TUGAS STATISTIKA

(Ikan Baronang Kuning Titik)

Irma Lidia Wati 26020115120031

Putri Naomi 26020115120032
Astiya Luxfi Rahmawati 26020115120033
Ajeng Rusmaharani 26020115120034
Annisa Rahma Firdaus 26020115120035
Eko W.P. Tampubolon 26020115120036
Cyrillus Valentino K 26020115120037
Teguh Firmansyah 26020115120038
Banu Dwi Saputra 26020115120039
Nova Kusuma Putri 26020115120040

PROGRAM STUDI ILMU KELAUTAN

JURUSAN ILMU KELAUTAN
FAKULTAS PERIKANAN DAN ILMU KELAUTAN
UNIVERSITAS DIPONEGORO
2016
 LEMBAR PENGESAHAN

NO KOMPONEN PENILAIAN NILAI

1. PENDAHULUAN
2. TINJAUAN PUSTAKA
3. MATERI DAN METODE
4. HASIL
5. PEMBAHASAN
6. PENUTUP
7. DAFTAR PUSTAKA
TOTAL

Semarang, 18 Oktober 2015

Asisten Modul 1 Praktikan

INTAN KUSUMASTUTI CYRILLUS VALENTINO K

26020114130052 26020115120037

Mengetahui,
Koordinator Asisten
 Abiyani Choitul Huda
26020113190095

I. PENDAHULUAN

1.1. Latar Belakang

Didalam kehidupan sehari – hari, sering kita jumpai banyak hal yang dapat
kita deskripsikan dalam sebuah bentuk data. Informasi data yang diperoleh
tentunya harus diolah terlebih dahulu menjadi sebuah data yang lebih mudah
dibaca dan dianalisa. Akan tetapi bagaimana penyajian data yang kita dapat
tentunya berbeda – beda, sesuai dengan kebutuhan dan keinginan penyaji data.
Sehingga diperlukannya ilmu/kemampuan untuk mengolah suatu data agar dapat
dibaca dan dianalisa.
Statistik memiliki peranan penting dalam banyak bidang sains dan teknik,
terutama dalam penelitian-penelitian ilmiah dan keteknikan, maupun dalam
penerapannya di bidang industri. Dalam banyak hal, pengolahan dan analisis data
senantiasa membutuhkan penerapan metode statistik tertentu, yang mana
pemakaiannya memberi dasar bagi penjelasan yang logis mengenai hubungan-
hubungan yang terdapat pada antara dari variabel-variabel yang menjadi kajian.

Statistik deskriptif (descriptive statistic) adalah cabang dari statistik yang

berhubungan dengan penggambaran atau peringkasan data penelitian sehingga
data tersebut mudah dipahami. Penggambaran data ini berguna untuk memberikan
petunjuk yang lebih baik atas data penelitian. Ukuran-ukuran yang ada pada
statistik deskriptif meliputi ukuran pemusatan yang merupakan ukuran pemusatan
data di sekitar pusat data. Ukuran ini terdiri dari rata-rata, median dan modus.
Sedangkan ukuran yang lain adalah ukuran penyebaran yang merupakan ukuran
penyebaran data dari pusat data atau rata-rata. Ukuran penyebaran ini meliputi
varians, deviasi standar, range, mean absolute deviation (MAD), mean absolute
percentage error.
1.2 Tujuan
 Adapun tujuan dari praktikum modul 1 ini ialah:
1. Mahasiswa mampu menjalankan program SPSS.
2. Mahasiswa mampu mengidentifikasi jenis skala pengukuran.
3. Mahasiswa mampu membuat file data.

1.3 Manfaat
Manfaat yang praktikan dapat dari praktikum statistika modul 1 ini ialah:
1. Praktikan mendapatkan wawasan tentang program SPSS sebagai alat
membantu mahasiswa dalam mengolah data statistik.
2. Praktikam tidak hanya mengetahui fungsi program SPSS namun dapat
juga menggunakannya secara efektif.
3. Praktikan mampu mengolah file data dengan tingkat yang lebih rumit
II. TINJAUAN PUSTAKA

2.1 Pengertian dan Peranan Statistik

2.1.1 Pengertian Statistik
Pengertian statistika yang diberikan dalam Undang – Undang Nomor
16 Tahun 1997 tentang statistika adalah luas, baik statistika sebagai data
maupun informasi yang berupa angka, sebagai sistem yang memadukan
penyelenggaraan yang memadukan statistika, maupun sebagai ilmu yang
mempelajari cara, pengumpulan pengolahan, penyajian, dan analisis data.
Ketiga pengertian tentang statistika tersebut menjadi landasan
penyelenggaraan statistika dalam mendukung pembangunan nasional
(Budiarto, 2001).
Statistika merupakan ilmu pengetahuan yang berhubungan dengan
analisis data dan proses pengembalian keputusan mengenai suatu sistem yang
dibuat berdasarkan data yang diambil dari fakta.data yang diolah dapat berupa
informasi, dapat berupa data dalam bentuk kualitatif ataupun kuantitatif.
Sesuai dengan kebutuhan informasi data yang sangat cepat dan dinamis,
pengembangan statistika juga disesuaikan dengan pengembangan teknologi
informasi, baik dalam bentuk perangkat keras maupu perangkat lunak (Dodge,
2006).
2.1.2 Peranan Stasistika
Statistika sangat berperan dalam era informasi global saat ini,
informasi menjadi basis intelektual masyarakat dan hampir semua kegiatan
umat manusia masa kini bersumber pada informasi. Statistika digunaka
sebagai ilmu untuk pemenuhan kebutuhan informasi data yang semakin
meningkat untuk keperluan analisis dan pembatan keputusan, baik dalam
bidang penelitian dan pengembangan, bisnis industri, maupun lembaga lainya
(Fanny, 2007).
Penggunaan statistika dalam bidang industri semakin meningkat secara
cepat, terutama dipicu dengan dikeluarkanya sstem kualitas, seperti pada ISO
9000 tahun 1987 sebagai kualitas standar internasional. Indonesia mengadopsi
sistem kualitas ISO 9000 dan memberi nama Standar Nasional Idonesia SNI
19-9000-1992. Dengan adanya klausul dalam ISO 1900 tentang peningkatan
kualitas secara terus menerus, maka semua lembaga atau industri yang
menerapkan ISO 1900 atau menajemen kualitas harus menerapkan metode
statistika sebagai metode yang direkomendasikan (Hamdi, 2014).
Statistik berfungsi hanya sebagai alat bantu. Peranan statistik dalam
penelitian tetap diletakkan sebagai alat. Artinya, statistik bukan menjadi
tujuan yang menentukan komponen penelitian lain. Oleh sebab itu, yang
berperan menentukan tetap masalah yang dicari jawabannya dan tujuan
penelitian itu sendiri. Statistik dapat berguna dalam penyusunan model,
perumusan hipotesis, pengembangan alat pengambil data, penyusunan
rancangan penelitian, penentuan sampel, dan analisis data, yang kemudian
data tersebut diinterpretasikan sehingga bermakna. Hampir semua penelitian
ilmiah dilakukan terhadap sampel kejadian, dan atas dasar sampel itu ditarik
suatu generalization. Suatu generalisasi pasti mengalami error; disinilah salah
satu tugas statistik bekerja atas dasar sampel bukan populasi. Dengan
demikian pengujian hipotesis dapat kita lakukan dengan teknik-teknik
statistik. Dari hasil analisis statistik yang diperoleh berdasarkan perhitungan
yang berbentuk angka-angka tersebut, sebenarnya belum mempunyai arti apa-
apa tanpa dideskripsikan dalam bentuk kalimat atau kata-kata di dalam
penarikan kesimpulan. Jika tidak, maka hasil analisis tersebut tidak akan
 bermakna dan hanya tinggal angka-angka yang tidak "berbunyi" (Mustafid,
2003).

2.2 SPSS 22
SPSS dikembangkan oleh Norman Nie, seorang mahasiswa lulusan fakultas
ilmu politik dari Stanford University. Pada awalnya program ini bernama
Statistical Package for the Social Sciences kemudian berubah menjadi Statistical
Product Solitions. SPSS muncul pertama kali pada tahun 1968. Seiring
perkembangan persahaan, akhir tahun 2009, SPSS diakui oleh IBM. Kemudian
namanya berubah menjadi PASW (Predictive Analytics SoftWare) Statistics.
Namun masyarakan masih akrab dengan nama SPSS. SPSS merupakan kalkulator
yang canggih untuk melakukan perhitungan statistik. Yang penting adalah kita
memahami metode statistik apa yang kita gunakan dan memaknai hasil keluaran
dari SPSS tersebut (Nasoetion, 2003).
Berikut diagram kerja SPSS menurut Nasoetion (2003):

Data SPSS Output

Statistik

SPSS adalah singkatan dari Statistical Package for the Social Sciences,
sekarang diperluas untuk melayani berbagai jenis user, seperti untuk proses
produksi dipabrik, riset ilmu-ilmu sains dan lainnya. Sekarang kepanjangan SPSS
adalah Statistical Product and Service Solutions. Hingga saat sekarang produk
SPSS telah dipakai dalam berbagai bidang seperti ilmu keuangan, retail,
telekomunikasi, farmasi, broadcasting, militer, database marketing, riset
pemasaran, peramalan bisnis, penilaian kredit, customer relationship, penilaian
kepuasan konsumen (customer satisfaction) dan sebagainya (Nasoetion, 2003).
SPSS dibuat untuk keperluan pengolahan data statistik untuk ilmu-ilmu
social, sehingga kepanjangan SPSS itu sendiri adalah Statistikal Package for the
Social Sciens. Sekarang kemampuan SPSS diperluas untuk melayani berbagai
jenis pengguna (user), seperti untuk proses produksi di pabrik, riset ilmu sains dan
lainnya. Dengan demikian, sekarang kepanjangan dari SPSS Statistikal Product
and Service Solutions (Nasoetion, 2003).
2.3 Statistika Diskriptif
Statistik deskriptif yaitu merupakan salah satu bidang ilmu statistika yang
mempelajari cara – cara pengumpulan, penyusunan, dan penyajian data suatu
penelitian. Penyampaian data pada statistik deskriptif bersifat menggambarkan
atau mendiskripsikan sesuai dengan kondisi lapangan. Berbagai kegiatan dalam
bidang ilmu tersebut antara lain pengumpulan data, penentuan nilai dan fungsi
statistik, serta pembuatan grafik dan gambar (Nugroho, 2007).
2.3.1 Mean
Mean merupakan nilai rata – rata dari sekelompok data baik berupa
frekuensi data tunggal maupun frekuensi data kelompok. Mean (rata – rata)
merupakan suatu ukuran pemusatan data. Mean suatu data juga merupakan
statistik karena mampu menggambarkan bahwa data tersebut berada pada
kisaran mean data tersebut. Mean tidak dapat digunakan sebagai ukuran data
pemusatan untuk jenis data nominal maupun ordinal. Cara menghitung mean
adalah jumlah seluruh data dibagi dengan banyaknya data (Nugroho, 2007).
2.3.2 Median
Pengukuran data sampel dengan cara membagi data kedalam dua
bagian yang sama dinamakan median. Untuk menentukan ukuran median, data
sampel diurutkan dari nilai data terkecil sampai nilai data terbesar. Misalkan
X(1), X(2), .........., X(n) adalah data yang telah diurutkan, maka median diberikan
dengan cara sebagai berikut :
X(𝑛+1)
2
M = {X𝑛 + X(𝑛)+1
2 2
2
Jika ukuran sampel n adalah ganjil, maka median diambil dari data pada posisi
yang ditengah. Sedangkan jika ukuran sampel n adalah genap, maka median
diambil dari rata – rata dua data pada posisi yang ditengah (Mustafid, 2003).
2.3.3 Skewness
 Skewness merupakan statistik yang digunakan dalam memberikan
gambaran distribusi data apakah miring ke kiri, ke kanan atau simetris.
Skewness adalah ukuran dari tingkat kesimetrisan dapat juga menggambarkan
kekurang-simetrisan. Suatu distribusi dikatakan simetris jika distribusi
tersebut nampak sama antara sebelah kanan dan sebelah kiri titik pusatnya.
Distribusi yang simetris misalnya distribusi normal, distribusi t dan distribusi
seragam. Distribusi yang mempunyai skewness positif misalnya distribusi
eksponensial, distribusi chi-kuadrat, distribusi Poisson dan distribusi Binomial
(Setiawan ,2002).
Menurut Setiawan (2002) skewness dari suatu variable random X yang
dinotasikan dengan Skew[X] didefinisikan sebagai :

2.4 Uji Normalitas

Uji normalitas adalah suatu metode yang bertujuan untuk mengetahui apakah
distribusi sebuah data mengikuti atau mendekati distribusi normal, yaitu distribusi
data dengan bentuk lonceng (bell shaped). Suatu data dikatakan baik apabilah data
tersebut mempunyai polo seperti distribusi normal, yakni distribusi data tersebut
tidak menceng ke kiri atau pun menceng ke kanan (Santoso, 2010).
Uji normalitas pada multivariat sebenarnya sangat kompleks, karena harus
dilakukan pada seluruh variabel secara bersama – sama. Namun, uji ini bisa juga
dilakukan pada setiap variabel, dengan logika bahwa jika secara individual
masing – masing variabel memenuhi asumsi normalitas, maka secara bersamaan
(multivariat) variabel – variabel tersebut juga bisa dianggap memenuhi asumsi
normalitas (Santoso, 2010).
2.5 Uji Homogenitas
Uji homogenitas adalah pengujian mengenai varian dan digunakan untuk
mengetahui apakah kedua kelompoksampel mempunyai varian yang sama atau
berbeda. Dalam statistik uji homogenitas digunakan untuk mengetahui vasrian
dari beberapa variasi yang sama atau tidak. Uji ini biasanya di terapan sebagai
prasyarat dalam analisis Independen Sampel T Test dan Anova. Asumsi yang
mendasari dalam analisis of varians (ANOVA) adalah bahwa varian dari
beberapa populasi asalah sama (Hamdi, 2014).
Menurut Fanny (2007) Analisis homogenitas merupakan suatu langkah awal
untuk membenahi data sekaligus menerapkan pengawasan kualitas (quality
control) terhadap aset data . Selanjutnya perlu disadari bahwa merupakan suatu
kewajiban ilmiah untuk memberikan keterangan apakah suatu seri data telah teruji
homogenitasnya atau belum. Secara rinci keterangan tentang homogenitas data
meliputi:
1. Jenis parameter
2. Periode pengamatan data
3. Basis skala waktu (bulanan, mingguan, tahunan, dsb)
4. Jenis teknik (test) yang dipakai dalam uji homogenitas serta
penjelasannya.
5. Jumlah seri data yang homogen/ tidak homogen pada suatu stasiun (berapa
seri data yang ditemukan homogen/ tidak homogen)
6. Jumlah kasus, panjangnya periode dan variasi tahunan kasus tidak
homogen (jumlah kasus setiap bulannya) dalam satu seri data.
7. Ukuran penyimpangan dan faktor koreksi yang digunakan untuk
memperbaiki (meng-adjust) ketidak homogenan seri tersebut.
8. Faktor non-klimat yang diidentifikasi telah mengakibatkan ketidak
homogenan.
9. Dalam suatu seri data (pemindahan instrumen, pergantian waktu
pengamatan, pergantian pengamat, kecenderungan/ trend memanas/
mendingin secara perlahan-lahan misalnya karena dampak perkotaan dan
dampak perubahan tata guna lahan).

2.6 Faktor Distribusi Fitoplankton

Menurut Mustafid (2003), pertumbuhan dan perkembangan fitoplankton
bersifat dinamis yaitu dapat bloom atau sangat rendah. Di negeri 4 musim
pertumbuhan fitoplankton meledak karena merespon pada musim dan tersedianya
hara. Sehingga terjadi peledakan pada musim semi dan musim gugur. Sedangkan
pada musim dingin populasinya sedikit. Sebaliknya di perairan tropika, selama
hara tersedia pertumbuhannya bersifat kontinum. Di perairan tropika sepanjang
tahun sinar matahari selalu optimal. Di danau yang dalam penyinaran matahari
menyebabkan suhu permukaan lebih tinggi. Hal ini akan menyebabkan
fitoplankton dapat tumbuh melakukan proses fotosintesis secara optimal. Hal ini
akan menyebabkan terjadinya perbedaan kemelimpahan fitoplankton antara
permukaan dan dasar perairan karena tidak terjadi pengadukan.
Fitoplankton terdistribusi di semua perairan, baik di perairan darat maupun
perairan laut, serta di estuari. Fitoplankton terdistribusi secara vertikal pada
perairan yang dalam. Distribusi fitoplankton secara vertikal bisa mencapai
kedalaman 150 m. Akan tetapi distribusi fitoplankton yang paling melimpah
adalah di kedalaman 20 m, hal ini karena intensitas cahaya matahari yang sampai
pada jeluk ini hanya sekitar 50 %. Fitoplankton juga melakukan migrasi vertikal
(vertical migration). Fitoplankton pada siang hari akan naik ke permukaan untuk
menyerap cahaya matahari sebagai sumber energi untuk melakukan fotosintesis,
sedangkan pada malam hari akan turun ke dasar perairan dan melakukan proses
respirasi. sebaliknya zooplankton pada siang hari akan turun ke dasar permukaan
air dan pada malam hari akan naik ke permukaan air (Santoso, 2003).
Menurut Rachmatin (2010), penyebab distribusi fitoplankton dapat dibagi
menjadi beberapa, berikut pembagiannya :

- Ditribusi Horizontal

Distribusi fitoplankton secara horizontal lebih banyak dipengaruhi

faktor fisik berupa pergerakan masa air. Oleh karena itu pengelompokan
(pathciness) plankton lebih banyak terjadi pada daerah neritik terutama
yang dipengaruhi estuaria dibandingkan dengan oseanik. Faktor-faktor fisik
yang menyebabkan distribusi fitoplankton yang tidak merata antara lain
arus pasang surut, morfo-geografi setempat, dan proses fisik dari lepas
pantai berupa arus yang membawa masa air kepantai akibat adanya
hembusan angin. Selain itu keter-sediaan nutrien pada setiap perairan yang
berbeda menyebabkan perbedaan kelimpahan fito-plankton pada daerah-
daerah tersebut.(
- Distribusi Vertikal

Distribusi vertikal plankton sangat berhubungan dengan faktor-

faktor yang mempengaruhi produktivitasnya, selain kemampuan pergerakan
atau faktor ling-kungan yang mendukung plankton mampu bermigrasi
secara ver-tikal. Menurut Seele dan Yentch (1960) dalam Parsons dkk
(1984), distribusi fitoplankton di laut secara umum menunjukkan densitas
maksimum dekat lapisan permukaan (lapisan fotik) dan pada waktu lain
berada dibawahnya. Hal ini menunjukan bahwa distribusi vertikal sangat
berhubungan dengan dimensi waktu (temporal). Selain faktor cahaya, suhu
juga sangat mendukung pergerakannya secara vertikal. Hal ini sangat
berhubungan dengan densitas air laut yang mampu menahan plankton untuk
tidak tenggelam. Perpindahan seca-ra vertikal ini juga dipengaruhi oleh
kemampuannya ber-gerak atau lebih tepat mengadakan adaptasi fisiologis
sehingga terus melayang pada kolom air.
- Distribusi harian dan musiman

Distribusi plankton dari waktu ke waktu lebih banyak ditentukan

oleh pengaruh lingkungan. Distribusi temporal banyak dipengaruhi oleh
pergerakan matahari atau dengan kata lain cahaya sangat mendominasi pola
distribusinya. Distribusi harian plankton, terutama pada daerah tropis,
mengikuti perubahan intensitas cahaya sebagai akibat pergerakan semu
matahari. Pada pagi hari dimana intensitas cahaya masih rendah dan suhu
permukaan air masih relatif dingin plankton berada tidak jauh dengan
permukaan. Pada siang hari plankton berada cukup jauh dari pemukaan
karena ’menghindari’ cahaya yang terlalu kuat. Pada sore hingga malam
hari plankton begerak mendekati bahkan berada pada daerah permukaan
(Hamdi, 2014)
- Reproduksi dan Siklus Hidup Plankton

Menurut Santoso (2003) sebagian besar diatom melakukan

reproduksi melalui pembelahan sel vegetatif. Hasil pembelahan sel menjadi
dua bagian yaitu bagian atas (epiteka) dan bagian bawah (hipoteka).
Selanjutnya masing-masing belahan akan membentuk pasangannya yang
baru berupa pasangan penutupnya. Bagian epiteka akan membuat hipoteka
 dan ba-gian hipoteka akan membuat epiteka. Pembuatan bagian-bagian
tersebut dise-kresi atau diperoleh dari sel masing-masing sehingga semakin
lama semakin kecil ukuran selnya. Dengan demikian ukuran individu-
individu dari spesies yang sama tetapi dari generasi yang berlainan akan
berbeda. Reproduksi asek-sual seperti ini menghasilkan sejumlah ukuran
yang bervariasi dari suatu po-pulasi diatom pada suatu spesies. Ukuran
terkecil dapat mencapai 30 kali lebih kecil dari ukuran terbesarnya
(Kennish, 1990). Tetapi proses pengurangan ukuran ini terbatas sampai
suatu generasi tert entu. Apabila generasi itu telah tercapai di atom akan
meninggalkan kedua katupnya dan terbentuklah apa yang disebut auxospore

III. MATERI DAN METODE

3.1 Waktu Pelaksanaan
Hari,Tanggal : Rabu, 12 Oktober 2016
Waktu : Pukul 16.00-17.00 WIB
Tempat : Gedung E Lantai 2 Ruang E207 Fakultas
Perikanan dan Ilmu Kelautan UNDIP,Semarang
3.2 Materi
3.2.1 Alat danBahanPraktikum
Table 1. Alat dan bahan praktikum modul 1
NO Alat dan Bahan Fungsi
1 Laptop Menjalanakan program SPSS
2 Aplikasi SPSS 16 Sebagai aplikasi pengolahan data analisis
3 Alat tulis Menulis langkah-langkah program SPSS
4 Modul Praktikum Statistik Memandu memberikan referensi mengenai SPSS

3.3. Metodologi
3.3.1. Pengolahan Data Frequences
1. Data yang disimpan pada Microsoft Excel dibuka, lalu edit data
tersebut dengan data diubah menyesuaikan nim kita, contoh : misal =
“900 diubah jadi 937”. Lalu daftar nama fitoplankton dibuat diluar
kolom seperti gambar dibawah. Kemudian daftar nama tersebut

disalin.

2. Aplikasi IBM SPSS Statistic dibuka, kemudian data yang telah disalin
ditempel pada variable view. Kemudian pada kolom Measure, scale
 dipilih.
3. Pada kolom decimals angka diubah menjadi 0.

4. Data yang sudah tersimpan di Microsoft Excel dibuka kembali, lalu

data angka disalin.
5. Data angka yang tadi disalin, ditempelkan pada aplikasi IBM SPSS
Statistics pada Data View.

6. Setelah data variable diisi, kemudian Save Data as dipilih.

7. Beginilah hasil sementara setelah disave as data.

8. Buka Variable View pada Aplikasi IBM SPSS Statistics, Analyze

 diklik, lalu Descriptive Statistics dipilih, kemudian Frequences diklik.

9. Kemudian data variables tersebut dipindah ke kolom samping kanan.

10. Frequences Statistics diklik, kemudian Central Tendency dan

Dispersion dicentang semua,
11. Lalu Frequency Charts diklik, kemudian pilih histograms dan “show
normal curve on histogram” dicentang.

12. Hasil histogram sudah siap.

3.3.2. Pengolahan Data Descriptives
1. Analyze dipilih, kemudian Descriptive Statistics diklik, lalu Descriptives

dipilih.
1. Data Variables dipindah ke kolom samping kanan.

2. Klik Descriptives Options, pada dispersion dicentang semua kecuali

range-nya. Lalu pada Display Order, Variable list dipilih. Kemudian
 “continue” diklik.

3. Setelah semua diatur, kemudian “OK” diklik.

5. Kemudian beginilah hasil tabel descriptives.

1.3.3. Pengolahan Data Explore
1. Analyze diklik, lalu Descriptive Statistics dipilih, kemudian Explore
diklik.
 2. Data Explore dipindah ke kolom descendent list.

3. Explore Statistics dibuka, kemudian “confidence interval for mean”

dicek kembali, apabila 95% berarti benar atau mendekati akurat.
 4. Explore Plots diklik kemudian pada Factor levels together diklik pada
boxplots, lalu Stem and leaf dipilih pada opsi Descriptive dan Normally plots
with tests dipilih. Kemudian “Continues” diklik.

4. Explore cases listwise dipilih pada Explore Options, lalu “Continues”

diklik. Kemudian “OK” diklik.
 5. Beginilah hasil pada Tabel “explore” siap.

IV. HASIL DAN PEMBAHASAN

4.1. Hasil
4.1.1. Interpolasi Output
4.1.1.1.Frequences
Histogram
4.1.1.2. Descriptives

4.1.1.3. Explores
4.2. Pembahasan
4.2.1. Cara Membaca Hasil
Statistik deskriptif merupakan bidang ilmu statistika yang mempelajari
cara-cara pengumpulan, penyusunan, dan penyajian data suatu penelitian.
Kegiatan yang termasuk dalam kategori tersebut adalah kegiatan collecting atau
pengumpulan data, grouping atau pengelompokan data, penentuan nilai dan fungsi
statistik, serta yang terakhir termasuk pembutan grafik dan gambar (Mustafid,
2003).
Untuk dapat membaca setiap skala dan proses pada program SPSS,
syaratnya adanya distribusi normal suatu percobaan. Distribusi normal memiliki
syarat kurvanya berbentuk seperti lonceng, rata-rata berada pada tengah distribusi
dan disribusinya simetris disekitar garis tegak lurus rata-rata, serta kedua ekor
kura yang memanjang tidak terbatas. Hal yang harus diingat dari membaca hasil
output adalah mengetahui pedomandari arti tiap data yang ada
padaoutput,contohnya : Mean adalah jumlah dari seluruh nilai data dibagi dengan
banyaknya data/ kasus, StDev (standar deviasi) adalah akar kuadrat positif dari
variansi. Variance adalah jumlah kuadrat dari selisih nilai observasi dengan rata-
rata hitung dibagi banyaknya observasi. Q1 adalah kuartil ke satu, ingat arti
kuartil adalah nilai-nilai yang membagi data yang telah diurutkan menjadi empat
bagian yang sama, sehingga dalam suatu gugus didapat 3 kuartil (kuartil 1, kuartil
2/ Median dan kuartil 3). Median adalah nilai tengah dari nilai-nilai pengamatan
yang disusun secara teratur menurut besarnya data. Q3 adalah kuartil ke tiga.
Range adalah selisih antara nilai maksimum dengan nilai minimum dalam suatu
gugus data. IQR (interquartil range) adalah jarak antara persentil 75 dan
persentil 25. Mode adalah nilai yang mempunyai frekuensi terbesar dalam suatu
kumpulan data. Skewness adalah suatu ukuran yang dapat digunakan untuk
menentukan miring tidaknya suatu kurva distribusi. Kurtosis adalah tingkat
menggunungnya suatu distribusi yang umumnya dibandingkan dengan distribusi
normal, dan lain-lain (Santoso, 2003).

4.2.1.1. Menu Frequencies

Dalam praktikum statistika yang pertama ini diperkenalkan
mengenai cara pengolahan data dengan menggunakan software bernama
SPSS 22, Pengujian data yang diperoleh dibagi menjadi 3 macam yaitu uji
frekuensi, uji deskriptif dan uji explore. Prosedur frequencies memiliki
kegunaan pokok untuk melakukan pengecekan terhadap input data.
Apakah data sudah diinputkan dengan benar. Hal ini mengingat bahwa
dengan statistik frekuensi kita bisa mengetahui resume data secara umum.
Seperti berapa jumlah responden laki-laki, jumlah responden perempuan,
dan sebagainya. Selain itu, prosedur frequencies juga memiliki kegunaan
untuk menyediakan informasi deskripsi data yang menggambarkan
demographic characteristics dari sampel yang diambil.

Pengolahan data yang diproses oleh aplikasi SPSS akan

memunculkan tabel hasil pengolahan frequencies yang menunjukkan
persentase dan banyaknya data yang ada di tiap variable. Selain itu, ada
gambar histogram yang menunjukkann kenormalan suatu data yang
berbentuk kurva.
Hasil dianggap normal apabila kurva yang terbentuk merupakan
bentuk yang simetri, untuk bentuk data dari histogram sendiri bahwa
jumlah N sebanyak 6 dengan data yang hilang adalah 0, menunjukan
semua data dapat atau bisa diproses seluruhnya dan tidak ada data yang
dianggap rusak atau tidak dapat diproses. Penggunaan standard error of
mean dalah untuk memeriksa besar rata-rata perkiraan dari sampel dengan
tingkat kepercayaan sebesar 95%.
 Dari proses pengolahan data yang telah dilakukan terhadap data
fitoplankton di 6 stasiun didapatkan hasil yang mudah untuk dibaca.
Untuk data Coscinodiscus sp. didapatkan hasil rata rata sebesar
1337. Standart Error of Mean sebesar 636.003 Besarnya nilai median
adalah 1087. dan nilai mode adalah 637. Standar deviasi 1557,883 Nilai
minimum 637 dan nilai maksimum 4537 serta sum 10722. Dilihat dari
histogram, data tersebut dapat dikatakan tidak normal karena hasilnya
yang terlihat seperti tidak menyerupai lonceng dan tidak homogen.
Untuk data Chaetoceros sp. didapatkan hasil rata rata sebesar 1787.
Standart Error of Mean sebesar 588,218. Besarnya nilai median adalah
637. dan nilai mode adalah 637. Standar deviasi 1440.833. Nilai minimum
637 dan nilai maksimum 4237 serta sum 8022. Dilihat dari histogram, data
tersebut dapat dikatakan tidak normal karena hasilnya yang terlihat tidak
menyerupai lonceng dan tidak homogen.
Untuk data Navicula sp. didapatkan hasil rata rata sebesar 3037.
Standart Error of Mean sebesar 2540.472. Besarnya nilai median adalah
2287 dan nilai mode adalah 637a. Standar deviasi 6222.861. Nilai
minimum 637 dan nilai maksimum 17137 serta sum 29622. Dilihat dari
histogram, data tersebut dapat dikatakan tidak normal karena hasilnya
yang terlihat tidak menyerupai lonceng dan tidak homogen.
Untuk data Nitzschia sp. didapatkan hasil rata rata sebesar 4937.
Standart Error of Mean sebesar 7408.891. Besarnya nilai median adalah
2737. dan nilai mode adalah 937. Standar deviasi 18147.905. Nilai
minimum 937 dan nilai maksimum 47137 serta sum 66785. Dilihat dari
histogram, data tersebut dapat dikatakan tidak normal karena hasilnya
yang terlihat tidak menyerupai lonceng dan tidak homogen.
Untuk data Fragillaria sp. didapatkan hasil rata rata sebesar 11137.
Standart Error of Mean sebesar 1070.514. Besarnya nilai median adalah
2237 dan nilai mode adalah 637a. Standar deviasi 2622.213. Nilai
minimum 637 dan nilai maksimum 6937 serta sum 18222. Dilihat dari
histogram, data tersebut dapat dikatakan normal karena hasilnya yang
terlihat seperti lonceng dan homogen.
 Untuk data Asterionella sp. didapatkan hasil rata rata sebesar 7237.
Standart Error of Mean sebesar 5682.077. Besarnya nilai median adalah
1537. dan nilai mode adalah 37a. Standar deviasi 13918,190. Nilai
minimum 37 dan nilai maksimum 35437 serta sum 43422. Dilihat dari
histogram, data tersebut dapat dikatakan tidak normal karena hasilnya
yang terlihat tidak menyerupai lonceng dan tidak homogen.

Untuk data Cocconeis sp. didapatkan hasil rata rata sebesar 587.
Standart Error of Mean sebesar 224.722. Besarnya nilai median adalah
337. dan nilai mode adalah 337. Standar deviasi 550.454. Nilai minimum
37 dan nilai maksimum 16537 serta sum 3522. Dilihat dari histogram, data
tersebut dapat dikatakan normal karena hasilnya yang terlihat seperti
hampir membentuk lonceng dan homogen.

4.2.1.2. Menu Descriptives

Statistik dengan analisis deskriptif, sebenarnya hampir sama
dengan statistik frekuensi, yaitu menghasilkan analisa dispersi (standard
deviasi, minimum, maksimum), distribusi (kurtosis, skewness) dan mean,
sum, dan lain sebagainya. Analisis ini juga memiliki kegunaan pokok
untuk melakukan pengecekan terhadap input data, mengingat bahwa
analisis ini akan menghasilkan resume data secara umum. Disamping itu,
analisis ini juga memiliki kegunaan untuk menyediakan informasi
deskripsi data dan demografi sampel yang diambil. Sebagian besar analisis
statistik memang dikalkulasi menggunakan prosedur frekuensi, tetapi
prosedur analisis deskritif memiliki keunggulan, yaitu lebih efisien dalam
beberapa hal karena tidak melakukan sorting atau pengurutan data nilai ke
tabel frekuensi.
Semua data yang telah diolah dengan program SPSS akan
menghasilkan tabel yang lebih singkat untuk menggambarkan data. Pada
uji descriptive ini tidak ada hasil data yang berupa histogram tabel dari
descriptive berisi jumlah data tiap variable, lalu ada nilai minimum, nilai
maksimun, nilai rata – rata, nilai dari standar deviasi, nilai range, nilai
skewness dan kurtosis. Range adalah selisih dari nilai terkecil dengan nilai
terbesar nilai minimum adalah nilai terkecil pada tiap – tiap variabel, nilai
maksimum adalah nilai terbesar yang ada pada masing – masing variable,
sedangkan mean adalah nilai rata – rata dari setiap variable.

Berdasarkan pengertian diatas maka dapat diketahui bahwa Uji

Deskriptif ini untuk menguji fakta secara lebih lanjut, dimana untuk
masing – masing kategori seperti panjang dan lebar daging dapat diketahui
secara keseluruhan aspek statistik, yaitu nilai tengah, rata – rata
ketinggian, nilai tengah dan yang lainnya.
Untuk data Coscinodiscus sp. didapatkan hasil rata rata sebesar
1337. Standart Error of Mean sebesar 636.003 Besarnya nilai skewness
adalah 1.415 dan nilai kurtosis adalah 1.332 Dari dua data tersebut
(skewness dan kurtotis) dapat diketahui bahwa data fitoplankton tersebut
bersifat relative kurang normal dikarenakan meskipun nilai skewness
berada dalam range -2 sampai 2.
Untuk data Chaetoceros sp. didapatkan hasil rata rata sebesar 1787.
Standart Error of Mean sebesar 588.218. Besarnya nilai skewness adalah
2.308 dan nilai kurtosis adalah 5.394. Dari dua data tersebut (skewness dan
kurtotis) dapat diketahui bahwa data fitoplankton tersebut bersifat tidak
normal karena nilai skewness dan kurtotis tidak berada dalam range -2
sampai 2.
Untuk data Fragillaria sp. didapatkan hasil rata rata sebesar 1137.
Standart Error of Mean sebesar 1070.514. Besarnya nilai skewness adalah
0.736 dan nilai kurtosis adalah -1.399. Dari dua data tersebut (skewness
dan kurtotis) dapat diketahui bahwa data fitoplankton tersebut bersifat
normal karena nilai skewness dan kurtotis berada dalam range -2 sampai 2.
Untuk data Nitzschia sp. didapatkan hasil rata rata sebesar 4937 .
Standart Error of Mean sebesar 7408.851 Besarnya nilai skewness adalah
2.177 dan nilai kurtosis adalah 4.801. Dari dua data tersebut (skewness dan
kurtotis) dapat diketahui bahwa data fitoplankton tersebut bersifat tidak
normal karena nilai skewness dan kurtotis tidak berada dalam range -2
sampai 2.
Untuk data Navicula sp.. didapatkan hasil rata rata sebesar 3037.
Standart Error of Mean sebesar 2540.472. Besarnya nilai skewness adalah
2.067 dan nilai kurtosis adalah 4.360. Dari dua data tersebut (skewness dan
kurtotis) dapat diketahui bahwa data fitoplankton tersebut bersifat tidak
normal karena nilai skewness dan kurtotis tidak berada dalam range -2
sampai 2.
Untuk data Asterionella sp. didapatkan hasil rata rata sebesar 7237.
Standart Error of Mean sebesar 5682.077. Besarnya nilai skewness adalah
2.371 dan nilai kurtosis adalah 5.685. Dari dua data tersebut (skewness dan
kurtosis) dapat diketahui bahwa data fitoplankton tersebut bersifat tidak
normal karena nilai skewness dan kurtosis tidak berada dalam range -2
sampai 2.

Untuk data Cocconeis sp. didapatkan hasil rata rata sebesar 1587.
Standart Error of Mean sebesar 224.722. Besarnya nilai skewness adalah
1.236 dan nilai kurtosis adalah 0.862. Dari dua data tersebut (skewness dan
kurtosis) dapat diketahui bahwa data fitoplankton tersebut bersifat normal
karena nilai skewness dan kurtosis berada dalam range -2 sampai 2.
4.1.2.3. Menu Explore
Analisis eksplorasi data merupakan teknik analisa yang sekaligus
dapat membantu memberi arahan bagi peneliti untuk memilih teknik
statistik yang akan diimplementasikan pada data yang akan dikehendaki.
Prosedur eksplorasi data memungkinkan untuk mengetahui tampilan data,
identifikasi data, deskripsi data, pengujian asumsi, perbedaan karakteristik
antara subpopulasi, yaitu group dalam suatu kasus. Pada hasil eksplorasi
data ini, tampilan data mungkin menunjukkan bahwa data yang akan
dianalisis memiliki nilai yang tidak biasa. Misalkan dalam suatu data
pengamatan ada suatu data yang nilainya jauh dari jangkauan nilai-nilai
yang ada, nilai yang ekstrim, jarak antara data atau karakteristik yang lain.
Selanjutnya dengan melakukan eksplorasi data mungkin mengindikasikan
kebutuhan transformasi data jika teknik yang akan digunakan
mensyaratkan berdistribusi normal atau mungkin membutuhkan suatu
analisis statistik non-parametrik. Dari data explore diatas terapat dua
kategori yaitu valid dan missing, untuk nilai valid sendiri bernilai 100%
dan nilai missing bernilai 0% itu artinya data – data yang diinput tidak ada
yang salah, secara otomatis explore akan mengetahui data data yang salah
atau tidak valid.
Setelah di ketahui nilai valid maupun nilai missing dari data – data
tersebut maka dibuatlah histogram explore, dimana untuk gambar
histogram explore itu sendiri satu sama lain hampir sama dari bentuknya,
panjang yang berdiri tegak terhadap frekuensi masing – masing data yang
berada disamping, tiap – tiap frekuensi menunjukkan nilai yang berbeda
itu bergantung dari input data yang dibuat, seperti tinggi, panjang dan
berat daging, data – data tersebut dimasukkan dalam explore dan dengan
sendirinya akan langsung dibaca data – data tersebut dengan histogram
explore itu.
Beberapa hasil analisa yang dapat dilihat dari tabel output antara
lain adalah tabel descriptives, tabel m-estimator, percentile, outlier, dan
tampilan grafik steam and leaf plots power estimation. Output-output
tersebut akan dibahas sebagai berikut :
Tabel Descriptive. Pengukuran ini menunjukkan
ukuran terpusat dari data yang diwakili oleh mean (rata-rata) dan
dispersi data yang berupa standard deviasi, standard error, varian,
nilai minimum, nilai maksimum, range, jangkaun interkuartil,
median, dan 5% trimmed mean. Trimmed mean sendiri dihitung
dengan cara data diurutkan secara ascending, kemudian setelah
urut dihitung 5% dari jumlah data dengan dimutlakkan
perhitungannya. Setelah ketemu nilainya, nilai tersebut digunakan
untuk mengurangi data sebanyak nilai yang diperoleh dari urutan
terkecil dan juga dari urutan terbesar, kemudian sisa data dicari
 mean-nya. Dalam Descriptive dapat ditentukan interval konfidensi
rata-rata dengan default 95%, tetapi nilai dapat diubah sesuai
dengan kemauan dari penganalisis data.
Tabel M-Estimators. Pengukuran ini berkaitan
dalam statistik Robust yang diimplementasikan pada perhitungan
rata-rata dan median untuk mengestimasi lokasi data terpusat.
Perhitungan yang diperoleh antara lain M-estimator Huber,
Estimator Andrew’s wave, M-estimator Hampel, dan Estimator
Tukey. Tabel Percentiles Pengukuran ini digunakan untuk
menampilkan nilai persentil.
Tabel Outliers. Pengukuran ini digunakan untuk
menampilkan nilai data terbesar dan data terkecil beserta dengan
labelnya. Dengan adanya tampilan seperti ini, peneliti akan
mengetahui range data dengan baik.
Steam and leaf Plots
Steam and Leaf Plots berkaitan dengan
visualisasi grafik dari data yang merupakan
alternatif kontrol visualisasi jika dimiliki lebih dari
satu variabel dependent. Factor Level melakukan
”generalisasi” sebagian visualisasi untuk setiap
variabel dependent, sedangkan Dependents
Togethermelakukan ”generalisasi” sebagian
visualisasi untuk setiap group yang didefinisikan
dengan faktor variabel.
Pada normal plot QQ, digunakan untuk membandingkan bentuk
distribusi, memberikan pandangan grafis dari bagaimana sifat seperti
lokasi , skala , dan kemiringan yang sama atau berbeda dalam dua
distribusi. Plot QQ dapat digunakan untuk membandingkan koleksi data
yang, atau distribusi teoritis. Pada kurva Detrended Normal Q-Q Plot
menggambarkan selisih antara titik-titik dengan garis diagonal pada grafik
sebelumnya. Jika data yang kita miliki mengikuti distribusi normal dengan
sempurna, maka semua titik akan jatuh pada garis 0,0. Semakin banyak
 titik-titik yang tersebar jauh dari garis ini menunjukkan bahwa data kita
semakin tidak normal.

4.2.2. Data Normal dan Data Homogen

Pengujian normalitas adalah pengujian tentang kenormalan distribusi
data.Uji ini merupakan pengujian yang paling banyak dilakukan yang lebih
diterapkan untuk analisis
statistik parametrik. Karena data yang berdistribusi normal merupakan syarat
dilakukannya tes parametrik. Sedangkan untuk data yang tidak mempunyai
distribusi normal, maka analisisnya menggunakan tes non parametric. Data yang
mempunyai distribusi yang normal berarti mempunyai sebaran yang normal
pula. Normal disini dalam arti mempunyai distribusi data normal. Normal atau
tidaknya berdasarkan patokan distribusi normal dari data dengan mean dan
standar deviasi yang sama. Jadi uji normalitas pada dasarnya melakukan
perbandingan antara data yang kita miliki dengan data berdistribusi normal yang
memiliki mean dan standar deviasi yang sama dengan data kita.
Untuk mengetahui bentuk distribusi data dapat digunakan grafik distribusi
dan analisis statistik. Penggunaan grafik distribusi merupakan cara yang paling
mudah dan sederhana. Cara ini dilakukan karena bentuk data yang terdistribusi
secara normal akan mengikuti pola distribusi normal di mana bentuk grafiknya
mengikuti bentuk lonceng (atau bentuk gunung). Sedangkan analisis statistik
menggunakan analisis keruncingan dan kemencengan kurva dengan menggunakan
indikator keruncingan dan kemencengan.
Suatu data membentuk distribusi normal apabila jumlah data diatas dan
dibawah mean adalah sama, distribusi data normal berupa kurva yang berbentuk
seperti lonceng, adapun ciri – ciri dari data dengan distribusi normal adalah
gambar yang menyerupai lonceng, simetris, luas daerahnya merupakan nilai rata
– rata, luas daerah sebelah kiri dan sebelah kanan mendekati 50%, dan juga
memiliki satu modus. Distribusi data normal dipengaruhi oleh dua parameter yaitu
mean dan standar deviasi, dimana mean menentukan lokasi pusat statistik dan
standar deviasi menentukan lebar dari kurva normal.
 Data homogen yaitu data yang memiliki nilai secara keseluruhan adalah
sama semua, tidak ada yang berbeda satupun, dilihat dari namanya yang homogen
yang artinya seragam maka modus pun data homogen itu sendiri data homogen
berbeda dengan data tunggal, jika data tunggal merupakan data yang hanya ada
satu data saja tetapi jika data homogen adalah data yang terdiri dari beberapa data
akan tetapi nilai (angka) yang dimiliki sama semua. Data dapat dikatakan
homogen apabila hanya memiliki nilai variasi yang kecil. Jika dilihat dari hasil
pengolahan deskriptif, variasi yang terbentuk dari setiap variabel kurang dari 1
varian,sehingga dapat disimpulkan bahwa hasil data menunjukkan data yang
homogen.
Dalam praktikum ini ditinjau mengarah pada analisis pertumbuhan
fitoplankton dengan analisisis yang ada di praktikum kali ini dikatakan data
normal tersebut bersifat heterogen. Ini karena tidak ada kesamaan data secara
menyeluruh di tiap spesies fitoplankton. Faktor yang mempengaruhi pertumbuhan
plankton dibagi dalam dua kelompok, yaitu faktor fisik yang berhubungan dengan
faktor eksternal dari fitoplankton itu sendiri dan faktor kimia lebih berhubungan
ke fisiologis fitoplankton yang dapat mempengaruhi hasil analisis normal atau
tidaknya kurva. Berikut faktor-faktor yang dapat mempengaruhi pada analisis
pertumbuhan fitoplankton :
1. Faktor Fisik : Cahaya, temperatur, Kekeruhan atau
kecerahan dan pergerakan massa air.
2. Faktor Kimia : Oksigen terlarut, pH, salinitas dan nutrisi.
Apabila dilihat dari analisa statistik deskriptif ada beberapa data
fitoplankton yang tidak normal seperti Nitzschia sp., Navicula sp., Chaetoceros
sp., dan Asterionella sp. Ketidaknormalan suatu hasil analisis data bisa
dikarenakan faktor yang ada pada fitoplankton itu sendiri dan juga bisa akibat
adanya human error saat melakukan analisis, baik analisis prosedur frekuensi,
prosedur deskriptif,maupun prosedur explore.

4.2.3. Hubungan dari Data Normal dengan Data Homogen

Hubungan simultan antara data yang menyebar secara normal dan data
yang mempunyai ragam homogen. Data yang ragamnya homogen akan menyebar
secara normal, tetapi data yang menyebar secara normal tidak selalu mempunyai
ragam yang homogen. Hubungan antara data homogen dan data normal lebih bisa
dikatakan ialah saat dimana data awal normal bisa menjadi menjadi homogen
begitu juga sebaliknya data homgenpun akan bisa menjadi data normal dengan
diberi penambahan atau perlakuan tertentu yang ada pada saat analisisi dilakukan.
Telah dijelaskan diatas, bahwa data normal merupakan data yang normal yang
biasanya terdapat pada data – data yang ada sehari – hari dengan bentuk histogram
yang berbentuk seperti lonceng dimana menunjukkan nilai rata – rata yang sama,
sedangkan data homogen yaitu data yang hanya memiliki satu angka saja akan
tetapi terdiri dari beberapa macam dengan jumlah yang bervariasi, data normal
dan data homogen memiliki hubungan yang dapat dilihat dengan jelas oleh semua
orang, modus atau nilai yang paling sering keluar pada data normal memiliki nilai
modus yang sama dengan data homogen, karena modus merupakan nilai data
yang paling sering muncul, akan tetapi kedua data tersebut (data normal dan data
homogen) memiliki beberapa perbedaan seperti data normal terdiri dari beberapa
jumlah data dengan angka data yang beragam (normal) dan jika data homogen
yaitu data yang terdiri dari beberapa jumlah data, akan tetapi hanya memiliki satu
data tungal saja.
Jadi, Pada dasarnya bahwa data yang memiliki data tidak normal maka
tidak perlu diadakan uji homogenitas. Hubungan antara data normal dengan data
yang homogen adalah, jika data yang memiliki keragaman yang homogen akan
menyebar secara normal, tetapi data yang normal belum tentu menyebar secara
homogen.
 V. PENUTUP
5.1 Kesimpulan
Adapun kesimpulan yang bisa didapat pada praktikum Modul 1 pengenalan
program spss yaitu:
1. SPSS adalah suatu program pengolahan data statistik yang dapat
mempermudah dalam mengamati, menghitung, dan menganalisis data
yang berupa angka-angka.
2. Hasil yang didapat dari program SPSS adalah data table dan grafik
histogram yang memiliki
skala-skala tertentu.
3. Data dari SPSS adalah data angka yang didapat dari pengamatan dan
pengolahan dari aplikasi Ms. Excel.
5.2. Saran
1. Sebaiknya satu minggu sebelum praktikum dimulai, praktikan mempelajari
materi apa yang akan disampaikan oleh asisten agar mudah dalam
memahami saat praktikum berlangsung.
2. Sebaiknya praktikan menyiapkan alat dan bahan yang akan digunakan pada
praktikum ini seperti laptop, charger laptop, roll kabel sebagai alatnya dan
bahannya adalah data sampel yang akan dianalisis. Ini dengan tujuan
mempermudah dan memperlancar jalannya praktikum.
 DAFTAR PUSTAKA

Budiarto, E. 2001. Biostatistika Untuk Kedokteran dan Kesehatan Masyarakat.

Kedokteran EGC. Jakarta.
Dodge, Y. (2006). The Oxford dictionary of statistical terms (p. 111). Oxford
University Press. New York.
Fanny , Margaretta ; Sylvia Saputra . 2007 . Opini Audit Going Concern : Kajian
Berdasarkan Model Prediksi Kebangkrutan ,Pertumbuhan Perusahaan ,dan
Reputasi Kantor Akuntan Publik (Studi Emiten Bursa Efek Jakrta). Unika
Atma Jaya . Jakarta.
Hamdi, Asep S., dan Bahruddin, E. 2014. Metode Penelitian Kuantitatif Aplikasi
dalam Pendidikan. Deepublish. Yogyakarta.
Mustafid . 2003 . Statistika Elementer.Universitas Diponegoro. Semarang.
Nasoetion, M., H. 2003. Diktat Kuliah Statistika. Universitas Diponegoro.
Semarang.
Nugroho, S. 2007. Dasar – Dasar Metode Statistika. Grasindo. Bengkulu.
Rachmatin, Dewi. 2010. Modul Pelatihan SPSS. Universitas Pendidikan
Indonesia. Bandung.
Santoso , S . 2003 . Mengatasi Berbagai Masalah Statistika dengan SPSS versi
11.5. PT Elex Media Komputindo. Jakarta.
Santoso, S. 2010. Statistik Multivariat. PT Elex Media Komputindo. Jakarta.
Setiawan , Andi . 2002 . Penentuan Distribusi Skewness dan Kurtosis Dengan
Metode Resamping Berdasarkan Densitas Kernel (Studi Kasus Pada Analisis
 Inflasi Bulanan Komoditas Bawang Merah ,Daging Ayam Ras dan Minyak
Goreng di Kota Semarang) . UKSW . Salatiga.
Sudjono. 2004. Metoda Statistika (Edisi ke 5). Tarsito. Bandung.
Sugiyono. 2003. Statistika untuk Penelitian. Alfabeta. Bandung.
Sugiyono. 2009. Statistika untuk Penelitian. Alfabeta. Bandung.
Sunarto. 2008. Karakteristik dan Peranan Plankton bagi Ekosistem Laut.
Universitas Padjajaran. Bandung.
Widyantini, Th. Pujiati. 2004. Statistika. Departemen Pendidikan Nasional
Direktorat Jenderal Pendidikan Dasar Dan Menengah Pusat Pengembangan
Penataran Guru (PPPG) Matematika Yogyakarta. Yogyakarta.
Wismanto, B., Y. 2007. Statistika Dasar. Unika Soegijapranata. Semarang.