11

Tujuan pembelajaran

Mempelajari bab ini anda diharapkan mampu:

 Membedakan antara stastistikdeskriptif dengan inferensial statistic

 Memsukkan data melalui SPSS, merekam variable dan membuat variable baru
 Menghasilkan table frekuensi, grafik, dan diagram yang lain
 Menghasilkan perhitungan kecenderungan tendensi dan sebaran
 Menghasikan perhitungan normalitas

ANALISIS DATA MENGGUNAKAN STATISTIK DESKRIPTIF

11.1 Pendahuluan
Jika anda mengadopsi paradigm positivism, maka anda akan mengumpulkan data kuantitatif dan
perlu mengukur setiap data kualitatif yang ada dalam penelitian anda. Jika pengetahuan anda
tetang statistic rendah, maka bab ini akan berguna untuk anda, karena berisi rumus-rumus kunci
untuk beberapa teknik dasar disertai langkah langkah dan contohnya. Anda mungkin lebih suka
memasukkan data ke dalam software, seperti Microsoft excel, minitab atau spss. Dalam bab ini,
kami memperkenalkan perangkat lunak ibm, spss statistic (SPSS), yang banyak digunakan dalam
riset bisnis karena dapat memproses data dalam jumlah besar.
SPSS menyediakan file data yang merupakan tempat menyimpan data, yang mirip dengan
spreadsheet. Setelah data dimasukkan atau diimpor ke spss maka tabel frekuensi, garafik,
tabulasi silang dan serangkaian uji statistic dapat dihasilkan dengan cepat dan akurat. Output
yang dihasilkan kemudian dapat disisipkan ke dalam disertasi atau tesis anda. Apakah anda
memutuskan untuk menghitung statistic sendiri atau menggunakan software, anda perlu
menentukan statistic mana yang sesuai dengan data yang telah anda kumpulkan dan bagaimana
menginterpretasikan hasilnya.
11.2 Konsep-Konsep Utama dalam Statistik
Istilah statistic diperkenalkan oleh Sir Ronald Fisher pada tahun 1922 (Upton dan Cook, 2006)
dan mengacu pada metode dan teori yang diterapkan pada data kuantitatif. Moore et al.
(2009,p.210) mendefinisikan statistic sebagai angka yang menggambarkan sampel. Misalnya
anda dapat menghitung jumlah rata-rata karyawan dalam sampel perusahaan untuk
menggambarkan rata-rata ukuran dari sampel. Statistik dapat digunakan untuk mengestimasi
parameter yang tidak diketahui, yaitu angka yang menggambarkan populasi. Jadi, jika anda
memiliki sampel acak yang mewakili populasi, anda dapat menggunakan sampel tersebut untuk
memperkirakan jumlah rata-rata karyawan dalam populasi perusahaan. Sampel acak adalah
subset representative dari populasi dimana pengamatan dilakukan dan populasi termasuk
keseluruhan dari pengamatan yang mungkin dilakukan (seperti sensus).
Data penelitian dapat berupa data sekunder (misalnya, survey atas laporan tahunan dengan
menggunakan analisis konten), data primer (misalnya, kuesioner) atau menggunakan kedua jenis
data tersebut. Selain data kuantitatif, anda mungkin telah mengumpulkan beberapa data kualitatif
(misalnya tema yang telah anda identifikasi di bagian naratif dari laporan tahunan atau kategori
yang telah anda identifikasi dari tanggapan terhadap pertanyaan terbuka dalam survei kuesioner).
Anda dapat melihat dari definisi statistic bahwa metode statistic hanya dapat diterapkan pada
data kuantitaif, jadi sebelumnya anda perlu mengukur data kualitatif terlebih dahulu utuk dapat
mengolahnya. Anda dapat melakukan hal tersebut dengan mengidentifikasi setiap variable
nominal dan mencatat frekuensi kemunculan setiap kategorinya. Anda ingat, dalam bab
sebelumnya kami merekomendasikan menggunakan tallies untuk membantu penghitungan
frekuensi
statistic : angka yang menggambarkan sampel
Statistik : kumpulan metode dan teori yang diterapkan pada data kuantitatif
Paramater : angka yang menggambarkan populasi
Statistik deskriptif :sekumpulan metode statistic yang digunakan untuk merangkum,
mendeskripsikan atau menampilkan data kuantitatif

Para ahli statistic biasanya membuat perbedaan antara statistic deskriptif dengan statistic
inferensial. Statistik deskriptif digunakan untuk meringkas data dalam bentuk yang lebih ringkas
dan dapat disajikan dalam tabel, grafik dan bentuk grafik lainnya. Ini memungkinkan untuk
melihat pola yang tidak jelas dalam bentuk data mentah dan secara positif membantu
mendeteksi/mengkonfirmaasi hipotesis berikutnya (Lovie, 1986,p.165). Statistik inferensial
adalah uji statistic yang mengarah pada kesimpulan tentang target populasi berdasarkan sampel
acak dan konsep distribusi sampling (Kervin, 1992, p.727).
Dalam disertasi sarjana, penelitian dapat dirancang sebagai studi deskriptif kecil. Jika demikian,
anda mungkin dapat menjawab pertanyaan penelitian dengan menggunakan statistic deskriptif
untuk mengeksplorasi data dari variable tunggal (analisis univariate). Namun ditingkat
pascasarjana, anda cenderung merancang studi analitik. Oleh karena itu, anda akan menggunakan
statistic deskriptif pada tahap awal dan kemudian menggunakan statistic inferensial (atau teknik
lainnya) dalam analisis bivariate dan/atau multivariate. Kita akan membahas statistic dengan
menggunakan analisis bivariate (analisis data yang menggunakan 2 variabel) dan analisis
ultivariat (analisis yang menggunakan 3 variabel atau lebih).
Analisis Univariat : analisis data yang berkaitan dengan 1 variabel
Analisis bivariate : analisis data yang berkaitan dengan 2 varabel
Analisis multivariate ; analisis data yang berkaitan dengan 3 aatau lebih variable
11.3 Memulai Dengan SPSS
11.3.1` Data Penelitian
Kita akan menggunakan data bisnis real yang telah dikumpulkan melalui survei kuesioner
kepada direktur dari perusahaan kecil berbentuk swasta (Collis, 2003) yang berfokus pada
pilihan mereka untuk tidak melakukan audit berdasarkan undang-undang atas akun mereka.
Jangan khawatir, jika anda tidak mengetahui apa-apa tentang topik ini karena tidak diperlukan
pengetahuan sebelumnya. Survei ini ditugaskan oleh pemerintah sebagai bagian dari konsultasi
untuk meningkatkan ambang batas turnover atas pembebasan audit dalam hukum perusahaan di
Inggris dai £ 1 juta menjadi £4,8 juta, yang akan memperluas kelonggaran peraturan ini ke
sejumlah besar perusahaan kecil. Literatur menunjukkan bahwa meskipun beberapa perusahaan
yang sudah memenihi syarat untuk pengecualian audit, tampaknya tetap ada yang melakukan
audit terhadap neraca mereka. Ini mengarah terhadap pertanyaan penelitian berikut: Apa faktor
yang memiliki pengaruh signifikan terhadap keputusan direktur untuk melakukan audit secara
sukarela?
Secara singkat, kerangka teori untuk penelitian ini adalah penekanan terhadap turnover dalam
hukum perusahaan, yang pada waktu itu menyiratkan hubungan antara ukuran perusahaan dan
apakah biaya audit melebihi manfaat yang diterima perusahaan. Teori keagenan (Jensen dan
Meckling, 1976) mengemukakan bahwa audit diperlukan karena terdapat asimetri informasi
antara agen dan principal (contoh, antara direktur yang mengelola perusahaan dengan pemilik
eksternal atau antara direktur dengan kreditor).
Berdasarkan kerangka ini, sejumlah hipotesis dirumuskan. Setiap hipotesis adalah pernyataan
hubungan anatara 2 variabel. Hipotesi 0 (H0) menyatakan bahwa kedua variabel tidak memiliki
hubungan dan hipotesis alternative (H1) menyatakan bahwa kedua variable memiliki hubungan.
Dengan menggunakan statistic inferensial, hipotesis diuji terhadap data empiris dan hipotesis
alternative diterima jika ada bukti signifikan secara statistic untuk menolak hipotesis nol (dengan
kata lain hipotesis nol adalah standar). Berikut ini adalah hipotesis tersebut:
Ho : Audit sukarela tidak meningkat sesuai ukuran perusahaan, yang diukur dengan turnover
H1 : Audit sukarela meningkat sesuai ukuran perusahaan, yang diukur dengan turnover
(notes: turnover disini mengacu ke net sales)

Anda harus bertanya kepada supervisor anda, apakah dia lebih suka jika anda menyatakan
hipotesis dalam bentuk nol atau dalam bentuk alternative. Kotak 11.1 mencantumkan 9 hipotesis
yang dinyatakan dalam bentuk alternative.

Box 11.1
H1 Audit sukarela berhubungan posistif dengan turnover
H2 Audit sukarela memiliki hubungan positif dengan perjanjian bahwa audit menyediakan
Pemeriksaan terhadap catatan dan system akuntansi
H3 Audit sukarela mempunyai hubungan positif dengan perjanjian bahwa audit akan
meningkatkan kualitas informasi keuangan
H4 Audit sukarela mempunyai hubungan positif dengan perjanjian bahwa audit akan
meningkatkan kredibilitas informasi keuangan
H5 Audit sukarela mempunyai hubungan positif dengan perjanjian bahwa audit akan
Memiliki efek positif terhadap skor peringkat kredit
H6 Audit sukarela mempunyai hubungan positif dengan perusaahaan yang dimiliki keluarga
H7 Audit sukarela mempunyai hubungan positif dengan perusaahaan yang dimiliki oleh para
Para pemegang saham tanpa akses informasi keuangan internal
H8 Audit sukarela mempunyai hubungan positif dengan permintaan dari bank dan pemberi
Pinjaman lainnya
H9 Audit sukarela mempunyai hubungan positif dengan direksi yang memiliki kualifikasi //
pelatihan dalam bisnis dan manajemen

Kerangka sampling yang digunakan adalah fame. Yang berupa database berisikan informasi
keuangan dan informasi lainnya dari laporan tahunan dan akun dari 8 juta lebih perusahaan di
Inggris dan Irlandia. Pada satu saat beberapa perusahaan sudah tidak aktif, beberapa dalam
proses likuidasi, beberapa belum mendaftarkan akun mereka, dan beberapa tidak memenuhi
syarat untuk pembebasan audit dengan alasan kepentingan public (misalnya perusahaan yang
terdaftar dan bergerak di sektor jasa keuangan). Pencarian pada database mengidentifikasikan
populasi sebanyak 2.633 perusahaan yang aktif dan berada dalam ruang lingkup penelitian pada
tahun 2003 (kemungkinan memenuhi syarat untuk pengecualian audit jika ambang batas
dinaikkan) dan yang telah mendaftarkan akun mereka pada tahun 2002. Kuesioner dikirimkan
kepada direktur utama masing-masing perusahaan dengan disertai surat yang menjelaskan tujuan
penelitian dan diperintahkan oleh Departemen perdagangan dan industi. Setelah diingatkan
sekali, 790 kuesioner yang lengkap telah diterima, dengan tingkat respon 30%. Tidak diduga,
ternyata hal ini memiliki respon yang tinggi, tidak diragukan lagi, hal ini disebabkan karena
adanya logo pemerintah pada kuesioner tersebut, karena biasanya tingkar respon dari usaha kecil
biasanya jauh lebih rendah. Kita akan menggunakan data survey ini untuk mengilustrasikan
beberapa fitur utama SPSS. File data tersedia di www.palgrave.com/business/collis/br4/.
Identitas responden tidak akan diungkapkan, karena dijamin dengan anonimitas dan sebagai
gantinya maka digunakan nomor referensi unik (URN) yang hanya diketahui oleh peneliti Box
11.2 menujukkan respon yang diberikan oleh responden 42.

11.3.2 Pelabelan Variable dan Menginput Data

Ilustrasi kami didasarkan pada software IBM, SPSS, Statisticv20. Anda menjalankan program
dengan cara yang sama seperti pada software lainnya. Misalnya, mulai All program (nama
dari versi yang tersedia untuk anda). Jika program anda berada di jaringan area local, SPSS
mungkin berada di folder terpisah untuk paket matematika/ statistic. Pada program ini akan
terbuka layar yang meminta anda untuk memilih apa yang ingin anda lakukan. Pilih type data
dan SPSS data editor akan terbuka kemudian buka new data file di data view (lihat figure 11.1),
setiap baris sel mewakili kasus yang berbeda (contoh: responden untuk kuesioner survey) dan
setiap kolom mewakili variable yang berbeda). Jika anda menggunakan data sekunder, maka
anda harus mengexport data ke Microsoft excel spreadsheet terlebih dahulu lalu meng-copy paste
ke dalam SPSS data editor.

Sekarang switch dari data view ke variable view dengan meg-klik tab dikiri bawah layar, dan
anda dapat memulainya dengan memberi nama dan label pada variable anda.
 Dibawah nama, ketikan kata pendek untuk mengidentifikasi variable. Dalam survey ini,
setiap respoden diberi nomor referensi unik (URN), sehingga data primer dari survei
kuesioner dapat dicocokkan dengan data sekunder dari fame. Oleh karena itu, anda
mungkin memutuskan untuk mengetik URN sebagai nama untuk variable pertama anda.
Variabel kedua berhubungan dengan pertanyaan pertama, jadi anda mungkin ingin
menamainya dengan Q1. Anda akan menemukan bahwa SPSS mencegah anda
menggunakan angka sebagai karakter pertama atau spasi apapun.\
 Dibawah decimal, mengubah standar untuk mencerminkan jumlah decimal yang ingin
anda gunakan dalam data untuk variable anda. Sebagai contohnya, untuk Q1 anda akan
memilih 0 desimal, sedangkan untuk TURNOVER anda harus memilih 3 tempat decimal.
 Dibawah label, ketikkan satu atau dua kata yang menambahkan informasi ke nama
variable. Misalnya kepemilikan keluarga (FAMILY) untuk Q1, total pemilik untuk Q2a,
dengan info internal untk Q2b, tanpa info internal untuk Q2c. Untuk Q4, anda mungkin
memutuskan untuk menggunakan kata kunci, seperti CHECK Q4a, QUALITY untuk
Q4b, CREDIBILITY untuk Q4c, nilai CREDIT SCORE untuk Q4d
 Dibawah nilai, masukkan kode dan apa yang ditandakan. Sebagai contoh, pada Q4,
1=tidak setuju dan 5: setuju (sekali anda memasukkan informasi ini, kemudian anda
dapat meng-copy paste ke variable lain yang menggunakan kode yang sama), untuk Q6,
1=iya dan 0= tidak. TURNOVER tidak memerlukan kode untuk dimasukkan karena
berupa variable rasio.

SPSS memeberikan ukuran standar untuk data yang hilang (atau tidak ada respon), kecuali anda
punya alasan khusus untuk memasukkan kode pada data yang tidak merespon, kemudian
lanjutkan ke pengukuran. SPSS memberikan anda pilihan skala (menggunakan rasio atau
variable interval), ordinal atau nominal, untuk memutuskan hal tersebut, anda perlu mengingat
kembali chapter 10, section 10.3.1).
Pada point ini, simpan file (file, save as) dan beri nama data untuk URN 42.sav. Figure 11.2 .
menunjukkan layar pada tahap ini dalam proses.

Selanjutnya kembali ke Data View dan enter data values (pengamatan) untuk responden 42,
temasuk data untuk turnover akan ditampilkan pada catatan dibagian akhir. Perhatikan, jika anda
meletakkan kursor diatas nama variable, SPSS akan memperlihatkan label yang anda tambahkan
dalam variable view. Sebagai contoh, dengan menempatkan kursor pada variable Q4a, label
check akan ditampilkan, yang digunakan untuk mengingatkan kita bahwa variable ini berkaitan
dengan peran audit sebagai pemeriksaan pada catatan dan system akuntansi (lihat figure 11.3).
Ini adalah fitur yang sangat berguna untuk membantu memastikan anda bahwa data telah diinput
di kolom yang sesuai.

11.3.3 Pengkodean Ulang Variabel

Pada chapter sebelumnya, kami menyebutkan situasi dimana anda mungkin telah mengumpulkan
data dalam bentuk tertentu untuk satu tujuan, tapi kemudian anda ingin mengkode ulang data dan
membuat variable berbeda dalam bentuk baru yang lebih sederhana yang disebut variable
dummy. Ini adalah variable dikotomi yang mengandung 2 kategori, dimana 1=karakteristik hadir
(berpartisipasi) dan 0=karakteristik tidak hadir (tidak berpartisispasi). Penting untuk menjaga
variable asli, jika anda memerlukan informasi yang lebih rinci dan tepat untuk tujuan lain. Kami
akan menggambarkann bagaimana cara mengkode ulang variable dngan Q1, berupa data terkait
sejauh mana kepemilikan keluarga dalam perusahaan. Kita akan kembali mengkode menjadi
variable baru yang dinamakan family, yang akan memiliki 2 grup: perusahaan yang sepenuhnya
milik keluarga (atau hanya memiliki satu pemilik) dan yang bukan milik keluarga.
Dalam Variabel view pilih seluruh baris 3 untuk menempatkan variable baru diatasnya.
o Dari menu, pilih edit, insert variable
o Namakan variable baru dengan Family dan labelkan sebagai Q1
o Dibawah values, masukkan detail untuk 2 grup, 1= dimiliki milik keluarga;
0=bukan milik keluarga
o Ubah jumlah decimal menjadi 0 dan ubah level pengukuran menjadi nominal
Dari menu, pilih transform, recode into different variables
 Dari daftar variable disebelah kiri, pilih Q1 dan gunakan tombol panah untuk
memindahkannya ke kotak input variable  output variable box
 Ketik Family pada output variable name box dan klik old dan new values
 Dbawah old values, klik system-missing dan dibawah new value klik system-
missing kemudian klik add
 Dibawah old value, ketik 1 dan dibawah new value ketik 1 dan klik add
 Dibawah old value, klik all other values dan dibawah new value, ketik 0 dan klik
add, continue, change dan ok.
Figure 11.4 mengilustrasikan proses recording

Ketika telah selesai, kembali ke data view dan lakukan pemeriksaan visual, bahwa nilai 1 dalam
variable dummy baru bertepatan dengan nilai 1 pada variable asli.. Ini hanya latihan, tetapi
ketika anda memasukkan data penelitian anda sendiri, anda tidak akan memulai recording
variable apapun sampai anda selesai menginput semua pengamatan untuk sampel anda. Ingatlah,
bahwa sangat penting untuk memverifikasi keakuratan instruksi pengkodean ulang dengan
memeriksa hasilnya. Kasus dengan julah besar, tidak praktis untuk menggunakan pemeriksaan
visual, kami sarankan anda membandingkan frekuensi total untuk setiap kategori sebagai
variable lama dan baru. Kami akan menunjukkan kepada anda acara membuat tabel frekuensi di
bagian selanjutnya. Jika anda menemukan kesalahan, cukup lakukan langkah-langkah
pengkodean ulang variable kembali.
Anda dapat memperkuat dan memperluas pengetahuan anda tentang pengkodean ulang dengan
membuat lebih dari 3 variabel dummy :
 REcode Q2c ke EXOWNERS, dimana 1=pemilik eksternal, 0=jika tidak. Lakukan ini
dengan pengkodean ulang SYSMISSYSMIS, 0 , ELSE1,
 Recode Q3 ke VOLAUDIT, dimana 1=iya, 0=tidak. Lakukan ini dengan pengkodean
ulang SYSMISSYSMIS, 0 , ELSE1,
 Recode Q6a, Q6b dan Q6c ke EDUCATION , dimana 1=gelar, kualifikasi atau pelatihan,
0=jika tidak. Ini sedikit lebih rumit, karena setiap variable akan memberikan kontribusi
ke variable baru, recode 1 ->1 untuk setiap variable secara berganyian. Kemudian periksa
Data view untuk meihat variable baru secara akurat dan merefleksikan instruksi anda.
Jika demikian , dari menu pilih Transform, recorde, ke variable yang sama dan setelah
memilih EDUCATION, recode 1 1, ELSE  0. Kemudian pada data view lakukan
pemeriksaan visual terakhir pada keakuratan hasil. Seperti yang telah disebutkan, ini
sangat penting ketika beerja dengan data anda sendiri, karena anda tidak akan melakukan
pengkodean ulang sampai anda selaesai memasukkan data untuk seluruh sampel anda.
Pada titik ini, anda mungkin mulai berpikir bahwa akan lebih nyaman, jika nama yang kami
gunakan untuk variable di Q4 lebih normative, seperti nama-nama dari variable baru yang telah
anda buat. Mengganti nama variable mudah. Lanjut ke Data view dan dibawah Name ketik
CHECK sebagai gantinya Q4a dan dibawah label ketik Q4a sebagai ganti dari CHECK. Lakukan
pembalikan serupa untuk Q4b, Q4c dan Q4d. Meskipun menggunakan nomor pertanyaan
berguna pada tahap entry data, perubahan kecil ini akan membantu tahap berikutnya, yang
melibatkan penganalisisan variable dan penafsiran hasil. Setelah selesai simpan file dan keluar.
Tabel 11.1 merangkum variable yang dianalisis, dimana untuk beberapa tes kita akan
menggambarkan VOLAUDIT sebagai variable dependen (DV) dan yang lainnya sebagai
variable independen (IV)

Tabel 11.1
Variabel Definisi Hipotesis
VOLAUDIT Apakah perusahaan melakukan audit secara
sukarela (1,0)
TURNOVER Turnover pada akun 2002 H1 +
CHECK Audit menyediakan pemeriksaan pada H2 +
catatan dan system akuntansi (5=setuju,
 1=tidak setuju)
QUALITY Audit meningkatkan kualitas informasi H3 +
keuangan (5=setuju, 1=tidak setuju)
CREDIBILITY Audit meningkatkan kredibilitas informasi H4 +
keuangan (5=setuju, 1=tidak setuju)
CREDIT SCORE Audit memilik efek positif terhadap skor H5 +
penilaian kredit (5=setuju, 1=tidak setuju)
FAMILY Apakah perusahaan sepenuhnya milik H6 -
keluarga (1,0)
EXOWNERS Apakah perusahaan dimiliki oleh pemegang H7 +
saham eksternal (1,0)
BANK Apakah akun hukum diberikan oleh H8 +
bank/kreditor (1,0)
EDUCATION Apakah responden memiliki H9 +
kualifikasi/pelatihan dalam bisnis atau
manajemen (1,0)

Sekarang kita berlanjut ke statistic deskriptif yang dgunakan untuk mengeksplorasi data ke
dalam analisis univariate. Metode yang akan digunakan adalah model statistic sederhana yang
membantu kita menggambarkan data.

Box 11.3 Analisis univariate

Statistik deskriptif:
Distribusi frekuensi Ukuran penyebaran
Persentase frekuensi Range
Ukuran pemusatan data Standar deviasi
Mean Ukuran normalitas
Median skewness
Modus Kurtosis

11.4 Distribusi Frekuensi

Dalam statistic, istilah frekuensi mengacu pada jumlah pengamatan untuk nilai data tertentu
dalam suatu variable (frekuensi kemunculan kuantitas dalam rasio atau variable interval dan
kategori dalam ordinal atau nominal variable). Distribusi frekuensi adalah array yang
merangkum frekuensi untuk semua data valuedalam variable tertentu (Upton and Cook, 2006).
Sebagai contohnya, data value dalam survey untuk variable TURNOVER adalah angka-angka
yang dilaporkan dalam akun tahunan 2006. Jika tidak ada perusahaan yang memiliki angka yang
sama persis untuk turnover dengan yang lain, jumlah pengamatan untuk setiap data value adalah
1. Jika variable diukur dalam skala ordinal (misalnya CHECK, yang diberi kode 1-5) atau skala
nominal (misalnya FAMILY, yang diberi kode 1 atau 0), data value adalah kode dan jumlah
pengamatan adalah jumalh perusahaan disetiap kategori.
Distribusi frekuensi dapat disajikan untuk satu variable (analisis univariate) dan 2 variabel
(analisis bivariate) dalam bentuk tabel, grafik atau jenis diagram lainnya. Bahkan jika anda
hanya memiliki sekumpulan data dalam jumlah kecil (katakanlah 20 data atau kurang),
pemeriksaan tentang bagaimana nilai-nilai disistribusikan akan membantu interpretasi anda
terhdap data.

Frekuensi : Jumlah pengamatan untuk nilai data tertentu dalam suatu variable
Distribusi Frekuensi : Array yang merangkum frekuensi untuk semua nilai dalam variable
tertentu
Persentase frekuensi : Statistik deskriptif yang merangkum frekuensi sebagai proporsi 100

11.4.1 Persentase Frekuensi

Persentase frekuensi adalah model statistic yang lazim, yang merangkum frekuensi sebagai
proporsi 100. Frekuensi dihitung dengan membagi frekuensi dengan jumlah frekuensi kemudian
mengalikan jawabannya dengan 100. Hal tersebut dapat dinyatakan dengan rumus berikut:
f
Persentase frekuensi = x 100
Ʃf

F = frekuensi
Ʃf = Jumlah frekuensi

Contoh:
Pada survei ditemukan 633 perusahaan dari 790 sampel memiliki omset kurang dari 1 juta,
sehingga dapat diformulakan menjadi:
633
x 100=80 %
790
Formula yang dgunakan tidak sulit untuk dipahami, tetapi jika anda bukan ahli statistic, anda
mungkin menemukan notasi matematika yang sulit dipahami. Namun, itu semacam steno (tulisan
cepat) untuk mempercepat penulisan formula dan setelah anda tahu apa arti symbol tersebut,
maka anda dapat segera membaca pesan dari formula tersebut. Karena kami akan mnunjukkan
bagaimana menggunakan SPSS untuk menghasilkan statistic yang anda butuhkan, kami tidak
menjelaskan lebih detail dari sisi matematikanya.

11.4.2 Membuat Variabel Interval

Pada sampel yang besar, mungkin berguna untuk mengkode ulang variable rasio ke dalam
kelompok yang tidak tumpeng tindih dan membuat variable baru yang diukur pada skala interval
yang sama. Contohnya, variable asli TURNOVER diubah menjadi variable yang berbeda dengan
nama TURNO-VERCAT dengan lima kelompok yang berisi interval yang sama sebesar £1juta.
Anda harus berhati-hati dalam mengalokasikan setiap item data ke dalamgrup yang sesuai tanpa
ambiguitas. Oleh karena itu anda tidak boleh menggunakan interval £0-£1m, £1-£2m, £2-£3m,
dan seterusnya, karena nilai £1m dapat ditempatkan dalam grup prtama dan grup kedua. Interval
yang benar adalah £0-£0.99m, £1-£1,99m, £2-£2,99m dan seterusnya. Saat memutuskan berapa
banyak grup yang akan dibuat, anda harus ingat bahwa terlalu sedikit akan mengaburkan fitur-
fitur penting dan terlalu banyak akan menekan fitur kecil atau acak. Aturan praktis mungki 5-10
tergantung range pada nilai data.
Membuat variable interval memungkinkan pola keseluruhan dalam frekuensi dan presentase
frekuensi dapat dilihat. Namun banyak detail yang hilang dalam proses, sehinggapenting untuk
melakukan pengkodean ulang untuk menjadi variable yang berbeda dan menyimpan informasi
yang asli secara akurat jika anda memerlukannya untuk tujuan lain di kemudian hari.

Analysing data using descriptive statistics

11.4.4 Generating Frequency table

Membuat table frekuensi

Meskipun tabel frekuensi dapat dihasilkan untuk variabel rasio, itu lebih biasanya dikaitkan dengan
variabel yang berisi kelompok kategori seperti interval, ordinal, atau variabel nominal. untuk
menghasilkan tabel frekuensi di SPSS, mulai program dengan cara biasa dan buka file bernama DATA
untuk 790 co.sav

 Dari menu tekan Analyze  Descriptives Statistic  Frequencies…

 Dari list variabel di sebelah kiri, tekan TURNOVERCAT dan gunakan tanda panah
 Untuk memindahkannya pada kotak Variabel di sebelah kanan. (lihat table 11.5). jika
Anda juga ingin menghasilkan table frekuensi untuk variable yang lain, Anda dapat
memindahkan dengan mudah data pada kotak sebelah kanan pada titik tersebut.

standarnya adalah untuk menampilkan tabel frekuensi, jadi klik OK untuk melihat output yang dihasilkan
(lihta table 11.2)
untuk mengkopi table dari output SPSS ke Microsoft word dokumen, klik kiri pada mouse Anda di table
untuk menghasilkan seleksi, dan dari menu pada atas layar monitor tekan Edit lalu Copy dan Anda dapat
mem-paste table tersebut pada dokumen. Anda harus ingat bahwa setiap table harus dilengkapi dengan
satu atau lebih paragraph yang menjelaskan.

Tabel 11.2 menunjukkan tampilan dari univariate data untuk variabel yang berisi data yang
dikelompokkan., tetapi jika Anda ingin menganalisis data dari dua variable, Anda perlu menghasilkan
data cross-tabulation. Kita akan mendemonstrasikan hal ini dengan kelompok data dari variable interval
TURNOVERCAT dan kategori data dari variable VOLAUDIT. Anda akan menghasilkan data tabulasi silang
dari dua variable tersebut menggunakan prosedur berikut ini:

 Dari menu di atas layar, tekan Analyze Descrptive Statistic  Crosstabs dan gunakan tombol
panah untuk memindahkan VOLAUDIT ke dalam Column(s) dan TURNOVERCAT ke Row(s).
 Standarnya adalah untuk menunjukkan jumlah dari observasi, tetapi sering lebih digunakan
untuk menunjukkan persentase. Hati-hati memasukkan data pada table (secara umum tidak
lebih dari 20 data) hal tersebut akan mengurangi pesan utama. Karena kami telah meletakkan
variabel dependen dalam kolom, masuk akal untuk menampilkan persentase kolom daripada
persentase baris. untuk melakukan ini, pilih Cells dan kolom di bawah prosentase pilih Column
(lihat gambar 11.6).
 Lalu klik Continue and OK untuk melihat output (lihat tabel 11.3).

setelah disalin ke Microsoft word dokumen, sebuah tabel dapat diedit dengan cara biasa. Dalam contoh
ini, kedua kelompok dalam variabel dependen VOLAUDIT mengikuti lebih banyak kecuali urutan ukuran
yang sama. Jika data Anda tidak secara bersamaan bertepatan dengan cara ini, mendasarkan urutan
pada grup yang berisi frekuensi lebih besar dan biarkan grup lain mengikuti urutan itu.

11.4.4 Generating Chart

Membuat Grafik

Grafik (atau bentuk gambar yang lain) juga dapat digunakan untuk menampilkan informasi frekuensi.
Beberapa orang lebih suka membaca ringkasan informasi dalam bentuk grafik dengan detail informasi
dalam bentuk table. Pada kasus keduanya semuanya membutuhkan penjelasan. Anda harus
memutuskan pada tingkatan mana variable yang dihitung ketika memilih tipe grafik. Ketika Anda
memasukkan data Anda pada spreadsheet atau ke dalam program statistik tertentu, Anda akan
menemukan bahwa mudah untuk menghasilkan variasi dari grafik yang berbeda.

Dapat dilihat dalam table 11.4

Tingkatan perhitungan Diagram Batang Diagram Pie Histogram

Nominal √ √
Ordinal √
Interval √
Ratio √

Keuntungan menggunakan diagram/grafik anatara lain:

 Cara yang baik untuk mengkomunikasikan poin-poin yang umum

  Diagram/grafik lebih menarik dilihat
 Diagram/grafik menarik bagi khalayak umum
 Diagram/grafik menjadikan data lebih mudah dibandingkan
 Hubungan antar variabel dapat lebih jelas

Kerugian menggunakan diagram/grafik anatara lain:

o diagram/grafik bukan merupakan cara yang baik untuk menyampaikan informasi yang detail dan
spesifik
o diagram/grafik dapat menimbulkan kekeliruan informasi
o kemungkinan rancangannya dapat mengurangi pesan yang ingin disampaikan
o merancang diagram/grafik yangtidak standar akan menghabiskan banyak waktu
o diagram/grafik dapat sengaja dirancang untuk tujuan yang menyesatkan

Anda dapat membbuat diagram/grafik dalam SPSS di waktu yang sama dengan membuat table frekuensi

Langkah-langkahnya antara lain:

1. Dari Menu kemudian tekan Analyze  Descriptives Statistic  Frequencies

2. Dari bagian list variable di kiri, pindahkan TURNOVERCAT ke kolom Variable (s) pada kotak yang
kanan kemudian klik Charts.
3. Di bawah Chart Type pilih Bar Charts dan dibawah Charts value pilih Percentage dan kemudian
klik Continue.
4. Klik OK untuk melihat hasil yang ditampilkan. (GAMBAR 11.8)
Dengan melewati prosedur yang sama untuk membuat diagram pie maka klik Pie Charts pada Chart
Type, atau Histogram bila menginginkan bentuk grafik histrogram. Namun bila Anda menginginkan
ketiganya maka dalam SPSS tidak dapat melakukan nya, sehingga Anda harus memilih salah satu.

Pada diagram Batang (Bar Charts) frekuensi atau persentasi frekuensi pada masing-masing kategori
ordinal atau nominal ditampilkan sendiri-sendiri secara vertical (atau horizontal) dalam bentuk
batangan. Frekuensi diindikasikan dari tinggi (atau panjang) dari batangan yang memungkinkan
perbandingan visual. Pada komponen batangannya, batang tersebut terbagi menjadi segmen-segmen.
Namun ini tidak direkomendasikan karena segmen tidak memiliki sumbu umum atau garis dasar yang
membuatnya sulit untuk ditafsirkan secara visual. Alternatif yang bisa dipakai dengan menggunakan
“multiple bar chart” dimana sekmennya digabungkan dan masing-masing dimulai pada garis utama. Hal
ini memungkinkan pembaca untuk membandingkan beberapa bagian komponen tetapi perbandingan
totalnya hilang.

Pada diagram pie, persentase frekuensi masing-masing nilai atau kategori ditampilkan sebagai sekmen
dari diagram yang berbentuk lingkaran.masing-masing sekmen mendeskripsikan area yang proporsional
dari keseluruhan pie. Diagram pie merepresentasikan dari persentase frekuensi masing-masing kategori
TURNOVERCAT (GAMBAR 11.9).

Pada diagram histogram merupakan perbaikan dari diagram batang, tetapi penggabungan sentuhan
batang-batangnya yang mengindikasikan variable dihitung dalam interval atau skala rasio. Jika Anda
memiliki data yang diukur dalam skala interval berbasis skala yang sama, maka lebar masing-masing
batangnya akan konstan dan tingginya akan merepresentasikan frekuensinya, karena Luas area = Lebar
X Tinggi. Jadi histogram menampilkan perkiraan bentuk distribusi. Kita akan mngilustrasikan dengan
variabel TURNOVERCAT yang dihitung dalam skala rasio dan ditampilkan pada gambar 11.10.
Kami sarankan anda menjalankan tutorial dengan membuat dan mengedit grafik/diagram. Untuk
mengubah penampilan diagram maka double klik pada tampilan diagram sehingga akan muncul Chart
Editor. Sebagai contoh pada diagram batang dan diagram pie kita dapat mengilustrasikan, bahwa hal
tersebut akan berguna untuk menambahkan label nilai ke segmen tetapi tentukan 0 tempat desimal
untuk mengurangi gangguan yang tidak diinginkan dalam komunikasi. Pada histogram untuk TURNOVER
Anda mungkin ingin menggnakan skala faktor 1000 yang akan memungkinkan Anda memberi label nilai
(dalam ribuan/ juta) yang ditampilkan pada diagram batang atau pie untuk menggambarkan
TURNOVERCAT. Untuk referensi selanjutnya perhatikan bahwa histogram juga dapat menunjukkan
kurva distribusi dan defaultnya adalah untuk menunjukkan beberapa statistik deskriptif yang
merangkum data. kita akan memeriksanya di bagian selanjutnya.

Untuk mengkopi diagram dari hasil pengolahan dengan SPSS ke Micosoft word dokumen, klik dengan
mouse pada diagram yang akan dipilih (sampai muncul tanda selection/abu-abu), dan dari menu yang
terletak pada atas layer, pilih Edit kemudian Copy dan Anda akan dapat mem-Paste diagram pada
dokumen yang diinginkan. Harus diingat bahwa setiap diagram harus dilengkapi dengan satu atau lebih
paragraf yang menjelaskan grafik tersebut.

Pada menu Chart Editor memungkinkan anda untuk mengahasilkan grafik garis untuk menyajikan data
(misalnya data TURNOVERCAT) kontinu di sejumlah kategori. Hal tersebut tidak sesuai untuk
menggunakan grafikgaris untuk merepresentasikan data yang bervariasi misalnya jumlah karyawan.
Hal ini dikarenakan Anda dapat mewakili omset sebagai garis dengan membaginya menjadi pecahan
pecahan, misalnya (£1.01, £1.02, £1.03 dan seterusnya) tetapi Anda tidak dapat menggunakan 1,1 atau
2,1 pad jumlah pegawai. Grafik garis lebih sering digunakan untuk memaparkan data yang dikumpulkan
dari titik waktu yang berbeda. Misalnya data omset lima tahun ke belakang, anda dapat menggunakan
grafik garis untuk menunjukkan ketidakpastian, kestabilan, atau trend dalam satu periode dan
membandingkan perusahaan dengan pemegang saham eksternal dengan perusahaan yang dikelola oleh
pemilik. Data frekuensi selalu ditampilkan pada sumbu vertikal (sumbu Y) dan nilai data untuk kategori
pada sumbu horizontal (sumbu X). dalam contoh ini TURNOVER akan ditampilkan sumbu Y (dalam mata
uang ribu atau juta) dan tahun ditunjukkan pada sumbu X. Anda mungkin ingin menggunakan
EXOWNERS sebagai variabel untuk membedakan garis. Jika Anda melakukan ini, kedua grup dalam
EXOWNERS akan digambarkan sebagai 'pemilik eksternal’ dan ‘otherwise’ dalam sejarah. Anda dapat
melihat dari uraian singkat ini bahwa salah satu kelebihan grafik garis dibandingkan grafik lainnya adalah
dengan menyediakan grafik dengan skala dan satuan yang sama untuk pengukuran, sejumlah variabel
dapat direpresentasikan pada grafik yang sama (grafik beberapa garis). Ini sangat memudahkan
perbandingan visual dari data.

11.4-5 Generating a stem-and-leaf plot

Menghasilkan petak batang dan daun

plot batang dan daun adalah diagram yang menggunakan nilai data (pengamatan) dalam distribusi
frekuensi untuk membuat tampilan. Tapi itu menyimpan semua informasi dalam data sementara juga
memberikan gagasan tentang distribusi yang mendasarinya (Upton and Cook 2006, p 409). data disusun
dalam urutan ukuran dan setiap pengamatan dibagi menjadi digit terdepan untuk mewakili batang dan
digit tertinggal yang mewakili daun.

Diagram menyajikan data dalam bentuk yang lebih ringkas dan bisa digunakan, yang menyoroti
kesenjangan dan outlier. Pencilan dalam nilai ekstrem yang tidak sesuai dengan pola umum. Dalam
sampel kecil, outlier penting karena mereka dapat merusak hasil analisis statistik. kami akan
menunjukkan cangkul untuk menghasilkan plot batang dan daun di SPSS menggunakan data untuk
TURNOVER.

Berikut langkah-langkahnya:

1. Pilih kolom Analyze  Descriptives Statistic  explore dan kemudian m[indahkan TURNOVER ke
dalam data dependen List pada kotak bagian tengah.
2. Dari tombol on the right hand side pilihlah plots. Under descriptives maka otomatis akan
termasuk Stem nd leaf, lalu klik Contunue (GAMBAR 11.11)
3. Kemudian klik OK u tuk melihat hasilnya (GAMBAR 11.4)
11.5 Perhitungan tendensi tengah atau central tendency.
Sekarang kita akan melihat kelompok dari model statistic yang mengukur tendensi tengah dari
distribusi frekuensi. Mengukur tendensi tengah memberikan cara yang mudah untuk meringkas
distribusi frekuensi besar dengan menggambarkannya dengan statistik tunggal. tiga ukuran
adalah mean, median, dan modus.

11.5.1 Mean
Pengertian
Mean/rerata adalah ukuran kecenderungan sentral berdasarkan rata-rata aritmatika dari
serangkaian nilai data.
Mean (ẋ) adalah rata-rata aritmatika dari sekumpulan data dalam sampel dan hanya dapat
dihitung untuk variabel rasio atau interval. ditemukan dengan membagi jumlah pengamatan
dengan jumlah pengamatan, seperti yang ditunjukkan dalam rumus berikut.

Mean = ∑x
n
dimana:
x = masing-masing observasi
n = jumlah observasi
∑ = penjumlahan dari…

Contoh:
Nulai dari ujian para murid terdiri dari

Module 1 = 82%
Module 2 = 78%
Module 3 = 80%
Module 4 = 64%
Module 5 = 70%
Module 6 = 64%
Memasukkan data pada rumus

82+78+80+64+70+64 = 438 = 73%

6 6

Keuntungan menghitung mean/ rata-rata, antara lain:

 Dapat melakukan perhitungan secara tepat.
 Dapat menambahkan seluruh data.
 Dapat digunakan sebagai dasar perhitungan model statistika yang lain.

Kerugian menggunakan hitungan mean

 Dapat terdampak besar oleh data yang bersifat outliers (data yang bersifat ekstrim sangat kecil
atau sangat besar dari data yang lain).
 Hal tersebut merupakan nilai hipotesis, dan mungkin bukan nilai yang sebenarnya.
 Dapat memberikan penggambaran /hasil penelitian dalam angka yang tidak mungkin untuk data
diskrit (contohya rata-rata dari jumlah pemilik dari sampel perusahaan kecil adalah 5.8).
 Tidah dapat digunakan untuk menghitung data ordinal atau data nominal.

11.5.2 Median
Pengertian
Median adalah ukuran dari kecenderungan pusat berdasarkan nilai tengah dari seperangkat nilai
data yang disusun dalam urutan ukuran.

Median adalah nilai tengah dari serangkaian data yang telah diatur dalam urutan ukuran
(dengan kata lain, telah diberi peringkat). dapat dihitung untuk variabel yang diukur pada rasio,
interval atau skala ordianal dan ditemukan dengan menambahkan 1 ke jumlah pengamatan dan
membaginya dengan 2.
Rumusnya:
Median = n + 1
2
Dimana n = jumlah observasi

Hal ini mudah jika Anda bahkan memiliki jumlah observasi yang imbang, karena rumus tersebut
akan membawa langsung pada poin tengah dari observasi. Contoh berikut akan menunjukkan
ketika Anda tidak memiliki jumlah observasi yang merata.

Contoh:

Nulai dari ujian para murid terdiri dari

Module 1 = 82%
Module 2 = 78%
Module 3 = 80%
Module 4 = 64%
Module 5 = 70%
Module 6 = 64%
Bila hasil diurutkan dari yan terkecil
64% 64% 70% 78% 80% 82%
 Memasukkan data pada rumus = 6 + 1 = 3,5
2
Maka median merupakan tengah-tengah antara nilai ke-3 dan ke-4 dari ranking. Perhitungan
yang mudah dapat dipakai : 70 + 78 = 74%
2
Keuntungan memakai median:
1. Tidak dipengaruhi oleh data outliers atau nilai batas atas dan batas bawah
2. Tidak dipengaruhi oleh kelas interval data yang tidak merata
3. Dapat merepresentasikan nilai actual dari data.

Kerugian menggunakan median adalah:

1. Tidak dapat digunakan menghitung nilai yang terlompati dalam didistribusikan data berkelompk
2. Hasil median Tidak dapat digunakan sebagai basis model stastika yang lain
3. Hasil median kemungkinan tidak berguna jika data tidak memiliki distribusi yang normal (akan
dipelajari pada chapter 11.7)
4. Hasil median tidak dapat digunakan untuk perhitungan data nominal.

11.5.3 Modus

Pengertian

Modus adalah ukuran kecenderungan sentral berdasarkan nilai yang paling sering terjadi dalam satu set
data (dimungkinkan ada beberapa modus).

Modus (m) adalah frekuensi paling banyak yang muncul dari nilai pada sekelompok data dapat
digunakan untuk semua variable terlepas dari skala pengukuran.

Contoh:

Nulai dari ujian para murid terdiri dari

Module 1 = 82%
Module 2 = 78%
Module 3 = 80%
Module 4 = 64%
Module 5 = 70%
Module 6 = 64%

Maka modusnya adalah 64%.

Keuntungan memakai modus:

1. Tidak dipengaruhi oleh data outliers atau nilai batas atas dan batas bawah
2. Mudah diindentifikasi pada data kelompok data kecil
3. Dapat dihitung untuk beragam variable terlepas dari skala pengukuran

Kerugian menggunakan median adalah:

1. Merupakan perhitungan yang dinamis, bisa berubah ketika data lain dimasukkan
2. Tidak dapat diukur secara tepat untuk distribusi yang mencerminkan data yang dikelompokkan
3. Dapat menghasilkan banyak modus/multiple mode
4. Tidak dapat digunakan sebagai basis data untuk perhitungan statistic yang lain.

Yang perlu diingat dari bab ini adalah baik Mean, Median dan Modus mengunakan pengertian yang
berbeda dalam mendefinisikan kecenderungan tengah (central tendency). Analisis kita dalam
menghitung tentral tendency nilai ujian murid menghasilkan hasil yang berbeda pada masing-masing
metode. Alasannya dapat kita ketahui dengan jelas dengan memeriksa pentingnya sebaran nilai data
pada bab 11.6.

11.5.4 generating measures of central tendency

menghasilkan ukuran kecenderungan sentral

dengan kumpulan data besar, Anda akan memerlukan bantuan dalam menghitung ukuran
kecenderungan pusat, tetapi SPSS memungkinkan Anda untuk melakukan ini pada saat yang sama
dengan menghasilkan distribusi frekuensi dalam tabel dan / atau grafik. Prosedurnya adalah sebagai
berikut:

1. Dari Menu kemudian tekan Analyze  Descriptives Statistic  Frequencies

2. Kita akan menggnakan rasio asli maka, pindahkan TURNOVERCAT ke kolom Variable (s) pada
kotak yang kanan. Jika Anda juga ingin menghasilkan statistic deskriptif untuk variable yang lain,
anda dapat memindahkan variable tersebut dengan mudah pada kotak kanan pada titik
tersebut.
3. Sekarang klik Statistic dan dibawah Under central tendency, kemudian pilh Meanm Median, and
Mode dan klik continue ntuk menghadilkan seperti pada gambar 11.12.
4. Kemudian klik OK dan lihatlah hasilnya sesuai dengan table 11.5
Menafsirkan hasil, Anda dapat melihat bahwa meskipun disebut ukuran kecenderungan sentral, "pusat"
berbeda untuk setiap statistik. Alasan untuk ini akan menjadi jelas di bagian selanjutnya. Untuk saat ini,
kita dapat dengan mudah mengatakan bahwa hasil yang berbeda muncul dari definisi yang berbeda
yang kami gunakan untuk setiap tindakan.

Sebelum berpindah pada bagian berikutnya kita akan mendemontrasikan petingnya mempertahankan
data terperinci dalam variabel asli TURNOVER dengan membandingkan rata-rata tepat yang kami
peroleh untuk variabel itu dengan rata-rata kami dapat menghitung untuk lima kelas data yang
dikelompokkan dalam TURNOVERCAT. Untuk menentukan rata-rata data yang dikelompokkan, kita perlu
mengambil titik tengah dari setiap kelas dan mengalikannya dengan frequncy, seperti yang ditunjukkan
dalam rumus berikut:

Mean untuk data berkelompok = ∑fx

∑f
dimana:
x = masing-masing observasi
f = frekuensi
∑ = penjumlahan dari…

Dalam hasil menunjukkan hasil dari mean untuk data berkelompok pada variable TURNOVER adalah
£0.94m dibandingkan dengan rata-rata .... kita menghitung sebelumnya menggunakan data harga yang
terkandung dalam rasio TURNOVERCAT. Data yang dikelompokkan hanya dapat memberikan perkiraan
statistik penting ini. Lagipula perkiraan tersebut lebihbesar daripada Mean yang sebenarnya karena itu
bergantung pada median pada masing-masing kategori daripada masing-masing data hasil (obsevasi).
Hal tersebut membantu mendemonstrasikan superioritas data rasio atas interval atau data ordinal
ketika datang untuk mengukur rata-rata, yang terletak di jantung model statistik paling kuat yang
digunakan dalam statistik inferensial. Kami akan membahas ini lebih lanjut dalam bab 12.

11.6 MENGUKUR PENYEBARAN DATA

Mengukur kecenderungan data bermanfaat untuk menentukan statistik lokasi dari data yang
berada di tengah, tapi hal tersebut tidak menginformasikan apapun tentang penyebaran nilai data.
Maka dari itu kita akan melihat penyebaran data, yang seharusnya dihitung untuk mengukur
variable pada skala rasio atau interval. Dua pengukuran tersebut adalah Range/jangkauan dan
Standar Deviasi.

11.6.1 Range/jangkauan
Range/jangkauan adalah ukuran penyebaran data sederhana yang menjelaskan perbedaan antara
nilai maksimum dan nilai minimum dalam sebuah distribusi frekuensi yang terdapat pada urutan
waktu.
Jarak Interkuartil adalah perbedaan antara antara kuartil atas dan kuartil bawah dan penyebaran
nilai data tengah (median).
Ketika membandingkan kedua distribusi, jarak interkuartil sering diartikan dengan
range/jangkauan karena nilainya sering bernilai extreme.
Formulanya adalah :
Range = EU - EL
Interkuartil Range = Q3 – Q1
Sayangnya, kekurangan dari penggunaan Range adalah hanya terdiri dari 2 item data, sedangkan
kekurangan dari Interkuartil Range adalah hanya menghitung nilai setengahnya.

11.6.2 Standar Deviasi

Standar Deviasi seharusnya hanya menghitung rasio atau interval variable, tapi ternyata mempu
mengatasi kekurangan Range dan Interkuartil yang didiskusikan pada bab sebelumnya.
Standar Deviasi berhubungan dengan distribusi normal. Istilah Standar Deviasi dikenalkan oleh
Karl Pearson pada tahun 1893 (Upton and Cook, 2006), yang didasarkan pada data Error dan
Varian, yaitu dua model statistic yang digunakan untuk mengukur sebaik apa Mean/rata-rata
dapat mewakili data (Field, 2000).
Dalam konteks ini, Error adalah perbedaan antara Mean/rata-rata dengan nilai data (observasi).
Disebut Error dikarenakan mengukur tingkat deviasi atas observasi dari data Mean/rata-rata
(yang merupakan nilai hipotesis dari keseluruhan data). Kemudian kita akan menjumlahkan data
Error dan membuat penyesuaian. Hal itu diperlukan karena perbedaan antara mean/rata-rata dan
masing-masing nilai di bawah mean menghasilkan gambaran negative yang berbeda antara nilai
Mean dan masing-masing nilai diatas Mean menghasilkan gambaran positif. Sayangnya, ketika
dijumlahkan secara bersamaan, jawabannya adalah Nol.
Untuk mengatasi masalah ini, data Error itu dikuadratkan (dalam ilmu Matematika,
mengkuadratkan angka positif atau angka negative selalu menghasilkan nilai positif).
Hal ini membuat kita dapat menghitung Variance, yaitu rata-rata dari Pengkuadratan Error. Tapi
akan sulit untuk diinterpretasikan karena mengukur dalam satuan kuadrat. Untuk menurunkan
unit pengkuadratan, kita hitung akar kuadrat dari Variance.
Standar deviasi yang kecil terhadap nilai rata-rata menunjukkan bahwa nilai rata-rata mewakili
keseluruhan data dengan baik. Sebaliknya, standar deviasi yang besar terhadap nilai rata-rata
menunjukkan bahwa nilai rata-rata tidak mewakili data dengan baik karena nilai-nilai data
tersebar secara luas.
Jika kamu hanya memiliki data sedikit dan ingin menghitung Standar Deviasi, rumusnya adalah :

Keuntungan Standar Deviasi adalah:

 Menggunakan setiap nilai
 Unit yang sama dengan data asli
 Mudah untuk diinterpretasikan
Kerugiannya adalah:
 Penghitungannya kompleks tanpa bantuan software yang cocok
 Hanya bisa digunakan untuk pengukuran variable pada skala ratio atau interval

Standar Error (se) adalah standar deviasi antara rata-rata dari sample yang berbeda.
Standar Error yang besar berhubungan dengan rata-rata keseluruhan sample yang menunjukkan
sample tersebut mungkin tidak mewakili populasi.

11.6.2 Menghasilkan Pengukuran Penyebaran

Sekarang kita akan menyadari bahwa SPSS dapat menghasilkan Tabel Frekuensi, mengukur
tendensi sentral dan mengukur penyebaran dari satu atau lebih variable melalui sebuah instruksi
menu Analisa Statistik Deskriptif.

Kami akan menunjukkan bagaimana mengukur penyebaran:

 Dari Menu, pilih Analisa Statistik Deskriptif => Frekuensi => Turnover ke kotak variable di
sebelah kanan.
 Batalkan pilihan “default” menjadi tampilan Tabel Frekuensi
 Klik “Statistik” dan batalkan pilihan melalui “Central Tendency”. Melalui “Percentile
Value”, pilih “Quartile” dan melalui “Dispersion”, klik “all option” kemudian klik
“continue”
 Klik ‘OK” untuk melihat hasilnya.

11.7 DISTRIBUSI NORMAL

Istilah Distribusi Normal diperkenalkan pada akhir abad ke-19 oleh Sir Francis Galton, cucu dari
Charles Darwin yang mempublikasikan “The Origin of Species” pada tahun 1859 (Upton and
Cook, 2006), dan menunjuk kepada Teori Distribusi Frekuensi yang berbentuk lonceng dan
simetris, dengan ekor memanjang tanpa batas di sisi yang lain.
Pada distribusi normal, Mean dan Median yang berpusat di tengah (lihat gambar 11.14).
Hal itu disebut sebagai Teori Distribusi Frekuensi karena merupakan model matematika yang
menampilkan simetris sempurna, yang berlawanan dengan data empiris yang bisa dibandingkan.

11.7.1 Skewness dan Kurtosis

Ketika Distribusi Frekuensi tidak menunjukkan distribusi simetris, maka bentuknya miring.
Skewness adalah pengukuran lebih lanjut jika distribusi frekuensinya tidak simetris.
Pada distribusi miring, Mean dan Median memiliki nilai yang berbeda.

Ketika sebuah penyebaran data memiliki nilai kemiringan positif, ekor nya ada di sebelah kanan
(sisi positif dari tengah) dan kebanyakan observasi lebih rendah dari rangenya (gambar 11.15).
Ketika distribusi memiliki nilai kemiringan negative, ekornya ada di sebelah kiri (sisi negative
dari titik tengah) dan kebanyakan observasi lebih atas dari range tersebut (gambar 11.16).

Nilai kemiringan yang lebih dari 2 kali Standar Error Skewness menunjukkan distribusi yang
tidak
simetris.
Pengukuran lain yang penting adalah Kurtosis yang mengukur Distribusi Frekuensi yang lebih
datar atau lebih memuncak daripada Ditribusi Normal (Upton and Cook, 2006).
Nilai Kurtosis dari Distribusi Normal adalah Nol, yang menunjukkan distribusi berbentuk
lonceng dengan pengelompokan terbanyak di tengah.

Nilai Rata-rata dan Standar Deviasi hampir sama dengan Distribusi Normal.
Mean mewakili titik rata-rata distribusi frekuensi, sedangkan standar deviasi mengukur
penyebaran nilai data disekitar Mean.
11.7.2 Tes Normalitas

Jika ingin menjalankan tes Normalitas, bisa menggunakan menu “Explore”.

Prosedurnya adalah sebagai berikut :
 Pilih “analyze and descriptive statistic” => explore => Turnover => ke variable box di
sebelah kanan.
 Letakkan default pada “statistics” dan “plots”. Dengan menu Statistics, jalankan
“descriptive”. Dengan “plots”, lepaskan default “stem and leaf”, dan pilih “Normality plots
with tests”, lalu klik “continue”
 Klik “OK” untuk menampilkan hasilnya.

Apa yang dapat kita lihat pada Histogram dan pengukuran kecenderungan titik tengah : Turnover
tidak memiliki Distribusi normal. Nilai positif dari Skewness menunjukkan penyebaran data
adalah miring ke sebelah kanan Rata-rata, nilai Kurtosis yang positif menunjukkan distribusi
yang lebih memuncak daripada Distribusi normal dengan tingkat pengelompokan data berada di
sekitar Mean/rata-rata dan ekor nya.

Tes Normalitas membandingkan distribusi frekuensi actual dari sampel dengan teori distribusi
normal dengan Mean dan Standar Deviasi yang sama (Field, 2000).
Jika nilai actual terlalu jauh dari “xpected Value”, hasil tes adalah signifikan, dan bukti ini
membuat penolakan atas hipotesis Nol. Sebaliknya, jika nilai actual mendekati “expected value”,
hasil tesnya adalah tidak significan dan kita tidak memiliki bukti untuk menolak hipotesis nol.
Ada 2 kasus dimana hasil tes menunjukkan hasil yang benar (Upton and Cook, 2006) :
 H0 benar, menerima hipotesis Nol.
 H1 benar, menolak hipotesis Nol.

Tetapi ada juga dua kasus ketika tes tersebut menunjukkan hasil yang tidak benar (Error) :
 H0 benar, tapi tes nya menunjukkan penolakan terhadap hipotesis Nol.
 H1 benar, tapi tes menunjukkan menerima hipotesis Nol.
Maka dari itu kita harus menspesifikasikan wilayah kritis yang menentukan apakah hasil tes itu
signifikan dengan menyetting level signifikan.

Tabel 11.8 dan 11.9 menunjukkan contoh table yang cocok untuk statistic deskriptif dengan
variable kategori dan berlanjut.

11.8 KESIMPULAN

Tabel 11.10 merangkum tentang statistic deskriptif dan membantu memilih ukuran variable yang
tepat.
Pilihan statistic tergantung pada pertanyaan penelitian, yang mungkin membutuhkan penggunaan
statistic inferensial selain statistic deskriptif.
Box 11.5 Ceklist untuk melakukan analisa data kuantitatif
1. Apakah kamu yakin design penelitianmu diterima?
2. Apakah dalam pengumpulan data mu sudah sistematis dan teliti?
3. Apakah identifikasi variable-variabelmu sudah cukup?
4. Apakah pengukuran variablenya reliable?
5. Apakah analisisnya cocok untuk skala pengukuran (nominal, ordinal, interval dan rasio)?