik kanan pada mouse, kemudian klik kiri bagian Copy objects,

atau setelah diblok tekan Ctrl+K.

4. Buka window MS Word, tempatkan kursor yang akan dijadikan tempat ouput

SPSS. Buka menu utama Edit kemudian klik Paste. Atau setelah ditempatkan

kursor kemudaian tekan Ctrl+V. Sehingga muncul output hasil SPSS pada window

MS Word.



5. Buatlah format atau sesuaikan dengan tampilan yang dikehendaki serta beri

penjelasan dari output tersebut.

6. Berikut adalah contoh penyajian hasil analisis dan pembahasan pada kasus 8.1 di

atas dengan menggunakan metode analisis regresi berganda.

Pengaruh Variabel Kepemimpinan (X1) dan Disiplin kerja (X2) terhadap Kinerja

pegawai (Y)

Analisis yang akan dilakukan adalah analisis regresi linier berganda dengan

pengujian hipotesis baik secara simultan maupun secara parsial. Pengujian secara

simultan dilakukan untuk melihat pengaruh kedua variabel bebas secara bersama-

sama terhadap variabel terikat dan secara parsial untuk melihat pengaruh masing-

masing variabel bebas terhadap variabel terikat dengan hipotesis sebagai berikut.

1. Hipotesis yang akan di uji secara simultan adalah:

H0: 1,2=0, artinya tidak ada pengaruh variabel kepemimpinan dan disiplin kerja

terhadap tingkat kinerja pegawai.

H1: Minimal ada satu 0, artinya ada pengaruh variabel kepemimpinan dan

disiplin kerja terhadap kinerja pegawai.

2. Hipotesis yang akan di uji secara parsial adalah:

a. H0: 1=0, artinya tidak ada pengaruh kepemimpinan terhadap variabel kinerja

pegawai.

H1: 1 0, artinya ada pengaruh variabel kepemimpinan terhadap variabel

kinerja pegawai.

b. H0: 2=0, artinya tidak ada pengaruh variabel disiplin kerja terhadap kinerja

pegawai.

H1: 2 0, artinya ada pengaruh variabel disiplin kerja terhadap kinerja

pegawai.

3. Statistik uji yang akan digunakan adalah uji-F untuk pengujian secara simultan

dan uji-t untuk pengujian secara parsial.



4. Kriteria ujinya, tolak H0, jika F-hitung > F-tabel, atau jika p-value< dari , dan

tolak H0, jika t-hitung > t-tabel, atau jika p-value< dari ,

Output Nilai Koefesien Determinasi Analisis Regresi Berganda

Model Summary

.760a .578 .552 .326134Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate


Pada tabel di atas (Model Summary) diperoleh nilai R=0,760. Artinya, ada

hubungan korelasi positif antara variabel kepemimpinan dan disiplin kerja dengan

tingkat kinerja pegawai sebesar 76%. Nilai koefesien determinasi atau R2 (R Square)=0,578

menunjukkan bahwa besarnya kontribusi pengaruh variabel kepemimpinan (X1) dan

disiplin kerja (X2) terhadap kinerja pegawai (Y) sebesar 57,8%.

Output Analisis Ragam (Analysis of Varians)

ANOVAb

4.804 2 2.402 22.583 .000a

3.510 33 .1068.314 35

RegressionResidualTotal

Model1

Sum ofSquares df

MeanSquare F Sig.



Pada Tabel di atas (ANOVA), menunjukkan pengujian secara simultan untuk

model regresi yang melibatkan variabel X1 dan X2 terhadap Y. Dari hasil pengujian

diperoleh nilai F-hitung sebesar 22,583 dengan p-value (sig.)= 0,0001. Karena p-value

(sig.) < 5%, maka H0 ditolak. Artinya, dengan tingkat kesalahan sebesar 5% dapat

dinyatakan bahwa kepemimpinan dan disiplin kerja memiliki pengaruh nyata

terhadap tingkat kinerja pegawai.



Output Nilai Koefesien Regresi Berganda

Coefficientsa

.105 .378 .278 .782

.324 .151 2.139 .040

.545 .143 3.802 .001

(Constant)KepemimpinanDisiplin Kerja

Model1

B Std. Error

UnstandardizedCoefficients

t Sig.


Pada tabel di atas (Coefficients) menunjukkan pengujian secara parsial dengan

uji-t.

a. Hasil pengujian untuk variabel kepemimpinan diperoleh koefesien atau nilai

B=0,324, dan nilai t-hitung = 2,139 atau p-value (Sig.)=0,040. Karena p-value <

5%, maka H0 ditolak. Artinya, dengan tingkat kesalahan paling besar 5% dapat

nyatakan bahwa kepemimpinan berpengaruh nyata terhadap tingkat kinerja

pegawai.

b. Hasil pengujian untuk variabel disiplin kerja diperoleh koefesien atau nilai

B=0,545, dan nilai t-hitung = 3,802 atau p-value (Sig.)=0,001. Karena p-value <

5%, maka H0 ditolak. Artinya, dengan tingkat kesalahan paling besar 5% dapat

nyatakan bahwa disiplin kerja berpengaruh nyata terhadap tingkat kinerja

pegawai.

Kesimpulan:

Dari hasil pengujian hipotesis yang telah dilakukan di atas dapat diperoleh

kesimpulan dan intrepretasi sebagai berikut:

1. Dari hasil analisis regresi linier berganda untuk melihat pengaruh variabel

kepemimpinan dan disiplin kerja terhadap tingkat kinerja pegawai diperoleh

model regresi sebagai berikut:

Y = 0,105 + 0,324 X1 + 0,545 X2 + , (R2=0,578)

2. Hasil uji secara simultan atau bersama-sama dengan tabel analisis ragam

(ANOVA) diperoleh nilai p-value sebesar 0,000 atau F-hitung= 22,583. Artinya,



dengan taraf nyata sebesar 5%, dapat dinyatakan bahwa kepemimpinan (X1) dan

disiplin kerja (X2) berpengaruh nyata terhadap kinerja pegawai (Y).

3. Hasil pengujian secara parsial (inidvidu) dengan uji-t dapat dijelaskan sebagai

berikut:

a. Variabel Kepemimpinan.

Karena nilai t-hitung = 2,139 atau p-value (Sig.)=0,040, artinya p-value < 5%,

maka H0 ditolak. Kesimpulannya adalah ada pengaruh yang nyata antara

kepemimpinan terhadap kinerja pegawai.

b. Variabel Disiplin kerja Kerja.

Nilai t-hitung= 3,802 atau p-value (Sig.)= 0,001, artinya p-value<5%, maka

tolak H0, Kesimpulannya adalah ada pengaruh yang nyata antara disiplin

kerja terhadap kinerja pegawai.

4. Pada kofesien konstanta (constant) diperoleh nilai 0,105, artinya jika variabel yang

lain dianggap tidak ada, maka rata-rata tingkat kinerja pegawai sebesar 0,105.

5. Pada variabel kepemimpinan diperoleh nilai 0,324. Artinya, jika variabel yang

lain dianggap tetap, maka peningkatan satu tingkat kepemimpinan akan

menaikan tingkat kinerja pegawai sebesar 0,324.

6. Pada variabel Disiplin kerja diperoleh nilai 0,545. Artinya, jika variabel yang lain

dianggap tetap, maka peningkatan satu tingkat disiplin kerja akan menaikan

tingkat kinerja pegawai sebesar 0,545.

7. Nilai koefesien determinasi (R2) sebesar 0,578 menunjukan bahwa kontribusi

pengaruh kedua variabel bebas, yaitu kepemimpinan dan disiplin kerja terhadap

variabel terikat, yaitu kinerja pegawai sebesar 0,578 atau 57,8%. Sedangkan

sisanya (42,2%) dipengaruhi oleh faktor lain.

Analisis Statistik Teori Dan Aplikasi Menggunakan Spss 11 (1)

Documents

Transcript of Analisis Statistik Teori Dan Aplikasi Menggunakan Spss 11 (1)