PENGOLAHAN DATA PENELITIAN

MAKALAH

untuk Memenuhi Tugas Mata Kuliah Metodologi Penelitian Pendidikan yang Diampu oleh
Ibu Prof. Dra. Herawati Susilo, M.Sc, Ph.D

Disusun Oleh:

Bagus Yoga Suwandaru 160341606053

Inayatul Karimah 160341606057

Khoirotul Ainiyah 160341606076

Zahra Zu Lina 160341606029

UNIVERSITAS NEGERI MALANG

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

JURUSAN BIOLOGI

April 2019
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Di era revolusi industri 4.0 yang identik dengan teknologi manusia sudah terbiasa
dengan alat-alat canggih elektronik dan tak bisa lepas oleh alat tersebut, salah satunya
PC. PC merupakan salah satu jenis alat elektronik yang sangat dibutuhkan oleh semua
orang baik dari kalangan muda hingga kalangan dewasa. Bagi kalangan muda
khususnya mahasiswa PC berfungsi untuk menyelesaikan tugas seperti membuat
makalah, KTI dan lainnya. Bagi kalangan dewasa seperti pegawai PC digunakan untuk
membuat laporan keuangan, laporan kinerja suatu proyek dan lainnya.
Dengan berkembangnya IPTEK yang semakin maju ini, aplikasi pada PC
semakin beragam dan bervariasi, dengan tujuan untuk mempermudah konsumen dalam
mengolah data yang dibutuhkan. Salah satunya dapat digunakan untuk pengolahan data.
Dalam kesempatan ini, penilis membuat makalah yang berjudul “Pengolahan Data
Penelitian” dengan tujuan ingin berbagi pengetahuan tentang materi tersebut.

1.2 Rumusan Masalah

1.2.1 Bagaimana pengolahan data kuantitatif?
1.2.2 Bagaimana pengolahan data kategorikal?
1.2.3 Bagaimana pengaturan set data?
1.2.4 Bagaimana cara memilih statistik yang tepat?
1.2.5 Bagaimana penggunaan paket perangkat lunak statistik?
1.2.6 Bagaimana cara menginterprestasikan data dalam statistik?

BAB II
PEMBAHASAN

2.1 Data Kuantitatif

 Data adalah hasil pengamatan terhadap fenomena atau gejala, baik berupa kebendaan
ataupun fenomena peristiwa dari objek yang diteliti. Data adalah keterangan benar dan nyata
yang diperlukan untuk memecahkan suatu masalah. Data juga diartikan sebagai kumpulan
angka, fakta, fenomena atau keadaan lainnya yang merupakan hasil pengamatan, pengukuran,
atau pencacahan dan sebagainya terhadap variabel dari suatu obyek kajian, yang berfungsi
dapat membedakan objek yang satu dengan lainnya pada variabel yang sama. Data
merupakan sesuatu yang akan diolah menjadi informasi. Informasi merupakan data atau
sekumpulan data yang telah dinterpretasi atau mengandung arti. Informasi bisa saja menjadi
data, apabila informasi tersebut digunakan kembali untuk pengolahan sistem informasi
selanjutnya. Dalam dunia komputer, data adalah segala sesuatu yang disimpan di dalam
memori menurut format tertentu (Sulisetijono, 2016).
Istilah data mengandung arti jamak. Bila tunggal disebut datum. Datum adalah
keterangan atau informasi yang diperoleh dari suatu pengamatan, sedangkan data adalah
segala keterangan atau informasi yang dapat memberikan gambaran tentang suatu keadaan.
Namun untuk selanjutnya, baik tunggal maupun jamak sama-sama digunakan istilah data.
Idealnya data yang diperoleh dari suatu kegiatan pengamatan benar-benar cocok dengan fakta
atau kenyataan sesungguhnya. Dalam penelitian-penelitian sosial, istilah yang digunakan
bukan objek penelitian, melainkan subjek penelitian. Secara sempit istilah statistik digunakan
untuk menyatakan data itu sendiri atau bilangan-bilangan yang diturunkan dari data, misalnya
rerata. Dalam pengumpulan data yang menyangkut ciri-ciri suatu kelompok, tidak praktis
bahkan tidak mungkin mengamati seluruh kelompok atau populasi. Pengamatan sebagian
kelompok disebut pengamatan sampel atau contoh (Sulisetijono, 2016). Syarat data yang baik
untuk memperoleh kesimpulan yang tepat dan benar maka data yang dikumpulkan dalam
pengamatan harus nyata dan benar, demikian sebaliknya. Data yang baik yaitu data harus
objektif (sesuai dengan keadaan sebenarnya), data harus mewakili (representatif), data harus
up to date, dan data harus relevan dengan masalah yang akan dipecahkan. Data yang telah
dikumpulkan dari suatu observasi disebut data observasi. Menurut sifatnya (Sulisetijono,
2016), data dapat dibagi menjadi dua, yaitu:
1. Data Kualitatif
Data kualitatif adalah data yang tidak dalam bentuk angka, data yang berbentuk
kategori atau atribut (Sulisetijono, 2016). Contoh 1: a) Harga emas hari ini mengalami
kenaikan; b) Sebagian dari produksi barang “A” pada perusahaan “Y” rusak.
2. Data Kuantitatif
 Data kuantitatif adalah data yang berbentuk bilangan (Sulisetijono, 2016).
Contoh 2: a) Luas bangunan hotel itu adalah 5700 m2; b) Tinggi badan Andi mencapai
170 cm; c) Banyak perguruan tinggi di kota “B” ada 30 buah. Dalam hal ini, data
kuantitatif dibagi menjadi dua bagian, yaitu:
a. Data diskrit (diskontinu)
Data diskrit adalah data yang diperoleh dengan cara menghitung atau
membilang (Sulisetijono, 2016). Contoh 3: a) Banyak kursi yang ada di ruangan
ini ada 75 buah; b) Jumlah siswa yang mengikuti matakuliah ini mencapai 110
orang; c) Banyak anak pada keluarga Ali ada tiga orang.
b. Data kontinu
Data kontinu adalah data yang diperoleh dengan cara mengukur (Sulisetijono,
2016). Contoh 4: a) Panjang benda itu adalah 15 cm; b) Jarak antara kota
Bandung dengan kota Cirebon adalah 130 km; c) Berat badan Ali adalah 58 kg.

2.2 Data Kategorikal

Terdapat beberapa cara untuk menglasifikasi variabel dan data, salah satunya dengan
mengelompokkannya berdasarkan tingkatan ukuran yang ditampilkan oleh variabel. Variabel
tersebut antara lain dapat menjadi kuantitatif, kategorikal, atau dichotomous. Variabel
kuantitatif diukur menggunakan skala yang memiliki transisi yang halus dalam berbagai nilai.
Nilai numerikal menampilkan sejumlah variabel yang cocok menjadi subjek (Tabachnick &
Fidell, 2007). Salah satu contoh variabel kuantitatif, yaitu umur, pendapatan, dan temperatur.
Variabel kuantitatif juga termasuk ke dalam variabel kontinu atau interval (Mertler dan
Reinhart, 2017).

Data kategorik adalah data kualitatif sehingga untuk dapat dianalisis dengan
menggunakan rumus matematika/statistika perlu diberi kode (coding) berupa angka. Analisis
matematika/statistika yang digunakan adalah berdasarkan hasil membilang (counting) pada
setiap kategori/pasangan kategori. Data kategorik disebut juga data nonmetric atau data yang
bukan merupakan hasil pengukuran. Berdasarkan skala pengukurannya (Mertler dan
Reinhart, 2017), data kategorikal dapat dibagi menjadi:

1. Kategorik Nominal, yaitu data kategorik yang tak dapat dinyatakan bahwa kategori
yang satu lebih baik dari kategori lainnya atau dengan kata lain kategori yang tidak
 memiliki urutan tertentu (Mertler dan Reinhart, 2017). Contoh: Pria – wanita, ungu
– biru, dan lain-lain. Karena tidak memiliki urutan tertentu, maka dapat saja
kategori ”pria” diberi kode ”0” dan ”wanita diberi kode ”1” maupun sebaliknya.
2. Kategorik Ordinal, yaitu data kategorik yang mempunyai urutan tertentu namun
”jarak” antar kategori sulit untuk dinyatakan sama (Mertler dan Reinhart, 2017).
Contoh: Alat dalam kondisi ”baik”, ”sedang”, ”rusak”. Karena memiliki urutan,
maka jika ”rusak” diberi kode ”1”, maka urutan berikutnya adalah ”sedang’ yang
diberi kode ”2”, dan kategori ”baik” diberi kode ”3” atau sebaliknya. Urutan
pengkodean di atas tidak dapat ditukar-tukar secara acak, karena akan menjadi tidak
sesuai dengan urutan kategorinya.

Data kategorik nominal maupun ordinal dapat diubah menjadi data numerik
(Mertler dan Reinhart, 2017):

 Rasio, dengan cara membagi jumlah frekuensi suatu kategori dengan kategori yang
lain, atau dengan total frekuensi seluruh kategori.
 Ordinal, dengan cara melakukan ranking sesuai dengan jumlah frekuensi dari
kategori-kategori yang ada.

Variabel kategorikal terdiri dari kategori yang terpisah dan tidak dapat dibagi. Tidak
terdapat nilai antara kategori yang berdekatan pada variabel kategori. Variabel kategori sering
digunakan untuk mengelompokkan partisipan. Sebagai contoh, gender baik laki-laki atau
perempuan, tipe sekolah, kategori agama yang dianut. Variabel kategori dapat meliputi data
nominal, ordinal, diskrit, atau kualitatif (Tabachnick & Fidell, 2007). Terdapat variabel
kategorikal yang spesifik disebut sebagai variabel dikotom. Variabel dikotom merupakan
variabel yang memiliki dua tingkat atau kategori saja. Gender merupakan salah satu variabel
dikotom. Variabel dikotom umum digunakan untuk menunjukan tujuan dari pertanyaan
spesifik dari penelitian, variabel kuantitatif atau kategorikal dapat menjadi variabel dikotom.
Salah satu contoh, umur merupakan salah satu variabel kuantitatif tetapi dapat menunjukan
nilai yang tertentu dan berbeda sehingga dapat diubah menjadi variabel dikotom. Misalnya,
orang-orang yang berumur kurang dari 40 tahun dan orang-orang yang berumur lebih dari 40
tahun. Dengan mengubah umur menjadi variabel dikotom, peneliti dapat dengan mudah
menentukan teknik analisis yang akan digunakan (Mertler dan Reinhart, 2017).
 Ketika melaksanakan analisis multivariat, peneliti terkadang memiliki kecenderungan
untuk memasukan variabel yang terlalu banyak. Pertimbangan utama pada teknik analisis
sangat menentukan variabel mana yang harus dimasukan datanya. Rekomendasi terbaik
adalah dengan mendapatkan solusi dengan variabel sesedikit mungkin (Tabachnick & Fidell,
2007). Hal ini dikenal sebagai parsimonious solution. Pencantuman argumen mengenai
variabel yang digunakan harus berdasarkan kemungkinan yang terjadi selama
mengumpulkan data sehingga hubungan secara teoritikal pada variabel dapat diketahui
(Mertler dan Reinhart, 2017).
2.3 Pengaturan Set Data
 Pengertian Data set
Data adalah sekumpulan datum (objek tunggal) yang berisi fakta-fakta serta gambaran
suatu fenomena yang dikumpulkan, dirangkum, dianalisis dan selanjutnya diinterpretasikan.
Sedangkan Dataset merupakan objek yang merepresentasikan data dan relasinya di memory.
Strukturnya mirip dengan data di database. Dataset berisi koleksi dari datatable dan
datarelation (Siregar, 2010). Data dapat diperoleh menggunakan 4 (empat) metode:
 Dari sumber yang dipublikasikan published sources (BPS)
 Dari sumber internal perusahaan (Financial statements and company records)
 Melalui metoda survey riset menggunakan sample
 Melalui disain percobaan (experiment)
Ada bermacam-macam cara untuk mempresentasikan data. Misalnya atribut yang
digunakan untuk menggambarkan jenis obyek (bisa kualitatif maupun kuantitaif). Set data
mempunyai karakteristik yang berbeda, misalnya ada set data yang menggunakan nilai deret
waktu (times series) atau sebuah nilai angka, bahkan berupa objek dengan hubungan khusus
didalamnya. Menurut Somantri (2006) data set memiliki beberapa jenis yaitu:
1. Dimensionality
Dimensionality dalam statistik mengacu pada berapa banyak atribut yang dimiliki
dataset. Misalnya, data layanan kesehatan yang memiliki banyak variabel ( Tekanan darah,
berat badan, kadar kolesterol). Pada kenyataannya, data ini dapat direpresentasikan dalam
spreadsheet, dengan satu kolom mewakili setiap dimensi. Dalam praktiknya, ini sulit
dilakukan, sebagian karena banyak variabel yang saling terkait (seperti berat badan dan
tekanan darah).
2. Sparsity
Variabel dengan data jarang adalah variabel yang persentasenya relatif tinggi dari
variabel tidak berisi data aktual. Ada dua jenis sparsity:
 Sparsity yang terkendali: terjadi ketika rentang nilai satu atau lebih dimensi tidak
memiliki data;
  Sparsitas acak: terjadi ketika nilai-nilai tersebar di seluruh variabel data, biasanya
karena beberapa kombinasi nilai dimensi tidak pernah memiliki data. Misalnya,
sebuah kabupaten mungkin hanya menjual produk tertentu dan tidak pernah memiliki
data untuk produk lain.
3. Resolution
Jenis dataset menurut ada dua yaitu Private dan Public. Private Dataset merupakan data
set yang dapat diambil dari organisasi yang kita jadikan obyek penelitian seperti bank, rumah
Sakit, Industri, Pabrik, Perusahaan Jasa, dll. Sedangkan Public Dataset merupakan data set
yang dapat diambil dari repositori pubik yang disepakati oleh para peneliti data mining,
seperti UCI Repository, dan ACM KDD (Siregar, 2001).
 Ukuran Statistik
Ukuran statistik merupakan ukuran yang menunjukkan bagaimana suatu gugus data
memusat dan menyebar. Di dalam ukuran statistik ada tiga bentuk ukuran deskripsi data,
yaitu ukuran pusat data, ukuran variabilitas data dan ukuran bentuk distribusi data. Ukuran
pusat data yang banyak digunakan untuk mendeskripsikan data adalah mean (rata-rata
hitung), median dan modus. Ukuran penyebaran suatu kelompok data terhadap pusat data
disebut disperse atau variasi atau keragaman data. Ukuran disperse data yang umum dipakai
adalah jangkauan (range), variansi dan standar deviasi (Ridwan, 2010: 101) . Menurut
Siregar (2001: 20) ukuran pemusatan dibagi menjadi tiga yaitu:
1. Mean (rata-rata hitung)
Rata-rata yang dihitung dengan menjumlahkan seluruh angka data yang selanjutnya
dibagi dengan banyaknya (jumlah) data. Jumlah data untuk data sampel disebut sebagai
ukuran sampel yang disimbolkan dengan n dan untuk data populasi disebut sebagai ukuran
populasi yang disimbolkan dengan N. Untuk rata-rata hitung sekumpulan data hasil
observasi dihitung dengan menggunakan rumus berikut:
Rata-rata (X¯) = ∑(Xi) / N
Dimana: Xi = nilai dari observasi yang ke-1
N = banyaknya observasi ukuran sample.
2. Median
Median adalah nilai yang membagi gugus data yang telah tersortir (ascending) menjadi 2
bagian yang sama besar. Letak median = (n+1)/2. Kuartil adalah nilai yang membagi gugus
data yang telah tersortir (ascending) menjadi empat bagian yang sama besar. Nilai kuartil
terdiri dari kuartil 1, kuartil 2 dan kuartil 3. Nilai kuartil 2 suatu gugus data sama dengan nilai
median tersebut.
3. Modus
Modus merupakan nilai yang paling sering muncul atau nilai yang frekuensinya paling tinggi.
 Atribut, Class dan Tipe Data
Menurut Sudjana (2005:41), pengertian atribut, Class dan tipe data adalah:
 1. Atribut adalah faktor atau parameter yang menyebabkan class/label/target terjadi
2. Class adalah atribut yang akan dijadikan target sering juga disebut dengan labe
3. Tipe data untuk variabel pada statistik terbagi menjadi empat: nominal, ordinal,
interval, ratio. Tapi secara praktis, tipe data untuk atribut pada data mining hanya
menggunakan dua:
 Kategorikal (Nominal,Ordinal)
 Numeric (Real,Integer)

 Pengaturan Dataset
Contoh: Diketahui data umur pegawai PT DOFI yaitu 19 40 38 31 42 20 27 22 37 42
Untuk mencari nilai-nilai ukuran statistik data tersebut dengan menggunakan program R,
ikutilah
langkah-langkah berikut:
1. Tekan icon R Commander pada desktop, kemudian akan muncul tampilan seperti
gambar di
bawah ini.
2. Pilih menu Data, New data set. Masukkan nama dari data set adalah umur, lalu tekan
tombol OK

3. Masukkan data umur pegawai PT. DOFI. Jika data editor tidak aktif maka dapat
diaktifkan dengan menekan RGui di taskbar windows pada bagian bawah layar
monitor. Jika sudah selesai dalam pengisian data tekan tombol Close. Untuk
mengubah nama dan tipe variabel, dapat dilakukan dengan cara double click pada
variable yang ingin di setting.

4. Untuk mengecek kebenaran data yang sudah dimasukkan, tekan tombol View data set
maka akan muncul tampilan seperti gambar di bawah ini. Jika ada data yang salah,
tekan tombol edit data set, lalu perbaiki data yang salah.
5. Jika data sudah benar, pilih menu Statistic, Summaries, Active data set.

6. Akan muncul tampilan

Maka kita bisa mengetahui bahwa dari data umur pegawai PT. DOFI, memiliki nilai:
Minimum: 19.00
Kuartil 1: 23.25
Median: 34.00
Mean: 31.80
Kuartil 3: 39.50
 Maximum: 42.00
2.4 Pemilihan Statistik yang Tepat
Pemilihan teknik analisis statistik yang digunakan dalam suatu penelitian haruslah
menggunakan teknik yang paling tepat. Masing-masing teknik statistik mempunyai
peruntukan masing-masing. Oleh karena itu dalam memilih teknik statistik harus
mempertimbangkan beberapa aspek, di antaranya (Narbuka, 2009):
1. Jenis penelitian, apakah hanya penelitian deskriptif atau penelitian yang mengambil
suatu kesimpulan (inferensial). Jenis – jenis data penelitian dapat digolongkan
menjadi dua macam.
a. Data nominal, adalah data yang didapat dari hasil penghitungan dan
pengkategorian.
b. Data kontinum, data yang didapat dari pengukuran. Data ini dapat dibagi lagi
menjadi tiga macam; nominal, ordinal, interval, rasio.
2. Jenis hipotesis yang kita gunakan dalam penelitian. Peneliatian yang beripotesis
deskriptif, teknik analisisnya berbeda dengan penelitian yang berhipotesis komperatif
atau asosiatif.
3. Skala data dalam penelitian. Penelitian yang mempunyai skala data nominal, teknik
yang digunakan berbeda dengan penelitian yang berskala data ordinal dan rasio.
4. Normalitas data. Jika data penelitian kita berdistribusi normal maka kita dapat
menggunakan teknik analisis paramatrik, namun jika tidak normal maka teknik
statistik yang digunakan adalah non parametrik. Berikut adalah tabel Teknik analisis
statistika yang dapat dipilih dalam penelitian:

Bentuk Komparasi
Macam –
macam Dua sampel k- sampel Asosiatif
data
Korelasi Independen Korelasi Independen

Interval/ t-tes dua t-tes dua sampel One way anova One way anova -product
sampel moment
Rasio
-korelasi
parsial

-korelasi
ganda
 -regresi
sederhana
&ganda

Ordinal -sign tes -Median tes -friedman -Media ekstention -Spearman

rank
-wilcoxon -mann-whitney -two way anova -kruskal walls
-kendall tau
-kolmogorov
smirnov

Nominal Mc Nemar -Fisher exact Chi kuadrat for k- Chi kuadrat for k- -coefisien
sampel sampel contingensi
-chi kuadrat for two
sampel

2.5 Paket Perangkat Lunak Statistik

2.5.1 Definisi dan Fungsi Paket Perangkat Lunak Statistik

Paket perangkat lunak statistik atau biasa dikenal dengan sebutan statistical software
merupakan suatu program yang berfungsi dalam pengolahan data statistik yang didalamnya
terdiri dari pengumpulan data, mengelompokkan data, menganalisis data, menginterprestasi
data dan mempresentasikan data (Darsie, 2012).

2.5.2 Jenis Perangkat Lunak Statistik

Ada beberapa jenis perangkat lunak statistik atau statistical software yang sering
digunakan dalam mengolah data, yaitu sebagai berikut:

1. SPSS (Statistical Package for the Social Software)

 SPSS merupakan sebuah program aplikasi yang memiliki kemampuan analisis statistik
yang cukup tinggi serta sistem manajemen data pada lingkungan grafis dengan menggunakan
menu-menu deskriptif dan kotak-kotak dialog yang sederhana sehingga mudah untuk
dipahami cara pengoprasiannya. SPSS banyak digunakan dalam berbagai riset pemasaran,
pengendalian dan perbaikan mutu (quality improvement), riset-riset sains (Nie, Bent & Hull,
1970).

Dalam pemrosesan statistik dengan menggunakan SPSS ada 3 tahapan secara umum,
yaitu sebagai berikut:

1. Data yang akan diproses dimasukan lewat menu data editor yang secara otomatis
akan muncul di layar saat SPSS digunakan.
2. Data yang diinput kemudian diproses
3. Hasil pengolahan data muncul di layar yaitu output navigator.

Dari ketiga tahapan tersebut, menurut Agus Tri Basuki dalam bukunya yang berjudul
“Penggunaan SPSS dalam Statistik” dapat melalui beberapa tahapan seperti:

 Sebelum memasukkan data, kita harus mengetahui bagaimana gambaran dari software
ini.

 Memasukkan data
Data yang diketahui:

Kabupaten Pertanian Industri Jasa Jumlah

Bodronoyo 5194485,32 5218350,93 5258136,50 15670972,75

Sulamanto 2762729,18 2997818,90 3178586,96 8939135,04

Ciganjur 2911111,03 2974994,19 3038805,78 8924911,01

Bandungan 4338609,02 4436742,73 4534050,73 13309402,49

 siGarut 3566959,43 3631799,79 3713444,29 10912203,51

Tasikmala 2886454,78 2920347,31 2970956,00 8777758,08

Ciamis 3236120,65 3305451,54 3416380,69 9957952,89

Kuning 2635535,23 2738240,12 2819521,59 8193296,93

Carubon 2580728,25 2671645,91 2742543,13 7994917,28

Malengka 2445604,05 2558835,15 2625150,66 7629589,86

Masukkan data di atas menggunakan SPSS dengan cara menginput data baru ke dalam
SPSS secara berurutan yaitu:

1. Membuka variable view untuk mendefinisikan variabel

Lihat pada bagian kiri bawah dari tampilan diatas. Lalu klik tab “variable view”
sehingga tampilan berubah menjadi:

Data diatas terdiri dari 5 variabel yaitu kabupaten, pertanian, industri, jasa dan
jumlah. Untuk itu, dilakukan imput 5 variabel seperti dibawah ini:
 Jika sudah selesai, klik ikon data view yang ada dibagian kiri bawah untuk
memasukkan data

2. Membuka data view untuk memasukkan data

Pada tampilan data view, masukkan data seperti kita memasukkan data ke Excel
atau sebuah tabel lainnya. Cara penempatan angka seperti tabel awal diatas. Hanya
perlu diperhatikan untuk tanda baca desimal, apakah menggunakan koma (,)
ataukah titik (.). Pada contoh ini digunakan tanda baca ‘koma’, seperti angka 15,21.

Tampilan akhir input data:

3. Menyimpan data ke dalam SPSS

Setelah data diinput, data akan disimpan untuk digunakan pada waktu yang akan
datang. Untuk itu:
Buka menu ”file” lalu klik “save as” kemudian tempatkan pada folder tertentu
dalam hard disk/tempat penyimpan data. Selesai.

2. Minitab

Minitab merupakan salah satu program komputer yang banyak digunakan untuk
mempermudah pengolahan data statistik. Minitab ini mengkombinasikan kemudahan
penggunaan layaknya Microsoft Excel dengan kemampuannya melakukan analisis yang
cukup kompleks. Keunggulan dari program ini adalah dapat mengolah data statistika untuk
tujuan sosial dan teknik. Hasil analisis pada program ini dapat ditampilkan dalam histogram,
plot dan angka (Agus Widarjono, 2007).

3. SAS (Statistical Analysis System)

 SAS merupakan singkatan dari Statistical Analysis System yang dibuat oleh SAS Institute
Inc. SAS dirancang menggunakan bahasan pemograman dan dirancang untuk keperluan
berbagai bidang dengan fitur:

 Melakukan entri data

 Analisis statistik
 Riset operasi
 Peningkatan kualitas pengembangan aplikasi data
 Dan lainnya

Pada program ini dikategorikan menjadi 2 jenis:

a. Data step
Digunakan untuk membuat, membaca/memanipulasi data
b. Proc data(Procedure step)
Digunakan untuk menganalisa, meringkas maupun membuat tabulasi dari sebuah
data.

4. Lisrel (Linear Structural Relationship)

Lisrel merupakan singkatan dari Linear Structural Relationship, merupakan software

yang paling sering digunakan dalam bidang akademis maupun praktisi yang merupakan salah
satu program komputer yang dapat mempermudah analisis untuk menyelesaikan suatu
masalah-masalah yang tidak dapat diselesaikan secara konvensional (Agus, T.B & Yuliadi, I,
2014).

5. Amos (Analysis of Moment Structure)

Amos merupakan singkatan dari Analysis of Moment Structure yang merupakan salah
satu software yang digunakan untuk mengestimasi model pada model SEM (Structural
Equation Model). Menggunakan Amos dalam perhitungan SEM ini jauh lebih mudah
dilakukan jika dibandingkan dengan menggunakan perangkat lunak lainnya. Penggunaan
amos ini akan mempercepat dalam membuat spesifikasi, melihat serta melakukan modifikasi
model secara grafik menggunakan tool yang sederhana (Agus, T.B & Yuliadi, I, 2014).

6. Eviews (Economic Views)

Eviews merupakan singkatan dari Economic Views yang merupakan perangkat lunak yang
banyak digunakan untuk kepentingan analisis data ekonomi dan keuangan. Software ini
banyak digunakan dalam pendidikan, pemerintah dan bidang industri. Kegunaan lain dari
software ini adalah dapat digunakan untuk menganalisis data dan mengevaluasinya, analisis
finansial, peramalan ekonomi makro, simulasi dan analisis biaya (Basuki, A.T, 2014).

7. Stata

Stata merupakan singkatan dari statistika dan data yaitu suatu program komputer yang
digunakan dalam menganalisis statistika. Program ini dirancang oleh StataCorp pada tahun
1985. Ini dirancang untuk keperluan ekonomi, sosiologi dan epidemiologi dengan berbagai
fitur manajemen data, analisis statistika, grafik, simulasi dan pemrogaman (Basuki, A.T,
2014).

2.6 Menginterprestasi Data

No Jenis penelitian Teknik analisis

1. Satu variabel berskala rasio /interval Statistika deskriptif
dengan rerata (mean)
atau persen

2. Kedua variabel berskala rasio/interval ( Korelasi ) Pearson

3. Satu variabel terikat rasio/interval (diukur dua kali) dan satu

variabel nominal (dua kategori) (komparasi) Uji t berpasangan

4. Satu variabel terikat rasio/interval (dua sampel diukur sekali) dan Uji t tidak berpasangan
satu variabel nominal (dua kategori) (komparasi) (Uji t Independen)

5. Keduanya rasio/interval (pengaruh atau hubungan kausal) Regresi linier

6. Dua atau lebih variabel skala rasio/ interval dikorelasikan dengan Korelasi Ganda
satu variabel skala rasio/ interval (regresi ganda)

7. Satu atau lebih variabel terikat berskala rasio/interval berdasarkan Analisis Varians
satu variabel nominal (lebih dari dua kategori) (komparasi) (Anava)

8. Satu atau lebih variabel terikat berskala rasio/interval berdasarkan Analisis Kovarians
satu variabel nominal (lebih dari dua atau lebih kategori) (Anakova)
(komparasi) dengan mengontrol variabel praperlakuan (kovariat)

9. Kedua variabel ordinal (korelasi) Korelasi Spearman

10. Kedua variabel nominal (korelasi) Chi Square (X2)

1. Statistika deskriptif dengan rerata (mean) atau persen

 DISTRIBUSI RESPONDEN MENURUT TINGKAT PENDIDIKAN

PENDIDIKAN JUMLAH PRESENTASE

SD 10 20
SMP 11 22
SMU 16 32
PT 13 26
TOTAL 50 100
Distribusi Tingkat pendidikan responden hampir merata untuk masing –
masing tingkat pendidikan . paling banyak responden berpendidikan SMU yaitu 16
orang (32%) sedangkan untuk pendidikan SD,SMP dan PT masing – masing
20%,22%,26% ( Wahana,2006).
2. Pearson
TABEL HUBUNGAN BERAT BADAN IBU DAN BERAT BADAN BAYI

Berat badan ibu Berat badan bayi

Berat badan ibu 1 0,684**
pearson corelation 0.000
Sig 2 tailed 50 50
N

Berat badan bayi

Pearson corelation 0,684** 1
Sig 2 tailed 0.000
N 50 50

Pada hasil di atas diperoleh nilai r =0,684 dan nilai p=0,0005. kesimpulan dari hasil
tersebut: hubungan berat badan ibu dengan berat badan bayu menunjukan hubungan
yang kuat dan berpola posiitf artinya semakin bertambah berat badanya semakin
tinggi berat bayinya. Hasil uji statistik didapatkan ada hubungan yang signifikan
antara berat badan ibu dengan berat badan bayi ( p=0,0005) ( Wahana,2006).

3. Uji t berpasangan

TABEL DISTRIBUSI RATA – RATA KADAR HB RESPONDEN MENURUT

PERILAKU MENYUSUI DI KOTA X TAHUN 2019
 Menyusui Mean SD SE P value N
Ya ekslusif 10,277 1,322 0,259 0,717 26
Tidak 10,421 1,471 0,300 24
eksklusif

Rata – rata kadar Hb ibu yang menyusui eksklusif adalah 10,277 gr% dengan standart
deviasi 1,322 gr %, sedangkan untuk ibu yang menyusui non ekslusif rata – rata kadar
Hbnya adalalah 10,421% dengan standart deviasi 1,471 gr%. hasil uji statistik
didapatkan nilai p=0,717, berarti pada alpha 5% terlihat tidak ada perbedaan yang
signifikan rata – rata kadar hb antara ibu menyusui secara eksklusif dengan non
eksklusif ( Wahana,2006).
4. Uji t tidak berpasangan (Uji t Independen)
TABEL DISTRIBUSI RATA – RATA KADAR HB RESPONDEN MENURUT
PENGUKURAN PERTAMA DAN KEDUA DI KOTA X TAHUN 2019

Variabel Mean SD SE P value N

Pengukuran 10,346 1,38 0,19 0,001 50
1
Pengukuran 10,860 1,05 0,14
2

Rata – rata kadar hb pada pengukuran pertama adalah 10,346 % dengan standart
deviasi 1,38%. Pada pengukuran kedua didapat rata – rata kadar hb adalah 10,860%
dengan standart deviasi 1,05%. terlihat nilai mean perbedaan antara pengukuran
pertama dan kedua adalah 0,514 dengan standart deviasi 0,982 hasil uji statistik
didapatkan nilai 0,001 maka dapat disimpulkan ada perbedaan yang signifikan antara
kadar hb pengukuran pertama dan kedua ( Wahana,2006).
5. Regresi linier
ANALSISI KORELASI DAN REGRESI BERAT BADAN IBU DENGAN ERAT
BADAN BAYI
Variabel r R2 PERSAMAAN P VALUE
GARIS
Berat ibu 0,684 0,468 BBAYI = 0,0005
657,93 + 44,38
* BB IBU
 Hubungan berat badanibu dengan berat badan bayi menunjukan hubungan kuat
(r=0,684) dan berpola posiitf aertinya semakin bertambah berat badan ibu semakin
besar berat bayinya. nilai koefisien dengan determinasi 0,468 artinya persamaan garis
regresi yang kita peroleh dapat menerangkan 46,8 % variasi berat badan bayi atau
persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan
bayi . hasil uji statistik didapatkan hubungans ignifikan antara berat badan ibu dengan
berat badan bayi ( p=0,005) ( Wahana,2006).
6. Korelasi Ganda
TABEL HUBUNGAN ANTARA KOMPETENSI DAN MOTIVASI SECARA
SIMULTAN TERHADAP KINERJA

X1 = KOMPETENSI , X2 = MOTIVASI , Y= KINERJA

Hubungan antara kompetensi dan motivasi secara simultan terhadap kinerja
yang dihitung dengan koefisien korelasi adalah 0,497, hal ini menunjukan pengaruh
yang sedang. sedangkan kontribusi atau sumbangan secara simultan variabel
kompetensi dan motivasi terhadap kinerja adalah 24,7% sedangkan 75,3% ditentukan
oleh variabel yang lain.
ho: kompetensi dan motivasi tidak berhubungan secara simultan dan signifikan
terhadap kinerja
ha: kompetensi dan motivasi berhubungan secara simultan dan signifikan terhadap
kinerja.
Berdasarkan tabel model summary diperoleh nilai probabilitas ( sig F change )
= 0,000 karena nilai sig G change 0,000< 0,005 , maka keputusanya adalah HO
ditolak dan Ha Diterima. artinya kompetensi dan motivasi berhubungan scara
simultan dan signifikan terhadap kinerja negeri kota surakaarta tahun 2014.
( Wahana,2006).
7. Analisis Varians (Anava)
TABEL DISTRIBUSI RATA – RATA BERAT BAYI MENURUT TINGKAT
PENDIDIKAN
Variabel Mean SD 95% CI P value
 SD 2470 249,6 2291,4 – 0,0005
2648,6
SMP 2727,2 241,2 3565,2 –
2889,3
SMU 3431,2 270,1 3287,3 –
3575,1
PT 3761,5 386,3 3528,1 –
3994,9

Rata – rata berat bayi pda mereka yang berpendiidkan SD adalah 2470,0 gram
dengan standart deviasi 249,6 gram . pada mereka yang berpendidikan SMP rata –
rata berat bayinya adalah 2727,20 disebutkan SMU DAN PT. Hasil uji statistik
didapat nilai p=0,0005 , Berarti pada alpha 5% dapat disimpulkan ada perbedaan berat
bayi diantara keempat jenjang pendidikan. nalaisi lebih lanjut membuktikan bahwa
kelompok yang berbeda signifikan adalah tingkat pendidikan SD dengan SMU, SD
dnegan PT , SMP dengan SMU , SMP dengan PT dan SMU dengan PT
( Wahana,2006).
8. Analisis Kovarians (Anakova)

Hasil uji F antar daerah tingkat II dari berbagai wilayah eks karesidenan
menunjukan nilai sebesar 1,787 dengan Sig. sebesar 0,196. Karena nilai Sig > taraf
signifikan (α) = 0,05 maka dapat disimpulkan bahwa tidak terdapat perbedaan nilai
gini ratio (tingkat distribusi pendapatan) yang signifikan antar daerah tingkat II dari 6
wilayah eks karesidenan di Jawa Tengah.
Uji F ANAKOVA menunjukan bahwa besarnya pengaruh besarnya pengaruh
antar wilayah eks karesidenan setelah dikendalikan variabel jumlah penduduk miskin
didapatkan nilai F sebesar 1,986 dengan nilai Sig. sebesar 0,186. karena nilai Sig >
 taraf signifikan (α) = 0,05 maka Ho diterima, artinya tidak ada perbedaan rata-rata
tingkat distribusi pendapatan daerah tingkat II dari 6 wilayah eks karesidenan di Jawa
Tengah dengan memperhitungkan jumlah penduduk miskin di daerah tersebut
( Wahana,2006).
9. Korelasi Spearman

TABLE KORELASI INTENSITAS MENYUSUI DAN BERAT BADAN BAYI

Intensitas ibu
menyusui

Spearman's Berat badan Correlation ,506**

rho bayi Coefficient.

Sig. (2-tailed) ,000

N 178

Hasil analisis r cokrelasi antara berat badan bayi dan intensitas ibu menyusui
menunjukan nilai r = 0,506** berati sedang. hubungan posiitf antara berat badan bayi
dan intensitas ibu menyusui sehingga dapat disimpulkan semakin intensistas ibu
menyusui tinggi maka berat badan bayi bertambah ( Wahana,2006).

10. Chi Square (X2)

DISTRIBUSI RESPONDEN MENURUT JENNIS PEKERJAAN DAN PERILAKU
MENYUSUI.
Jenis menyusui total OR P
pekerjaan (95%) value
Tidak eksklusif eksklusif
N % n % n % 0,011
bekerja 17 68 8 32 25 100 5,465
1,6 –
18,3
Tidak 7 28 18 72 25 100
bekerja
Jumlah 24 48 26 52 50 100
 Hasil analisis hubungan antara status pekerjaan dengan perilaku menyusui
eksklusif diperoleh bahwa ada sebanyak 8(32) ibu yang bekerja menyusui bayi secara
eksklusif. sedangkan diantara ibu yang tidak bekerja ada 18 (72%) yang menyusui
secara eksklusif. hasil uji statistik diperoleh nilai p=0,011 maka dapat disimpulkan
ada perbedaan proporsi kejaian menyusui eksklusif antara ibu bekerja dan tidak
bekerja ( ada hubungan signifikan antara pekerjaan dengan perilaku menyusui). dari
hasil analsisi diperoleh nilai QR = 5,464 artinya ibu tidak bekerja mempunya peluang
5,46 kali untuk menyususi ekslusif di bandingkan ibu yang bekerja ( Wahana,2006).
 BAB III
PENUTUP

3.1 Kesimpulan
Dari penjelasan materi diatas, dapat ditarik beberapa kesimpulan yaitu sebagai berikut:
 Data kuantitatif adalah data yang berbentuk bilangan yang mana dapat dibagi
kembali menjadi dua, yaitu data diskrit adalah data yang diperoleh dengan cara
menghitung atau membilang dan data kontinu adalah data yang diperoleh dengan cara
mengukur.
 Data kategorik adalah data kualitatif sehingga untuk dapat dianalisis dengan
menggunakan rumus matematika/statistika perlu diberi kode (coding) berupa angka.
Analisis matematika/statistika yang digunakan adalah berdasarkan hasil membilang
(counting) pada setiap kategori/pasangan kategori.
 Dataset merupakan objek yang merepresentasikan data dan relasinya di memory.
Strukturnya mirip dengan data di database. Dataset berisi koleksi dari datatable dan
datarelation
 Dalam memilih teknik analisis statistik untuk penelitian, maka harus
mempertimbangkan beberapa aspek yaitu jenis penelitian, jenis hipotesis, skala data
dalam penelitian, dan normalitas data.
 Paket perangkat lunak statistik atau biasa dikenal dengan sebutan statistical software
merupakan suatu program yang berfungsi dalam pengolahan data statistik yang
didalamnya terdiri dari pengumpulan data, mengelompokkan data, menganalisis data,
menginterprestasi data dan mempresentasikan data (Darsie, 2012).
 Interpretasi data adalah membaca data hasil dari output analisis SPSS sehingga
sebuah penelitian dapat diketahui kesimpulanya atau dapat diartikan digeneralisasi.
 DAFTAR RUJUKAN

Basuki, A.T. 2014. Penggunaan SPSS dalam Statistik. Sleman: Danisa Media.
Darsie, J. 2012. “Computer Science, under the Supervision of Professor Sebastian Elbaum”.
Tesis. Faculty of The Graduate College at the University of Nebraska in Partial
Fulfilment of Requirement For the Degree of Master of Science, Major.
Mertler, C. A. & Reinhart, R. V. 2017. Advanced and Multivariate Statistical Methods,
Practical Application and Interpretation, 6th Ed. New York: Routledge. Narbuko
Cholid, 2009. Metodologi Penelitian. Jakarta: Bumi Aksara
Riduwan . 2010. Dasar-dasar Statistika. Bandung: Alfabeta.
Sudjana. 2005.Metoda Statistika. Bandung: Tarsito
Siregar,Syofian. 2010.Statistika Deskriptif untuk Penelitian Dilengkapi Perhitungan Manual
dan Aplikasi SPSS Versi 17. Jakarta: Rajawali Pers.
Somantri, Ating dan Sambas Ali Muhidin. 2006. Aplikasi statistika dalam Penelitian. pustaka
ceria: Bandung
Sulisetijono. 2016. Statistika, untuk Biologi dan Ilmu-ilmu yang Bertautan. Jurusan Biologi.
Malang: FMIPA.
Tabachnick, B. G., & Fidell, L. S. (2007). Using multivariate statistics (5th ed.). Boston, MA:
Allyn & Bacon.