Analisis Statistik Teori Dan Aplikasi Menggunakan SPSS 1 PDF

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)
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.
Didin Astriani Prasetyowati Page 1

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?4 bila produk sangat baik 3 bila produk
Berilah jawaban angka : cukup baik 2 bila produk kurang baik 1
bila produk sangat tidak baik
Atau Jawablah dengan melingkari interval jawaban.
NO PERTANYAAN INTERVAL JAWABAN
1. Bagaimana kualitas gambar 4 3 2 1
2 Bagaimana kualitas suara 4 3 2 1
3 Bagaimana tampilan produk 4 3 2 1
4 Bagaimana pelayanan purna jual 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 7 6 5 4 3 2 1 Keputusan diambil sendiri
bersama

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
Penjualan Modal Tenaga Kerja
Tahun (Milyar Rp) (Milyar Rp) (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 Pria Wanita
Jumlah Jam Kerja
Kurang dari 25 jam/minggu 20 30
25 sampai 50 jam/minggu 70 60
Lebih dari 50 jam/minggu 90 50
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
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
JUMLAH MAHASISWA (ORANG)
JURUSAN JUMLAH MAHASISWA
500
AKE 500 500 400 350
400 300
MIF 400 300 200
TIK 350 200
100
ARS 200 0
AKE MIF TIK ARS MPRS
MPRS 300 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
TAHUN JUMLAH BARANG JUMLAH BARANG (UNIT)
160 150
2004 50 140
120 100 125
2005 100 100
80 80
2006 80 60
40 50
2007 125
20
2008 150 0
2004 2005 2006 2007 2008
TAHUN

Tabel 4.6 Gambar 4.3 (Diagram Titik/Pencar)

PENDAPATAN (X) & PENGELUARAN PENDUDUK (Y) GRAFIK PENDAPATAN & PENGELUARAN
DI DAERAH B PENDUDUK DAERAH B
PENGELUARAN (JUTA RP)
X 30 50 65 80 90 100 110 120 125 130
Y 30 45 60 60 80 70 95 100 120 100
120
80
40
0
50 100 150
PENDAPATAN (JUTA RP)
Tabel 4.7 Gambar 4.4 (Diagram Lingkaran)

HASIL PEMUNGUTAN SUARA DIAGRAM HASIL PEMUNGUTAN SUARA
Kandidat Jml Suara Jml Suara (derajat)

Abstain, 10
A 25 (25/100) x 3600 = 900 A, 25
B 45 (45/100) x 3600 = 1620
C 20 (20/100) x 3600 = 720
C, 20
Abstain 10 (10/100) x 3600 = 360
JUMLAH 100 3600
B, 45
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.

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 .
UBK  UAK BBK  BAK
- Titik Tengah Kelas  
2 2
50  59
- Untuk kelas interval pertama, Titik Tengah Kelas   54,5 ....dst
2

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).
rentang
p
banyak kelas
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
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).
rentang 33
p   6 , 6  7 ( selalu dibulatkan keatas )
banyak kelas 5
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
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 - -
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:

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:
x1  x2  x3  ....  xn  x
X 
n n (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 : x
 x  30  6
n 5
☺ 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

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)
x
 f  m (5.2)
n
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) fxm
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 : x
 f  m = 2067/30 = 68,9
n
☺ Rata-rata hitung pengeluaran per hari untuk 30 keluarga tersebut adalah Rp 68.900
b. Modus
Untuk data yang dikelompokkan modus didefinisikan sebagai :
 d 
Mo  LMo  p 1  (5.3)
 d1  d2 
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
 d1 
Mo  LMo  p   67,5+6(4/(4+5))=70,17
 d1  d2 
☺ Pengeluaran per hari 30 keluarga tersebut mempunyai modus sebesar Rp 70.170
c. Median
Untuk data yang dikelompokkan median didefinisikan sebagai :
1 
 nF
Me  LMe  p 2  (5.4)
 f Me 
 
 
dengan : Me = median data kelompok
LMe = batas bawah kelas median, yakni kelas dimana median akan
terletak, yaitu pada jumlah frekuensi 1 n .
2
p = panjang kelas median.

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)
1 
 nF 
Me  LMe  p 2   67,5+6((15-12)/10)=69,3
 f Me 
 
 
☺ 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
SR 
 xx (5.5)
n
dengan :  xx = 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 :
x
 x  30  6 =
n 5
SR 
 xx 
26  56  66  86  96

10
2
n 5 5
☺ Simpangan rata-rata untuk data tersebut adalah 2
b. Varians Dan Simpangan Baku
 x  x 
2
2
Varians → s  (5.6)
n 1
Simpangan Baku → s s2 (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
2
s 2

 x  x  
2  6 2  5  6 2  6  6 2  8  6 2  9  6 2 
30
 7 ,5
n 1 5 1 4
s s 2  2 ,738
☺ 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).
s
KV   100 % (5.8)
x
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
Karyawan 1 2 3 4 5
Umur ( Tahun ) 34 27 37 32 25
Pendapatan ( $ ) 75 90 123 187 135
Manakah yang lebih seragam, umur atau pendapatan karyawan?

Jawab :
 Umur Karyawan
Rata-rata → x  x 
34  27  37  32  25 155
  31
n 5 5
Simpangan Baku
 x  x 
2
→s  
34  312  27  312  ..  25  312 
98
 4,95
n 1 5 1 4
Koefisien variasi → KV  s x100 %  4 , 95  100 %  15 ,97 %

x 31
☺ Koefisien variasi umur karyawan adalah 15,97%.
 Pendapatan Karyawan
Rata-rata → x  x 
75  90  123  187  135

610
 122
n 5 5
Simpangan Baku
2
→s 
 x  x  
75 1222  90 1222  ..  1351222 
7628
 43,67
n 1 5 1 4
Koefisien variasi → KV  s x100 %  43 , 67  100 %  35 ,8 %

x 122
☺ 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.

2. Ukuran Penyebaran Untuk Data Berkelompok

a. Simpangan Rata-rata
SR 
 f  m  x  (5.9)
n
dengan : m = titik tengah kelas
f = frekuensi tiap kelas interval
x = rata-rata hitung
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 mx f  mx
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
SR 
  f  m  x  =189,6/30 = 6,32
n
☺ Simpangan rata-rata pengeluaran per hari 30 keluarga adalah Rp 6320
b. Varians dan Simpangan Baku
  f  m  x  
2
2
Varians → s  (5.10)
n 1
Simpangan Baku → s s2 (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 f m m x m x2 f m  x
2
(ribu Rp)
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
  f  m  x    1795,2  61,9
2
2
Varians → s 
n 1 29
Standar Deviasi → s  s2  61,9  7 ,868
☺ 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 :
s
KV   100 %  (7,868/68,9) x 100%=11,41%
x
☺ Koefisien variasi untuk data pengeluaran per hari 30 keluarga adalah 11,41%
d. Nilai Baku (Skor z)
xx
z (5.12)
s
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 :
x  x 83  75
 Untuk mata kuliah statistik → z   0,67
s 12
x  x 90  83
 Untuk mata kuliah Kalkulus → z   0,44
s 16
☺ 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
a
Mode 45.00 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
Cumulative
Frequency Percent Valid Percent 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
Cumulative
Frequency Percent Valid Percent 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 5000
2 0 1 57 2 126000
3 1 0 35 4 825000
4 0 1 21 2 65000
5 1 1 17 2 75000
6 0 1 29 4 300000
7 1 1 35 1 150000
8 0 1 46 1 300000
9 1 1 40 3 300000
10 1 1 37 2 350000
11 0 1 58 1 105000
12 0 1 46 1 120000
13 1 1 31 4 90000
14 0 1 28 4 105000
15 0 1 33 2 500000
16 0 1 30 4 300000
17 1 1 38 1 69500
18 0 0 59 3 180000
19 0 0 51 2 150000
20 0 0 60 2 400000
21 2 0 35 1 400000
22 1 0 31 2 160000
23 2 0 44 1 150000
24 0 1 60 3 150000
25 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
Cases
Valid Missing Total
N Percent N Percent N Percent
Jumlah Anak
25 100.0% 0 .0% 25 100.0%
* Pendidikan
Jumlah Anak * Pendidikan Crosstabulation
Pendidikan
tamat
tamat SD tamat SLTP tamat SMU Akademik/PT Total
Jumlah 0 Count 3 5 2 3 13
Anak % within Jumlah Anak 23.1% 38.5% 15.4% 23.1% 100.0%
% within Pendidikan 42.9% 55.6% 66.7% 50.0% 52.0%
1 Count 2 4 1 3 10
% within Jumlah Anak 20.0% 40.0% 10.0% 30.0% 100.0%
2 Count 2 2
% within Jumlah Anak 100.0% 100.0%
% within Pendidikan 28.6% 8.0%
Total Count 7 9 3 6 25
% within Jumlah Anak 28.0% 36.0% 12.0% 24.0% 100.0%
Chi-Square Tests
Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 5.862a 6 .439
Likelihood Ratio 5.823 6 .443
Linear-by-Linear
.910 1 .340
Association
N of Valid Cases 25
a. 12 cells (100.0%) have expected count less than 5. The
minimum expected count is .24.
3
Pendidikan
2
tamat SD
tamat SLTP
1
tamat SMU
Count
0 tamat Akademik/PT
0 1 2
Jumlah Anak

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 :
x  0
Z hitung 

N
Dimana,

Z hitung : 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 :
x  0
t hitung 
s
n
Di mana :
t hitung : 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 t hitung
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 t hitung dengan t tabel
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 :
2
 X  2
3565
X 
n
208939 
61  3,14
SD  
n 1 61  1

X 
X 
3565
 58,443
n 61
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 t hitung
4) Menentukan kriteria pengujian

Taraf signifikansi ( α ) = 0,05
Derajat kebebasan (dk) = n – 1 = 61 – 1 = 60
Kriteria pengujian pihak kiri :
Jika t tabel ≤ t hitung maka Ho diterima dan Ha ditolak
5) Mencari t tabel dengan cara tentukan αdan 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 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
x   0 58,443  42
t hitung    41,108
SD 3,14
n 61
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
x   0 58,443  42
t hitung    41,108
SD 3,14
n 61
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
Cases
Included Excluded Total
N Percent N Percent N Percent
Penjualan Roti
Rasa Durian * 12 100.0% 0 .0% 12 100.0%
Tingkat Pendidikan
Report
Penjualan Roti Rasa Durian

Tingkat Pendidikan Mean N Std. Deviation
Sales-Sarjana 346.50 6 50.254
Sales-Akademik 382.83 6 36.074
Total 364.67 12 45.820

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

Jenis Tingkat Jam
Kelamin Pendidikan Jam Kerja Lembur
No Karyawan Karyawan Karyawan 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
Std. Error
N Mean Std. Deviation Mean
Jam Kerja Karyawan 20 6.90 1.553 .347

One-Sample Test
Test Value = 7.5

95% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
Jam Kerja Karyawan -1.728 19 .100 -.600 -1.33 .13
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
Tingkat Pendidikan Std. Error

Karyawan N Mean Std. Deviation Mean
Jam Kerja Karyawan Sarjana 11 6.64 1.502 .453
Akademik 9 7.22 1.641 .547
Independent Samples Test
Levene's Test for

Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed)
Difference
DifferenceLower Upper
Jam Kerja Karyawan
Equal variances
.359 .557 -.833 18 .416 -.586 .704 -2.064 .892
assumed
Equal variances
-.825 16.512 .421 -.586 .710 -2.088 .916
not assumed

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

Produksi Produksi
Barang dengan dengan
mesin lama 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
Std. Error
Mean N Std. Deviation Mean
Pair Produksi dengan
342.88 17 33.423 8.106
1 mesin lama
Produksi dengan
332.24 17 35.234 8.546
mesin baru

Paired Samples Correlations
N Correlation Sig.
Pair Produksi dengan mesin
1 lama & Produksi 17 -.146 .576
dengan mesin baru
Paired Samples Test
Paired Differences
95% Confidence
Interval of the
Std. Error Difference
Mean Std. Deviation Mean Lower Upper t df Sig. (2-tailed)
Pair Produksi dengan
1 mesin lama - Produksi 10.647 51.983 12.608 -16.080 37.374 .844 16 .411
dengan mesin baru
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
95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
IM3 7 136.29 20.686 7.819 117.15 155.42 102 165
Mentari 7 113.71 18.670 7.057 96.45 130.98 96 145
Simpati 7 140.14 14.736 5.570 126.51 153.77 125 164
AS 7 136.29 20.686 7.819 117.15 155.42 102 165
Flexi 7 113.71 18.670 7.057 96.45 130.98 96 145
3 7 140.14 14.736 5.570 126.51 153.77 125 164
Axis 7 113.71 18.670 7.057 96.45 130.98 96 145
Total 49 127.71 21.076 3.011 121.66 133.77 96 165
Test of Homogeneity of Variances
Jumlah Pemakaian
Levene
Statistic df1 df2 Sig.
.301 6 42 .933
ANOVA
Jumlah Pemakaian
Sum of
Squares df Mean Square F Sig.
Between Groups 7307.143 6 1217.857 3.650 .005
Within Groups 14014.857 42 333.687
Total 21322.000 48
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.
n
 n  n 
n xi y i    xi   yi 
Koefisien Korelasi → r  i 1  i 1  i 1  (7.1)
 n 2  n 2   n 2  n 2 
 n  x i    xi    n  y i    y i  
 i 1  i 1    i1  i 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
2 00 0 2 5 10 4 25
2 00 1 4 6 24 16 36
2 00 2 5 8 40 25 64
2 00 3 7 10 70 49 100
2 00 4 8 11 88 64 121
n n n n n
x i  26 y i  40 x y i i  232 x 2
i  158 y 2
i  346
i 1 i 1 i 1 i 1 i 1
Hitung koefisien korelasi (r) dan koefisien determinasi (R) dari contoh tersebut.
Jawab :
 Dengan menggunakan persamaan (7.1) diperoleh koefisien korelasi :
n
 n  n 
n  xi y i    xi    y i 
i 1  i 1  i 1  5( 232)  ( 26)(40)
r   0,9857
 n 2  n 2   n 2  n 2  5(158)  26 5(346)  40 
2 2
 n  xi    xi    n  y i    y i  
 i 1  i 1    i 1  i 1  
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.

n
6 d i2
i 1
rs  1  3
(8.3)
n n
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 :
Skor Ranking 2
Mahasiswa Keotoriteran Perjuangan Status di di
(X) 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
n
6 d i2
i 1 6(52)
rs  1  3
1  0,8181
n n 12 3  12
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
1 .986**
Correlation
Sig. (2-tailed) .002
N 5 5
Penjualan Pearson
.986** 1
Correlation
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:
Y   0  1 X 1   2 X 2     k X k  
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:  0  1   2     k  0 . 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 Derajat Jumlah Rata-rata Jml
Uji-F
Variasi Bebas (db) Kuadrat (JK) Kuadrat (RJK)
Regresi k JKreg RJKreg F-hitung

Sisa n-k-1 JKsisa RJKsisa
Total n-1 JKtot
n n
JKreg =  1  x11 y1     k  x ki yi
i 1 i 1
n
2
JKtot = y
i 1
i
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:
i
ti  , dimana Cii adalah elemen pada baris ke-i dan kolom
RJK sisa C ii
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 :
JK sisa JK reg
R2  1 
JK tot JK tot
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. KEPEMIMPINAN DISIPLIN KINERJA

Res. (X1) KERJA (X2) 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
Mean Std. Deviation N

Kinerja Pegawai 2.546883 .487384 36
Kepemimpinan 2.898573 .455659 36
Disiplin Kerja 2.755381 .481213 36
Correlations
Kinerja Kepemim
Pegawai pinan Disiplin Kerja
Pearson Correlation Kinerja Pegawai 1.000 .627 .721
Kepemimpinan .627 1.000 .602
Disiplin Kerja .721 .602 1.000
Sig. (1-tailed) Kinerja Pegawai . .000 .000
Kepemimpinan .000 . .000
Disiplin Kerja .000 .000 .
N Kinerja Pegawai 36 36 36
Kepemimpinan 36 36 36
Disiplin Kerja 36 36 36
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 Disiplin
Kerja,
. Enter
Kepemimp
a
inan
a. All requested variables entered.
b. Dependent Variable: Kinerja Pegawai
Model Summaryb
Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .760a .578 .552 .326134
a. Predictors: (Constant), Disiplin Kerja, Kepemimpinan
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 4.804 2 2.402 22.583 .000a
Residual 3.510 33 .106
Total 8.314 35

Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) .105 .378 .278 .782
Kepemimpinan .324 .151 .303 2.139 .040
Disiplin Kerja .545 .143 .538 3.802 .001
a. Dependent Variable: Kinerja Pegawai
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N

Predicted Value 1.911306 3.135224 2.546883 .370483 36
Residual -.635324 .558727 6.91E-16 .316679 36
Std. Predicted Value -1.716 1.588 .000 1.000 36
Std. Residual -1.948 1.713 .000 .971 36
Charts
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: Kinerja Pegawai
1.00
.75
Expected Cum Prob
.50
.25
0.00
0.00 .25 .50 .75 1.00
Observed Cum Prob
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
Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .760a .578 .552 .326134
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
Sum of Mean
Model Squares df Square F Sig.
1 Regression 4.804 2 2.402 22.583 .000a
Residual 3.510 33 .106
Total 8.314 35
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
Unstandardized
Coefficients
Model B Std. Error t Sig.
1 (Constant) .105 .378 .278 .782
Kepemimpinan .324 .151 2.139 .040
Disiplin Kerja .545 .143 3.802 .001
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 1 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Statistik Teori Dan Aplikasi Menggunakan SPSS 1 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS STATISTIK

(TEORI DAN APLIKASI MENGGUNAKAN SPSS)

FAKULTAS ILMU KOMPUTER

A. Pengertian Statistik Dan Statistika

Didin Astriani Prasetyowati Page 1

Pada umumnya pengertian Statistika selalu dikaitkan pada ilmu yang

B. Ruang Lingkup Statistika

Didin Astriani Prasetyowati Page 2

Pemakaian konsep-konsep probabilitas menjadi dasar/landasan dalam

C. Istilah-istilah dalam statistika

Didin Astriani Prasetyowati Page 3

Sampel adalah beberapa satuan pengamatan yang merupakan bagian dari

Didin Astriani Prasetyowati Page 4

Secara implisit, hipotesis menyatakan prediksi. Misalnya, hipotesis yang

10. Signifikan Dan Tingkat Kepercayaan

Didin Astriani Prasetyowati Page 5

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

11. Derajat Kebebasan

12. Pengujian Hipotesis

Didin Astriani Prasetyowati Page 6

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

Didin Astriani Prasetyowati Page 7

Didin Astriani Prasetyowati Page 8

Menurut jenisnya, data dibedakan menjadi :

Didin Astriani Prasetyowati Page 9

Berdasarkan Skala Pengukuran:

Didin Astriani Prasetyowati Page 10

b. Variabel Ordinal, yaitu jenis variabel yang pengkategoriannya bisa

Didin Astriani Prasetyowati Page 11

C. Metode Pengumpulan Data

Didin Astriani Prasetyowati Page 12

statistik untuk menarik kesimpulan penelitian. Tujuan pokok pembuatan

Didin Astriani Prasetyowati Page 13

Didin Astriani Prasetyowati Page 14

Didin Astriani Prasetyowati Page 15

Didin Astriani Prasetyowati Page 16

berbeda, disinilah diperlukan sikap kepekaan calon peneliti tentang realitas

D. Skala yang Digunakan dalam Kuesioner

Didin Astriani Prasetyowati Page 17

Didin Astriani Prasetyowati Page 18

Didin Astriani Prasetyowati Page 19

3. Apakah dengan belajar akan terpenuhi kebutuhan anda dalam mendapatkan

4. Skala Semantik Defferensial

Didin Astriani Prasetyowati Page 20

Contoh : Gaya Kepemimpinan

Didin Astriani Prasetyowati Page 21

Didin Astriani Prasetyowati Page 22

2. Akan muncul jendela muka seperti gambar dibawah ini :

Didin Astriani Prasetyowati Page 23

C. Pengenalan Windows SPSS

Didin Astriani Prasetyowati Page 24

Didin Astriani Prasetyowati Page 25

Count Menghitung data dengan kriteria tertentu.

Didin Astriani Prasetyowati Page 26

Didin Astriani Prasetyowati Page 27

Didin Astriani Prasetyowati Page 28

Contoh : Tabel 4.2 (Daftar Kontingensi 3x2)

Sementara itu banyak orang yang berpendapat bahwa penyajian informasi

Didin Astriani Prasetyowati Page 29

Digunakan untuk menggambarkan keadaan yang

Beberapa contoh jenis grafik :

Tabel 4.5 Gambar 4.2 (Diagram Garis)

Didin Astriani Prasetyowati Page 30