BAB I

PENDAHULUAN

SPSS adalah sebuah program komputer yang digunakan untuk membuat

analisis statistika. SPSS dipublikasikan oleh SPSS Inc. SPSS (Statistical Package
for the Social Sciences atau Paket Statistik untuk Ilmu Sosial) versi pertama dirilis
pada tahun 1968, diciptakan oleh Norman Nie, seorang lulusan Fakultas Ilmu
Politik dari Stanford University, yang sekarang menjadi Profesor Peneliti Fakultas
Ilmu Politik di Stanford dan Profesor Emeritus Ilmu Politik di University of
Chicago.

SPSS adalah salah satu program yang paling banyak digunakan untuk
analisis statistika ilmu sosial. SPSS digunakan oleh peneliti pasar, peneliti
kesehatan, perusahaan survei, pemerintah, peneliti pendidikan, organisasi
pemasaran, dan sebagainya. Selain analisis statistika, manajemen data (seleksi
kasus, penajaman file, pembuatan data turunan) dan dokumentasi data (kamus
metadata ikut dimasukkan bersama data) juga merupakan fitur-fitur dari software
dasar SPSS . SPSS (Statistical Package for the Social Sciences : Paket Statistik
untuk Ilmu Sosial) SPSS merupakan sebuah program komputer statistik yang
berfungi untuk membantu dalam memproses data-data statistik secara tepat dan
cepat, serta menghasilkan berbagai output yang dikehendaki oleh para pengambil
keputusan. Statistik dapat diartikan sebagai suatu kegiatan yang bertujuan untuk
mengumpulkan data, meringkas atau menyajikan data kemudian menganalisis
data dengan menggunakan metode tertentu, dan menginterpretasikan hasil dari
analisis tersebut. Ilmu statistik ini dapat ditemui di berbagai disiplin ilmu seperti
ekonomi, jurnalistik, psikologi, dan lain-lain. Sebagai contoh, dalam bidang ilmu
manajemen ilmu statistik ini berfungsi untuk membantu dalam pengambilan
keputusan atas suatu masalah tertentu. Dalam penghitungan statistik, alat yang
sering digunakan adalah olah data SPSS .
 Statistik yang termasuk software dasar SPSS

 Statistik Deskriptif: Tabulasi Silang, Frekuensi, Deskripsi, Penelusuran,

Statistik Deskripsi Rasio.
 Statistik Bivariat: Rata-rata, t-test, ANOVA, Korelasi (bivariat, parsial,
jarak), Nonparametric tests.
 Prediksi Hasil Numerik: Regresi Linear.
 Prediksi untuk mengidentivikasi kelompok: Analisis Faktor, Analisis
Cluster (twostep, K-means, hierarkis), Diskriminan.

Kelebihan SPSS, piranti lunak khusus untuk melakukan analisis data,

memberikan banyak kelebihan dan kemudahan dibandingkan spreadsheet. SPSS
mampu mengakses data dari berbagai macam format data yang tersedia seperti
Base, Lotus, Access, text file, spreadsheet, bahkan mengakses database melalui
ODBC (Open Data Base Connectivity) sehingga data yang sudah ada, dalam
berbagai macam format, bisa langsung dibaca SPSS untuk dianalisis. SPSS
memberi tampilan data yang lebih informatif, yaitu menampilkan data sesuai
nilainya (menampilkan label data dalam kata-kata) meskipun sebetulnya kita
sedang bekerja menggunakan angka-angka (kode data). Misalnya untuk field Jenis
Kelamin, kode angka yang digunakan adalah 1 untuk “pria” dan 2 untuk “wanita”,
maka yang akan muncul di layar adalah label datanya, yaitu “pria” dan “wanita”.
SPSS memberikan informasi lebih akurat dengan memperlakukan missing data
secara tepat, yaitu dengan memberi kode alasan mengapa terjadi missing data.
Misalnya karena pertanyaan tidak relevan dengan kondisi responden, pertanyaan
tidak dijawab, atau karena memang pertanyaannya yang harus dilompati. SPSS
melakukan analisis yang sama untuk kelompok-kelompok pengamatan yang
berbeda secara sekaligus hanya dalam beberapa mouse click saja.
 BAB II

DESKRIPSI KERJA

Dalam praktikum kali ini, pratikan akan membahas tentang cara kerja pada
SPSS , berikut deskripsi kerja pada studi kasus pertama :

1. Mencari hasil analisis deskriptif pada data berikut menggunakan SPSS

dengan tabel seperti berikut :
Tabel 2.1 Tabel Studi Kasus Pertama
Suhu (celcius) Kelembapan (persen)
32 40
35 47
27 38
33 42
34 45
28 39
30 40
29 37
31 43
26 35
30 41
35 46
35 46
29 38
31 43
25 32
36 45
 20 29
28 36
30 40

1.1 Langkah pertama untuk memulai penggunaan program SPSS adalah

mencari pada kolom search kemudian klik dua kali, maka akan muncul
kotak dialog seperti gambar 2.1.1.

Gambar 2.1.1 Tampilan Awal pada SPSS

1.2 Lalu klik new data set dan pilih ok pada kotak dialog yang ada untuk
memasukkan data baru, sehingga akan muncul seperti gambar 2.1.2.

Gambar 2.1.2 Halaman Awal pada SPSS

1.3 Klik pada variable view, praktikan mengisi data seperti gambar 2.1.3.

Gambar 2.1.3 Tampilan pada Variable View

1.4 Selanjutnya adalah melakukan entri data pada variabel yang telah
praktikan buat tadi yaitu dengan menekan button Data View kemudian
praktikan mulai untuk melakukan entri data seperti gambar 2.1.4

Gambar 2.1.4 Tampilan pada Data View

1.5 Selanjutnya praktikan mulai untuk menganalisis data tersebut secara
deskriptif yaitu dengan cara klik menu bar analyze -> descriptive statistics
-> frequencies sehingga akan muncul kotak dialog, kemudian praktikan
memasukkan data tadi ke dalam kolom variable(s) seperti gambar 2.1.5.

Gambar 2.1.5 Kotak Dialog pada Frequencies

1.6 Kemudian praktikan mengubah isi yang ada di dalam button statistics
yaitu dengan memberi beri tanda ceklist pada kolom quartile, mean,
median, mode, sum, std deviation, variances, range, minimun, maximum,
se mean, skweness, kurtosis, dan pada kolom percentile(s) isi nilai 25, 50,
dan 75 seperti gambar 2.1.6 kemudian klik continue.

Gambar 2.1.6 Kotak Dialog pada Button statistics

1.7 Kemudian praktikan akan mengubah isi yang ada di dalam button charts
yaitu klik button charts kemudian klik histograms dan memberi tanda
ceklist di kotak show normal curve on histogram seperti gambar 2.1.7
kemudian klik continue.

Gambar 2.1.7 Kotak Dialog pada Button Charts

1.8 Setelah praktikan selesai mengubah isi dalam button statistics dan charts,
langkah selanjutnya adalah klik button OK, maka akan muncul output
seperti gambar 2.1.8.

Gambar 2.1.8 Output Statistics Frequencies

 1.9 Bentuk output histogram with normal curve untuk suhu (gambar 2.1.9.1)
dan kelembapan (gambar 2.1.9.2).

Gambar 2.1.9.1 Histogram Suhu

Gambar 2.1.9.2 Histogram Kelembapan

2. Pada studi kasus kedua adalah praktikan dituntut membuat recode dan
transform terhadap tabel 2.2 dengan ketentuan atau kondisi :
a. Batas nilai menggunakan NIM 2 digit terakhir (33) (1 untuk < NIM, 2
untuk NIM≤2≤NIM + 10, 3 untuk > NIM).
b. Batas nilai menggunakan ketentuan yang telah ditentukan (1 untuk < 60
(tingkat penjualan rendah), 2 untuk 60≤2≤180 (tingkat penjualan sedang),
dan 3 untuk >180 (tingkat penjualan tinggi)).
Tabel 2.2 Tabel Studi Kasus Kedua
No Jumlah penjualan burger perhari PT ADE
1 150
2 68
3 46
4 100
5 300
6 60
7 80
8 25
9 200
10 256
11 50
12 9
13 8
14 50
15 40
16 254
17 240
18 188
19 87
20 67
21 134
22 19
23 20
24 180
25 34
 26 280
27 124
28 250
29 44
30 156

2.a.1 Untuk menyelesaikan data dengan recode dan transform dengan kondisi
(a) menggunakan dua digit terakhir (33) yaitu 1 untuk < NIM, 2 untuk
NIM≤2≤NIM +10, 3 untuk > NIM, dengan cara klik variable view kemudian
praktikan mengisikan data seperti gambar 2.2.a.1.

Gambar 2.2.a.1 Tampilan pada Variable View

2.a.2 Setelah data pada Variable View sudah diisi maka langkah selanjutnya
adalah menginputkan data pada lembar kerja Data View, maka klik Data View
dan praktikan mengisi data seperti gambar 2.2.a.2.
 Gambar 2.2.a.2 Tampilan pada Data View

2.a.3 Kemudian praktikan mulai untuk proses recode dan transform, yaitu
dengan cara klik menu bar transform -> recode into different variables, maka
akan muncul kotak dialog kemudian praktikan memasukkan data tadi ke dalam
kolom variable(s) dan mengubah atau memberi nama hasil outputnya nanti
dengan mengisikan kolom name “kategori_sesuai_NIM” kemudian klik change,
sehingga seperti gambar 2.2.a.3.
 Gambar 2.2.a.3 Kotak Dialog Recode Into Different Variables

2.a.4 Setelah itu praktikan klik Old and New Values untuk memasukkan
ketentuan tadi, maka akan muncul kotak dialog seperti gambar 2.2.a.4.

Gambar 2.2.a.4 Tampilan Kotak Dialog Old And New Values

2.a.5 Praktikan mulai untuk mengisikan sesuai dengan ketentuan yang telah
ditentukan yaitu klik tombol Range lowest through value kemudian mengisikan
33 setelah itu di dalam kotak new value klik tombol value dan mengisi angka 1
kemudian klik tombol add. Selanjutnya klik range (yang ada 2 kolom kotak di
dalamnya) pada kotak pertama praktikan isi angka 33 dan kotak kedua praktikan
isi angka 43 kemudian pada kotak value praktikan isi angka 2 kemudian klik add
dan yang terakhir klik tombol range value through highest dan mengisinya
dengan angka 43 kemudian pada kolom value praktikan mengisi dengan angka 3
kemudian klik add, berikut visualisasinya (gambar 2.2.a.5)

Gambar 2.2.a.5 Hasil Isian pada Menu Old And New Values
2.a.6 Kemudian klik continue, maka output akan muncul seperti gambar 2.2.a.6.

Gambar 2.2.a.6 Hasil Output Ketentuan (a)

 Setelah selesai recode dan transform untuk ketentuan (a) maka selanjutnya
praktikan akan melakukan recode dan transform dengan menggunakan ketentuan
(b), berikut langkah yang praktikan gunakan :

2.b.1 Sama perlakuan dengan ketentuan (a) yaitu mengubah nama outputnya
terlebih dahulu seperti gambar 2.2.b.1.

Gambar 2.2.b.1 Kotak Dialog Recode Into Different Variables

2.b.2 Kemudian praktikan mengubah isi yang ada di dalam button Old and New
Values yaitu dengan memberi ceklist di kotak dialog output variables are strings
dan mengubah angka width menjadi 15 kemudian mengisi kolom Range lowest
through value kemudian mengisikan 60 setelah itu di dalam kotak new value
klik tombol value dan mengisi angka 1 (rendah) kemudian klik tombol add.
Selanjutnya klik range (yang ada 2 kolom kotak di dalamnya) pada kotak
pertama praktikan isi angka 60 dan kotak kedua praktikan isi angka 180
kemudian pada kotak value praktikan isi angka 2 (sedang) kemudian klik add
dan yang terakhir klik tombol range value through highest dan mengisinya
dengan angka 180 kemudian pada kolom value praktikan mengisi dengan angka
3 (tinggi) kemudian klik add, berikut visualisasinya (gambar 2.2.b.2)
 Gambar 2.2.b.2 Hasil Isian pada Menu Old And New Value

2.b.3 Kemudian klik continue, maka output akan muncul seperti gambar 2.2.b.3.

Gambar 2.2.b.3 Hasil Output Ketentuan (a) dan (b)

 BAB III

PEMBAHASAN

Pada bab ini, praktikan akan menjabarkan perincian dari deskripsi kerja di
bawah ini :

1. Pada studi kasus pertama praktikan menggunakan tabel suhu dan kelembapan
untuk mencari hasil analisis deskriptif, berikut adalah tabel yang digunakan oleh
praktikan :
Tabel 3.1 Tabel Studi Kasus Pertama
Suhu (celcius) Kelembapan (persen)
32 40
35 47
27 38
33 42
34 45
28 39
30 40
29 37
31 43
26 35
30 41
35 46
35 46
29 38
31 43
25 32
36 45
 20 29
28 36
30 40

1.1 Langkah pertama pada studi kasus pertama ini setelah praktikan
membuka halaman awal pada SPSS yaitu praktikan akan mengisikan data
pada variable view seperti gambar 3.1.1.

Gambar 3.1.1 Tampilan Variable View

Pada kolom di atas membuat beberapa variabel, dimana masing-

masing variabel memiliki fungsi sebagai berikut :
1.1.1 Name : kolom name digunakan untuk memberikan nama
variabel data dengan panjang maksismum 64 karakter. Pada praktikum
ini praktikan mengisikan kolom name dengan celcius dan persen.
1.1.2 Type : Dalam SPSS banyak type data yang ditawarkan
untuk tiap variabel, tetapi untuk keperluan analisis data yang biasa
dipakai adalah : type String, Numeric, dan Date. Pada praktikum kali
ini praktikan mengisikan type data numeric karena nantinya data yang
akan diinputkan berupa angka (kuantitatif).
1.1.3 Width : kolom width menunjukkan lebar digit data, karena
praktikan menggunakan tipe data numerik kolom width menyediakan 1
sampai 40 digit. SPSS memberikan default width 8 digit
1.1.4 Decimals : kolom desimal menunjukkan berapa angka desimal
setelah tanda koma dimana berlaku ketentuan tidak boleh sama atau
lebih besar dibandingkan width-nya. Pada praktikum kali ini praktikan
 tidak menngaktifkan kolom decimals sehingga praktikan menuliskan
angka 0 di dalam kolomnya. Secara default SPSS memberikan angka 2
pada kolom decimals.
1.1.5 Label : kolom label memberikan keterangan tambahan
pada nama variabel data. Jika tidak ada, kolom ini dapat diabaikan
tanpa mempengaruhi proses data.
1.1.6 Values : kolom values merupakan kode yang diberikan jika
variabel yang digunakan kategorik (misal jenis kelamin).
1.1.7 Missing : kolom missing digunakan apabila terdapat data
yang hilang atau kosong . jika data lengkap abaikan kolom ini karena
tidak mempengaruhi proses data.
1.1.8 Columns : kolom columns berfungsi memberikan lebar kolom
sesuai lebar pemasukkan data yang diinginkan yaitu antara 1 sampai
255 digit.
1.1.9 Align : kolom align berfungsi umtuk mengatur posisi data.
Apakah berada di kana, kiri, atau tengah. Secara default SPSS
memberikan posisi align right atau rata kanan.
1.1.10 Measure : kolom measure digunakan untuk menentukan tipe
ukuran variabel data, untuk data yang bertipe string terdiri atas
nominal dan ordinal, dan untuk tipe data numerik tanpa kategori
dipilih tipe scale.
1.2 Setelah praktikan selesai mengisi data pada lembar kerja variable view,
langka selanjutnya praktikan mulai menginputkan data pada variabel yang
telah dibuat tadi dengan cara mengisi pada lembar kerja data view.
Setelah itu praktikan mulai untuk perhitungan analisis deskriptif yaitu
dengan cara klik menu bar analyze pilih descriptive statistics pilih
frequencies dan memasukkan data tadi ke dalam kolom variable(s) seperti
gambar 3.1.2
 Gambar 3.1.2 Kotak Dialog Frequencies

Menu analyze merupakan jantung dari SPSS karena dalam menu

ini terdapat seluruh pilihan menu pengolah data, salah satunya
Descriptive Statistics yaitu ilmu yang digunakan untuk mengumpulkan,
mengolah, menganalisis, dan menyajikan sebuah data atau informasi,
dimana data adalah suatu informasi yang bermakna. Beberapa nilai
pemusatan data diantaranya adalah nilai rata-rata (mean), nilai tengah
(median), nilai yang sering muncul setelah diurutkan (modus), kuartil,
persentil. Nilai pemusatan data kurang lengkap apabila tidak disertai
dengan nilai dispersi atau deviasi. Beberapa ukuran dispersi diantaranya
adalah rentang (range), standar deviasi, variansi, nilai maksimum, nilai
minimum serta standar eror rata-rata.

1.3 Maka, dalam melakukan analisis terhadap data studi kasus pertama
praktikan memberi tanda ceklist untuk kolom quartiles, percentile(s) (isi
25 klik add dan ulangi untuk 50 dan 75), Std. Deviation, variance, range,
minimum, maximum, S.E mean, mean, median, mode, sum, Skewness,
kurtosis. Seperti pada gambar 3.1.3
 Gambar 3.1.3 Kotak Dialog pada Menu Button Statistics

1.4 Selesai mengubah isi di dalam button statistics, kemudian praktikan

mengubah isi yang ada di dalam button charts yaitu dengan menekan
tombol histogram dan memberi tanda ceklist pada show normal curve on
histogram. Hal ini dimaksudkan praktikan supaya nanti di outputnya
terdapat kurva distribusi normal di dalam histogramnya. Kemudian klik
button continue sehingga menghasilkan output seperti gambar 3.1.4

Gambar 3.1.4 Hasil Output Statistics Frequencies

 Dari data pada studi kasus pertama tadi didapatkan hasil analisis
seperti gambar di atas yakni dapat diketahui bahwa di dalam kelompok
central tendency terdapat nilai mean (rata-rata) dari data suhu sebesar
30,2 (celcius) dan mean (rata-rata) dari data kelembapan sebesar 40,1
(persen). Kemudian nilai median (nilai tengah) dari suhu dan kelembapan
sebesar 30 dan 40. Nilai mode (modus) dari suhu sebesar 30a dan nilai
mode (modus) dari kelembapan sebesar 40a. Nilai sum (jumlah nilai
keseluruhan) dari suhu sebesar 604 dan nilai sum (jumlah nilai
keseluruhan) dari kelembapan sebesar 802.
Di dalam kelompok dispersion (ukuran penyebaran data) terdapat
beberapa nilai yang bisa diketahui diantaranya standar deviasi suhu
sebesar 3,982 dan kelembapan sebesar 4,800. Nilai variansi dari suhu
sebesar 15,853 dan kelembapan sebesar 23,042. Nilai range dari suhu
sebesar 16 dan kelembapan sebesar 18. Nilai minimum dari suhu sebesar
20 dan kelembapan sebesar 29. Nilai maksimum dari suhu sebesar 36 dan
kelembapan sebesar 47. Nilai standart error of mean dari suhu sebesar
0,890 dan kelembapan sebesar 1,073
Di dalam kelompok distribution terdapat nilai Skewness dan
kurtosis. Skewness merupakan suatu besaran statistik yang menunjukkan
kemiringan data. Skewness ini menunjukkan datanya cenderung berada di
tengah atau miring di satu sisi. Statistik ini dapat digunakan untuk melihat
sebaran data normal yaitu dengan rasio Skewness, data dikatakan normal
ketika nilai rasio Skewness berada pada rentang nilai -2 sampai 2, pada
hasil analisis suhu dan kelembapan tersebut nilai Skewness menunjukkan
angka -0,670 dan -0,592 yang berarti data tersebut berdistribusi normal.
Sedangkan kurtosis dapat digunakan untuk menentukan nilai keruncingan
data. Apabila kurtosis > 3 disebut leptokurtic, kurtosis = 3 disebut
mesokurtic, kurtosis < 3 disebut platykurtic. Pada data tersebut nilai
keruncingan datanya berada pada platykurtic karena hasil nilai kurtosis
kedua variabel (suhu dan kelembapan) kurang dari 3 yaitu 0,992 dan
0,992.
 Di dalam percentile value, berisi perhitungan terhadap quartile dan
percentile. Quartile adalah titik atau nilai yang membagi seluruh
distribusi frekuensi ke dalam empat bagian sama besar sedangkan
percentile adalah titik atau nilai yang membagi distribusi data menjadi
seratus bagian yang sama besar, karena itu percentile sering disebut
“ukuran perseratus”. Dari data pertama dapat diketahui persentil ke 25, 50
serta 75 dari masing-masing variabel. Selain keempat kelompok tersebut
output statistik di atas juga dapat diketahui N (jumlah data) serta data
yang valid (berbaca dengan baik) dan data yang missing (hilang/corrupt).
1.5 Dari hasil output analyze descriptive tidak hanya menampilkan frekuensi
statistik saja melainkan juga histogram dari masing-masing variabel suhu
(gambar 3.1.5) dan kelembapan (gambar 3.1.6)

Gambar 3.1.5 Histogram With Normal Curve of Suhu

 Gambar 3.1.6 Histogram With Normal Curve of Kelembapan

Berdasarkan hasil output histogram with normal curve untuk

variabel suhu memiliki kemiringan yang mendekati sempurna sehingga
hampir terlihat imbang, sedangkan hasil output with normal curve untuk
variabel kelembapan memiliki kemiringan yang condong ke kiri.
2. Pada studi kasus kedua praktikan menggunakan tabel jumlah penjualan
burger perhari PT ADE untuk mencari hasil recode dan transform dengan
menggunakan dua ketentuan dalam mengkategorikan data tersebut.
Tabel 3.2 Tabel pada Studi Kasus Kedua
No Jumlah penjualan burger perhari PT ADE
1 150
2 68
3 46
4 100
5 300
6 60
7 80
 8 25
9 200
10 256
11 50
12 9
13 8
14 50
15 40
16 254
17 240
18 188
19 87
20 67
21 134
22 19
23 20
24 180
25 34
26 280
27 124
28 250
29 44
30 156

Secara umum tujuan utama dari transformasi data adalah untuk mengubah
skala pengukuran data asli menjadi bentuk lain sehingga data dapat memenuhi
asumsi-asumsi yang mendasari analisis statistik. Transformasi data merupakan
suatu proses untuk mengubah bentuk data sehingga data siap untuk dianalisis.
Banyak cara yang dapat dilakukan untuk mengubah bentuk data namun yang
paling sering digunakan antara lain adalah compute dan recode.
 Compute adalah penggunaan fungsi matematik dan algoritma. Misalnya
penjumlahan skor pengetahuan, skor sikap, skor persepsi, atau proses perkalian
dan pembagian. Recode adalah perubahan bentuk data yang paling sederhana
dengan pengkategorian data numerik menjadi data kategorik. Pada kasus kedua
ini data akan dikategorikan menjadi :
a. 1 untuk < NIM, 2 untuk NIM ≤ 2 ≤ NIM+10, 3 untuk > NIM.
b. 1 (tingkat penjualan rendah) untuk < 60, 2 (tingkat penjualan sedang) 60 ≤ 2
≤ 180, 3 (tingkat penjualan tinggi) > 180.

Langkah yang praktikan ambil ketika memasukkan data ke dalam variable

view dan data view sama seperti dengan studi kasus pertama, yang membedakan
pada data kedua ini hanya memiliki satu variabel yakni “burger” dengan kolom
label berisi “jumlah penjualan perhari PT ADE” untuk lebih jelas seperti gambar
3.2.1

Gambar 3.2.1 Tampilan Variable View

Setelah selesai mengisikan data pada lembar kerja variable view, langkah
selanjutnya adalah melakukan entri data pada variabel yang telah dibuat tadi,
dengan cara menekan button Data view kemudian mulai melakukan entri data
jumlah penjualan perhari PT ADE (burger), dan setelah data sudah diinputkan
langkah selanjutnya praktikan mulai perhitungan recode dan transform dengan
menggunakan ketentuan (a). Langkah pertama klik menu bar transform pilih
recode into different variable. Kemudian melakukan penamaan hasil output dan
melakukan perekaman nilai ketentuan di dalam kotak dialog Old and new values.

Praktikan mulai untuk mengisikan sesuai dengan ketentuan yang telah

ditentukan yaitu klik tombol Range lowest through value kemudian mengisikan
33 setelah itu di dalam kotak new value klik tombol value dan mengisi angka 1
kemudian klik tombol add. Selanjutnya klik range (yang ada 2 kolom kotak di
dalamnya) pada kotak pertama praktikan isi angka 33 dan kotak kedua praktikan
isi angka 43 kemudian pada kotak value praktikan isi angka 2 kemudian klik add
dan yang terakhir klik tombol range value through highest dan mengisinya
dengan angka 43 kemudian pada kolom value praktikan mengisi dengan angka 3
kemudian klik add, berikut visualisasinya seperti gambar 3.2.2 dan gambar 3.2.3
hasil output dari ketentuan (a).

Gambar 3.2.2 Hasil Input Nilai Kategori Ketentuan (a)

Gambar 3.2.3 Hasil Output dari Ketentuan (a)

 Dari gambar 3.2.3 di atas menunjukkan bahwa apabila di dalam data
penjualan terdapat angka yang bernilai kurang dari 33 maka akan masuk ke dalam
ketegori 1. Apabila terdapat data yang bernilai diantara 33 hingga 43 maka akan
masuk ke dalam kategori 2. Apabila terdapat data yang bernilai lebih dari 43 maka
data tersebut akan masuk ke dalam kategori ke 3. Dari gambar di atas yang
termasuk ke dalam kategori 1 yaitu data yang bernilai 25, 9, 8, 19, 20. Sedangkan
yang termasuk ke dalam kategori 2 yaitu data yang bernilai 40. Sedangkan yang
termasuk ke dalam kategori 3 yaitu data yang bernilai 150, 68, 46, 100, 300, 60,
80, 200, 256, 50, 254, 240, 188, 87, 67, 134.

Selesai melakukan recode dan transform data kedus dengan ketentuan (a)
maka selanjutnya praktikan melakukan recode dan transform masih menggunakan
data kedua tetapi dengan ketentuan (b). Langkahnya sama seperti ketika recode
dan transform sebelumnya tetapi disini praktikan mengubah nama outputnya
menjadi “kategori_sesuai_soal”. Kemudian praktikan mulai melakukan
perekaman nilai kategori di dalam kotak dialog old and new values seperti gambar
3.2.4. dalam perekaman nilai ketentuan praktikan memberi tanda centang pada
kotak output variables are strings dan mengubah ukuran width menjadi 15. Hal
ini dikarenakan supaya hasil outputnya nanti bisa berupa angka dan huruf.
Kemudian klik continue dan OK, maka akan muncul hasil outputnya seperti
gambar 3.2.5

Gambar 3.2.4 Kotak Dialog Old and New Value Ketentuan (b)
 Gambar 3.2.5 Hasil Output Ketentuan (a) dan (b)

Dari gambar 3.2.5 di atas menunjukkan bahwa apabila di dalam data

penjualan terdapat angka yang bernilai kurang dari 60 maka akan masuk ke dalam
ketegori 1 (rendah). Apabila terdapat data yang bernilai diantara 60 hingga 180
maka akan masuk ke dalam kategori 2 (sedang). Apabila terdapat data yang
bernilai lebih dari 180 maka data tersebut akan masuk ke dalam kategori ke 3
(tinggi). Dari gambar di atas yang termasuk ke dalam kategori 1 (rendah) yaitu
data yang bernilai 46, 25, 9, 8, 50, 19, 20, 40. Sedangkan yang termasuk ke dalam
kategori 2 (sedang) yaitu data yang bernilai 100, 150, 68, 60, 80, 87, 67, 134.
Sedangkan yang termasuk ke dalam kategori 3 yaitu data yang bernilai 300, 200,
256, 254, 240, 180.
 BAB IV

PENUTUP

Adapun kesimpulan yang dapat praktikan ambil dari praktikum kali ini
adalah sebagai berikut :

1. SPSS menurut praktikan merupakan software yang paling populer, fasilitasnya

lebih lengkap dan penggunaannya pun cukup mudah bila dibandingkan dengan
Microsoft Excel.
2. Dalam data editor SPSS, data harus dibentuk dalam bentuk baris (cases) dan
kolom (variables). Case tersebut berisi informasi untuk satu unit analisis,
sedangkan variables merupakan informasi yang dikumpulkan dari masing-masing
kasus.
3. Menu Descriptive Statistics sangat berguna untuk mengumpulkan, mengelola,
menganalisis, serta menyajikan sebuah data sehingga menghasilkan suatu
informasi yang bermakna.
4. Pada perhitungan analyze descriptive praktikan dapat mengetahui nilai rata-rata
(mean), nilai tengah (median), nilai yang sering muncul (modus), kuartil, variansi,
standar deviasi, range, Skewness, kurtosis, jumlah nilai (sum), dan persentil
(25,50,75).
5. Recode sangat berguna untuk mengubah bentuk data dari yang paling
sederhana adalah pengkategorian data numerik menjadi kategorik. Sedangkan
transform merupakan suatu proses untuk mengubah bentuk data sehingga data
siap untuk dianalisis, sehingga dapat dikatakan jika tujuan dari transform data
adalah mengubah skala pengukuran data asli menjadi bentuk lain sehingga data
dapat memenuhi asumsi-asumsi yang mendasari analisis statistik.