STATISTIK DESKRIPTIF DAN INDUKTIF DALAM

PENELITIAN

Dosen Pengampu :
Wawan Sadtyo Nugroho, SE, M.Si., Ak., C.A

Disusun oleh :
Kelompok 2
Amrizal Saftiawan 15.0101.0018
Diah Nissa Prihatini 15.0101.0040
Nizma Hamida 15.0101.0064

PROGRAM STUDI MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS MUHAMMADIYAH MAGELANG
2018
A. PENDAHULUAN
Di dalam riset, karakteristik dari data perlu diketahui. Karakteristik data
yang umum perlu diketahui meliputi frekuensi, tendensi pusat dan dispersinya.
Statistik yang digunakan untuk menjelaskan ini adalah statistic deskriptif
(descriptive statistic), yaitu statistic yang menggambarkan fenomena atau
karakteristik dari data.
Di samping statistic deskriptif, statistik yang lainnya adalah statistic
inferensial (inferential statistics). Statistik inferensial (inferential statistics) adalah
statistic yang digunakan untuk menarik inferensi dari sampel ke populasi. Statistik
inferensial dapat dikelompokkan ke dalam parametric dan non parametrik.

B. STATISTIK DESKRIPTIF
Statistik deskriptif (descriptive statistics) merupakan statistik yang
menggambarkan fenomena atau karakteristik dari data. Karakteristik data yang
digambarkan adalah karakteristik distribusinya. Statistik ini menyediakan nilai
frekuensi, pengukur tendensi pusat (measures of central tendency), disperse dan
pengukur-pengukur bentuk (measures of shape).
1. Nilai Frekuensi
Frekuensi menunjukkan berapa kali suatu fenomena terjadi.Misalnya
jumlah sampel adalah 90 orang yang terdiridari 40 laki-lakidan 50 wanita,
maka frekuensi untuk laki-laki adalah 40 dan frekuensi untuk wanita adalah
50.

2. Pengukur-pengukur tendensi pusat (measures of central tendency)

Pengukur-pengukur tendensi pusat atau pengukur-pengukurlokasi
(measures of location) mengukur nilai-nilai pusat dari distribusi data yang
meliputi mean, median, dan mode. Rata-rata atau mean atau average adalah
nilai total dibagi dengan jumlah kejadiannya (frekuensi). Median adalah
nilai pusat dari distribusi data. Mode adalah nilai yang paling banyak terjadi.

2
 Contoh :
Misalnya data umur responden sebagai berikut :

20 24 25 25 25 31 33 35 35 38 39

Frekuensi data ini adalah 11 observasi dengan nilai mean sebesar (20
+ 24 + 25 + 25 + 25 + 31 + 31 + 33 + 35 + 35 + 38 + 39) / 11 = 30. Nilai
median adalah nilai 31 yang merupakan nilai yang berada di pusat atau di
tengah-tengah. Jika frekuensi datingnya genap, maka nilai median dapat
berupa nilai rata-rata dua nilai yang ada di tengah-tengah. Nilai mode adalah
25 merupakan nilai yang paling banyak terjadi, yaitu sebanyak 3 frekuensi.

3. Dispersi (dispersion)
Dispersi mengukur variabilitas (penyebaran) dari data terhadap nilai
pusatnya. Pengukur-pengukur dispersi (dispersion) atau pengukur-pengukur
variabilitas (variability) atau pengukur-pengukur rentang (measures of
spread) adalah range, standard deviation, variances dan interquartile range
(IQR). Range merupakan selisih nilai terbesar dengan nilai terkecil. Untuk
contoh umur responden di atas, maka range adalah sebesar 39 tahun – 20
tahun = 19 tahun. Deviasi standar (standard deviationn) mengukur rata-rata
penyimpangan masing-masing item data terhadap nilai yang diharapkannya.
Rumus deviasi standard berpangkat dua, sehingga disebut juga dengan
momen kedua (second moment). Nilai yang diharapkan umumnya adalah
nilai rata-ratanya.
Contoh :
Untuk contoh umur responden sebelumnya, nilai deviasi standarnya adalah
sebesar (((20-30) 2 + (25-30) 2 + (25-30) 2 + (25-30) 2 + (31-30) 2 + (33-
30) 2 + (35-30) 2 + (35-30) 2 + (38-30) 2 + (39-30) 2) / (11-1)) 1/2 = 6,45.
Variance adalah nilai dari deviasi standard kuadrat.Untuk contoh deviasi
standard sebelumnya, nilai variance adalah (6,45)2 = 41,6.

3
4. Pengukur-pengukur bentuk (measures of shapes)
Pengukur-pengukur bentuk adalah skewness dan kurtosis. Skewness
adalah pengukur penyimpangan distribusi data dari bentuk simetrisnya.
Suatu distribusi yang menceng menuju ke satu sisinya disebut dengan
skewed. Jika buntut tertarik ke kiri, distribusinya disebut dengan negatively
skewed dansebaliknyajikabuntuttertarikkekanan, distribusinya disebut
dengan positively skewed.
Nilai sk akan mendekati nol jika bentuk distribusinya simetris. Jika sk
bernilai positif berarti bentuk distribusinya adalah positive skewed dan jika
sk bernilai negative berarti bentuk distribusinya adalah negative skewed.
Rumus dari skewness berpangkat dengan nilai tiga, maka skewness disebut
juga sebagai momen ketiga (third moment).
Kurtosis adalah pengukur ketinggian atau kerataan dari distribusi data.
Distribusi yang meninggi di tengah disebut dengan leptokurtic. Distribusi
yang datar disebut dengan platykurtic. Distribusi yang tidak terlalu
meninggi dan tidak terlalu datar disebut dengan mesokurtic.
Nilai kurtosis (ku) akan mendekati nol jika bentuk distribusi
mesokurtic. Jika ku bernilai positif berarti bentuk distribusinya adalah
leptokurtic dan jika ku bernilai negative berarti bentuk distribusinya adalah
platykurtic. Rumus dari kurtosis berpangkat dengan nilai empat, maka
kurtosis disebut juga sebagai momen keempat (fourth moment).

Tabel1. Pengujian-pengujian Statistik Deskriptif

Tipe Data
Pengukuran Nonmetrik Metrik
Nominal Ordinal Interval dan Rasio
Central - Mode - Median - Mean
Tendency
Dispresi - - Interquartile - Standard deviation
deviation - Coefficient of Variation
- Range
Simetri - - - Skweness
- Kurtosis
Normalitas - - - Skweness
- Kurtosis
- Kolmogorov Smirnov one

4
 sample test
- Lilliefors test dan
Kolmogorov Smirnov test
Outler - - Maksimum - Maksimum
- Minimum - Minimum

C. STATISTIK INDUKTIF
Statistik induktif merupakan teknik statistik yang digunakan untuk
menganalisis data sampel dan hasilnya diberlakukan untuk populasi. Statistik ini
akan cocok digunakan bila sampel diambil dari populasi yang jelas, dan teknik
pengambilan sampeld dari populasi itu dilakukan secara random. Untuk menguji
hipotesis, prosedur pengujiannya adalah sebagai berikut :
a. Menyatakan hipotesisnya
b. Memilih pengujian statistiknya
c. Menentukan tingkat keyakinan yang diinginkan
d. Menghitung nilai statistiknya
e. Mendaptkan nilai uji kritis
f. Menginterprestasikan hasilnya

a. Menyatakan hipotesisnya
Hipotesis dapat dinyatakn dalam bentuk nol ( null hypothesis) atau
alternatif (alternatif hypothesis). Hipotesis nol menyatakan tidak berbeda,
sedang hipotesis alternatif menyatakan berbeda.
Contoh :
Hipotesis nol (𝐻0 ) dan hipotesis alternatif (𝐻𝐴 ) untuk hipotesis yang tidak
mempunyai arah misalnya :
𝐻0 ∶ 𝑋̅ = 100 𝑢𝑛𝑖𝑡
𝐻0 ∶ 𝑋̅ ≠ 100 𝑢𝑛𝑖𝑡
Sedang hipotesis (𝐻0 ) dan hipotesis alternatif (𝐻𝐴 ) yang mempunyai arah
misalnya :

𝐻0 ∶ 𝑋̅ > 100 𝑢𝑛𝑖𝑡

𝐻0 ∶ 𝑋̅ < 100 𝑢𝑛𝑖𝑡

5
b. Memilih pengujian Statistik
Untuk memilih pengujian statistik yang akan digunakan beberapa
pertanyaan berikut ini perlu dijawab.
1. Apakah pengujian statistik parametrik atau pengujian nonparametik ?
2. Apakah pengujian beda rata atau pengujian asosiasi atau pengujian
pengaruh ?

c. Menentukan Tingkat Keyakinan

Confidence coefficient (Koefisien keyakinan ) menunjukan besarnya
interval keyakinan di kurva normal. Confidence coefficientmenunjukan
probabilitas keyakinan bahwa suatu nilai yang diuji akan masuk didalam interval
keyakinan (Confidence coefficient)
Tabel berikut menunjukan besarnya Confidence coefficient yang berbeda.
Tabel 10.2 Koefisien Keyakinan
Koefisien Arah di Statistik-t
α
keyakinan bawah kurva Dua-ekor Satu-ekor
68% 32% 68,27% 1,00 -
90% 10% 90,10% 1,645 1.28
95% 5% 95,00% 1,96 1,645
99% 1% 99,73% 2,58 2,33

Koefisien keyakinan atau Confidence coefficientyang banyak digunakan

adalah 99% dan 95%. Confidence coefficient 90% dianggap marginal.

d. Menghitung Nilai Statistik

Misalnya hasil regresi yang dihasilkan dari program statistik sebagai
berikut :
PARAMETER ESTIMATES
T for Ho
Parameter Standar Prob
Variabel DF Parameter
Estimate Error >|𝑇|
=0
Intercept 1 40,78415 8,506861 4,794 0,0014

6
 X 1 0,765561 0.410899 1,875 0,0304

Untuk menghitung signifikansi dari variabel X maka nilai statistik t

dapat dihitung sebagai berikut ini:
𝛽−0
𝑡=
𝑆𝑒
0,765561 − 0
=
0,410899
= 1,875

e. Mendapatkan Nilai Uji Kritis

Nilai uji kritis tergantung dari dua hal, yaitu besarnya Confidence
coefficientdan arah dari hipotesisnya. Arah dari hipotesis menentukan
pengujiannya apakah menggunakan satu-sisi atau dua satu-ekor (one-tail) atau
dua-sisi atau dua-ekor (two-tail). Hipotesis tidak berarah diuji dengan
menggunakan pengujian dua sisi, dan hipotesisi berarah diuji dengan
menggunakan pengujian satu-sisi (one-tail)

f. Menginterprestasikan Hasil
Nilai t-hitung untuk koefisien regresi sebelumnya adalah t = 1,875
sedangkan t-tabel atau t-kritis untuk penggujian dua-sisi adalah 1,96 sehingga
Ho tidak dapat ditolak (t-hitung = 1,875 < t-hitung = 1,96) atau dikatakan bahwa
koefisien variabel tersebut tidak signifikan pada tingkat keyakinan 95% atau
nilaai koefisien sebesar 0.765561 tersebut secara statistik tidak dengan nol.
Seandainya hipotesis berarah, yaitu nilai 𝛽 > 0, maka dapat menggunakan
pengujian satu-sisi dengan t-kritis 1,645. Hasilnya adalah Ho ditolak (t-hitung =
1,875 > t-kritis = 1,645) atau koefisien variabel tersebut signifikan pada tingkat
keyakinan 95%. Nilai t-hitung sebesar 1,875 jika dilihat di tabel kurva normal
adalah untuk probabilitas atau α sebesar 0,0304 seperti yang diberikan oleh hasil
program komputer. Hasil ini dapat juga dikatakan bahwa koefisien X sebesar
0,765561 adalah secara statistik signifikan berbeda dari nol pada tingkat
signifikan 0,0304 atau 3,04%.

7
D. PENGUJIAN PARAMETRIK DAN NONPARAMETRIK
Pengujian parametrik lebih kuat dibandingkan dengan pengujian
nonparametrik, karean pengujian parametrik menggunakan nilai (magnitude) dari
data sedang pengujian nonparametrik menggunakan jarak (range) atau tanda
(sign) atau urutan (rank) dari datanya. Karena pengujian parametrik menggunakan
nilai (magnitude) dari data, maka pengujian ini diterapkan untuk data dengan
skala pengukuran nominal dan ordinal diterapkan pengujian nonparametrik
Pengujian parametrik selain menggunakan data dengan skala pengukuran
interval dan rasio, pengujian ini harus memenuhi asumsi-asumsi berikut ini :
1. Observasi-observasi harus independen, yaitu pemilihan dari sebuah kasus
tidak akanmempengaruhi kesempatan kasus-kasus lain untuk dipilih di
dalam sampel
2. Observasi-observasi harus diambil dari populasi yang berdistribbusi normal
dan mempunya varian-varian yang sama.
Normalitas dari distribusi dapat diuji dnegan beberapa cara sebagai berikut :
1. Menggunakan pengukuran bentuk (measure of shape). Distribusi yang
normal mempunyai bentuk simetris dengan nilai mean, median dan
mode yang mengumpul di satu titik di tengah, dengan penyebaran data
sebanyak 68% di dalam ± 1 deviasi standar (σ) dari mean dan dnegan
penyebaran data sebanyak 95% di dalam ± 2 deviasi standar dari mean
2. Pengujain normalitasi dapat juga dilakukan dengan rumus sebagai
berikut (Hair et al., 1992)
𝑆𝑘𝑒𝑤𝑛𝑒𝑠𝑠
𝑍=
𝜎
√
𝑛
Nilai Z yang signifikan menunjukan distribusi yang akan normal dan
nilai Z yang tidak signifikan menunjukan data berdistribusi normal.
3. Pengujian normalitas dapat juga dihitung dengan menggunakan
metode Kolmogorov Smirnov dan Liliefors

Distirbusi yang tidak berbentuk kurva normal yang melanggar asumsi

normalitas dapat dijadikan menjadi bentuk yang normal dengan
beberapa cra sebagai berikut ini :

8
1. Dengan melakukan transformasi data
Biasanya bentuk yang melanggar asumsi normalitas karena
bentuknya menceng. Nilai log dapat digunakan untuk menggeser
bentuk yang menceng ini. Sehingga mentranformasikan nilai-nilai
observasi data dengan me-log-kannya diharapkan dapat
membentuk distribusi yang normal
2. Trimming
Trimming adalah memangkas (membuang) observasi yang bersifat
outlier, yaitu yang nilainya lebih kecil dari 𝜇 = 2 𝜎 atau lebih
besar dari 𝜇 + 2 𝜎
3. Winzorising
Jika dengan cara trimming akan kehilangan observasi yang
dipangkas sehingga mengecilkan jumlah sampelnya, metode
winzorising mengubah nilai-nilai outliers menjadi niali-nilai
minimum atau maksimum yang diizinkan supaya distribusinya
menjadi normal. Dengan demikian, untuk metode ini, nilai-nilai
observasi yang lebih kecil dari 𝜇 = 2 𝜎akan diubah nilainya
menjadi 𝜇 − 2 𝜎 dan niali-nilai observaasi yang lebih besar dari
𝜇 + 2 𝜎 akan diubah nilainya menjadi 𝜇 + 2 𝜎

9
 DAFTAR PUSTAKA

Jogiyanto. 2010. Metodologi Penelitian Bisnis. BPFE UGM

Sugiyono.2008. Metode Penelitian Kuantitatif Kualitatif dan R&D. Bandung:
Alfabeta

10