Pindahkan variabel umur dan IMT (yang tadinya ada dikotak sebelah kiri) ke kotak
sebelah kanan, dengan cara klik variabel yang bersangkutan, kemudian klik panah yang
menuju ke arah kanan. Kedua variabel akan pindah ke kotak kanan seperti yang terlihat
pada tampilan diatas.
Selanjutnya, klik Options, akan muncul tampilan berikut:
Terdapat berbagai pilihan ukuran numerik statistik deskriptif dalam SPSS seperti yang
terlihat pada tampilan diatas. Sebagai latihan, klik saja semua pilihan tersebut.
Selain itu, juga terdapat pilihan Display Order (urutan tampilan output). Jika diklik
pilihan Variable list, maka output akan ditampilkan dengan urutan sesuai dengan urutan
variabel yang kita input (dalam contoh ini, tampilan outputnya umur kemudian IMT).
Jika dipilih alphabetic, maka output akan ditampilkan berdasarkan urutan abjad awal dari
nama variabel (dalam hal ini IMT kemudian umur). Jika dipilih Ascending means, maka
urutan tampilan output dimulai dari variabel dengan rata-rata terkecil. Jika dipilih
Descending means, maka urutan tampilan output dimulai dari variabel dengan rata-rata
terbesar. Dalam contoh kita diatas, kita ambil pilihan Variable list. Setelah mengambil
pilihan-pilihan yang diinginkan, klik Continue dan klik OK. Akan muncul output statistik
deskriptif sebagai berikut:
Descriptives
Descriptive Statistics
a
b N
c Range d Minimum e Maximum f Sum
Mean
Statistic
Statistic
umur2
25
34
41
959
38.37
.398
IMT
25
15.49
17.72
33.20
630.48
25.2191
.83220
Valid
(listwise)
25
Skewness
Kurtosis
i Statistic
1.989
3.956
-.966
-.469
.464
.902
IMT
4.16100
17.314
.235
.464
-.524
.902
(Catatan: dalam output SPSS, tabel ini ditampilkan memanjang dalam satu tabel. Mengingat
keterbatasan lebar halaman, disini dipecah jadi dua tabel, huruf2 cetak merah lihat keterangan
masing2 kolom di bawah)
Apa makna dari masing-masing pengukuran ?
Seperti yang terlihat pada bagian 1 tulisan ini, output SPSS untuk statistik deskriptif terdiri
dari 14 kolom. Masing-masing kolom akan dijelaskan sebagai berikut:
a. Kolom pertama dari output menunjukkan variabel yang diolah. (Umur dan IMT)
b. Kolom kedua (N-statistics) adalah jumlah observasi/ jumlah sampel. Dari hasil output
tersebut diketahui bahwa jumlah responden umur dan IMT adalah 25 responden.
c. Kolom ketiga adalah range (jarak). Range merupakan pengukuran yang paling sederhana
untuk dispersi (penyebaran) data. Rumus untuk range adalah:
Range = nilai maksimum nilai minimum.
Dalam kasus kita, misalnya
Range untuk umur adalah 7, karena nilai maksimum 41 dan nilai minimum 34.
Berarti jarak data umur dari data yang terendah hingga data tertinggi adalah 7.
Sedangkan range untuk IMT adalah 15,49 , karena nilai maksimum 33,20 dan nilai
minimum adalah 17,72. Berarti jarak data IMT dari data yang terendah hingga
f. Kolom keenam adalah jumlah (sum) dari keseluruhan data. Dari data tsb di atas
diketahui bahwa jumlah keseluruhan data umur responden adalah 958 dan jumlah
keseluruhan IMT responden adalah 630,48.
g. Kolom ketujuh (Mean) adalah nilai rata-rata, yaitu jumlah (sum atau N) dibagi dengan
banyaknya observasi(N). dari data tersebut di atas dapat diketahui bahwa rata-rata
umur responden adalah 38,37 tahun dan rata-rata IMT responden adalah 25,22.
h. Kolom kedelapan adalah standar error dari rata-rata (Standard error of Mean).
Ini adalah pengukuran untuk mengukur seberapa jauh nilai rata-rata bervariasi dari satu
sampel ke sampel lainnya yang diambil dari distribusi yang sama. Pengukuran ini
berguna, terutama untuk menjawab pertanyaan seberapa baik rata-rata yang kita
dapatkan dari data sampel dapat mengestimasi rata-rata populasi ?
dari data tersebut diatas dapat diketahui bahwa variasi rata-rata umur dari satu
responden ke responden lainnya adalah 0,398 dan variasi rata-rata IMT dari responden
satu ke responden lain adalah 0.83
i. Kolom kesembilan (std.Deviation), standard deviasi/simpangan baku adalah suatu indeks
yang mengambarkan sebaran data terhadap rata-ratanya. Berarti data kelompok umur
responden memiliki tingkat simpangan baku 1,99 dan data kelompok IMT responden
memiliki tingkat simpangan baku 4,16.
j. Kolom Kesepuluh (Variance) adalah varians data, dimana varians ini masih tergolong
ukuran dispersi(penyebaran) yang terkait dengan standar deviasi, karena varians adalah
kuadrat dari standar deviasi. Dari data tsb di atas varians dari umur responden adalah
3,95 (1,992 ) dan varians dari IMT responden adalah 17,31(4,162).
k. Kolom kesebelas adalah skewness data. Skewness merupakan alat ukur dalam
menelusuri distribusi data yang diperbandingkan dengan distribusi normal. Skewness
merupakan pengukuran tingkat ketidaksimetrisan (kecondongan) sebaran data di sekitar
rata-ratanya. Distribusi normal merupakan distribusi yang simetris dan nilai skewness
adalah 0. Skewness yang bernilai positif menunjukkan ujung dari kecondongan menjulur
ke arah nilai positif (ekor kurva sebelah kanan lebih panjang). Skewness yang bernilai
negatif menunjukkan ujung dari kecondongan menjulur ke arah nilai negatif (ekor kurva
sebelah kiri lebih panjang). Berikut contoh grafik skewness :
Dari data di atas dapat di ketahui nilai skewness data umur responden adalah -,0,469,
dan nilai skewness data IMT responden adalah 0,235. Untuk mengetahui apakah data
berdistribusi normal atau tidak maka perlu di ketahui nilai std.error skewness yaitu (pd
kolom 12).
l. Kolom keduabelas adalah standar error dari skewness. Dari data tsb diketahui bahwa
nila std.error skewness umur dan IMT adalah 0,464.
Untuk mengetahui normalitas data dari skewness maka perlu di hitung nilai ratio
skewness, berikut adalah rumusnya : Nilai Skewness/Std Error Skewness. Dimana jika
skor berada antara -2 dan 2 maka distribusi data normal.
dari data tsb di atas:
- nilai ratio skewness umur adalah -0,469/0,464 = - 1,01 < - 2 berarti data umur
berdistribusi normal, karena nilai rasio skewness umur masih berada diantara -2
-
dan 2.
nilai ratio skewness IMT adalah 0,235/0,464 = 0,50 < 2 berarti data IMT
berdistribusi normal, karena nilai rasio skewness IMT masih berada diantara -2 dan
2.
m. Kolom ketiga belas adalah Kurtosis. Sebagaimana skewness, kurtosisi juga merupakan
alat ukur dalam menelusuri distribusi data yang diperbandingkan dengan distribusi
normal. Kurtosis menggambarkan keruncingan (peakedness) atau kerataan (flatness)
suatu distibusi data dibandingkan dengan distribusi normal. Pada distribusi normal, nilai
kurtosis sama dengan 0. Nilai kurtosis yang positif menunjukkan distribusi yang relatif
runcing, sedangkan nilai kurtosis yang negatif menunjukkan distribusi yang relatif rata.
Berikut ini contoh grafik kurtosis :
Dari data di atas dapat di ketahui nilai kurtosis data umur responden adalah -0,966 dan
nilai kurtosis data IMT responden adalah -0,524. Untuk mengetahui apakah data
berdistribusi normal atau tidak, maka perlu di ketahui nilai std.error kurtosis yaitu (pd
kolom 14).
n. Kolom keempatbelas adalah standar error dari kurtosis. Dari data tsb diketahui bahwa
nila std.error kurtosis umur dan IMT adalah 0,902.
Untuk mengetahui normalitas data dari kurtosis maka perlu di hitung nilai ratio kurtosis,
berikut adalah rumusnya : Nilai kurtosis/Std Error kurtosis. Dimana jika skor berada
antara -2 dan 2 maka distribusi data normal.
dari data tsb di atas :
- nilai ratio kurtosis umur adalah -0,966/0,902 = - 1,07 < - 2 berarti data umur
berdistribusi normal, karena nilai rasio kurtosis umur masih berada diantara -2 dan
-
2.
nilai ratio kurtosis IMT adalah -0,524/0,902 = -0,58 < -2 berarti data IMT
berdistribusi normal, karena nilai rasio kurtosis IMT masih berada diantara -2 dan
2.
2. Fungsi Frequencies
Frequencies pada SPSS memiliki fungsi yang sama dengan fungsi descriptive yang
dibahas di atas. Hanya saja dalam penggunaan biasa digunakan untuk data yang berskala
nominal atau ordinal (data kategorik), namun juga dapat digunakan untuk mengukur
statistic deskriptif pada data numerik dengan hasil tampilan yang berbeda dari hasil
pengukuran statistik deskriptif pada descriptive. Untuk mengetahui jumlah prosentase
(%) masing-masing kategori dari variabel yang akan diuji deskriptif frequensi.
Berikut contoh dan langkah-langkah menggunakan fungsi Frequencies dalam SPSS :
Misalnya terdapat data jenis kelamin dari 25 responden penelitian kita yang telah diinput
pada SPSS.
Selanjutnya untuk mendapatkan ukuran-ukuran statistik deskriptif, klik Analyze >
Descriptive Statistics > Frequencies. Sebagai berikut:
Pindahkan variabel jenis kelamin (yang tadinya ada dikotak sebelah kiri) ke kotak
sebelah kanan, dengan cara klik variabel yang bersangkutan, kemudian klik panah yang
menuju ke arah kanan. Kedua variabel akan pindah ke kotak kanan seperti yang terlihat
pada tampilan diatas.
Selanjutnya bila ada ukuran numerik statistik yang ingin diukur, maka klik statictis, akan
muncul tampilan berikut:
Terdapat berbagai pilihan ukuran numerik statistik deskriptif dalam SPSS seperti yang
terlihat pada tampilan diatas. Sebagai latihan, klik beberapa dari pilihan yang tersedia
tersebut yang dibutuhkan sebagai informasi data bila tidak ada abaikan. klik Continue
Bila ingin memunculkan grafik frekuensi data maka klik charts maka akan muncul tampilan
berikut :
Pilih jenis grafik yang akan digunakan pada chart type dan pilih jenis nilai data yang ingin
ditampilkan pada chart values, jika ingin tampilan nilai berupa jumlah pada masing-masing
kategori maka pilih frequencies dan jika ingin tampilan nilai berupa prosentase(%) maka
pilih percentages. Setelah itu klik continue dan klik OK. Akan muncul output statistik
deskriptif sebagai berikut:
Statistics
jnskelamin
N
Valid
Missing
25
0
Mean
1.20
.082
Median
1.00
Std. Deviation
.408
Variance
.167
Skewness
1.597
.464
Kurtosis
.593
.902
Range
Minimum
Maximum
Untuk membaca masing2 fungsi tersebut sama seperti pada contoh fungsi descriptive hanya
sesuaikan dengan contoh variabel yang diukur disini. Namun bila data berupa data kategorik
sebaiknya jenis-jenis ukuran pada tabel di atas tidak perlu dibaca.
jnskelamin
Frequency
Valid
laki-laki
perempuan
Total
Percent
Valid
Cumulative
Percent
Percent
20
80.0
80.0
80.0
20.0
20.0
100.0
25
100.0
100.0
3. Fungsi Explore
Sub sub menu EXPLORE digunakan untuk analisis deskriptif relatif lengkap yang
meliputi berbagai statistik dan tampilan grafiknya. Kita bisa mengetahui statistik nilai
terkecil, terbesar, rata-rata, ragam, standar deviasi, bentuk distribusi, uji kenormalan data,
dan berbagai ukuran lainnya, serta membuat grafik boxplot, stem and leaf, atau
histogram. Menu ini sangat efektif digunakan untuk data dengan skala pengukuran
minimal interval. Namun pada contoh tersebut dibawah hanya akan dijelaskan cara
membaca normalitas pada hasil output tabel test of normality, grafik histogram dan
grafik boxplots.
Berikut contoh dan langkah-langkah menggunakan fungsi Explore dalam SPSS :
Contoh 1 :
Misalnya terdapat data umur dari 25 responden penelitian kita yang telah diinput pada
SPSS.
Dalam contoh pertama data umur di ukur secara tunggal (tidak berdasar faktor
lain seperti jenis kelamin.
Selanjutnya untuk mendapatkan ukuran-ukuran statistik deskriptif, klik Analyze >
Descriptive Statistics > Explore. Sebagai berikut:
Pindahkan variabel umur (yang tadinya ada dikotak sebelah kiri) ke kotak sebelah kanan
dependent list dengan cara klik variabel yang bersangkutan, kemudian klik panah yang
menuju ke arah kanan. Variabel umur akan pindah ke kotak kanan seperti yang terlihat
pada tampilan diatas.
Untuk memilih jenis tampilan statistic data klik pada statictic, maka akan muncul
tampilan berikut :
Pilih descriptive dengan confidence level for mean 95 %, seperti tampilan diatas. Lalu
klik continue.
Untuk menentukan normalitas dan jenis-jenis tampilan plots data klik Plots, maka akan
muncul tampilan berikut :
Pada Boxplots pilih Factors levels Together, pada Descriptive pilih Histogram aktifkan
normality plots with test, pada Spread vs level with levene Test pilih power estimation,
seperti pada tampilan di atas. Lalu klik continue lalu klik OK. Maka akan keluar hasil
output seperti berikut :
Explore
Descriptives
Statistic
umur2
Mean
Std. Error
38.37
Lower Bound
37.55
Upper Bound
39.19
5% Trimmed Mean
38.44
Median
39.21
Variance
3.956
Std. Deviation
1.989
Minimum
34
Maximum
41
Range
Interquartile Range
.398
Skewness
-.469
.464
Kurtosis
-.966
.902
Hasil output pada tabel diatas adalah hasil pengukuran statistik untuk variabel umur, masingmasing definisi dari komponen ukuran statistik sudah dijelaskan pada contoh pengukuran
statistik deskriptif di fungsi Descriptive.
Tests of Normality
Kolmogorov-Smirnova
Statistic
umur2
df
.184
Shapiro-Wilk
Sig.
25
Statistic
.029
df
.910
Sig.
25
.031
Hasil output pada tabel di atas adalah hasil uji normalitas dengan kolmogorov-smirnov dan
Shapiro-Wilk. Bila jumlah responden/sampel (N) 50 maka baca signifikansi (Sig.) pada
bagian shapiro-wilk, namun bila jumlah responden/sampel > 50 maka baca signifikansi pada
bagian
kolmogorov-smirnov.
Data
dikatakan
berdistribusi
normal
apabila
nilai
signifikansi/probabilitas pada kolom sig. > 0,05. Berdasarkan hasil uji normalitas shapirowilk pada tabel di atas dapat di simpulkan bahwa data umur responden tidak berdistribusi
normal karena signifikansi/probabilitasnya < 0,05.
HISTOGRAM
umur2
Dengan melihat grafik Histogram diatas, tampak bahwa sebaran data yang umur
responden memiliki bentuk kurva cenderung miring ke kanan dan ada celah pada umur
37 tahun. Sehingga kemungkinan besar data berdistribusi tidak normal.
Q-Q PLOTS
Secara teoritis, suatu set data dikatakan mempunyai sebaran normal apabila data tersebar
disekitar garis. Dari hasil Q-Q plot data umur tersebut di atas terlihat bahwa data
menyebar disekitar garis, akan tetapi letak penyebarannya jauh dari garis. Sehingga
kemungkinan besar data berdistribusi tidak normal.
Secara teoritis, suatu set data dikatakan mempunyai sebaran normal apabila data tersebar
disekitar garis (angka nol). Dari hasil output data umur tersebut di atas terlihat bahwa
hampir semua data menyebar jauh dari garis (angka nol). Sehingga kemungkinan besar
data berdistribusi tidak normal.
BOXPLOTS
Boxplots teoritis
Nilai di atas garis adalah
nilai ekstrim dan outlier
Whisker
(1,5 Hspread)
Persentile 25
Persentile 50/median
Persentile 25
hspread
Kotak besar mengandung 50% data, yaitu data persentil 25 sampai 75. Garis tebal
pada tengah kotak adalah median (persentil 50). Wilayah ini disebut Hspread
Nilai lebih dari 1,5 whisker dinamakan data outlier (diberi tanda o)
Terlihat bahwa median terletak agak ke atas kotak, whisker terbagi tidak simetris.
Sehingga kemungkinan data tidak berdistribusi normal.
Contoh 2:
Misalnya terdapat data umur dan jenis kelamin dari 25 responden penelitian kita yang
telah diinput pada SPSS.
Dalam contoh kedua normalitas data umur di ukur berdasarkan jenis kelamin
(tidak berdasar faktor lain seperti jenis kelamin).
Selanjutnya untuk mendapatkan ukuran-ukuran statistik deskriptif, klik Analyze >
Descriptive Statistics > Explore. Sebagai berikut:
Pindahkan variabel umur dan jenis kelamin (yang tadinya ada dikotak sebelah kiri) ke
kotak sebelah kanan variabel umur di pindah ke dependent list, dan jenis kelamin pada
kotak factor list dengan cara klik variabel yang bersangkutan, kemudian klik panah yang
menuju ke arah kanan. Kedua variabel akan pindah ke kotak kanan seperti yang terlihat
pada tampilan diatas.
Untuk memilih jenis tampilan statistic data klik pada statictic, maka akan muncul
tampilan berikut :
Pilih descriptive dengan confidence level for mean 95 %, seperti tampilan diatas. Lalu
klik continue.
Untuk menentukan normalitas dan jenis-jenis tampilan plots data klik Plots, maka akan
muncul tampilan berikut :
Pada Boxplots pilih Factors levels Together, pada Descriptive pilih Histogram aktifkan
normality plots with test, pada Spread vs level with levene Test pilih power estimation,
seperti pada tampilan di atas. Lalu klik continue lalu klik OK. Maka akan keluar hasil
output seperti berikut :
jnskelamin
Case Processing Summary
Cases
Valid
jnskelamin
umur2
laki-laki
perempuan
Missing
Percent
Total
Percent
Percent
20
100.0%
.0%
20
100.0%
100.0%
.0%
100.0%
Descriptives
jnskelamin
umur2
laki-laki
Statistic
Mean
95% Confidence Interval for
Mean
38.24
Lower Bound
37.23
Upper Bound
39.25
5% Trimmed Mean
38.29
Median
39.21
Variance
4.649
Std. Deviation
2.156
Minimum
34
Maximum
41
Range
Interquartile Range
Skewness
Kurtosis
perempuan
Std. Error
Mean
95% Confidence Interval for
Mean
.482
-.345
.512
-1.386
.992
38.91
.490
Lower Bound
37.55
Upper Bound
40.27
5% Trimmed Mean
38.85
Median
38.21
Variance
1.199
Std. Deviation
1.095
Minimum
38
Maximum
41
Range
Interquartile Range
Skewness
1.530
.913
Kurtosis
1.742
2.000
Hasil output pada tabel diatas adalah hasil pengukuran statistik untuk variabel umur berdasar
jenis kelamin, masing-masing definisi dari komponen ukuran statistik sudah dijelaskan pada
contoh pengukuran statistik deskriptif di fungsi Descriptive.
Tests of Normality
Kolmogorov-Smirnova
jnskelamin
umur2
Statistic
df
Shapiro-Wilk
Sig.
Statistic
df
Sig.
laki-laki
.226
20
.009
.880
20
.017
perempuan
.339
.062
.754
.033
Hasil output pada tabel di atas adalah hasil uji normalitas variabel umur responden
berdasarkan jenis kelamin dengan kolmogorov-smirnov dan Shapiro-Wilk. Bila jumlah
responden/sampel (N) 50 maka baca signifikansi (Sig.) pada bagian shapiro-wilk, namun
bila jumlah responden/sampel > 50 maka baca signifikansi pada bagian kolmogorov-smirnov.
Data dikatakan berdistribusi normal apabila nilai signifikansi/probabilitas pada kolom sig. >
0,05. Berdasarkan hasil uji normalitas shapiro-wilk pada tabel di atas dapat di simpulkan
bahwa data umur responden baik laki-laki maupun perempuan tidak berdistribusi normal
karena signifikansi/probabilitasnya < 0,05.
BOXPLOTS
umur2
Dari grafik boxplots umur responden berdasar jenis kelamin laki-laki di atas dapat
diketahui bahwa sebaran data umur pada laki-laki relatif lebih banyak terkumpul di
bawah median umur laki-laki (39) atau garis median data relatif naik ke atas. Dan juga
whisker terbagi tidak simetris. Sehingga kemungkinan data umur berdasar jenis kelamin
laki-laki tidak berdistribusi normal. Sedangkan
Pada grafik boxplots umur berdasar jenis kelamin wanita terlihat bahwa seluruh data
umur responden wanita terdapat di atas garis median.bentuk grafik tidak utuh dan tidak
simetris, sehingga kemungkinan data umur berdasar jenis kelamin wanita tidak
berdistribusi normal.
Cara membaca grafik hasil output dibawah ini sama dengan contoh pertama, hanya
pada contoh kedua ini dilihat berdasarkan jenis kelamin, seperti yang dicontohkan
dalam grafik boxplots di halaman sebelumnya.
Histograms