Modul 2
Modul 2
Statistik deskriptif lebih berkenaan dengan pengumpulan dan peringkasan data, serta
penyajian hasil peringkasan tersebut. Data-data statistik, yang bisa diperoleh hasil
sensus, survei, jajak pendapat atau pengamatan lainnya umumnya masih bersifat acak,
“mentah” dan tidak terorganisir dengan baik (raw data). Data-data tersebut harus
diringkas dengan baik dan teratur, baik dalam bentuk tabel atau presentasi grafis yang
berguna sebagai dasar dalam proses pengambilan keputusan (statistik inferensi).
Penyajian tabel dan grafis yang digunakan dalam statistik deskriptif dapat berupa:
1. Distribusi frekuensi
2. Presentasi grafis seperti histogram, Pie chart dan sebagainya.
Selain tabel dan grafik, untuk mengetahui deskripsi data diperlukan ukuran yang lebih
eksak, yang biasa disebut summary statistics (ringkasan statistik).
Dua ukuran penting yang sering dipakai dalam pengambilan keputusan adalah:
1. Mencari central tendency (kecenderungan memusat), seperti Mean, Median,
dan Modus
2. mencari ukuran dispersion, seperti Standar Deviasi dan Varians
Selain central tendency dan dispersion, ukuran lain yang dipakai adalah Skewness
dan Kurtosis yang berfungsi untuk mengetahui kemiringan data (gradien data).
Kali ini akan dibahas menu dari SPSS yang berhubungan dengan statistik deskriptif,
yaitu Summarize. Dalam menu ini terdapat beberapa submenu sebagai berikut:
A. Frequencies
Menu ini membahas beberapa penjabaran ukuran statistik deskriptif seperti Mean,
Median, Kuartil, Persentil, Standar Deviasi dan lainnya.
B. Descriptives
Menu ini berfungsi untuk mengetahui skor-z dari suatu distribusi data dan
menguji apakah data berdistribusi normal atau tidak.
C. Explore
Menu ini berfungsi untuk memeriksa lebih teliti sekelompok data. Alat utama
yang dibahas adalah Box-Plot dan Steam & Leaf Plot, selain beberapa uji
tambahan untuk menguji apakah data berasal dari distribusi normal.
D. Crosstabs
Menu ini dugunakan untuk menyajaikan deskripsi data dalam bentuk tabel silang
(crosstab), yang terdiri aatas baris dan kolom. Selain itu menu ini juga dilengkapi
dengan analisis hubungan di antara baris dan kolom, seperti independensi diantara
mereka, besar hubungannya dan lainnya.
E. Case Summaries
Menu ini digunakan untuk melihat lebih jauh isis statistik deskriptif yang meliputi
subgrup dari sebuah kasus, seperti grup “Pria” dan grup “Wanita”, bisa dibuat
subgrup “Pria Dewasa” dan “Pria Remaja”, kemudian “Wanita Dewasa” dan
Menu Frequencies
Contoh penggunaan Frequencies
Misalkan kita memiliki data tentang tinggi badan 25 orang mahasiswa (dalam
centimeter) yang diambil secara acak.
Yang pertama kita lakukan adalah ada memasukan data terebut ke dalam editor SPSS.
Pada bagian awal kita sudah mempelajari bagaimana membuat data baru dalam SPSS.
Langkah-langkahnya adalah sebagai berikut.
1. Mendefinisikan variabel.Ada banyak cara untuk mendefinisikan variabel,
diantaranya adalah sebagai berikut.
Karena pada contoh kita ada dua variabel (Tinggi Badan & Gender), maka kita
akan definisikan 2 variabel tersebut tipenya seperti apa. Pada bagian bawah
menu editor data, tekan tombol Variable View. Maka akan tampak tampilan
berikut:
Selanjutnya kita akan memasukan data yang kita punya dengan terlebih dahulu
menekan tombol Data View. Lalu ketiklah data yang ada, setelah itu simpan
dengan nama Deskriptif1.
2. Bila Anda sudah memiliki data tersebut dalam format Word atau Excel, Anda bisa
langsung meng-copy data tersebut dengan cara yang biasa Anda lakukan, yaitu
“Copy-Paste”. Setelah mengcopy dari data asal, maka lalu letakan pointer di baris-
1 kolom-1 SPSS kemudian klim menu Edit, dan pilih submenu Paste.
b. Kolom Variables(s) harus diisi dengan jenis-jenis variabel apa yang ingin kita
analisis. Karena ingin dibuat frekuensi dari variabel Tinggi, maka klik variabel
Tinggi, kemudia klik tanda , maka variabel Tinggi akan berpindah ke kolom
Vraible(s).
Menu Charts berkenaan dengan jenis grafik yang ingin kita pilih. Dari
Chart Type, untuk keseragaman kita pilih Histogram. Lalu menu With
normal curve-nya akan hidup, maka kita klik juga With normal curve.
Lalu klik Continue.
Sekarang editor akan kembali ke tampilan editor Frequencies seperti awal,
selanjutnya kita akan memilih menu Format.
Pada submenu Order by (data output akan disusun seperti apa ?) kita
seragamkan saja dengan memilih output akan disusun naik (dari data
terkecil ke data terbesar). Untuk itu pilih Ascending values. Selanjutnya
klik OK. Maka semua proses pengisian dan pengolahan data telah selesai,
dan kita akan lihat hasilnya (outputnya) pada editor Output.
Frequencies
Statistics
Tinggi
N Valid 25
Missing 0
Mean 170.1200
Std. Error of Mean 1.20655
Median 170.2000
Std. Deviation 6.03276
Variance 36.394
Skewness .572
Std. Error of Skewness .464
Kurtosis 1.460
Std. Error of Kurtosis .902
Range 27.00
Minimum 159.60
Maximum 186.60
Percentiles 10 160.6200
25 167.2000
50 170.2000
75 172.5000
90 178.6200
Tinggi
Cumulative
Frequency Percent Valid Percent Percent
Valid 159.60 2 8.0 8.0 8.0
161.30 1 4.0 4.0 12.0
164.80 2 8.0 8.0 20.0
167.20 2 8.0 8.0 28.0
168.50 2 8.0 8.0 36.0
168.90 3 12.0 12.0 48.0
170.20 1 4.0 4.0 52.0
170.40 3 12.0 12.0 64.0
172.50 4 16.0 16.0 80.0
174.50 2 8.0 8.0 88.0
177.50 1 4.0 4.0 92.0
180.30 1 4.0 4.0 96.0
186.60 1 4.0 4.0 100.0
Total 25 100.0 100.0
10
8
F re q u e n c y
Mean = 170.12
Std. Dev. = 6.03276
0 N = 25
150.00 160.00 170.00 180.00 190.00
Tinggi
Kolom Variables(s) harus diisi dengan jenis-jenis variabel apa yang ingin
kita analisis. Karena ingin dibuat frekuensi dari variabel Gender, maka klik
variabel Gender, kemudia klik tanda , maka variabel Gender akan
berpindah ke kolom Vraible(s).
Pilihan Charts…juga diklik, maka akan tampil gambar berikut ini.
Pada submenu Order by (data output akan disusun seperti apa ?) kita
seragamkan saja dengan memilih output akan disusun naik (dari data
terkecil ke data terbesar). Untuk itu pilih Ascending values. Selanjutnya
klik OK. Maka semua proses pengisian dan pengolahan data telah selesai,
dan kita akan lihat hasilnya (outputnya) pada editor Output.
Output Gender
Statistics
Gender
N Valid 25
Missing 0
Gender
Cumulative
Frequency Percent Valid Percent Percent
Valid 1 11 44.0 44.0 44.0
2 14 56.0 56.0 100.0
Total 25 100.0 100.0
1
2
Kolom Variables(s) harus diisi dengan jenis-jenis variabel apa yang ingin
kita analisis. Karena ingin dibuat frekuensi dari variabel Tinggi, maka klik
variabel Tinggi, kemudia klik tanda , maka variabel Tinggi akan
berpindah ke kolom Vraible(s).
Klik Options, maka akan tampak di layar
Descriptive Statistics
Jika dilihat pada Editor data SPSS selain variabel tinggi dan gender
sekarang muncul variabel baru, yaitu zTinggi seperti berikut
Analisisnya
Output bagian Pertama
Bagian ini membahas deskripsi statistik dari variabel tinggi yang
meliputi Mean dan yang lainnya.
170.2 170.12
z = 0,013 (sama dengan output SPSS)
6.03
Data yang lain pun sama prinsipnya.
Contoh Kasusnya:
Manajer perusahaan yang memproduksi kopi susu dalam kemasan sachet merek
deCaFe ingin mengetahui bagaimana sikap konsumen terhadap produk
perusahaan, serta bagaimana profil mereka.
Untuk itu 25 orang konsumen yang pernah mencicipi produk deCaFe diminta
mengisi identitas dan sikap mereka terhadap produk deCaFe.
Langkah penyelesaian:
Buka lembar kerja baru
Masukkan data seperti ketika Anda memasukan data Deskriptif1.sav. Jangan
lupa definsikan variabelnya. Karena semuanya data kategori pilih
Decimalsnya = 0.
Untuk variabel pekerjaan, tipenya numerik, dimana: 1 = karyawan, 2=
wiraswasta dan 3= petani.
Untuk variabel pendidikan, tipenya numerik dengan; 1 = Sma, 2= akademi,
dan 3=sarjana
Variabel gender seperti sebelumnya, 1=Pria dan 2 = Wanita.
Setelah data diketikan lalu simpan data tersebut dengan nama file
Crosstab1.sav pada drive D, dari baris menu, pilih menu Analyze, lalu pilih
submenu Descriptive Statistics, lalu pilih lagi sumenu Crosstab. Lalu akan
tampil gambar berikut ini.
Karena kita akan melihat hubungan antara dua variabel, untuk keseragaman
pilih Chi-Square. Pilihan yang lainnya akan digunakan pada kasus yang
relevan di bagian lain. Lalu Klik Continue
Kemudian Klik pilihan Cells…, akan tampak di layar
Perhatikan variabel Pendidikan tidak dimasukkan, karena dalam proses ini kita
hanya memasukkan dua saja, tidak mesti semua, nanti kita akan gunakan
variabel pendidikan pada kasus yang lain.
Klik OK, maka akan tampak output berikut.
Output Crosstab
Cases
Valid Missing Total
N Percent N Percent N Percent
gender * Pekerjaan 25 100.0% 0 .0% 25 100.0%
Count
kerja
1 2 3 Total
gender 1 8 2 3 13
2 1 5 6 12
Total 9 7 9 25
Chi-Square Tests
Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 7.702(a) 2 .021
Likelihood Ratio 8.505 2 .014
Linear-by-Linear
5.342 1 .021
Association
N of Valid Cases
25
a 6 cells (100.0%) have expected count less than 5. The minimum expected count is
3.36.
Hipotesis
Hipotesis untuk kasus ini:
Ho: Tidak ada hubungan antara baris dan kolom, atau antara pekerjaan konsumen
dengan gender konsumen tersebut.
Hi : Ada hubungan antara baris dan kolom, atau antara pekerjaan konsumen dengan
gender konsumen tersebut
Pengambilan Keputusan
Dasar pengambilan keputusan, yaitu: Berdasarkan perbandingan Chi-Quare Uji dan
angka dari Tabel
Jika Chi-square Hitung < Chi-square Tabel, Maka Ho diterima
Jika Chi-square Hitung > Chi-square Tabel, Maka Ho ditolak
Chi-square Hitung dapat dilihat pada output bagian ketiga yaitu 7.702. Sedangkan
Chi-square Tabel, dapat dilihat pada Tabel Uji-Statistik untuk Chi-square. Dalam hal
ini untuk tingkat signifikansi () = 5% dan derajat kebebasan (dF) = 2 adalah 5,9915.
Karena Chi-square Hitung (7.702) > Chi-square Tabel (5,9915), Maka Ho ditolak
Dengan demikian dipsimpulkan bahwa ada hubungan antara baris dan kolom, atau
antara pekerjaan konsumen dengan gender konsumen tersebut.
Kita juga bisa menguji hipotesis dengan membandingkan nilai Probabilitas yang
nilainya dapat dilihat pada bagian Asymp. Sig. (2-sided), yang dalam kasus ini
sebesar 0.021. Jika nilai Probabilitas > 0,05 maka Ho diterima. Tetapi bila nilai
Probabilitas < 0,05 maka Ho ditolak.
Dalam kasus ini 0.021 < 0,05 artinya Ho ditolak, atau ada hubungan antara baris dan
kolom, atau antara pekerjaan konsumen dengan gender konsumen tersebut.
Dari kedua analisis tersebut bisa diambil kesimpulan yang sama, yaitu Ho ditolak atau
ada hubungan antara pekerjaan seorang konsumen dengan gender konsumen tersebut.
Dengan kiata lain dapat saja dikatakan bahwa kebanyakan pria berprofesi karyawan
sedangkan kebanyakan wanita tidak banyak yang berprofesi karyawan, mungkin
banyaknya wiraswasta.
Pada kasus dimana, Ho ditolak atau disimpulkan bahwa ada hubungan antara
pekerjaan seorang konsumen dengan gender konsumen tersebut, maka dapat
ditanyakan pula seberapa besar atau seberapa kuat hubungan tersebut ? Hal ini akan
kita bahas pada contoh lain.
Sekarang, tugas Anda adalah berlatih untuk mencari hubungan antara variabel
Pekerjaan dengan Tingkat Pendidikan, Jika sudah memasukkan datanya dalam
program SPSS simpan pada drive D dengan nama Crosstab2.sav dan outputnya
dengan Crosstab2out. Buatlah analisis Anda dalam file word lalu simpan pula pada
drive D.
Kedua cara perhitungan di atas dapat digunakan pada kasus hubungan antara
Pekerjaan dengan Gender.
Langkah-langkahnya:
1. Buka lagi lembar kerja Crosstab1.sav
2. Darri baris menu, pilih menu Analyze, lalu pilih submenu Descriptive Statistics,
lalu pilih lagi sumenu Crosstab. Lalu akan tampil gambar seperti sebelumnya.
a. Pada menu Row(s) atau variabel yang akan ditempatkan pada baris (row)
–untuk keseragaman, kita pilih Gender
b. Column(s) atau variabel yang akan ditempatkan pada Kolom) –untuk
keseragaman, kita pilih Pekerjaan
8. Klik pilihan Format. Row Order atau penempatan nama variabel dalam baris,
apakah naik atau turun. Pilih Ascending. Klik Continue.
Cases
Valid Missing Total
N Percent N Percent N Percent
gender * kerja 25 100.0% 0 .0% 25 100.0%
Ada 25 data yang semuanya diproses (tidak ada data missing), sehingga tingkat
validitasnya 100%.
Count
kerja
1 2 3 Total
gender 1 8 2 3 13
2 1 5 6 12
Total 9 7 9 25
Tabel yang menggambarkan hubungan antara variabel, misalnya pada baris-2 kolom-1
ada angka 1, artinya ada 1 orang konsumen wanita bekerka sebagai karyawan.
Symmetric Measures
Di sini hanya diperhatikan besar korelasi antara Nominal-Nominal. Hal ini karena
kedua variabel berskala nominal, karena itu besaran Pearson dan Spearman tidak
relevan untuk dibahas.
Ada 3 besaran untuk menghitung korelasi antara variabel pekerjaan dengan gender,
dan ketiganya mempunyai angka signifikan atau nilai Probabilitas 0,021. Karena nilai
Probabilitas di bawah 5%, maka bisa dikatakan ada hubungan antara kedua variabel
tersebut (seperti telah terbukti sebelumnya).
Besaran korelasi (Phi dan Cramer) menghasilkan angka sama yaitu 0,555. Sedangkan
koefisien kontingensi menghasilkan angka 0,485 (lebih kecil). Dari ketiga besaran itu
bisa disimpulkan adanya hubungan yang cukup erat antara (disebut erat jika
mendekati angka 1 dan tidak ada hubungan bila mendekati angka 0) antara variabel
pekerjaan dengan variabel jender.
Asymp.
a b
Value Std. Error Approx. T Approx. Sig.
Nominal by Lambda Symmetric .393 .163 2.003 .045
Nominal gender Dependent .500 .236 1.572 .116
kerja Dependent .313 .137 2.041 .041
Goodman and gender Dependent .308 .165 .025c
Kruskal tau kerja Dependent .160 .095 .021c
Uncertainty Coefficient Symmetric .191 .114 1.673 .014d
gender Dependent .246 .147 1.673 .014d
kerja Dependent .156 .093 1.673 .014d
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on chi-square approximation
d. Likelihood ratio chi-square probability.
Disini juga ada 3 ukuran untuk mengukur hubungan antara kedua variabel tersebut.
Namun di sini ada pembedaan, yaitu satu variabel sebagai dependen sedangkan yang
lainnya sebagai variabel independen.