Statistik Deskriptif pd SPSS

Ukuran-ukuran statistik deskriptif dalam SPSS bertujuan untuk mendapatkan gambaran

ringkas dari sekumpulan data, sehingga kita dapat menyimpulkan keadaan data secara mudah
dan cepat. Melalui ukuran statistik deskriptif, kita dapat menentukan jenis pengolahan
statistik lebih lanjut yang sesuai dengan karakteristik data.
1. Fungsi Descriptive
Berikut ini merupakan cara mendapatkan ukuran-ukuran statistik deskriptif pada
SPSS. Dengan mengunakan fungsi deskriptif.
Fungsi deskriptif biasanya digunakan untuk jenis data numerik dengan skala
rasio(scale). Data kategorik dapat diukur dengan fungsi Descriptive namun hasilnya
tidak dapat mengambarkan berapa frekuensi dan prosentase dari data tiap kategorik,
karena angka kode pada kategorik dianggap angka numerik Rasio.
Misalnya terdapat data umur dan IMT dari 25 responden penelitian kita yang telah
diinput pada SPSS.
Selanjutnya untuk mendapatkan ukuran-ukuran statistik deskriptif, klik Analyze >
Descriptive Statistics > Descriptives. Sebagai berikut:

Akan muncul tampilan berikut :

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 Statistic

Statistic

Statistic

g Statistic h Std. Error

umur2

25

34

41

959

38.37

.398

IMT

25

15.49

17.72

33.20

630.48

25.2191

.83220

Valid
(listwise)

25

Std. Deviation Variance

umur2

Skewness

Kurtosis

i Statistic

j Statistic k Statistic l Std. Error

m Statistic n Std. Error

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

yang tertinggi adalah 15,49.

d. Kolom keempat adalah nilai minimum (terendah) dari data tersebut diketahui minimum
umur responden adalah 34 tahun dan IMT responden minimum adalah 17,72.
e. Kolom kelima adalah nilai maksimum (tertinggi) dari data dari data tersebut diketahui
umur maksimum responden adalah 41 tahun dan IMT maksimum responden adalah
33,20..

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:

Akan muncul tampilan 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

Std. Error of Mean

.082

Median

1.00

Std. Deviation

.408

Variance

.167

Skewness

1.597

Std. Error of Skewness

.464

Kurtosis

.593

Std. Error of Kurtosis

.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

Cara membaca tabel tsb :

Kolom frequency merupakan jumlah responden yang ada pada masing kategori.
Kolom Percent merupakan jumlah prosentase(%) jumlah responden yang terdapat pada
masing kategori
Kolom Cumulative percent merupakan penjumlahan prosentase dari masing-masing kategori
yang perhitungannya dimulai pada kategori pada baris teratas, pada tabel di atas adalah lakilaki yaitu masih 80% kemudian pada baris selanjutnya ditambahkan degan prosentase jumlah
perempuan yaitu 80% + 20% yaitu 100%.
Dari tabel jenis kelamin, dapat diketahui bahwa jumlah responden laki-laki (20 responden)
lebih banyak dibanding jumlah responden perempuan (5 responden).
Atau dari tabel variabel jenis kelamin tsb di atas dapat diketahui terdapat 80% responden
laki-laki dan 20% responden perempuan.
Jenis nilai yang akan dibaca sesuaikan dengan kebutuhan deskripsi data yang diinginkan.
Hasil output dari grafik :

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:

Akan muncul tampilan 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 :

Uji normalitas menghasilkan 3 (tiga) jenis keluaran, yaitu Processing Summary,

Descriptives, Tes of Normality, dan Q-Q Plots. Untuk keperluan penelitian umumnya hanya

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

95% Confidence Interval for

Mean

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

a. Lilliefors Significance Correction

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.

DETRENDED NORMAL Q-Q

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

Nilai di bawah garis

adalah nilai ekstrim dan
outlier
Keterangan :
-

Kotak besar mengandung 50% data, yaitu data persentil 25 sampai 75. Garis tebal
pada tengah kotak adalah median (persentil 50). Wilayah ini disebut Hspread

Data 1,5 hspread disebut whisker

Nilai lebih dari 1,5 whisker dinamakan data outlier (diberi tanda o)

Nilai lebih dari 3 hspread disebut data ekstrim (diberi tanda *)

Secara teoritis suatu data dikatakan berdistribusi normal apabila :

-

Nilai median ada ditengah-tengah kotak

Nilai whisker terbagi secara simetris ke atas dan ke bawah

Tidak ada nilau ekstrim atau outlier

Dari output data umur diperoleh boxplots sbb:

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:

Akan muncul tampilan 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 :

Uji normalitas menghasilkan 3 (tiga) jenis keluaran, yaitu Processing Summary,

Descriptives, Tes of Normality, dan Q-Q Plots. Untuk keperluan penelitian umumnya hanya

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

a. Lilliefors Significance Correction

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.

Detrended Normal Q-Q Plots

Normal Q-Q Plots

Histograms