Ahmad - Modul 1 PDF

MODUL I
OLEH
NAMA : AHMAD FITRAH ANNUR
STAMBUK : D071211005
KELOMPOK : III
LABORATORIUM STATISTIK DAN MANAJEMEN MUTU

DEPARTEMEN TEKNIK INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS HASANUDDIN
GOWA
2023
DAFTAR ISI
STATISTIK DESKRIPTIF
AHMAD FITRAH ANNUR / D071211005 (KELOMPOK III) 2
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR RUMUS
BAB I
PENDAHULUAN
1.1 Latar Belakang
Statistik relatif mudah dibandingkan dengan matematika, saat ini statistik
berkembang sangat pesat, terutama dalam lima puluh tahun terakhir. Berbicara
tentang statistik, maka yang akan muncul dalam pemikiran manusia ialah yang
berhubungan dengan data. Memang tak dapat dipungkiri bahwa statistika adalah
ilmu yang senantiasa berhubungan dengan data, sebab pada statistika mempelajari
bagaimana teknik pengumpulan data, pengelompokan data, dan bagaimana
mengolah data tersebut menuju suatu kesimpulan yang tepat sehingga dapat
diinterpretasikan dan menjadi sumber informasi yang bermanfaat (Akbar &
Tsoraya, 2019).
Dalam statistika, analisis dibagi menjadi dua kelompok besar yakni
analisis data secara kualitatif dan kuantitatif. Sedangkan analisis kuantitatif dibagi
lagi menjadi dua yakni deskriptif dan inferensial. Statistik deskriptif akan berhenti
pada penggambaran data yang dihasilkan untuk memudahkan pembaca
menginterpretasikan data yang ada. Namun, jika analisis dilanjutkan ke arah
inferensial, itu menggeneralisasi tentang populasi dan memberikan peluang untuk
menciptakan teori atau pengetahuan baru. Statistika deskriptif sesuai definisinya
merupakan salah satu metode statistika yang berkaitan untuk pengumpulan dan
penyajian sehingga dapat memberikan informasi yang berguna. Memberikan
informasi yang berguna disini dimaksudkan bahwa penyajiannya akan
memudahkan pembaca atau pengguna informasi untuk dapat membaca dan
memanfaatkan data secara lebih mudah. Beberapa bentuk deskriptif dari data
dapat dibuat berdasarkan kebutuhan dan optimalnya sebuah informasi. Peneliti
dapat menentukan jenis deskripsi seperti apa yang akan dibuat sehingga data dapat
menggambarkan informasi yang berguna dan mudah dicerna (Martias, 2021).
Pada modul ini, akan membahas mengenai definisi dari statistik, statistika
maupun statistik deskriptif. Selain itu di modul ini akan dibahas mengenai apa-
apa saja yang mencakup dalam statistik deskriptif seperti ukuran pemusatan data
serta ukuran penyebaran data. Dalam modul ini juga akan dilihat pula studi kasus
pada data 100 rsponden yang berkunjung ke pantai Akkarena Makassar pada
maret 2023 yang akan dilakukan penelitian terhadap tingkat kepuasan pengunjung
yang dikerjakan dengan menggunakan software seperti SPSS dan excel.
1.2 Rumusan Masalah
a. Bagaimana teknik pengambilan data dalam memperoleh data?
b. Bagaimana cara pengolahan jenis-jenis ukuran data yang dapat
menggambarkan sifat-sifat dasar kumpulan data?
c. Bagaimana cara menginterprestasikan pengolahan data pada statistik
deskriptif?
d. Bagaimana perbedaan hasil pengolahan data manual dengan menggunakan
software?
1.3 Tujuan Praktikum
a. Praktikan dapat memahami data yang baik dan benar serta cara
memperolehnya.
b. Praktikan dapat memahami konsep pengukuran pemusatan dan penyebaran
data.
c. Praktikan dapat mengetahui dan menyajikan data yang baik dan benar.
d. Praktikan dapat melakukan pengolahan data secara manual maupun
menggunakan software
1.4 Batasan Masalah
Praktikum ini dilakukan di Laboratorium Statistik dan Manajemen Mutu
Departemen Teknik Industri Fakultas Teknik Universitas Hasanuddin. Data yang
diolah adalah data primer yang diambil dari beberapa tempat yang telah
ditentukan sebelumnya dan dijalankan sesuai arahan dari asisten laboratorium.
BAB II
TEORI DASAR
2.1 Statistik dan Statistika
2.1.1 Pengertian Statistik Menurut Ahli dan Kesimpulan Berdasarkan Definisi

Ahli
Berikut merupakan pengertian statistik menurut beberapa para ahli (dalam
Maizar, dkk, 2022) diantaranya :
a. Menurut Suntoyo Yitnosumarto, statistik adalah sebuah informasi
yang memerlukan metodologi serta cara-cara perhitungan yang
mendalam untuk menyelesaikan permasalahan praktis yang muncul.
b. Menurut Prof. Dr. Sudjana, M.A, M.Sc, statistik adalah suatu
pengetahuan yang berhubungan erat dengan metode pengumpulan
data, pengolahan data, analisisnya dan penarikan kesimpulan yang
berdasarkan kumpulan data serta penganalisaan yang dilakukan.
c. Menurut Anto Dajan, statistik merupakan data kuantitatif baik yang
belum tersusun ataupun yang telah tersusun dalam bentuk tabel.
Adapun kesimpulan berdasarkan definisi dari pendapat ahli diatas yaitu
statistik merupakan sebuah kumpulan informasi yang memerlukan
metodologi serta metode pengumpulan datanya berdasarkan kumpulan
data yang telah tersusun dalam bentuk tabel.
2.1.2 Fungsi Statistik
Berikut merupakan beberapa fungsi (dalam Hanief dan Himawanto, 2017),
diantaranya :
a. Bank data untuk menyediakan data untuk diolah dan
diinterpretasikan agar dapat digunakan untuk menerangkan keadaan
yang perlu diketahui atau diungkap.
b. Alat quality control untuk membantu standarisasi dan sekaligus
sebagai alat pengawan.
c. Pemecahan masalah dan pembuatan keputusan, sebagai dasar
penetapan kebijakan dan langkah lebih lanjut untuk
mempertahankan, mengembangkan perusahaan dalam perolehan
keuntungan.
d. Keputusan yang baik dan rasional dapat dihasilkan.
e. Alat analisis, merupakan suatu metode penganalisisan data.
2.1.3 Peran Statistik Dalam Kehidupan
Berikut merupakan beberapa peran statistik (dalam Hanief dan Himawanto

2017) diantaranya :
a. Dalam kehidupan sehari-hari, statistik memiliki peranan sebagai
penyedia bahan-bahan atau keterangan- keterangan berbagai hal
untuk diolah dan ditafsirkan. Contoh: angka kenakalan remaja,
tingkat biaya hidup, tingkat kecelakaan lalu lintas, dan tingkat
pendapatan.
b. Dalam penelitian ilmiah, statistik memiliki peranan sebagai
penyedia data untuk mengemukakan atau menemukan kembali
keterangan-keterangan yangseolah-olah tersembunyi dalam angka-
angka statistik.
c. Dalam kegiatan proses belajar mengajar, statistikbanyak membantu
dalam menganalisis soal-soal yang diberikan dalam kegiatan
pembelajaran.
2.1.4 Pengertian Statistika Menurut Ahli dan Kesimpulan Berdasarkan Ahli
Berikut merupakan pengertian statistik menurut beberapa para ahli (dalam
Maizar dkk., 2022) diantaranya:
a. Menurut Anderson dan Bancroft, Statistika adalah ilmu
pengembangan dan metode yang paling efektif untuk
mengumpulkan, menabulasi dan menafsirkan data kuantitatif
sedemikian rupa sehingga kesalahan dalam kesimpulan dan estimasi
dapat diperkirakan menggunakan penalaran induktif berdasarkan
probabilitas matematika.
b. Menurut Ir. M. Iqbal Hasan, MM, statistika adalah ilmu yang
mempelajari seluk beluk data mengenai tata cara pengumpulan data,
pengolahan data, penganalisaan, penafsiran dan penarikan
kesimpulan dari suatu data dalam bentuk angka-angka.
c. Menurut Supranto, statistika adalah ilmu yang mempelajari cara
pengumpulan, penyajian, menganalisis data dan juga mengambil
kesimpulan secara umum yang mana berdasarkan atas hasil dari
penelitian menyeluruh yang sudah dilakukan.
statistika merupakan ilmu pengembangan dan metode yang efektif untuk

mengumpulkan serta pengolahan data dan juga mengambil kesimpulan
secara umum yang berdasarkan atas hasil dari penelitian menyeluruh.
2.1.5 Fungsi Statistika
Berikut merupakan fungsi statistika (dalam Ismail, 2018) diantaranya:
a. Menyediakan cara-cara meringkas data ke dalam bentuk yang
memiliki banyak arti sehingga membantu peneliti di dalam
analisisnya.
b. Memberi panduan dan dasar di dalam menarik kesimpulan melalui
proses-proses metode ilmiah.
c. Memberi landasan untuk meramalkan secara ilmiah tentang
bagaimana suatu gejala akan terjadi dalam kondisi-kondisi yang
telah diketahui.
d. Memungkinkan peneliti untuk menganalisa, menguraikan sebab-
akibat yang kompleks dan rumit.
e. Alat untuk mencatat yang valid dan eksak terhadap data- data
penelitian.
2.1.6 Perbedaan Statistik dan Statistika
Berikut merupakan perbedaan statistik dan statistika (dalam Ismail, 2018)
diantaranya:
a. Berdasarkan tentang keilmuan statistika merupakan satu disiplin
keilmuan sehingga seorang statistikawan harus memiliki ilmu
statistik.
b. Karena berkaitan dengan pengumpulan data, seorang ahli statistika
diwajibkan pula untuk memahami ilmu lainnya yang terkait dengan
statistika yakni metodologi penelitian.
c. Jika statistika dapat diartikan sebagai sekumpulan angka yang dapat
ditafsirkan atau tidak, di dalam statistika data tersebut harus
dianalisis dan diinterpretasi.
d. Penyajian data pada statistika tidak saja berhenti kepada penyajian
dan analisis secara deskriptif, akan tetapi dilanjutkan secara
inferensial.
e. Dalam statistika diperlukan adanya penafsiran atau analisis data

yang baik dan komprehensif sehingga diperoleh kesimpulan yang
valid, sedangkan statistik hanya berupa penyajian data saja tanpa
perlu diambil kesimpulan.
2.2 Statistik Deskriptif
Statistik deskriptif mencakup tentang pengumpulan, pengolahan,
penyajian, serta penghitungan nilai-nilai dari suatu data yang digambarkan dalam
tabel atau diagram dan tidak menyangkut penarikan kesimpulan. Adapun definisi,
tujuan dan manfaat sebagai berikut :
2.2.1 Definisi Statistik Deskriptif dan Kesimpulan Berdasarkan Ahli
Berikut merupakan pengertian statistik deskriptif menurut beberapa para
ahli (dalam Nasution, 2017) diantaranya:
a. Menurut Hasan, Statistik deskriptif atau statistik deduktif adalah
bagian dari statistik yang mempelajari cara pengumpulan data dan
penyajian data sehingga muda dipahami. Statistik deskriptif hanya
berhubungan dengan hal menguraikan atau memberikan keterangan-
keterangan mengenai suatu data atau keadaan atau fenomena.
Dengan kata lainstatistik deskriptif berfungsi menerangkan keadaan,
gejala, atau persoalan.
b. Menurut Suryoatmono, Statistika Deskriptif adalah statistika yang
menggunakan data pada suatu kelompok untuk menjelaskan atau
menarik kesimpulan mengenai kelompok itu saja.
c. Menurut Pangestu Subagyo, statistika deskriptif adalah bagian
statistika mengenai pengumpulan data, penyajian, penentuan nilai-
nilai statistika, pembuatan diagram atau gambar mengenai sesuatu
hal, disini data yang disajikan dalam bentuk yang lebih mudah
dipahami atau dibaca.
statistik deskriptif merupakan Statistika deskriptif adalah bagian statistika
mengenai pengumpulan data, penyajian, penentuan nilai-nilai statistika,
pembuatan diagram atau gambar mengenai sesuatu hal, disini data yang
disajikan dalam bentuk yang lebih mudah dipahami atau dibaca.
2.2.2 Tujuan dan Manfaat Statistik Deskriptif

Statistik deskriptif merupakan suatu analisis yang menggambarkan data
yang akan dibuat baik sendiri maupun secara berkelompok. Adapun tujuan
dari statistik deskriptif adalah untuk membuat gambaran secara sistematis
data yang faktual dan akurat mengenai fakta-fakta serta hubungan antar
masalah atau data yang diteliti. Dalam penyajian analisis deskriptif ini
akan membahas mengenai pengukuran gejala pusat misalnya adalah mean,
median, standar deviasi, standar error, range, dan CI (confidence
interval). Sedangkan untuk data katagorik penyajiannya hanya
menggunakan distribusi frekuensi dengan persentase atau proporsi.
(Prihatiningsih, 2022)
Adapun manfaat statistik deskriptif (dalam Chandra, dkk, 2022), antara
lain sebagai berikut.
a. Menyajikan informasi atau data dalam bentuk yang lebih mudah
dimengerti
b. Menyederhanakan data yang kompleks
c. Memberikan gambaran tentang proses terjadinya suatu kegiatan
yang merupakan suatu alat pengawasan
d. Memberi informasi mengenai ukuran pemusatan data, ukuran
penyebaran data, kecenderungan suatu gugus, dan ukuran letak.
Analisis statistik deskriptif digunakan untuk memberikan gambaran
mengenai distribusi dan perilaku data sampel penelitian dengan
melihat nilai minimum, nilai maksimum, rata – rata (mean), dan
standar deviasi dari masing- masing variabel independen dan
variabel dependen.
2.3 Istilah-istilah dalam statistik

Berikut istilah-istilah yang akan ditemui dalam statistik diantaranya :
a. Populasi
Populasi adalah himpunan seluruh objek yang ingin diketahui besaran

karakteristiknya atau populasi adalah keseluruhan objek penelitian yang
dapat terdiri dari makhluk hidup, benda, gejala, nilai tes, atau peristiwa
sebagai sumber data yang mewakili karakteristik tertentu dalam suatu
penelitian. Populasi adalah koleksi lengkap semua elemen yang akan
diselidiki. Suatu koleksi dikatakan lengkap jika ia memuat semua subjek
yang akan diselidiki.
b. Sampel
Sampel adalah himpunan bagian populasi yang memiliki karakteristik yang
sama dengan karakteristik populasinya. Sampel yang akan digunakan
diambil dari populasi yang telah memiliki karakteristik tersendiri yang
kurang lebih sama dengan karakteristik dari suatu sampel.
c. Parameter
Parameter adalah ukuran-ukuran tertentu yang digunakan untuk
menggambarkan suatu populasi. Untuk mendapatkan suatu karakteristik
yang dicari, maka perlu untuk menetapkan ukuran-ukuran yang diperlukan
untuk suatu penelitian.
d. Data
Data merupakan kumpulan fakta atau angka atau segala sesuatu yang dapat
dipercaya kebenarannya, sehingga dapat digunakan sebagai dasar menarik
suatu kesimpulan.
e. Variabel
Variabel adalah karakteristik unsur yang menjadi perhatian dan memiliki
nilai-nilai yang berbeda-beda. Setiap variabel memiliki karakteristik yang
berbeda sehingga diperlukan beberapa variabel untuk menjelaskan keadaan
yang ada.
f. Data Primer
Data primer adalah data yang diperoleh langsung dari objek yang ingin
diketahui karakteristiknya. Data ini didapatkan oleh seorang peneliti yang
memutuskan mengumpulkan data sendiri tanpa melibatkan data dari peneliti
yang lainnya.
g. Data Sekunder
Data sekunder adalah data yang tidak diperoleh langsung dari objek yang
ingin diketahui karakteristiknya, melainkan dari sumber lain yang telah
mengumpulkannya terlebih dahulu.
h. Data Kuantitatif (Data Numerik)
Data kuantitatif adalah karakteristik suatu variabel yang nilai-nilainya
dinyatakan dalam bentuk numerik. Data kuantitatif menjelaskan suatu
keadaan dengan menggunakan angka.
i. Data Kualitatif (Data Kategorik)
Data kualitatif adalah karakteristik suatu variabel yang nilai-nilainya
dinyatakan dalam bentuk non-numerik atau atribut-atribut.
j. Data Diskret
Data diskret adalah karakteristik suatu variabel yang berasal dari proses
pencacahan (counting) dan berupa bilangan bulat.
k. Data Kontinu
Data kontinu adalah karakteristik suatu variabel yang berasal dari proses
pengukuran (measurement) dan nilai-nilainya berada dalam suatu interval
atau rentang tertentu. Nilai-nilai data kontinu dapat berupa bilangan pecahan
yang tak terhingga banyaknya.
l. Skala Nominal
Skala nominal adalah data yang dihimpun dapat dibedakan menjadi
beberapa kategori tanpa memperhatikan urutan tertentu.
m. Skala Ordinal
Skala ordinal adalah data yang dihimpun dapat dibedakan menjadi beberapa
kategori yang berbeda dengan memperhatikan urutan.
n. Skala Interval
Skala interval adalah data yang dihimpun dapat diletakkan dalam skala
dengan jarak (interval) antara dua titik skala diketahui dan skala tersebut
tidak memiliki titik nol mutlak (titik pusat).
o. Skala Rasio
Skala rasio adalah data yang dihimpun dapat diletakkan dalam skala dengan
jarak antara dua titik skala diketahui dan skala tersebut memiliki titik nol
mutlak.
(Harlan, 2004)
2.4 Syarat Data Yang Baik
Data merupakan kumpulan fakta yang diperoleh dari suatu pengukuran. Suatu
pengambilan keputusan yang baik merupakan hasil dari penarikan kesimpulan
yang didasarkan pada data yang akurat. Untuk mendapatkan data yang akurat
diperlukan suatu syarat agar data dapat dianalisis dan ditafsirkan dengan baik.
Berikut merupakan syarat data yang baik (dalam Aditya, 2013) diantaranya :
a. Obyektif
Data yang diperoleh dari lapangan/hasil pengukuran, harus ditampilkan dan
dilaporkan apa adanya. Misalnya apabila sebuah penelitian, jumlah lulusan
SMP yang melanjutkan ke SMA 60% data yang akan dilaporkan harus 60%,
contoh lainnya hasil produksi yang turun tetapi dilaporkan naik, harga
bawang merah Rp 10.000,00 per kg dilaporkan Rp 7.000,00 per kg,
walaupun ada tanda bukti kuitansi, namun data ini tetap tidak objektif.
b. Relevan
Dalam mengumpulkan dan menampilkan Data harus sesuai dengan
permasalahan yang sedang dihadapi atau diteliti. Misalnya kita ingin
mengetahui penyebab hasil penjualan barang menurun maka data yang
dianggap relevan untuk dikumpulkan adalah mutu barang, daya beli,
pesaing, barang lain yang sejenis, harga barang, biaya advertensi, contoh
lainnya pemerintah mengetahui adanya kemerosotan dalam produksi padi
selama beberapa tahun terakhir. Untuk memecahkan masalah ini, yaitu
untuk mencegah agar produksi padi tidak merosot terus, maka perlu
diketahui faktor-faktor yang menyebabkan kemerosotan tersebut. Untuk itu
diperlukan data yang relevan, misalnya data pemupukan (jumlahnya
mungkin kurang, penyalurannya yang kurang lancar, dan sebagainya),
kondisi benih (unggul atau tidak), luas areal penanaman (mungkin sudah
ada yang alih fungsi menjadi areal pemukiman), curah hujan, hama dan lain-
lain.
c. Up to Date
Data tidak boleh usang atau ketinggalan jaman, karena itu harus selalu
menyesuaikan perkembangan. Apabila data akan dipergunakan untuk
melakukan pengendalian atau evaluasi, maka syarat tepat waktu ini penting
sekali agar sempat dilakukan penyesuaian atau koreksi seperlunya kalau ada
kesalahan atau penyimpangan yang terjadi di dalam implementasi suatu
perencanaan.
d. Representatif
Data harus diperoleh dari sumber yang tepat dan dapat menggambarkan
kondisi senyatanya atau mewakili suatu kelompok tertentu atau populasi.
Misalnya kita ingin mengetahui minat baca masyarakat maka yang harus
diteliti adalah siswa SD, siswa SMP, siswa SMA, mahasiswa dan umum,
contoh lainnya jika laporan produksi padi dari suatu daerah hanya
didasarkan atas hasil sawah–sawah subur saja, ini jelas tidak mewakili,
laporan konsumsi susunan dari golongan orang kaya tanpa memasukkan
golongan yang menengah kebawah jelas datanya tidak mewakili atau
menggambarkan keadaan dari populasi atau konsumsi susu secara
keseluruhan oleh masyarakat.
e. Dapat Dipercaya
Sumber data (narasumber) harus diperoleh dari sumber yang tepat. Misalnya
data tentang harga sayur diambil dari tukang sayur, data tentang pencari
kerja diambil dari DEPNAKER, dan sebagainya.
2.5 Teknik Pengumpulan Data dan Sampel
Menurut Sugiyono (2003), dalam mengumpulkan data, diperlukan
metode-metode khusus sesuai dengan data variabel yang ingin dikumpulkan. Ada
beberapa metode dalam melakukan pengumpulan data yaitu :
a. Observasi
Pengamatan melibatkan semua indera (penglihatan, pendengaran,
penciuman, pembau, perasa)
b. Wawancara
Wawancara terbagi menjadi :
1) Wawancara tidak terstruktur

Pertanyaan yang diajukan merupakan upaya menggali isu awal, sifat
pertanyaan spontan
2) Wawancara terstruktur
Pertanyaan sudah disiapkan, karena sudah dirancang data atau
informasi apa yang dibutuhkan Adapun jenis wawancara adalah
wawancara langsung (face to face) dan wawancara online
c. Kuesioner
Kuesioner adalah daftar pertanyaan tertulis yang ditujukan kepada
responden. Jawaban responden atas semua pertanyaan dalam kuesioner
kemudian dicatat atau direkam. Kuesioner merupakan metode pengumpulan
data yang efisien bila peneliti mengetahui secara pasti data atau informasi
apa yang dibutuhkan dan bagaimana variabel yang menyatakan informasi
yang dibutuhkan tersebut diukur.
d. Pengukuran Fisik
Jenis data dapat berupa data fisik, yaitu berupa obyek atau benda fisik,
seperti tanah, bangunan, buku, kendaraan, dan lain-lain. Sementara itu,
metode pengukuran fisik ini berupa memetakan obyek empirik ke obyek
angka-angka dengan perubahan yang setara. Misalnya pada data tanah, kita
dapat mengumpulkan data fisik tanah dari ukuran panjang (meter), lebar,
jenis tanah atau jenis bebatuannya.
e. Percobaan Laboratorium
Pengumpulan data dengan metode ini dilakukan di laboratorium.
Sebelumnya, dilakukan perancangan percobaan (experiment design).
Sebagai contoh adalah penelitian untuk mengetahui apakah pH
mempengaruhi pertumbuhan tanaman. Dalam hal ini pertumbuhan tanaman
sangat dipengaruhi oleh banyak faktor, oleh karena itu perlu pengendalian
yang ketat bagi tanaman sebagai sampel. Pengendalian berupa penggunaan
laboratorium, di mana sampel dikontrol secara ketat di ruangan dan hanya
pH yang diberikan pada tanaman.
2.6 Klasifikasi Data
Klasifikasi data adalah proses menghubungkan karakteristik metadata

dengan setiap aset dalam ruang digital, mengidentifikasi jenis data yang terkait
dengan aset tersebut. Adapun beberapa jenis-jenis klasifikasi data, antara lain :
a. Berdasarkan Cara Memperoleh
Menurut Sugiyono (2003), berdasarkan cara memperolehnya, data
dikelompokkan ke dalam dua kelompok, yaitu data primer dan data
sekunder.
1) Data Primer
Data primer adalah data yang diperoleh atau dikumpulkan langsung
oleh peneliti dari sumber datanya. Beberapa teknik pengumpulan data
primer antara lain: observasi, wawancara, diskusi terfokus (focus
group discussion, FGD), dan penyebaran kuesioner
2) Data Sekunder
Data sekunder adalah data yang diperoleh secara tidak langsung dari
objek penelitian. Data sekunder dapat diperoleh dari berbagai sumber
seperti : Biro Pusat Statistik (BPS), buku, laporan, jurnal, dan sumber
data lainnya.
b. Berdasarkan Sumber Data
Menurut Sugiyono (2003), berdasarkan sumbernya, data dikelompokkan ke
dalam dua kelompok, yaitu data internal dan data eksternal.
1) Data Internal
Data internal adalah data yang menggambarkan situasi dan kondisi
pada suatu organisasi atau instansi secara internal. Misalnya : data
keuangan, data pegawai, data produksi, dan sebagainya.
2) Data Eksternal
Data eksternal adalah data yang menggambarkan situasi dan kondisi
yang ada di luar organisasi. Misalnya : data jumlah penggunaan modul
oleh mahasiswa di luar UT, tingkat kepuasan mahasiswa UT terhadap
layanan akademik dan administratif UT, dan data sebaran mahasiswa
UT.
c. Berdasarkan Jenis Data

Menurut Sugiyono (2003), berdasarkan jenisnya, data dikelompokkan ke
dalam dua kelompok, yaitu data kualitatif dan data kuantitatif.
1) Data Kualitatif
Data yang dinyatakan dalam bentuk non-angka atau non-numerik atau
biasa juga disebut atribut. Dalam istilah komputer disebut data bertipe
string. Data yang diberikan berupa persepsi atau pendapat, sehingga
jawaban yang mungkin adalah sangat baik, baik, cukup, kurang baik,
sangat kurang baik.
2) Data Kuantitatif
Data yang dinyatakan dalam bentuk angka (data numerik). Dalam
komputer dikenal sebagai data numerik
d. Berdasarkan Sifat Data
Menurut Sugiyono (2003), berdasarkan sifatnya, data dikelompokkan
menjadi dua, yaitu :
1) Data Diskret
Data kuantitatif diskret adalah data hasil pencacahan dan berupa
bilangan bulat (dalam komputer dikenal sebagai integer). Misalnya :
jumlah mahasiswa statistika di UPBJJ-UT Bandung, jumlah mata
kuliah yang ada di Jurusan Statistika FMIPA-UT, dan jumlah dosen
Jurusan Statistika FMIPA-UT
2) Data Kontinu
Data kuantitatif kontinu adalah data hasil proses pengukuran dan
dapat berupa bilangan pecahan (bilangan real). Misalnya : Rata-rata
berat badan bayi yang baru lahir adalah 2,95 kg, tinggi badan Budi
adalah 150,5 cm, dan IQ Budi adalah 125.
e. Berdasarkan Waktu Pengumpulan Data
Menurut Sugiyono (2003), berdasarkan waktu pengumpulan datanya, data
dikelompokkan ke dalam dua kelompok, yaitu data cross section, dan data
time series (berkala).
1) Data Cross Section

Data cross section adalah data yang menunjukkan titik waktu tertentu.
Misalnya: laporan nilai tutorial online mahasiswa Jurusan Statistika
FMIPA UT Masa Registrasi 2010.2, data jumlah mahasiswa yang
meregistrasi mata kuliah Pengumpulan dan Penyajian Data Masa
Registrasi 2010.1.
2) Data Time Series
Data time series (berkala) adalah data yang datanya menggambarkan
sesuatu dari waktu ke waktu atau periode secara historis. Contoh data
time series adalah data perkembangan jumlah mahasiswa Jurusan
Statistika FMIPA-UT dari 2005 sampai dengan 2010, jumlah
mahasiswa Jurusan Statistika yang mengikuti ujian TAP dari tahun
2005 sampai dengan 2010.
f. Berdasarkan Skala Data
Menurut Sugiyono (2003) berdasarkan skala pengukurannya, data
dibedakan menjadi 4 kelompok, yaitu : data nominal, ordinal, interval dan
rasio. rincian mengenai ciri-ciri dan contoh masing-masing data disajikan
pada tabel di bawah ini.
Tabel 2. 1 Data Berdasarkan Skala
No. Skala Ciri-ciri Contoh
1. Nominal • Dibedakan dalam kategori tanpa • Jenis kelamin
memperhatikan urutan • Suku
• Satu pengukuran hanya menghasilkan satu • Agama
satunya kategori • Alamat
• Setiap kategori dianggap sama (tanpa
tingkatan)
• Data paling “rendah” dalam
level pengukuran data
• Tidak bisa dioperasikan secara
matematis
Tabel 2. 2 Data Berdasarkan Skala

2. Ordinal • Dibedakan dalam kategori berdasarkan urutan • Rangking kelas I,
• Memiliki tingkatan data lebih “tinggi” dibanding data II, III
nominal dalam level pengukuran data • Juara I, II, III
• Tidak bisa dioperasikan secara matematis • Tingkat
kepangkatan
3. Interval • Urutan bertingkat dan dikuantifikasi (diberi nilai) • Nilai mahasiswa

• Memiliki interval tertentu (A=4, B=3,
• Lebih “tinggi” dibanding data C=2,D=1, dan

ordinal dalam level pengukuran E=0)
• Dapat dianalisis dengan uji statistik parametrik
4. Rasio • Data bersifat angka dalam • Angka produksi
arti
yang sesungguhnya • Tinggi badan
• Memiliki angka nol absolut
• Memiliki kedudukan paling
• “tinggi” dalam level” pengukuran data
(Sumber : Ananda & Fadhil, 2018)
2.7 Ukuran Pemusatan Data

2.7.1 Mean
a. Definisi
Mean merupakan konsep secara awam mengenai rata-rata.
Merupakan titik berat dari seperangkat data atau observasi sensitif
terhadap nilai ekstrim. Digunakan terutama bila teknik statistik lain,
seperti pengujian hipotesis akan dilakukan pada data. (Nuryadi,
2017).
b. Rumus
1) Data Tunggal
∑x
x̅ =
n
Keterangan :
𝑥̅ = rerata
 = huruf besar Yunani sigma, yang berarti jumlahkan
x = nilai suatu hasil pengamatan atau observasi
 x = jumlahkan semua observasi
n = jumlah semua observasi
2) Data Kelompok
∑ f . xi
x̅ =
∑f
Keterangan :
x̅ = titik tengah (mid point) kelas interval ke I
 = titik tengah interval kelas
f = frekuensi observasi pada kelas interval ke I
 x = jumlahkan semua observasi
n = jumlah semua observasi
(Nuryadi, 2017)
c. Contoh
1) Data Tunggal
Sebuah data yang memiliki komponen:
15 15 40 45 50 60 65 65 70 70 70 75 75 80 80 80 90 90 95 95
Maka mean atau nilai rata-ratanya adalah sebagai berikut :
15 + 15 + 40 + 45 + 50 + 60 + 65 + 65 + 70 + 70 +
x̅ = 70 + 75 + 75 + 80 + 80 + 80 + 90 + 90 + 95 + 95
20
1325
x̅ =
20
x̅ = 66,25
2) Data Kelompok
Tabel 2.3 Tinggi badan mahasiswa teknik
Tinggi Badan
Range Frekuensi
145-149 3
150-154 12
155-159 14
160-164 8
165-169 3
Maka mean atau nilai rata-ratanya adalah sebagai berikut
Tabel 2.4 Hasil perhitungan tinggi badan mahasiswa teknik
Tinggi Badan
Xi Frekuensi x Xi
Range Frekuensi
145-149 3 147 441
150-154 12 152 1824
155-159 14 157 2198
160-164 8 162 1296
165-169 3 167 501
Jumlah 40 6260
6260
x̅ = = 156,5
40
2.7.2 Median
a. Definisi
Median merupakan nilai tengah dari sekelompok data yang nilainya
disusun dari yang terkecil ke terbesar. (Nuryadi, 2017)
b. Rumus
1) Data Tunggal
a) Bila jumlah data ganjil, maka median adalah nilai data
ke :
n+1
2
b) Bila jumlah data genap, maka median adalah nilai di
antara data ke :
n n
dan + 1
2 2
Diambil rata-rata
2) Data Kelompok
1
n − ∑ fsme
Me = Tb + (2 ).p
fme
Keterangan :
Tb = Tepi bawah
P = Panjang kelas
(Nuryadi, 2017)
c. Contoh
1) Data Tunggal
Sebuah data yang memiliki komponen :
15 15 40 45 50 60 65 65 70 70 70 75 75 80 80 80 90 90 95 95
Maka median atau nilai tengah-nya adalah sebagai berikut :
Nilai tengah berada di data ke-10 dan ke-11 yaitu 70 dan 70,
maka median adalah
70 + 70
Me =
2
140
Me =
2
Me = 70
2) Data Kelompok
Tinggi Badan
Range Frekuensi
145-149 3
150-154 12
155-159 14
160-164 8
165-169 3
1
n − ∑ fsme
Me = Tb + (2 ).p
fme
1
40 − 15
Me = 154,5 + (2 ). 5
14
20 − 15
Me = 154,5 + ( ).5
14
Me = 156,28
2.7.3 Modus
a. Definisi
Modus merupakan nilai yang paling sering muncul (frekuensi
terbesar) dari seperangkat data atau observasi. (Nuryadi, 2017)
b. Rumus
1) Data Tunggal
Mengambil nilai yang sering muncul
2) Data Kelompok
d1
Mo = Tb + ( ).p
d1 + d2
(Nuryadi, 2017)
c. Contoh
1) Data Tunggal
15 15 40 45 50 60 65 65 70 70 70 75 75 80 80 80 90 90 95 95
Maka modus atau nilai yang sering muncul adalah 70 dan 80
2) Data Kelompok
Tinggi Badan
Range Frekuensi
145-149 3
150-154 12
155-159 14
160-164 8
165-169 3
2
Mo = 154,5 + ( ).5
2+6
Mo = 154,5 + 0,25 . 5
Mo = 155,74
2.7.4 Kuartil
a. Definisi
Kuartil adalah ukuran letak yang membagi data observasi menjadi
empat bagian yang sama banyak. Oleh karena itu masing-masing
bagian mengandung 25% data observasi. (Nuryadi, 2017)
b. Rumus
N+1
1) Letak K1 = 4
2 (N+1)
2) Letak K2 = 4
3 (N+1)
3) Letak K3 = 4
(Nuryadi, 2017)
c. Contoh
1) Data Tunggal
15, 15, 40, 45, 50, 60, 65, 65, 70, 70, 70, 75, 75, 80, 80, 80, 90,
90, 95, 95
Tentukan K1, K2, K3!
Jawab :
20+1
a) Letak K1 = = 5,25
4
Data ke-5,25
Dengan interpolasi diperoleh :
K1 = 5 + 0,25(X6 − X5 )
K1 = 5 + 0,25(60 − 50)
K1 = 7,5
2(20+1)
b) Letak K2 = = 10,25
4
Data ke-10,25
K 2 = 10 + 0,25(X11 − X10 )
K 2 = 10 + 0,25(70 − 70)
K 2 = 10
3(20+1)
c) Letak K3 = = 15,25
4
Data ke-15,75
K 3 = 15 + 0,75(X16 − X15 )
K 3 = 15 + 0,75(80 − 80)
K 3 = 15
2) Data Kelompok
Tinggi Badan
Range Frekuensi
145-149 3
150-154 12
155-159 14
160-164 8
165-169 3
i
(4 n − ∑ f−i )
K t = Tbi + .p
fi
(10−3)
a) K1 = 148,5 + 12
.5
K1 = 152,41
(20−15)
b) K 2 = 154,5 + 14
.5
K 2 = 156,28
(30−29)
c) K 3 = 159,5 +
8
.5
K 2 = 160,125
2.7.5 Desil
a. Definisi
Desil adalah ukuran letak yang membagi data observasi menjadi
sepuluh bagian yang sama banyak. Oleh karena itu masing-masing
bagian mengandung 10% data observasi. (Nuryadi, 2017)
b. Rumus
1) Data Tunggal
N+1
a) Letak D1 = 10
2 (N+1)
b) Letak D2 = 10
3 (N+1)
c) Letak D3 = 10
2) Data Kelompok
i
(10 n − ∑ f−i )
Dt = Tbi + .p
fi
(Nuryadi, 2017)
c. Contoh
1) Data Tunggal
15 15 40 45 50 60 65 65 70 70 70 75 75 80 80 80 90 90 95 95
Tentukan D1, D2, D3!
Jawab :
20+1
a) Letak D1 = = 2,1
10
Data ke-2,1
D1 = 2 + 0,1(X3 − X2 )
D1 = 5 + 0,1(40 − 15)
D1 = 4,5
2(20+1)
b) Letak D2 = = 4,2
10
Data ke-4,2
D2 = 4 + 0,2(X5 − X4 )
D2 = 10 + 0,2(50 − 45)
D2 = 11
3(20+1)
c) Letak D3 = = 6,3
10
Data ke-6,3
D3 = 6 + 0,3(X7 − X6 )
D3 = 6 + 0,3(65 − 60)
D3 = 7,5
2) Data Kelompok
Tinggi Badan
Range Frekuensi
145-149 3
150-154 12
155-159 14
160-164 8
165-169 3
i
( n − ∑ f−i )
Dt = Tbi + 10 .p
fi
(12−3)
a) D3 = 149,5 +
12
.5
D3 = 153,25
(24−15)
b) D6 = 154,5 + 14
.5
D6 = 157,7
2.7.6 Persentil
a. Definisi
Persentil adalah ukuran letak yang membagi data observasi menjadi
seratus bagian yang sama besar. Oleh karena itu masing-masing
bagian mengandung 1 % data observasi. (Nuryadi, 2017)
b. Rumus
1) Data Tunggal
N+1
a) Letak P1 = 100
2 (N+1)
b) Letak P2 =
100
3 (N+1)
c) Letak P3 = 100
2) Data Kelompok
i
( n − ∑ f−i )
Pt = Tbi + 100 .p
fi
(Nuryadi, 2017)
c. Contoh
1) Data Tunggal
15 15 40 45 50 60 65 65 70 70 70 75 75 80 80 80 90 90 95 95
Tentukan P1, P2, P3!
Jawab :
20+1
a) Letak P1 = = 2,1
10
Data ke-2,1
P1 = 2 + 0,1(X3 − X2 )
P1 = 5 + 0,1(40 − 15)
P1 = 4,5
2(20+1)
b) Letak P2 = = 4,2
10
Data ke-4,2
P2 = 4 + 0,2(X5 − X4 )
P2 = 10 + 0,2(50 − 45)
P2 = 11
3(20+1)
c) Letak P3 = = 6,3
10
Data ke-6,3
P3 = 6 + 0,3(X7 − X6 )
P3 = 6 + 0,3(65 − 60)
P3 = 7,5
2) Data Kelompok
Tinggi Badan
Range Frekuensi
145-149 3
150-154 12
155-159 14
160-164 8
165-169 3
i
( n − ∑ f−i )
Pt = Tbi + 100 .p
fi
(6−3)
a) P15 = 149,5 + 12
.5
P15 = 150,75
(4−3)
b) P10 = 149,5 +
12
.5
P10 = 149,9
2.8 Ukuran Penyebaran Data
Ukuran penyebaran data merupakan ukuran yang menunjukkan seberapa
jauh data menyebar dari rata-rata (Simanjutak, 2020).
Ukuran penyebaran data diantaranya :
2.8.1 Range
a. Definisi
Range adalah selisih antara nilai tertinggi dengan nilai terendah
pada data. (Maswar, 2017)
b. Rumus
J = Xmax − X min
(Kristina, 2022)
c. Contoh
Disebuah bimbel nilai ujian matematika murid kelas 6 yakni 30 30
30 30 30 35 40 40 40 40 40 40 45 45 45 45 50 50 50 50 50 55 55 55
60 60 60 60 60 65 65 70 70 70 70 70 70 70 70 75 75 75 75 75 80 80
80 80 85 90. Berapakah nilai range ?
Jawab :
J = Xmax − X min
J = 90 − 30
J = 60
2.8.2 Simpangan Rata-Rata
a. Definisi
Simpangan rata-rata merupakan rata-rata dari selisih mutlak nilai
semua data terhadap rata-ratanya. (Simanjutak, 2020)
b. Rumus
1) Data Tunggal
∑ni=1|xi − x|
SR =
n
Keterangan :
SR = simpangan rata-rata
n = banyak data
xi = nilai x ke-I
𝑥̅ = rata-rata data
2) Data Kelompok
∑ni=1|xi − x|
SR =
∑ni=1 𝑓𝑖
SR = simpangan rata-rata
n = banyak data
xi = nilai x ke-I
𝑥̅ = rata-rata data
𝑓𝑖 = frekuensi ke-I
c. Contoh
Diberikan sebuah data yang memuat nilai 30 30 30 30 30 35 40 40
40 40 40 40 45 45 45 45 50 50 50 50 50 55 55 55 60 60 60 60 60 65
65 70 70 70 70 70 70 70 70 75 75 75 75 75 80 80 80 80 85 90. Berapa
nilai simpangan rata-rata?
Jawab :
30 + 30 + 30 + 30 + 30 + 35 + 40 + 40 + 40 + 40 +
40 + 40 + 45 + 45 + 45 + 45 + 50 + 50 + 50 + 50 +
50 + 55 + 55 + 55 + 55 + 60 + 60 + 60 + 60 + 60 +
65 + 65 + 70 + 70 + 70 + 70 + 70 + 70 + 70 + 70 +
x = 75 + 75 + 75 + 75 + 75 + 80 + 80 + 80 + 85 + 90
50
2880
x=
50
x = 57,6
|30 − 57,6| + |30 − 57,6| + |30 − 57,6| + |30 − 57,6| + |30 − 57,6| +
|35 − 57,6| + |40 − 57,6| + |40 − 57,6| + |40 − 57,6| + |40 − 57,6| +
|40 − 57,6| + |40 − 57,6| + |45 − 57,6| + |45 − 57,6| + |45 − 57,6| +
|45 − 57,6| + |50 − 57,6| + |50 − 57,6| + |50 − 57,6| + |50 − 57,6| +
|50 − 57,6| + |55 − 57,6| + |55 − 57,6| + |55 − 57,6| + |55 − 57,6| +
|60 − 57,6| + |60 − 57,6| + |60 − 57,6| + |60 − 57,6| + |60 − 57,6| +
|65 − 57,6| + |65 − 57,6| + |70 − 57,6| + |70 − 57,6| + |70 − 57,6| +
|70 − 57,6| + |70 − 57,6| + |70 − 57,6| + |70 − 57,6| + |70 − 57,6| +
|75 − 57,6| + |75 − 57,6| + |75 − 57,6| + |75 − 57,6| + |75 − 57,6| +
|80 − 57,6| + |80 − 57,6| + |80 − 57,6| + |85 − 57,6| + |90 − 57,6|
SR =
50
724,8
SR =
50
SR = 14,496
2.8.3 Standar Deviasi
a. Definisi
Standar deviasi adalah ukuran penyebaran yang merupakan akar
kuadrat dari varians (Simanjutak, 2020).
b. Rumus
∑(𝑥̅𝑖 − x)2
𝑆=√ = √𝑠 2
𝑛
c. Contoh
40 40 40 40 45 45 45 45 50 50 50 50 50 55 55 55 60 60 60 60 60 65
65 70 70 70 70 70 70 70 70 75 75 75 75 75 80 80 80 80 85 90.
Berapakah nilai standar deviasi jika variansinya 276,26?
Jawab :
𝑆 = √276,26
𝑆 = 16,62
2.8.4 Variansi
a. Definisi
Variansi merupakan rata-rata dari kuadrat deviasi data masing-
masing pengamatan terhadap nilai rata-rata hitungnya (simanjutak,
2020).
b. Rumus
∑(𝑥̅𝑖 − x)2
𝑆=
𝑛
c. Contoh
40 40 40 40 45 45 45 45 50 50 50 50 50 55 55 55 60 60 60 60 60 65
65 70 70 70 70 70 70 70 70 75 75 75 75 75 80 80 80 80 85 90 dan
rata-ratanya ialah 57,6. Berapakah nilai variasinya?
|30 − 57,6|2 + |30 − 57,6|2 + |30 − 57,6|2 + |30 − 57,6|2 + |30 − 57,6|2 +
|35 − 57,6|2 + |40 − 57,6|2 + |40 − 57,6|2 + |40 − 57,6|2 + |40 − 57,6|2 +
|40 − 57,6|2 + |40 − 57,6|2 + |45 − 57,6|2 + |45 − 57,6|2 + |45 − 57,6|2 +
|45 − 57,6|2 + |50 − 57,6|2 + |50 − 57,6|2 + |50 − 57,6|2 + |50 − 57,6|2 +
|50 − 57,6|2 + |55 − 57,6|2 + |55 − 57,6|2 + |55 − 57,6|2 + |55 − 57,6|2 +
|60 − 57,6|2 + |60 − 57,6|2 + |60 − 57,6|2 + |60 − 57,6|2 + |60 − 57,6|2 +
|65 − 57,6|2 + |65 − 57,6|2 + |70 − 57,6|2 + |70 − 57,6|2 + |70 − 57,6|2 +
|70 − 57,6|2 + |70 − 57,6|2 + |70 − 57,6|2 + |70 − 57,6|2 + |70 − 57,6|2 +
|75 − 57,6|2 + |75 − 57,6|2 + |75 − 57,6|2 + |75 − 57,6|2 + |75 − 57,6|2 +
|80 − 57,6|2 + |80 − 57,6|2 + |80 − 57,6|2 + |85 − 57,6|2 + |90 − 57,6|2
𝑆2 =
50
13813,08
𝑆2 =
50
𝑆 2 = 276,26
2.8.5 Standard Error of Mean
a. Definisi
Standard error of mean adalah penyimpangan data (rata-rata
sampel) dari rata-rata populasi sebenarnya (Parsetyo, dkk., 2018).
b. Rumus
SD(S)
SE =
√n
c. Contoh
40 40 40 40 45 45 45 45 50 50 50 50 50 55 55 55 60 60 60 60 60 65
65 70 70 70 70 70 70 70 70 75 75 75 75 75 80 80 80 80 85 90 dan
standar deviasinya adalah 16,62. Berapakah Standard error of mean

?
Jawab :
16,62
SE =
√50
16,62
SE =
7,07
SE = 2,35
2.9 Distribusi Frekuensi
2.9.1 Pengertian Distribusi Frekuensi
Distribusi frekuensi atau tabel frekuensi adalah suatu daftar atau tabel yang
mendistribusikan data yang ada ke dalam beberapa kelas. Dengan kata
lain, distribusi frekuensi merupakan tabel yang menunjukkan sebaran
distribusi data yang ada, yang tersusun atas frekuensi tiap-tiap kelas atau
kategori. Frekuensi tiap kelas atau kategori menunjukkan banyak
pengamatan dalam kelas atau katagori yang bersangkutan. (Wirawan,
2016).
2.9.2 Jenis dan Istilah Distribusi Frekuensi
Berikut jenis-jenis istilah distribusi frekuensi dalam Wahab, dkk., (2021)
diantaranya :
a. Kelas Interval
Kelas Interval adalah interval mengandung kelas. Biasanya dalam
tabel distribusi frekuensi terdiri dair beberapa kelas, secara umum 5
(lima) sampai 15 (limabelas) kelas.
b. Ujung kelas
Ujung kelas adalah nilai ujung setiap kelas dalam distribusi yang
digunakan sebagai pedoman untuk memasukkan angka-angka hasil
observasi ke dalam kelas. Ada dua ujung dalam setiap kelasnya yaitu
ujung bawah kelas dan ujung atas kelas.
c. Batas kelas
Batas kelas ialah angka yang diperoleh dengan cara nilai-nilai ujung
kelas dikurangi atau ditambah dengan tingkat ketelitian yang
digunakan. Dalam hal ini tingkat ketelitian data yang digunakan

tergantung pada pencatatan datanya.
d. Nilai tengah
Nilai tengah adalah rata-rata hitung dari kedua ujung kelasnya. Cara
menghitungnya:
1
Nilai tengah = (ujung bawah kelas + ujung atas kelas)
2
e. Panjang kelas
Panjang kelas ialah angka yang diperoleh dari perbedaan selisih
antara kedua batas kelasnya.
2.9.3 Tahapan Penyusunan Distribusi Frekuensi
Berikut tahapan penyusunan distribusi frekuensi dalam Wirawan (2016)
diantaranya :
a. Menentukan range : cara untuk menentukan selisih antara nilai
maksimum dengan nilai minimum
Range = Nilai Maksimum − Nilai Minimum

b. Menentukan banyak kelas
Dalam menentukan banyak kelas dari distribusi/tabel frekuensi yang
akan disusun (agar banyaknya kelas tidak terlalu banyak atau pun
tidak terlalu sedikit), Sturges (1926) menyarankan untuk
menggunakan rumus berikut sebagai pedoman.
k = 1 + 3,3 log n … . (2.2)
k = banyak kelas
n = banyak data
c. Menentukan Panjang kelas/interval kelas
Panjang kelas dapat ditentukan dengan rumus:
R X n − X1
C= =
k k
d. Memasukkan masing-masing data dan menjumlahkannya
Langkah atau tahap terakhir dalam penyusunan tabel frekuensi ialah
memasukkan (mendistribusikan) masing-masing data ke dalam
kelas-kelas yang sesuai dan menjumlahkannya.
2.9.4 Contoh Distribusi Frekuensi

Data hasil belajar siswa dapat dilihat pada angka dibawah ini : 56 58 60 74
73 68 32 37 42 43 45 69 70 75 82 75 67 80 58 79 75 68 30 32 38 43 44 46
70 72 78 85 34 42 89 64 66 48 50 50 50 56 56 58 60 32 52 33 73 44.
Langkah penyelesaian :
a. Menentukan range ialah data terbesar dikurangi data terkecil
Range = data terbesar – data terkecil
= 89 – 30
= 59
b. Menentukan banyak kelas interval dengan rumus Sturges sebagai
berikut :
Banyak kelas = 1 + (3,3) log n
= 1 + (3,3) log 50
= 1 + (3,3) 1,69
= 6,57 banyaknya kelas diambil 6
c. Menentukan panjang kelas interval (p), rumus yang digunakan
adalah :
𝑟𝑎𝑛𝑔𝑒
p=
banyak kelas
59
p=
6
p = 9,8
Dari hasil di atas dapat diambil p = 10
d. Memilih ujung bawah interval pertama. Untuk data ini dapat diambil
sama dengan data terkecil atau nilai data yang lebih kecil dari data
terkecil.
e. Kesimpulannya, dengan p = 10 dan memulai batas bawah 30 maka
distribusi yang dimaksud dari data di atas adalah sebagai berikut :
Tabel 2.10 Distribusi Hasil Belajar Siswa
Nilai F
30-39 8
40-49 9
50-59 10
60-69 11
70-79 8
80-89 4
Jumlah 50
(Ananda & Fadhil, 2018).
2.10 Skewness dan Kurtosis
2.10.1 Skewness
a. Definisi
Kemiringan (Skewness) merupakan derajat ketidaksimetrian
(keasimetrisan) atau dapat puladidefinisikan sebagai penyimpangan
dari kesimetrian suatu distribusi. Jika sutu kurva frekuensi yang
(poligon frekuensi yang terhaluskan) dari maksimum tengah, maka
distribusi seperti ini dikenal dengan nama distribusi miring ke kanan,
atau memiliki kemiringan positif. Untuk kondisi kebalikannya,
distribusinya dikenal dengan distribusi miring ke kiri, atau memiliki
kemiringan negatif. (Nurlina, 2013)
b. Jenis-Jenis Skewness
Kemiringan distribusi data terdapat 3 jenis, yaitu :
1) Simetris : menunjukkan letak nilai rata-rata hitung, median dan
modus berhimpit (berkisar disatu titik)
2) Miring ke kanan : mempunyai nilai modus paling kecil dan rata-rata
hitung paling besar
3) Miring ke kiri : mempunyai nilai modus paling besar dan rata-rata
hitung paling kecil
c. Rumus
Rumus untuk menghitung derajat kemiringan distribusi data menurut
pearson :
x̅ − mod 3(x̅ − med)
TK = atau TK =
S S
Dimana :
x = rata-rata hitung mod = modus
S = simpangan baku
Ukuran Tingkat Kemencengan (TK) berdasarkan Momen ketiga

Data Tunggal :
1
α3 = ∑(xi − x̅)3
nS 3
Data Kelompok :
1
α3 = ∑ fi(mi − x̅)3
nS 3
Keterangan :
α3 = Ukuran tingkat kemencengan
S = Simpangan baku
Xi = Nilai data ke – I
x̅ = Nilai rata-rata hitung
fi = Frekuensi kelas ke I
mi = nilai titik tengah kelas ke I
n = Banyaknya data
Jika α3 = 0 distribusi data simetris, α3 < 0 distribusi data miring ke kiri, α3 >
0 distribusi data miring ke kanan.
(Susilowati, 2019)
d. Contoh
Misalkan dari data umur 20 orang mahasiswa Prodi XYZ diketahui
memiliki median 18,5, dan Modus 19. Standar deviasi sebesar 12,4 dan
rata-rata 19,5. Hitung koefisien kemencengannya.
x̅ − Mo 19,5 − 19
Sk = = = 0,04
s 12,4
Berdasarkan jawaban tersebut diketahui bahwa nilai Sk > 0, maka kurva

kemencengan merupakan kurva positif yakni menceng ke kanan, karena
nilai rata-rata lebih besar dari pada modus. (Wahyuni, 2020)
2.10.2 Kurtosis
a. Definisi
Kurtosis ialah derajat ketinggian puncak atau keruncingan suatu
distribusi. Nilainya biasanya merupakan nilai relatif terhadap
distribusi normal. (Nurlina, 2013)
b. Jenis-Jenis Kurtosis
Tingkat keruncingan dari suatu distribusi diambil secara relatif
terhadap suatu distribusi normal. Bentuk keruncingan terdiri dari tiga
macam:
1) Leptokurtik yang merupakan distribusi yang memiliki puncak
relatif tinggi dengan nilaikeruncingan besar dari 3.
2) Platikurtik yang mengandung makna sama dengan istilahnya
yakni plat atau datar dimanapuncaknya hampir mendatar,
dengan nilai keruncingan kecil dari 3.
3) Mesokurtik, yang merupakan distribusi yang memiliki puncak
sedang atau normal dengan nilaikeruncingan sama dengan 3.
c. Rumus
Adapun rumus nilai kurtosis yang digunakan untuk data tunggal
yaitu :
1
∑(xi − x̅)4
α4 = n
S4
Keterangan :
𝛼4 = nilai kurtosis
n = jumlah data
S = simpangan baku
x̅ = rata-rata
xi = nilai tengah kelas
Sedangkan rumus yang digunakan untuk data dikelompokkan,
digunakan rumus sebagai berikut :
1
∑ f(xi − x̅)4
α4 = n
S4
Keterangan :
α4 = nilai kurtosis
n = jumlah data
S = simpangan baku
f = frekuensi
x̅ = rata-rata
xi = nilai tengah kelas
Untuk menghitung tingkat keruncingan suatu kurva atau koefisien
kurtosis dapat digunakan rumus sebagai berikut :
Q3 − Q1
KK =
2(P90 − P10 )
Jika nilai KK > 3 : Kurva leptokurtik atau runcing sekali
Jika nilai KK < 3 : Kurva platikurtik atau cenderung mendatar
Jika nilai KK = 3 : Kurva mesokurtik atau berdistribusi normal
d. Contoh
Bila diketahui sekelompok data memiliki nilai Q3 = 50, nilai Q1 =
24,5, P50 = 80 dan P10 = 355. Tentukan koefisien kurtosis kurva dari
data tersebut.
Jawab :
Q3 − Q1 50 − 24,5
KK = = = 0,28
2(P90 − P10 ) 2(80 − 35)
Dari hasil perhitungan diketahui bahwa nilai KK sebesar 0,28, maka
dapat dikatakan bahwa kurva berbentuk agak datar karena nilai
KK<3
2.11 Jenis-Jenis Penyajian Data
2.11.1 Histogram
Grafik histogram adalah grafik yang tersusun dari segi empatsegi empat
yang didirikan pada absis, membentang selebar-lebarnya kelas. Tinggi
dari segi empat itu sebanding dengan frekuensi masingmasing kelas yang
diwakili. Seperti halnya dengan poligon, ordinatnya juga menyatakan
frekuensi dan absisnya menyatakan tingkatan-tingkatan gejala.
Perbedaannya, absis pada poligon, dinyatakan dengan kelas, sedangkan
absis pada histogram dinyatakan dengan batas nyatanya. Histogram dapat
dibuat dari distribusi frekuensi data tunggal maupun dari distribusi

frekuensi data kelompok.
Gambar 2.1 Histogram

(Sumber : Ananda dan Fadhil, 2018)
2.11.2 Poligon
Grafik garis biasanya dibuat untuk menunjukkan perkembangan suatu
keadaan. Perkembangan tersebut bisa naik ataupun bisa turun. Hal ini akan
tampak secara visual melalui garis dalam grafik. Dalam grafik garis
Gambar 2.2 Poligon

menghubungkan tiap-tiap nilai atau nilai tengah dari tiap-tiap interval
kelas secara berturut-turut. Grafik garis dapat dibuat dari distribusi
frekuensi data tunggal maupun dari distribusi data kelompok.
2.11.3 Ogive
Ogive adalah grafik garis dari suatu data dalam distribusi frekuensi
kumulatif dengan nilai-nilai skala horizontalnya berupa nilai tepi kelas
(batas kelas) setiap interval kelas dan nilai skala vertikalnya berupa
frekuensi kumulatif. Jadi dalam nilai-nilai skala pada absis (horizontal)
grafik ogive sama dengan pada absis histogram, sementara bentuk
grafiknya berupa grafik garis seperti pada polygon. Ada dua macam ogive
yaitu ogive dengan frekuensi kumulatif kurang dari atau sama dengan dan
ogive dengan frekuensi kumulatif lebih dari atau sama dengan.
Gambar 2.3 Ogive

2.11.4 Pie Chart
Cara lain untuk menyajikan data hasil penelitian adalah dengan digram
lingkaran (pie chart). Diagram lingkaran digunakan untuk
membandingkan data dari berbagai kelompok.
Gambar 2.4 Pie Chart

2.11.5 Tabel
Tabel merupakan kumpulan angka-angka yang disusun sedemikian rupa
menurut kategori-kategori tertentu, sehingga kumpulan angka-angka
tersebut (data) mudah untuk dianalisis.
Gambar 2.5 Tabel

2.11.6 Diagram Pencar
Diagram pencar atau disebut juga dengan diagram titik (diagram sebaran)
ialah diagram yang menunjukkan gugusan titiktitik setelah garis koordinat
sebagai penghubung diputus. Untuk kumpulan data yang terdiri dari dua
variabel dengan nilai kuantitatif maka diagramnya dapat dibuat dalam
sistem sumbu koordinat dan gambarnya akan merupakan kumpulan titik-
titik yang terpencar.
Gambar 2.6 Diagram Pencar

2.11.7 Pivot Table
Pivot Table menurut Lee (2016), adalah tabel yang menampilkan data
lebih detail, lebih interaktif, mengelompokkan data lebih cepat dan mudah,
meringkas data dalam jumlah yang besar, serta melakukan berbagai
macam perhitungan dengan cepat.
Gambar 2.7 Pivot Table

2.11.8 Steam & Leaf
Diagram ini adalah diagram dahan-daun disusun baris per baris secara
vertikal, dan cukup efektif untuk menggambarkan pola sebaran data yang
berukuran kecil. Untuk digit angka dan puluhan dipisahkan sesuai
increment-nya menjadi dahan dan daun masing-masing.
Gambar 2.8 Steam & Leaf

(Ananda dan Fadhil, 2018)
2.12 Software Data
Software data adalah sebuah perangkat lunak yang digunakan untuk
membuat dan mengelola struktur database (basis data) serta untuk mengakses
data. Adapun beberapa jenis software yg digunakan untuk mengelola data sebagai
berikut :
2.12.1 SPSS
Menurut Zein, dkk, (2019) SPSS yaitu software khusus untuk pengolahan
data statistik yang paling populer dan paling banyak digunakan di seluruh
dunia. SPSS dipakai dalam berbagai riset pasar, pengendalian dan
perbaikan mutu (quality improvement), serta riset-riset sains.
a. Sejarah SPSS
SPSS ketika awal mula dikenal memiliki singkatan Statistical
Package for The Social Sciences. SPSS dikembangkan oleh seorang
tokoh bernama Norman H. Nie , C. Hadlai Hull, dan Dale H. Bent
pada tahun 1968. SPSS merupakan program terkenal yang
digunakan untuk analisis statistik pada ilmu sosial.
Tidak hanya itu, SPSS juga dapat digunakan sebagai penelitian pasar
(market research), penelitian kesehatan, penelitian pendidikan,
survei perusahaan, dan lain-lain. Karena SPSS rupanya dapat
diterapkan dalam segala bidang, singkatannya pun diganti menjadi
Statistical Product and Service Solutions. Pada tahun 1984, SPSS
menjadi program pertama yang memasarkan software analisis
statistik untuk PC (Personal Computer), saat itu masih era DOS
(Disk Operating System). Tahun 1992, SPSS dirilis dalam versi
Windows. Pada tahun 2009, SPSS diakuisisi oleh perusahaan IBM.
Pada tahun 2009 sampai 2010. SPSS diberi nama PASW (Predictive
Analytic SoftWare). Pada Agustus 2010, SPSS diberi nama IBM
SPSS Statistic. SPSS terbaru keluaran tahun 2011 adalah IBM SPSS
Statistic 20.0. Selain itu, SPSS memiliki sejumlah fasilitas yang
dapat menangani berbagai permasalahan statistika, seperti uji
statistik deskriptif (mencari mean, median, modus, dan lain-lain), uji
statistik inferensial (mencari korelasi, perbedaan, pengaruh), atau
pun melakukan analisis faktor. SPSS juga diketahui dapat digunakan
untuk mengakses data dari berbagai macam software lainnya
(Seperti dbase, Lotus, Accses, text file, spread-sheet) yang
selanjutnya dapat diolah dan dianalisis (Sufren dan Yonathan, 2013).
b. Fitur Umum
Menurut Machali (2015), fitur-fitur yang seringkali dijumpai pada
SPSS :
1) File
Menu file berfungsi untuk menangani hal-hal yang
berhubungan dengan file data, seperti membuat file baru,
membuka file tertentu, mengambil data dari program lain,
mencetak isi dari data editor dan lainnya.
2) Edit
Menu edit berfungsi untuk menangani hal-hal yang
berhubungan dengan memperbaiki atau mengubah nilai data
(duplikasi data), menghilangkan data, edit data dan lainnya.
Selain itu, menu Edit juga berfungsi untuk mengubah setting
pada Options.
3) View
Menu view berfungsi untuk mengatur toolbar (status bar,
penampakan value lable dan sebagainya).
4) Data
Menu data berfungsi untuk membuat perubahan data SPSS
secara keseluruhan, seperti mengurutkan data, menyeleksi data
berdasarkan kriteria tertentu, menggabungkan data dan
sebagainya
5) Transform
Menu transform berfungsi untuk membuat perubahan pada
variable yang telah dipilih dengan kriteria tertentu.
6) Analyze (Statistics)
Menu analyze merupakan menu inti dari SPSS, yang berfungsi
untuk melakukan semua prosedur perhitungan statistik, seperti
uji-t, uji-F, regresi, time series dan sebagainya.
7) Direct Marketing
Menu ini merupakan menu terbaru dalam IBM SPSS yang
digunakan untuk melakukan analisis marketing. Menu ini
umumnya ditujukan pada pengguna SPSS dengan latar

belakang pekerjaan sebagai pemasaran khususnya Direct
Marketing.
8) Graphs
Menu Graphs berfungsi untuk membuat berbagai jenis grafik
untuk mendukung analisis statistik, seperti Pie, Line, Bar dan
kombinasinya.
9) Utulities
Menu ini adalah menu tambahan yang mendukung program
SPSS
10) Add-Ons
Menu ini juga merupakan menu tambahan yang berisi
mengenai software lain yang dapat diintegrasikan dengan
SPSS, juga berisi sambungan online dengan website SPSS
guna kepentingan pelatihan dan pengembangan SPSS.
11) Window
Menu ini berfungsi untuk pindah diantara menu-menu lain di
SPSS.
12) Help
Menu ini berfungsi untuk menyediakan bantuan informasi
mengenai program SPSS yang bisa diakses secara mudah dan
jelas.
c. Kelebihan dan Kekurangan
Menurut Candra & Rakhman (2018), terdapat kelebihan dan
kelemahan yang dimiliki oleh SPSS yaitu :
1) Kelebihan :
a) Memiliki kemampuan analisis statistik 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 pengoperasiannya
b) Mudah dalam memasukan data

c) Mudah dalam melakukan pengolahan data
d) Cepat menampilkan output
2) Kekurangan :
Kekurangan dari SPSS yaitu SPSS tidak membedakan tipe
data berdasarkan runtun waktu maupun yang disusun
berdasarkan subjek penelitian. Jadi saat Anda dihadapkan
pada sebuah data time series maka SPSS kurang relevan,
apalagi bila kita memakai data panel, maka SPSS tidak
bisa men-generate model random effect dan model fixed
effect. Data panel dalam hasil olahan SPSS hanya akan
menjadi satu model yaitu model common.
2.12.2 Microsoft Excel
Microsoft Excel atau microsoft office excel adalah program aplikasi
spreadsheet (lembar kerja elektronik). Fungsi dari Microsoft Excel adalah
untuk melakukan operasi perhitungan serta dapat mempresentasikan data
ke dalam bentuk tabel. (Susandra, 2010)
a. Fungsi atau Kegunaan Microsoft Excel dalam Pekerjaan
Fungsi atau kegunaan microsoft excel dalam pekerjaan sehari-hari
antara lain sebagai berikut :
1) Membuat catatan keuangan, anggaran serta menyusun laporan
keuangan.
2) Menghitung dan mengelola investasi, pinjaman, penjualan,
inventaris, dan lain-lain.
3) Melakukan riset harga.
4) Melakukan konversi mata uang.
b. Kelebihan dan Kekurangan Microsoft Excel
Menurut Musyafa (2014:7), “pada penggunaan Microsoft Excel
mempunyai kelebihan dan kekurangan” diantaranya sebagai berikut:
1) Kelebihan
a) Excel mempunyai kemampuan menampung data yang
cukup besar dengan 1 juta baris dan 16.000 kolom dalam
1 sheet. Jadi dalam 1 sheet bisa menampung jawaban 1

juta responden dan 16 ribu jawaban/pertanyaan.
b) Excel 2007 format yang paling populer dan fleksibel jadi
sebagian besar software data entry ada fasilitas konversi
ke format excel atau format lain yang bisa dibaca excel.
c) Dengan memanfaatkan fungsi VLOOKUP dan
HLOOKUP, kita bisa mengkontrol identitas responden
untuk keperluan transfer informasi antar tabel, antar
sheet atau antar file excel menu file
d) Dengan Pivot Tables, kita bisa kerja lebih efektif karena
semua tabel summary yang kita rencanakan bisa kita
buat dahulu walaupun data belum masuk semua. Setiap
ada data masuk otomatis pivot table akan me-refresh
sehingga tabel akan ter update sendiri.
2) Kekurangan
a) Pivot table yang menyertakan banyak kolom/pertanyaan
menghasilkan tabel tersarang, Kendalanya adalah kita
harus memperhitungkan jumlah kategori jawaban yang
akan ditabelkan, karena pivot otomatis akan
menggunakan kolom dan baris baru ke
samping/kebawah sehingga jika di samping atau
dibawah ada tabel pivot lain, maka akan error.
b) Untuk tabel yang besar dengan ukuran file lebih dari
10MB, maka setiap editing/updating data, maka secara
default excel akan melakukan proses Workbook
Calculating yang kecepatannya tergantung dari
processor dan RAM komputer. Ini cukup memakan
waktu pengolahan data.
c) Untuk membuat kolom baru yang berisi pengkategorian
dari sebuah kolom/jawaban pertanyaan, atau membuat
filter responden; kita harus membuat rumus excel baik
rumus matematika, logika maupun text.
BAB III
METODOLOGI PERCOBAAN
3.1 Objek dan Waktu Praktikum
a. Objek Praktikum : Wisatawan Pantai Akkarena
b. Waktu Praktikum : 11 Maret 2023
3.2 Metode Pengumpulan Data
Metode pengumpulan data dilakukan dengan cara wawancara 100
responden wisatawan pantai akkarena.
3.3 Alat dan Bahan Praktikum
a. Bahan praktikum berupa pertanyaan yang akan dimasukkan ke dalam
kuesioner sebagai metode pengumpulan data.
b. Kamera atau media yang bisa dijadikan sebagai alat dokumentasi.
c. Laptop sebagai media pengumpulan data serta program aplikasi pengolat
data statitistik (Ms. Excel, SPSS, Minitab, dll).
3.4 Prosedur Praktikum
a. Pengumpulan data dilakukan dengan wawancara langsung dengan
wisatawan.
b. Melakukan perhitungan data berupa pemusatan dan penyebaran data dari
setiap variabel yang telah ditentukan sebelumnya.
c. Membandingkan perhitungan secara manual dengan software SPSS.
BAB IV
PENGOLAHAN DATA
Data yang diambil adalah hasil dari wawancara kepada pengunjung di Pantai
Akkarena, jumlah responden sebanyak 100 orang dengan tingkat kepuasan diukur
dengan skala 1-5, tingkat kebersihan kamar ganti dan kamar bilas serta lama
berkunjung yang dikonversikan ke dalam satuan menit.
Tingkat Kepuasan :
X21 : Fasilitas kamar ganti dan kamar bilas
X22 : Biaya masuk
X23 : Kebersihan pantai
Pengukuran :
1 : Sangat tidak puas
2 : Tidak puas
3 : Netral
4 : Puas
5 : Sangat puas
Lama berkunjung :
y : … (menit)
Tabel 1 Data Usia, Tingkat Kepuasan dan Lama Berkunjung

Data Usia Tingkat Kepuasan
Responden Lama Berkunjung
(𝐗 𝟏 ) X21 X22 X23
1 64 3 4 5 60
2 63 3 5 5 210
3 45 1 1 1 60
4 70 1 1 1 60
5 40 1 1 1 60
6 35 1 1 1 60
7 45 1 1 1 60
8 24 4 5 5 120
9 23 3 5 5 240
10 45 3 1 5 120
11 69 4 4 4 180
12 26 3 4 4 120
13 24 5 3 3 120
14 25 3 3 4 120
15 42 3 4 4 30
16 40 4 4 4 30
17 65 3 5 3 300
18 34 5 2 2 90
19 24 5 3 3 240
20 23 5 4 4 60
21 32 3 4 2 60
22 51 4 4 2 60
23 22 3 3 5 180
24 43 4 2 2 300
25 44 4 3 3 60
26 29 5 5 4 420
27 37 2 4 2 60
28 24 3 5 4 300
29 45 3 3 4 240
30 22 3 2 4 180
31 28 5 5 3 120
32 26 3 2 3 180
33 35 4 4 4 60
34 26 4 1 1 60
35 35 5 2 1 60
36 40 4 1 4 60
37 38 4 4 4 60
38 59 4 4 4 60
39 68 4 4 4 180
40 28 2 2 4 180
41 24 3 3 4 180
42 29 3 3 4 180
43 60 3 3 4 180
44 23 3 3 4 180
45 40 3 3 4 180
46 40 3 3 4 180
47 31 4 2 4 240
48 30 2 2 4 240
49 32 2 2 4 240
50 30 2 2 4 240
51 29 2 2 4 240
52 29 2 2 4 240
53 30 2 2 4 240
54 24 4 2 4 120
Lanjutan Tabel 1 Data Usia, Tingkat Kepuasan dan Lama Berkunjung

55 26 2 2 2 180
56 24 2 1 1 180
57 30 3 3 4 60
58 26 3 3 4 60
59 34 3 3 4 60
60 25 3 3 4 40
61 20 3 3 4 240
62 25 2 2 4 120
63 24 4 2 2 120
64 23 3 3 3 90
65 35 4 1 4 60
66 36 2 2 4 60
67 29 2 4 4 60
68 25 3 3 3 75
69 28 2 4 4 60
70 25 3 3 3 75
71 27 3 2 4 60
72 27 3 2 4 30
73 26 3 2 4 60
74 26 3 2 4 10
75 25 3 2 4 60
76 26 3 2 4 10
77 23 1 3 3 60
78 27 1 3 3 60
79 30 3 3 3 60
80 43 4 4 2 60
81 33 3 2 2 240
82 25 3 3 3 60
83 39 3 2 3 60
84 29 3 3 1 2
85 26 3 2 3 120
86 27 4 2 4 17
87 31 4 4 3 120
88 32 4 4 3 120
89 35 2 3 3 60
90 27 5 2 3 312
91 29 4 4 3 120
92 29 4 4 3 120
93 31 1 1 1 60
94 50 4 1 2 300
95 44 4 1 2 300
96 48 4 1 2 300
97 21 4 1 2 300
98 23 5 3 3 60
99 23 3 3 3 5
100 24 4 3 4 90
Sumber : (Data Wawancara, 2023)
4.1 Pengolahan Data Usia

Data usia yang diambil dari 100 responden
Tabel 2 Data Usia
Data Usia
Responden
(𝐗 𝟏 )
1 60
2 59
3 41
4 66
5 36
6 31
7 41
8 20
9 19
10 41
11 65
12 22
13 20
14 21
15 38
16 36
17 61
18 30
19 20
20 19
21 28
22 47
23 18
24 39
25 40
26 25
27 33
28 20
29 41
30 18
31 24
32 22
33 31
34 22
35 31
36 36
37 34
38 55
39 64
40 24
41 20
42 25
43 56
44 19
45 36
46 36
47 27
48 26
49 28
50 26
Lanjutan Tabel 2 Data Usia

51 25
52 26
53 20
54 22
55 20
56 26
57 22
58 30
59 21
60 16
61 21
62 20
63 19
64 31
65 32
66 25
67 21
68 24
69 21
70 23
71 23
72 22
73 22
74 21
75 22
76 19
77 23
78 26
79 39
80 29
81 21
82 35
83 25
84 22
85 23
86 27
87 28
88 31
89 23
90 25
91 25
92 27
93 46
94 40
95 44
96 17
97 19
98 19
99 20
100 60
4.1.1 Pengolahan Data Manual

Data yag diambil dari 100 responden untuk data usia
Data Mentah :
16 17 18 18 19 19 19 19 19 19
19 20 20 20 20 20 20 20 20 20
21 21 21 21 21 21 21 22 22 22
22 22 22 22 22 22 23 23 23 23
23 24 24 24 25 25 25 25 25 25
25 25 26 26 26 26 26 27 27 27
28 28 28 29 30 30 31 31 31 31
31 32 33 38 38 39 39 39 40 40
40 40 40 40 40 41 41 41 41 44
46 47 54 56 59 60 61 64 65 66
a. Ukuran Pemusatan Data
1) Mean (narasi)
∑ni=1 Xi
x̅ =
n
16 + 17 + 18 + 18 + 19 + 19 + 19 + 19 + 19 + 19 +
19 + 20 + 20 + 20 + 20 + 20 + 20 + 20 + 20 + 20 +
21 + 21 + 21 + 21 + 21 + 21 + 21 + 22 + 22 + 22 +
22 + 22 + 22 + 22 + 22 + 22 + 23 + 23 + 23 + 23 +
23 + 24 + 24 + 24 + 25 + 25 + 25 + 25 + 25 + 25 +
25 + 25 + 26 + 26 + 26 + 26 + 26 + 27 + 27 + 27 +
28 + 28 + 28 + 29 + 30 + 30 + 31 + 31 + 31 + 31 +
31 + 32 + 33 + 38 + 39 + 40 + 40 + 40 + 40 + 40 +
38 + 39 + 39 + 40 + 40 + 41 + 41 + 41 + 41 + 44 +
x̅ = 46 + 47 + 54 + 56 + 59 + 60 + 61 + 64 + 65 + 66
100
2950
x̅ =
100
x̅ = 29,5
Jadi, mean untuk data usia adalah 29,5.
2) Median
1 n n+2
Med = (x ( ) + x ( ))
2 2 2
1 100 100 + 2
Med = (x ( )+ x( ))
2 2 2
1
Med = (x(50) + x(51))
2
1
Med = (25 + 25)
2
Med = 25
Jadi, median untuk data usia adalah 25.
3) Modus
Jadi, modus untuk data usia adalah 20 dan 22.
4) Persentil
a) Persentil 5
5
P5 = X (n + 1)
100
5
P5 = (100 + 1)
100
5
P5 = (101)
100
P5 = 5,05 ≈ 5
Jadi, persentil 5 untuk data usia adalah data ke-5 yaitu 19.
b) Persentil 50
50
P50 = X (n + 1)
100
50
P50 = (100 + 1)
100
50
P50 = (101)
100
P50 = 50,5 ≈ 50
Jadi, persentil 50 untuk data usia adalah data ke-50 yaitu
25.
c) Persentil 95
95
P100 = X (n + 1)
100
95
P100 = (100 + 1)
100
95
P100 = (101)
100
P100 = 95,95 ≈ 96
Jadi, persentil 95 untuk data usia adalah data ke-96 yaitu
61.
b. Ukuran Penyebaran Data
1) Range
R = Xmax − Xmin
R = 66 − 16
R = 50
Jadi, range untuk data usia adalah 50.
2) Simpangan Rata-Rata
1 n
SR = ∑ |xi − x̅|
n i=1
|16 − 29,5| + |17 − 29,5| + |18 − 29,5| + |18 − 29,5| + |19 − 29,5| +
|19 − 29,5| + |19 − 29,5| + |19 − 29,5| + |19 − 29,5| + |19 − 29,5| +
|19 − 29,5| + |20 − 29,5| + |20 − 29,5| + |20 − 29,5| + |20 − 29,5| +
|20 − 29,5| + |20 − 29,5| + |20 − 29,5| + |20 − 29,5| + |20 − 29,5| +
|21 − 29,5| + |21 − 29,5| + |21 − 29,5| + |21 − 29,5| + |21 − 29,5| +
|21 − 29,5| + |21 − 29,5| + |22 − 29,5| + |22 − 29,5| + |22 − 29,5| +
|22 − 29,5| + |22 − 29,5| + |22 − 29,5| + |22 − 29,5| + |22 − 29,5| +
|22 − 29,5| + |23 − 29,5| + |23 − 29,5| + |23 − 29,5| + |23 − 29,5| +
|23 − 29,5| + |24 − 29,5| + |24 − 29,5| + |24 − 29,5| + |25 − 29,5| +
|25 − 29,5| + |25 − 29,5| + |25 − 29,5| + |25 − 29,5| + |25 − 29,5| +
|25 − 29,5| + |25 − 29,5| + |26 − 29,5| + |26 − 29,5| + |26 − 29,5| +
|26 − 29,5| + |26 − 29,5| + |27 − 29,5| + |27 − 29,5| + |27 − 29,5| +
|28 − 29,5| + |28 − 29,5| + |28 − 29,5| + |29 − 29,5| + |30 − 29,5| +
|30 − 29,5| + |31 − 29,5| + |31 − 29,5| + |31 − 29,5| + |31 − 29,5| +
|31 − 29,5| + |32 − 29,5| + |33 − 29,5| + |34 − 29,5| + |35 − 29,5| +
|36 − 29,5| + |36 − 29,5| + |36 − 29,5| + |36 − 29,5| + |36 − 29,5| +
|38 − 29,5| + |39 − 29,5| + |39 − 29,5| + |40 − 29,5| + |40 − 29,5| +
|41 − 29,5| + |41 − 29,5| + |41 − 29,5| + |41 − 29,5| + |44 − 29,5| +
|46 − 29,5| + |47 − 29,5| + |55 − 29,5| + |56 − 29,5| + |59 − 29,5| +
|60 − 29,5| + |61 − 29,5| + |64 − 29,5| + |65 − 29,5| + |66 − 29,5| +
SR =
100
900
SR = =9
100
SR = 9
Jadi, simpangan rata-rata untuk data usia adalah 8,99.
3) Standar Deviasi
∑n (xi − x̅)2
S = √ i=1
N
|16 − 29,5|2 + |17 − 29,5|2 + |18 − 29,5|2 + |18 − 29,5|2 + |18 − 29,5|2 +
|19 − 29,5|2 + |19 − 29,5|2 + |19 − 29,5|2 + |19 − 29,5|2 + |19 − 29,5|2 +
|19 − 29,5|2 + |20 − 29,5|2 + |20 − 29,5|2 + |20 − 29,5|2 + |20 − 29,5|2 +
|20 − 29,5|2 + |20 − 29,5|2 + |20 − 29,5|2 + |20 − 29,5|2 + |20 − 29,5|2 +
|21 − 29,5|2 + |21 − 29,5|2 + |21 − 29,5|2 + |21 − 29,5|2 + |21 − 29,5|2 +
|21 − 29,5|2 + |21 − 29,5|2 + |22 − 29,5|2 + |22 − 29,5|2 + |22 − 29,5|2 +
|22 − 29,5|2 + |22 − 29,5|2 + |22 − 29,5|2 + |22 − 29,5|2 + |22 − 29,5|2 +
|22 − 29,5|2 + |23 − 29,5|2 + |23 − 29,5|2 + |23 − 29,5|2 + |23 − 29,5|2 +
|23 − 29,5|2 + |24 − 29,5|2 + |24 − 29,5|2 + |24 − 29,5|2 + |25 − 29,5|2 +
|25 − 29,5|2 + |25 − 29,5|2 + |25 − 29,5|2 + |25 − 29,5|2 + |25 − 29,5|2 +
|25 − 29,5|2 + |25 − 29,5|2 + |26 − 29,5|2 + |26 − 29,5|2 + |26 − 29,5|2 +
|26 − 29,5|2 + |26 − 29,5|2 + |27 − 29,5|2 + |27 − 29,5|2 + |27 − 29,5|2 +
|28 − 29,5|2 + |28 − 29,5|2 + |28 − 29,5|2 + |29 − 29,5|2 + |30 − 29,5|2 +
|30 − 29,5|2 + |31 − 29,5|2 + |31 − 29,5|2 + |31 − 29,5|2 + |31 − 29,5|2 +
|31 − 29,5|2 + |32 − 29,5|2 + |33 − 29.5|2 + |34 − 29,5|2 + |35 − 29,5|2 +
|36 − 29,5|2 + |36 − 29,5|2 + |36 − 29,5|2 + |36 − 29,5|2 + |36 − 29,5|2 +
|38 − 29,5|2 + |39 − 29,5|2 + |39 − 29,5|2 + |40 − 29,5|2 + |40 − 29,5|2 +
|41 − 29,5|2 + |41 − 29,5|2 + |41 − 29,5|2 + |41 − 29,5|2 + |44 − 29,5|2 +
|46 − 29,5|2 + |47 − 29,5|2 + |55 − 29,5|2 + |56 − 29,5|2 + |59 − 29,5|2 +
|60 − 29,5|2 + |61 − 29,5|2 + |64 − 29,5|2 + |65 − 29,5|2 + |66 − 29,5|2
S=
√ 100
11.168,25
S=√
100
S = 10,567994
Jadi, standar deviasi untuk data usia adalah 10,567994
4) Variansi
∑ni=1(xi − x̅)2
S2 =
N
10,5679942
S2 =
100
S2 = 111,6825
Jadi, variansi untuk data usia adalah 111,6825.
5) Standard Error of Mean
S
SE =
√n
10,567994
SE =
√100
SE = 1,056
Jadi, standard error of mean untuk data usia adalah 1,056
6) Skewness
n ∑ni=1(xi − x̅)3
SK = ×
(n − 1)(n − 2) S3
|16 − 29,5|3 + |17 − 29,5|3 + |18 − 29,5|3 + |18 − 29,5|3 + |18 − 29,5|3 +
|19 − 29,5|3 + |19 − 29,5|3 + |19 − 29,5|3 + |19 − 29,5|3 + |19 − 29,5|3 +
|19 − 29,5|3 + |20 − 29,5|3 + |20 − 29,5|3 + |20 − 29,5|3 + |20 − 29,5|3 +
|20 − 29,5|3 + |20 − 29,5|3 + |20 − 29,5|3 + |20 − 29,5|3 + |20 − 29,5|3 +
|21 − 29,5|3 + |21 − 29,5|3 + |21 − 29,5|3 + |21 − 29,5|3 + |21 − 29,5|3 +
|21 − 29,5|3 + |21 − 29,5|3 + |22 − 29,5|3 + |22 − 29,5|3 + |22 − 29,5|3 +
|22 − 29,5|3 + |22 − 29,5|3 + |22 − 29,5|3 + |22 − 29,5|3 + |22 − 29,5|3 +
|22 − 29,5|3 + |23 − 29,5|3 + |23 − 29,5|3 + |23 − 29,5|3 + |23 − 29,5|3 +
|23 − 29,5|3 + |24 − 29,5|3 + |24 − 29,5|3 + |24 − 29,5|3 + |25 − 29,5|3 +
|25 − 29,5|3 + |25 − 29,5|3 + |25 − 29,5|3 + |25 − 29,5|3 + |25 − 29,5|3 +
|25 − 29,5|3 + |25 − 29,5|3 + |26 − 29,5|3 + |26 − 29,5|3 + |26 − 29,5|3 +
|26 − 29,5|2 + |26 − 29,5|3 + |27 − 29,5|3 + |27 − 29,5|3 + |27 − 29,5|3 +
|28 − 29,5|2 + |28 − 29,5|3 + |28 − 29,5|3 + |29 − 29,5|3 + |30 − 29,5|3 +
|30 − 29,5|2 + |31 − 29,5|3 + |31 − 29,5|3 + |31 − 29,5|3 + |31 − 29,5|3 +
|31 − 29,5|2 + |32 − 29,5|3 + |33 − 29.5|3 + |34 − 29,5|3 + |35 − 29,5|3 +
|36 − 29,5|2 + |36 − 29,5|3 + |36 − 29,5|3 + |36 − 29,5|3 + |36 − 29,5|3 +
|38 − 29,5|3 + |39 − 29,5|3 + |39 − 29,5|3 + |40 − 29,5|3 + |40 − 29,5|3 +
|41 − 29,5|3 + |41 − 29,5|3 + |41 − 29,5|3 + |41 − 29,5|3 + |44 − 29,5|3 +
|46 − 29,5|3 + |47 − 29,5|3 + |55 − 29,5|3 + |56 − 29,5|3 + |59 − 29,5|3 +
|60 − 29,5|3 + |61 − 29,5|3 + |64 − 29,5|3 + |65 − 29,5|3 + |66 − 29,5|3
100
SK = ×
(100 − 1)(100 − 2) (10,567994)3
100 314499
SK = ×
(99)(98) 1180,26
SK = 2,7465
Jadi, skewness untuk data usia adalah 2,7465.
7) Kurtosis
n(n + 1) ∑ni=1(xi − x̅)4 3(n − 1)2
K= × 4
−
(n − 1)(n − 2)(n − 3) S (n − 2)(n − 3)
|16 − 29,5|4 + |17 − 29,5|4 + |18 − 29,5|4 + |18 − 29,5|4 + |18 − 29,5|4 +
|19 − 29,5|4 + |19 − 29,5|4 + |19 − 29,5|4 + |19 − 29,5|4 + |19 − 29,5|4 +
|19 − 29,5|4 + |20 − 29,5|4 + |20 − 29,5|4 + |20 − 29,5|4 + |20 − 29,5|4 +
|20 − 29,5|4 + |20 − 29,5|4 + |20 − 29,5|4 + |20 − 29,5|4 + |20 − 29,5|4 +
|21 − 29,5|4 + |21 − 29,5|4 + |21 − 29,5|4 + |21 − 29,5|4 + |21 − 29,5|4 +
|21 − 29,5|4 + |21 − 29,5|4 + |22 − 29,5|4 + |22 − 29,5|4 + |22 − 29,5|4 +
|22 − 29,5|4 + |22 − 29,5|4 + |22 − 29,5|4 + |22 − 29,5|4 + |22 − 29,5|4 +
|22 − 29,5|4 + |23 − 29,5|4 + |23 − 29,5|4 + |23 − 29,5|4 + |23 − 29,5|4 +
|23 − 29,5|4 + |24 − 29,5|4 + |24 − 29,5|4 + |24 − 29,5|4 + |25 − 29,5|4 +
|25 − 29,5|4 + |25 − 29,5|4 + |25 − 29,5|4 + |25 − 29,5|4 + |25 − 29,5|4 +
|25 − 29,5|4 + |25 − 29,5|4 + |26 − 29,5|4 + |26 − 29,5|4 + |26 − 29,5|4 +
|26 − 29,5|4 + |26 − 29,5|4 + |27 − 29,5|4 + |27 − 29,5|4 + |27 − 29,5|4 +
|28 − 29,5|4 + |28 − 29,5|4 + |28 − 29,5|4 + |29 − 29,5|4 + |30 − 29,5|4 +
|30 − 29,5|4 + |31 − 29,5|4 + |31 − 29,5|4 + |31 − 29,5|4 + |31 − 29,5|4 +
|31 − 29,5|4 + |32 − 29,5|4 + |33 − 29.5|4 + |34 − 29,5|4 + |35 − 29,5|4 +
|36 − 29,5|4 + |36 − 29,5|4 + |36 − 29,5|4 + |36 − 29,5|4 + |36 − 29,5|4 +
|38 − 29,5|4 + |39 − 29,5|4 + |39 − 29,5|4 + |40 − 29,5|4 + |40 − 29,5|4 +
|41 − 29,5|4 + |41 − 29,5|4 + |41 − 29,5|4 + |41 − 29,5|4 + |44 − 29,5|4 +
|46 − 29,5|4 + |47 − 29,5|4 + |55 − 29,5|4 + |56 − 29,5|4 + |59 − 29,5|4 +
|60 − 29,5|4 + |61 − 29,5|4 + |64 − 29,5|4 + |65 − 29,5|4 + |66 − 29,5|4
100(100 + 1)
K= × −
(100 − 1)(100 − 2)(100 − 3 (10,567994)4
3(100 − 1)2
(100 − 2)(100 − 3)
20100 8973266,25 29403

K= × −
(99)(98)(97) 12472,98018 (98)(97)
K = 7,72091 − 3,093099
K = 4,627811
Jadi, kurtosis untuk data usia adalah 4,627811.
c. Penyajian Data
1) Range
R = Xmax − Xmin
R = 66 − 16
R = 50
2) Banyak Kelas
K = 1 + 3,3 log n
K = 1 + 3,3 log 100
K = 1 + 3,3(2)
K = 7,6 ≈ 8
3) Panjang Kelas
R
I=
K
50
I=
8
I = 6,25 ≈ 6
4) Batas Kelas
Xmin = 20
5) Tabel Distribusi
Tabel 3 Tabel Distribusi Frekuensi Data Usia
Data Usia Frekuensi
16-22 36
23-29 29
30-36 16
37-43 9
44-50 3
51-57 2
58-64 4
65-71 2
Total 100
a) Histogram
Gambar 1 Diagram Histogram Data Usia

Sumber : Data Diolah Oleh Penulis (2023)
b) Polygon
Gambar 2 Diagram Polygon Data Usia

c) Ogive
120
100
80
60
40
20
0
1 2 3 4 5 6 7 8 9 10
Gambar 3 Diagram Ogive Data Usia

d) Pie Chart
Gambar 4 Diagram Pie Chart Data Usia

4.1.2 Ukuran Pemusatan Data

a. Pengolahan Data Menggunakan SPSS
1) Buka software SPSS.
Gambar 5 Buka Software SPSS

2) Masukkan variabel data usia pada variable view.
Gambar 6 Masukkan Data Usia Pada Variable View

3) Masukkan data usia pada data view.
Gambar 7 Masukkan Data Usia Pada Data View

4) Pilih menu analyze, kemudian pilih descriptive statistics, lalu

klik frekuencies.
Gambar 8 Pilih Menu Analyze, Kemudian Pilih Descriptive

Statistics, Lalu Klik Frequencies
5) Masukkan variabel data usia pada kolom variable(s).
Gambar 9 Masukkan Variabel Data Usia Pada Kolom

Variabel(S)
6) Klik statistics, lalu centang data yang ingin ditampilkan, klik

Ok, lalu klik continue.
Gambar 10 Klik Statistics, Lalu Centang Data Yang Ingin

Ditampilkan, Klik Ok, Lalu Klik Continue
7) Tampak hasil pengolahan data
Gambar 11 Tampak Hasil Pengolahan

Data
b. Langkah-Langkah Penyajian Data

1) Histogram
Langkah-langkah membuat diagram histogram, yaitu :
a) Membuka aplikasi SPSS
b) Masukkan data yang akan dianalisis
c) Jika sudah di input kedalam SPSS, maka langkah
selajutnya yaitu membuat histogram dengan klik Graphs
→ Histogram → Pindahkan ke Variabel → OK
Gambar 12 Langkah-Langkah Membuat Histogram Data Usia

Gambar 13 Diagram Histogram Data Usia

2) Polygon
Langkah-langkah membuat diagram polygon, yaitu :
selajutnya yaitu membuat polygon dengan klik Graphs →
Line → Simple (summaries for groups of cases) → N of

cases → Pindahkan ke category axis → OK
Gambar 14 Langkah-Langkah Membuat Polygon Data Usia

Gambar 15 Diagram Polygon Data Usia

3) Ogive
Langkah-langkah membuat diagram ogive, yaitu :
selajutnya yaitu membuat ogive dengan klik Graphs →
Line → Simple (summaries for groups of cases) → Cum%
→ Pindahkan ke category axis → OK
Gambar 16 Langkah-Langkah Membuat Ogive Data Usia

Gambar 17 Diagram Ogive Data Usia

4) Pie Chart
Langkah-langkah membuat diagram pie chart, yaitu :
selajutnya yaitu membuat pie chart dengan klik Graphs
→ Pie → Summaries for groups of cases → Devine slice
by → OK
Gambar 18 Langkah-Langkah Membuat Pie Chart Data Usia

c. Pengolahan data menggunakan pivot table

Tabel 4 Pivot Table Data Usia
Sum of
Column
Data
Labels
Usia
Row Grand
18 19 21 22 23 24 25 26 27 28 29
Labels Total
2 29 29
5 23 23
10 52 52
17 27 27
30 27 42 40 109
40 25 25
60 266 26 50 182 240 285 23 196 23 1291
75 50 50
90 57 24 81
120 75 45 49 171 28 24 392
180 24 26 54 22 216 22 137 501
210 63 63
240 33 180 96 24 23 356
Gambar 19 Diagram Pie Chart Data Usia

Lanjutan Tabel 4 Pivot Table Data Usia
300 163 43 65 24 295
312 27 27
420 29 29
Grand
266 24 52 275 534 516 725 371 397 137 53 3350
Total
Sumber : (Pengolahan Data Penulis, 2023)
1) Memilih pivot table pada menu insert
Gambar 20 Memilih Pivot Table pada Menu Insert

2) Memasukkan variabel-variabel sesuai kolomnya dan data usia

pada kolom value
Gambar 21 Memasukkan Variabel Data Sesuai Kolom

3) Menampilkan pivot table
Gambar 22 Menampilkan Pivot Table

4.2 Pengolahan Data Tingkat Kepuasan
Data yang diambil dari 100 responden dengan 3 pertanyaan untuk
mengetahui data responden dan dijumlahkan menjadi data tingkat kepuasan
(∑ X2 )
Tabel 5 Data Tingkat Kepuasan
Tingkat Kepuasan
Responden ∑ X2
X21 X22 X23
1 4 5 6 15
2 4 6 6 16
3 2 2 2 6
4 2 2 2 6
5 2 2 2 6
6 2 2 2 6
7 2 2 2 6
8 5 6 6 17
9 4 6 6 16
10 4 2 6 12
11 5 5 5 15
12 4 5 5 14
13 6 4 4 14
14 4 4 5 13
15 4 5 5 14
16 5 5 5 15
17 4 6 4 14
18 6 3 3 12
19 6 4 4 14
20 6 5 5 16
21 4 5 3 12
22 5 5 3 13
23 4 4 6 14
24 5 3 3 11
25 5 4 4 13
26 6 6 5 17
27 3 5 3 11
28 6 5 5 16
Lanjutan Tabel 5 Data Tingkat Kepuasan

29 4 6 5 15
30 4 4 5 13
31 4 3 5 12
32 6 6 4 16
33 4 3 4 11
34 5 5 5 15
35 5 2 2 9
36 6 3 2 11
37 5 2 5 12
38 5 5 5 15
39 5 5 5 15
40 5 5 5 15
41 3 3 5 11
42 4 4 5 13
43 4 4 5 13
44 4 4 5 13
45 4 4 5 13
46 4 4 5 13
47 4 4 5 13
48 5 3 5 13
49 3 3 5 11
50 3 3 5 11
51 3 3 5 11
52 3 3 5 11
53 3 3 5 11
54 3 3 5 11
55 5 3 5 13
56 3 3 3 9
57 3 2 2 7
58 4 4 5 13
59 4 4 5 13
60 4 4 5 13
61 4 4 5 13
62 4 4 5 13
63 3 3 5 11
64 5 3 3 11
65 4 4 4 12
66 5 2 5 12
67 3 3 5 11
68 3 5 5 13
69 4 4 4 12
70 3 5 5 13
71 4 4 4 12
72 4 3 5 12
73 4 3 5 12
74 4 3 5 12
75 4 3 5 12
76 4 3 5 12
77 4 3 5 12
78 2 4 4 10
79 2 4 4 10
80 4 4 4 12
81 5 5 3 13
82 4 3 3 10
83 4 4 4 12
84 4 3 4 11
Lanjutan Tabel 5 Data Tingkat Kepuasan

85 4 4 2 10
86 4 3 4 11
87 5 3 5 13
88 5 5 4 14
89 5 5 4 14
90 3 4 4 11
91 6 3 4 13
92 5 5 4 14
93 5 5 4 14
94 2 2 2 6
95 5 2 3 10
96 5 2 3 10
97 5 2 3 10
98 5 2 3 10
99 6 4 4 14
100 4 4 4 12
Data Mentah :
6 6 6 6 6 6 7 9 9 10
10 10 10 10 10 10 10 11 11 11
11 11 11 11 11 11 11 11 11 11
11 11 11 11 12 12 12 12 12 12
12 12 12 12 12 12 12 12 12 12
12 12 13 13 13 13 13 13 13 13
13 13 13 13 13 13 13 13 13 13
13 13 13 13 14 14 14 14 14 14
14 14 14 14 14 14 15 15 15 15
15 15 15 15 16 16 16 16 17 17
1) Mean (narasi)
∑ni=1 Xi
x̅ =
n
6 + 6 + 6 + 6 + 6 + 6 + 7 + 9 + 9 + 10 +
10 + 10 + 10 + 10 + 10 + 10 + 10 + 11 + 11 + 11 +
11 + 11 + 11 + 11 + 11 + 11 + 11 + 11 + 11 + 11 +
11 + 11 + 11 + 11 + 12 + 12 + 12 + 12 + 12 + 12 +
12 + 12 + 12 + 12 + 12 + 12 + 12 + 12 + 12 + 12 +
12 + 12 + 13 + 13 + 13 + 13 + 13 + 13 + 13 + 13 +
13 + 13 + 13 + 13 + 13 + 13 + 13 + 13 + 13 + 13 +
13 + 13 + 13 + 13 + 14 + 14 + 14 + 14 + 14 + 14 +
14 + 14 + 14 + 14 + 14 + 14 + 15 + 15 + 15 + 15 +
x̅ = 15 + 15 + 15 + 15 + 16 + 16 + 16 + 16 + 17 + 17 +
100
1216
x̅ =
100
x̅ = 12,16
Jadi, mean untuk data tingkat kepuasan adalah 12,16.
2) Median
1 n n+2
Med = (x ( ) + x ( ))
2 2 2
1 100 100 + 2
Med = (x ( )+ x( ))
2 2 2
1
Med = (x(50) + x(51))
2
1
Med = (12 + 12)
2
Med = 12
Jadi, median untuk data tingkat kepuasan adalah 12.
3) Modus
Jadi, modus untuk data tingkat kepuasan adalah 13.
4) Persentil
a) Persentil 5
5
P5 = X (n + 1)
100
5
P5 = (100 + 1)
100
5
P5 = (101)
100
P5 = 5,05 ≈ 5
Jadi, persentil 5 untuk data tingkat kepuasan adalah data
ke-5 yaitu 6.
b) Persentil 50
50
P50 = X (n + 1)
100
50
P50 = (100 + 1)
100
50
P50 = (101)
100
P50 = 50,5 ≈ 50
ke-50 yaitu 12.
c) Persentil 95
95
P100 = X (n + 1)
100
95
P100 = (100 + 1)
100
95
P100 = (101)
100
P100 = 95,95 ≈ 96
ke-96 yaitu 16.
1) Range
R = Xmax − Xmin
R = 17 − 6
R = 11
Jadi, range untuk data tingkat kepuasan adalah 11.
1 n
SR = ∑ |xi − x̅|
n i=1
|6 − 12,16| + |6 − 12,16| + |6 − 12,16| + |6 − 12,16| + |6 − 12,16| +
|6 − 12,16| + |7 − 12,16| + |9 − 12,16| + |9 − 12,16| + |10 − 12,16| +
|10 − 12,16| + |10 − 12,16| + |10 − 12,16| + |10 − 12,16| + |10 − 12,16| +
|10 − 12,16| + |10 − 12,16| + |11 − 12,16| + |11 − 12,16| + |11 − 12,16| +
|11 − 12,16| + |11 − 12,16| + |11 − 12,16| + |11 − 12,16| + |11 − 12,16| +
|11 − 12,16| + |11 − 12,16| + |11 − 12,16| + |11 − 12,16| + |11 − 12,16| +
|11 − 12,16| + |11 − 12,16| + |11 − 12,16| + |11 − 12,16| + |12 − 12,16| +
|12 − 12,16| + |12 − 12,16| + |12 − 12,16| + |12 − 12,16| + |12 − 12,16| +
|12 − 12,16| + |12 − 12,16| + |12 − 12,16| + |12 − 12,16| + |12 − 12,16| +
|12 − 12,16| + |12 − 12,16| + |12 − 12,16| + |12 − 12,16| + |12 − 12,16| +
|12 − 12,16| + |12 − 12,16| + |13 − 12,16| + |13 − 12,16| + |13 − 12,16| +
|13 − 12,16| + |13 − 12,16| + |13 − 12,16| + |13 − 12,16| + |13 − 12,16| +
|13 − 12,16| + |13 − 12,16| + |13 − 12,16| + |13 − 12,16| + |13 − 12,16| +
|13 − 12,16| + |13 − 12,16| + |13 − 12,16| + |13 − 12,16| + |13 − 12,16| +
|13 − 12,16| + |13 − 12,16| + |13 − 12,16| + |14 − 12,16| + |14 − 12,16| +
|14 − 12,16| + |14 − 12,16| + |14 − 12,16| + |14 − 12,16| + |14 − 12,16| +
|14 − 12,16| + |14 − 12,16| + |14 − 12,16| + |14 − 12,16| + |14 − 12,16| +
|15 − 12,16| + |15 − 12,16| + |15 − 12,16| + |15 − 12,16| + |15 − 12,16| +
|15 − 12,16| + |15 − 12,16| + |15 − 12,16| + |16 − 12,16| + |16 − 12,16| +
|16 − 12,16| + |16 − 12,16| + |17 − 12,16| + |17 − 12,16|
SR =
100
176,64
SR =
100
SR = 1,76
Jadi, simpangan rata-rata untuk data tingkat kepuasan adalah
1,76.
3) Standar Deviasi
∑ni=1(xi − x̅)2
S=√
N
|6 − 12,16| 2 + |6 − 12,16|2 + |6 − 12,16| 2 + |6 − 12,16|2 + |6 − 12,16| 2 +

|6 − 12,16| 2 + |7 − 12,16|2 + |9 − 12,16|2 + |9 − 12,16| 2 + |10 − 12,16|2 +
|10 − 12,16| 2 + |10 − 12,16|2 + |10 − 12,16|2 + |10 − 12,16|2 + |10 − 12,16| 2 +
|10 − 12,16| 2 + |10 − 12,16|2 + |11 − 12,16|2 + |11 − 12,16|2 + |11 − 12,16| 2 +
|11 − 12,16| 2 + |11 − 12,16|2 + |11 − 12,16|2 + |11 − 12,16|2 + |11 − 12,16| 2 +
|11 − 12,16| 2 + |11 − 12,16|2 + |11 − 12,16|2 + |11 − 12,16|2 + |11 − 12,16| 2 +
|11 − 12,16| 2 + |11 − 12,16|2 + |11 − 12,16|2 + |11 − 12,16|2 + |12 − 12,16| 2 +
|12 − 12,16| 2 + |12 − 12,16|2 + |12 − 12,16|2 + |12 − 12,16|2 + |12 − 12,16| 2 +
|12 − 12,16| 2 + |12 − 12,16|2 + |12 − 12,16|2 + |12 − 12,16|2 + |12 − 12,16| 2 +
|12 − 12,16| 2 + |12 − 12,16|2 + |12 − 12,16|2 + |12 − 12,16|2 + |12 − 12,16| 2 +
|12 − 12,16| 2 + |12 − 12,16|2 + |13 − 12,16|2 + |13 − 12,16|2 + |13 − 12,16| 2 +
|13 − 12,16| 2 + |13 − 12,16|2 + |13 − 12,16|2 + |13 − 12,16|2 + |13 − 12,16| 2 +
|13 − 12,16| 2 + |13 − 12,16|2 + |13 − 12,16|2 + |13 − 12,16|2 + |13 − 12,16| 2 +
|13 − 12,16| 2 + |13 − 12,16|2 + |13 − 12,16|2 + |13 − 12,16|2 + |13 − 12,16| 2 +
|13 − 12,16| 2 + |13 − 12,16|2 + |13 − 12,16|2 + |14 − 12,16|2 + |14 − 12,16| 2 +
|14 − 12,16| 2 + |14 − 12,16|2 + |14 − 12,16|2 + |14 − 12,16|2 + |14 − 12,16| 2 +
|14 − 12,16| 2 + |14 − 12,16|2 + |14 − 12,16|2 + |14 − 12,16|2 + |14 − 12,16| 2 +
|15 − 12,16| 2 + |15 − 12,16|2 + |15 − 12,16|2 + |15 − 12,16|2 + |15 − 12,16| 2 +
|15 − 12,16| 2 + |15 − 12,16|2 + |15 − 12,16|2 + |16 − 12,16|2 + |16 − 12,16| 2 +
|16 − 12,16| 2 + |16 − 12,16| 2 + |17 − 12,16|2 + |17 − 12,16|2
S=
√ 100
507,32
S=√
100
S = √5,0732
S = 2,25
Jadi, standar deviasi untuk data tingkat kepuasan adalah 2,25.
4) Variansi
∑ni=1(xi − x̅)2
S2 =
N
2,252
S2 =
100
S2 = 0,050625
Jadi, variansi untuk data tingkat kepuasan adalah 0,050625.
S
SE =
√n
2,25
SE =
√100
SE = 0,225
Jadi, standard error of mean untuk data tingkat kepuasan adalah
0,225.
6) Skewness
n ∑ni=1(xi − x̅)3
SK = ×
(n − 1)(n − 2) S3
|6 − 12,16|3 + |6 − 12,16|3 + |6 − 12,16|3 + |6 − 12,16|3 + |6 − 12,16|3 +
|6 − 12,16|3 + |7 − 12,16|3 + |9 − 12,16|3 + |9 − 12,16|3 + |10 − 12,16|3 +
|10 − 12,16|3 + |10 − 12,16|3 + |10 − 12,16|3 + |10 − 12,16|3 + |10 − 12,16|3 +
|10 − 12,16|3 + |10 − 12,16|3 + |11 − 12,16|3 + |11 − 12,16|3 + |11 − 12,16|3 +
|11 − 12,16|3 + |11 − 12,16|3 + |11 − 12,16|3 + |11 − 12,16|3 + |11 − 12,16|3 +
|11 − 12,16|3 + |11 − 12,16|3 + |11 − 12,16|3 + |11 − 12,16|3 + |11 − 12,16|3 +
|11 − 12,16|3 + |11 − 12,16|3 + |11 − 12,16|3 + |11 − 12,16|3 + |12 − 12,16|3 +
|12 − 12,16|3 + |12 − 12,16|3 + |12 − 12,16|3 + |12 − 12,16|3 + |12 − 12,16|3 +
|12 − 12,16|3 + |12 − 12,16|3 + |12 − 12,16|3 + |12 − 12,16|3 + |12 − 12,16|3 +
|12 − 12,16|3 + |12 − 12,16|3 + |12 − 12,16|3 + |12 − 12,16|3 + |12 − 12,16|3 +
|12 − 12,16|3 + |12 − 12,16|3 + |13 − 12,16|3 + |13 − 12,16|3 + |13 − 12,16|3 +
|13 − 12,16|3 + |13 − 12,16|3 + |13 − 12,16|3 + |13 − 12,16|3 + |13 − 12,16|3 +
|13 − 12,16|3 + |13 − 12,16|3 + |13 − 12,16|3 + |13 − 12,16|3 + |13 − 12,16|3 +
|13 − 12,16|3 + |13 − 12,16|3 + |13 − 12,16|3 + |13 − 12,16|3 + |13 − 12,16|3 +
|13 − 12,16|3 + |13 − 12,16|3 + |13 − 12,16|3 + |14 − 12,16|3 + |14 − 12,16|3 +
|14 − 12,16|3 + |14 − 12,16|3 + |14 − 12,16|3 + |14 − 12,16|3 + |14 − 12,16|3 +
|14 − 12,16|3 + |14 − 12,16|3 + |14 − 12,16|3 + |14 − 12,16|3 + |14 − 12,16|3 +
|15 − 12,16|3 + |15 − 12,16|3 + |15 − 12,16|3 + |15 − 12,16|3 + |15 − 12,16|3 +
|15 − 12,16|3 + |15 − 12,16|3 + |15 − 12,16|3 + |16 − 12,16|3 + |16 − 12,16|3 +
|16 − 12,16|3 + |16 − 12,16|3 + |17 − 12,16|3 + |17 − 12,16|3
100
SK = ×
(100 − 1)(100 − 2) 2,253
100 −935,507
SK = ×
(99)(98) 11,390625
SK = −0,847
Jadi, skewness untuk data tingkat kepuasan adalah −0,846.
7) Kurtosis
n(n + 1) ∑ni=1(xi − x̅)4 3(n − 1)2
K= × 4
−
(n − 1)(n − 2)(n − 3) S (n − 2)(n − 3)
(6 − 12,16)4 + (6 − 12,16)4 + (6 − 12,16)4 + (6 − 12,16)4 + (6 − 12,16)4 +
(6 − 12,16)4 + (7 − 12,16)4 + (9 − 12,16)4 + (9 − 12,16)4 + (10 − 12,16)4 +
(10 − 12,16)4 + (10 − 12,16)4 + (10 − 12,16)4 + (10 − 12,16)4 + (10 − 12,16)4 +
(10 − 12,16)4 + (10 − 12,16)4 + (11 − 12,16)4 + (11 − 12,16)4 + (11 − 12,16)4 +
(11 − 12,16)4 + (11 − 12,16)4 + (11 − 12,16)4 + (11 − 12,16)4 + (11 − 12,16)4 +
(11 − 12,16)4 + (11 − 12,16)4 + (11 − 12,16)4 + (11 − 12,16)4 + (11 − 12,16)4 +
(11 − 12,16)4 + (11 − 12,16)4 + (11 − 12,16)4 + (11 − 12,16)4 + (12 − 12,16)4 +
(12 − 12,16)4 + (12 − 12,16)4 + (12 − 12,16)4 + (12 − 12,16)4 + (12 − 12,16)4 +
(12 − 12,16)4 + (12 − 12,16)4 + (12 − 12,16)4 + (12 − 12,16)4 + (12 − 12,16)4 +
(12 − 12,16)4 + (12 − 12,16)4 + (12 − 12,16)4 + (12 − 12,16)4 + (12 − 12,16)4 +
(12 − 12,16)4 + (12 − 12,16)4 + (13 − 12,16)4 + (13 − 12,16)4 + (13 − 12,16)4 +
(13 − 12,16)4 + (13 − 12,16)4 + (13 − 12,16)4 + (13 − 12,16)4 + (13 − 12,16)4 +
(13 − 12,16)4 + (13 − 12,16)4 + (13 − 12,16)4 + (13 − 12,16)4 + (13 − 12,16)4 +
(13 − 12,16)4 + (13 − 12,16)4 + (13 − 12,16)4 + (13 − 12,16)4 + (13 − 12,16)4 +
(13 − 12,16)4 + (13 − 12,16)4 + (13 − 12,16)4 + (13 − 12,16)4 + (14 − 12,16)4 +
(14 − 12,16)4 + (14 − 12,16)4 + (14 − 12,16)4 + (14 − 12,16)4 + (14 − 12,16)4 +
(14 − 12,16)4 + (14 − 12,16)4 + (14 − 12,16)4 + (14 − 12,16)4 + (14 − 12,16)4 +
(14 − 12,16)4 + (15 − 12,16)4 + (15 − 12,16)4 + (15 − 12,16)4 + (15 − 12,16)4 +
(15 − 12,16)4 + (15 − 12,16)4 + (15 − 12,16)4 + (15 − 12,16)4 + (16 − 12,16)4 +
100(100 + 1) (16 − 12,16)4 + (16 − 12,16)4 + (16 − 12,16)4 + (17 − 12,16)4 + (17 − 12,16)4 +
K= × −
(100 − 1)(100 − 2)(100 − 3) 2,364
3(100 − 1)2
(100 − 2)(100 − 3)
20100 9874,71 29403

K= × −
(99)(98)(97) 25,6289 (98)(97)
K = 4,135070 − 3,093099
K = 1,041971
Jadi, kurtosis untuk data tingkat kepuasan adalah 17,04.
c. Penyajian Data
1) Range
R = Xmax − Xmin
R = 17 − 6
R = 11
2) Banyak Kelas
K = 1 + 3,3 log n
K = 1 + 3,3 log 100
K = 1 + 3,3(2)
K = 7,6 ≈ 8
3) Panjang Kelas
R
I=
K
11
I=
8
I = 1,3 ≈ 1
4) Batas Kelas
Xmin = 18
5) Tabel Distribusi
Tabel 6 Tabel Distribusi Frekuensi Data Tingkat Kepuasan
Tingkat Kepuasan Frekuensi
6-7 7
8-9 2
10-11 24
12-13 40
14-15 21
16-17 6
18-19 0
20-21 0
Total 100
a) Histogram
Gambar 23 Diagram Histogram Tingkat Kepuasan

b) Polygon
Gambar 24 Diagram Polygon Tingkat Kepuasan

c) Ogive
120
100
80
60
40
20
0
1 2 3 4 5 6
Gambar 25 Diagram Ogive Tingkat Kepuasan

d) Pie Chart
Gambar 26 Diagram Pie Chart Tingkat Kepuasan


1) Buka software SPSS

2) Masukkan variabel data tingkat kepuasan pada variable view
Gambar 28 Masukkan Variabel Data Tingkat Kepuasan Pada

Variable View
3) Masukkan data tingkat kepuasan pada data view
Gambar 29 Masukkan Data Tingkat Kepuasan Pada Data

View
4) Pilih menu analyze, kemudian pilih descriptive statistics, lalu
klik frekuencies
Gambar 30 Pilih Menu Analyze, Kemudia Pilih Descriptive

Statistics, Lalu Klik Frekuencies
5) Masukkan variabel data tingkat kepuasan pada kolom

variable(s)
Gambar 31 Masukkan Variabel Data Tingkat Kepuasan Pada

Kolom Variabel(S)
6) Klik statistics, lalu centang data yang ingin ditampilkan, klik
Ok, lalu klik continue
Gambar 32 Klik Statistics, Lalu Centang Data Yang Ingin

Ditampilkan, Klik Ok, Lalu Klik Continue
Gambar 33 Hasil Pengolahan Data

1) Histogram
Gambar 34 Langkah-Langkah Membuat Histogram Data

Tingkat Kepuasan
Gambar 35 Diagram Histogram Data Tingkat Kepuasan

2) Polygon
Simple (summaries for groups of cases) → N of cases →
Pindahkan ke category axis → OK
Gambar 36 Langkah-Langkah Membuat Polygon Data

Tingkat Kepuasan
Gambar 37 Diagram Polygon data Tingkat Kepuasan

3) Ogive
Gambar 38 Langkah-Langkah Membuat Ogive Data Tingkat

Kepuasan
Gambar 39 Diagram Ogive Data Tingkat Kepuasan

4) Pie Chart
by → OK
Gambar 40 Langkah-Langkah Membuat Pie Chart Data

Tingkat Kepuasan
Gambar 41 Diagram Pie Chart data tingkat kepuasan


Tabel 7 Pivot Table Data Tingkat Kepuasan
Sum of
Data Column
Tingkat Labels
Kepuasan
Grand
Row Labels 2 5 10 17 30 40 60 75 90 120 180 210 240 300 312 420
Total
20 25 25
21 22 22
22 50 50
23 24 76 24 25 28 177
24 26 103 44 26 27 226
25 25 48 48 48 169
26 48 70 49 44 211
27 25 24 46 25 120
28 25 28 23 76
29 22 25 52 25 46 29 199
30 49 69 118
31 18 26 25 69
Lanjutan Tabel 7 Pivot Table Data Tingkat Kepuasan
32 24 26 23 73
33 22 22
34 25 24 49
35 115 115
36 23 23
37 23 23
38 27 27
39 23 23
40 27 42 50 119
42 26 26
43 25 23 48
44 25 22 47
45 36 24 25 85
48 22 22
50 22 22
51 25 25
59 27 27
60 25 25
63 28 28
64 27 27
65 26 26
68 27 27
69 27 27
70 18 18
Grand
22 24 48 25 77 25 842 48 74 356 340 28 289 164 25 29 2416
Total

2) Memasukkan variabel-variabel sesuai kolomnya dan data

tingkat kepuasan pada kolom value


4.3 Pengolahan Data Lama Berkunjung
Data yang diambil dari 100 responden dengan menanyakan waktu lama
berkunjung dari responden dengan satuan menit (𝒚).
Tabel 8 Data Lama Berkunjung
Responden Lama Berkunjung (𝒚)
1 60
2 210
3 60
4 60
5 60
6 60
7 60
8 120
9 240
10 120
11 180
Lanjutan Tabel 8 Data Lama Berkunjung

12 120
13 120
14 120
15 30
16 30
17 300
18 90
19 240
20 60
21 60
22 60
23 180
24 300
25 60
26 420
27 60
28 300
29 240
30 180
31 120
32 180
33 60
34 60
35 60
36 60
37 60
38 60
39 180
40 180
41 180
42 180
43 180
44 180
45 180
46 180
47 240
48 240
49 240
50 240
51 240
52 240
53 240
54 120
55 180
56 180
57 60
58 60
59 60
60 40
61 240
62 120
63 120
64 90
65 60
66 60
67 60
Lanjutan Tabel 8 Data Lama Berkunjung

68 75
69 60
70 75
71 60
72 30
73 60
74 10
75 60
76 10
77 60
78 60
79 60
80 60
81 240
82 60
83 60
84 2
85 120
86 17
87 120
88 120
89 60
90 312
91 120
92 120
93 60
94 300
95 300
96 300
97 300
98 60
99 5
100 90
Data Mentah :
2 5 10 10 17 30 30 30 40 60
60 60 60 60 60 60 60 60 60 60
60 60 60 60 60 60 60 60 60 60
60 60 60 60 60 60 60 60 60 60
60 60 60 60 60 75 75 90 90 90
120 120 120 120 120 120 120 120 120 120
120 120 120 120 180 180 180 180 180 180
180 180 180 180 180 180 180 180 210 240
240 240 240 240 240 240 240 240 240 240
240 300 300 300 300 300 300 300 312 420
1) Mean (narasi)
∑ni=1 Xi
x̅ =
n
2 + 5 + 10 + 10 + 17 + 30 + 30 + 30 + 40 + 60 +
60 + 60 + 60 + 60 + 60 + 60 + 60 + 60 + 60 + 60 +
60 + 60 + 60 + 60 + 60 + 60 + 60 + 60 + 60 + 60 +
60 + 60 + 60 + 60 + 60 + 60 + 60 + 60 + 60 + 60 +
60 + 60 + 60 + 60 + 60 + 75 + 75 + 90 + 90 + 90 +
120 + 120 + 120 + 120 + 120 + 120 + 120 + 120 + 120 + 120 +
120 + 120 + 120 + 120 + 180 + 180 + 180 + 180 + 180 + 180 +
180 + 180 + 180 + 180 + 180 + 180 + 180 + 180 + 210 + 240 +
240 + 240 + 240 + 240 + 240 + 240 + 240 + 240 + 240 + 240 +
x̅ = 240 + 300 + 300 + 300 + 300 + 300 + 300 + 300 + 312 + 420 +
100
12876
x̅ =
100
x̅ = 128,7
Jadi, mean untuk data lama berkunjung adalah 128,7.
2) Median
1 n n+2
Med = (x ( ) + x ( ))
2 2 2
1 100 100 + 2
Med = (x ( )+ x( ))
2 2 2
1
Med = (x(50) + x(51))
2
1
Med = (90 + 120)
2
Med = 105
Jadi, median untuk data lama berkunjung adalah 105.
3) Modus
Jadi, modus untuk data lama berkunjung adalah 60.
4) Persentil
a) Persentil 5
5
P5 = X (n + 1)
100
5
P5 = (100 + 1)
100
5
P5 = (101)
100
P5 = 5,05 ≈ 5
Jadi, persentil 5 untuk data lama berkunjung adalah data
ke-5 yaitu 17.
b) Persentil 50
50
P50 = X (n + 1)
100
50
P50 = (100 + 1)
100
50
P50 = (101)
100
P50 = 50,5 ≈ 50
ke-50 yaitu 90.
c) Persentil 95
95
P100 = X (n + 1)
100
95
P100 = (100 + 1)
100
95
P100 = (101)
100
P100 = 95,95 ≈ 96
ke-96 yaitu 300.
1) Range
R = Xmax − Xmin
R = 29 − 18
R = 11
Jadi, range untuk data lama berkunjung adalah 11.
1 n
SR = ∑ |xi − x̅|
n i=1
|2 − 128,7| + |5 − 128,7| + |10 − 128,7| + |10 − 128,7| + |17 − 128,7| +
|30 − 128,7| + |30 − 128,7| + |30 − 128,7| + |40 − 128,7| + |60 − 128,7| +
|60 − 128,7| + |60 − 128,7| + |60 − 128,7| + |60 − 128,7| + |60 − 128,7| +
|60 − 128,7| + |60 − 128,7| + |60 − 128,7| + |60 − 128,7| + |60 − 128,7| +
|60 − 128,7| + |60 − 128,7| + |60 − 128,7| + |60 − 128,7| + |60 − 128,7| +
|60 − 128,7| + |60 − 128,7| + |60 − 128,7| + |60 − 128,7| + |60 − 128,7| +
|60 − 128,7| + |60 − 128,7| + |60 − 128,7| + |60 − 128,7| + |60 − 128,7| +
|60 − 128,7| + |60 − 128,7| + |60 − 128,7| + |60 − 128,7| + |60 − 128,7| +
|60 − 128,7| + |60 − 128,7| + |60 − 128,7| + |60 − 128,7| + |60 − 128,7| +
|75 − 128,7| + |75 − 128,7| + |90 − 128,7| + |90 − 128,7| + |90 − 128,7| +
|120 − 128,7| + |120 − 128,7| + |120 − 128,7| + |120 − 128,7| + |120 − 128,7| +
|120 − 128,7| + |120 − 128,7| + |120 − 128,7| + |120 − 128,7| + |120 − 128,7| +
|120 − 128,7| + |120 − 128,7| + |120 − 128,7| + |120 − 128,7| + |180 − 128,7| +
|180 − 128,7| + |180 − 128,7| + |180 − 128,7| + |180 − 128,7| + |180 − 128,7| +
|180 − 128,7| + |180 − 128,7| + |180 − 128,7| + |180 − 128,7| + |180 − 128,7| +
|180 − 128,7| + |180 − 128,7| + |180 − 128,7| + |210 − 128,7| + |240 − 128,7| +
|240 − 128,7| + |240 − 128,7| + |240 − 128,7| + |240 − 128,7| + |240 − 128,7| +
|240 − 128,7| + |240 − 128,7| + |240 − 128,7| + |240 − 128,7| + |240 − 128,7| +
|240 − 128,7| + |300 − 128,7| + |300 − 128,7| + |300 − 128,7| + |300 − 128,7| +
|300 − 128,7| + |300 − 128,7| + |300 − 128,7| + |312 − 128,7| + |420 − 128,7| +
SR =
100
76,116
SR =
100
SR = 76,1
Jadi, simpangan rata-rata untuk data lama berkunjung
adalah 76,1.
3) Standar Deviasi
∑n (xi − x̅)2
S = √ i=1
N
(2 − 128,7)2 + (5 − 128,7)2 + (10 − 128,7)2 + (10 − 128,7)2 + (17 − 128,7)2 +
(30 − 128,7)2 + (30 − 128,7)2 + (30 − 128,7)2 + (40 − 128,7)2 + (60 − 128,7)2 +
(60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 +
(60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 +
(60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 +
(60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 +
(60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 +
(60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 +
(60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 + (60 − 128,7)2 +
(75 − 128,7)2 + (75 − 128,7)2 + (90 − 128,7)2 + (90 − 128,7)2 + (90 − 128,7)2 +
(120 − 128,7)2 + (120 − 128,7)2 + (120 − 128,7)2 + (120 − 128,7)2 + (120 − 128,7)2 +
(120 − 128,7)2 + (120 − 128,7)2 + (120 − 128,7)2 + (120 − 128,7)2 + (120 − 128,7)2 +
(120 − 128,7)2 + (120 − 128,7)2 + (120 − 128,7)2 + (120 − 128,7)2 + (180 − 128,7)2 +
(180 − 128,7)2 + (180 − 128,7)2 + (180 − 128,7)2 + (180 − 128,7)2 + (180 − 128,7)2 +
(180 − 128,7)2 + (180 − 128,7)2 + (180 − 128,7)2 + (180 − 128,7)2 + (180 − 128,7)2 +
(180 − 128,7)2 + (180 − 128,7)2 + (180 − 128,7)2 + (210 − 128,7)2 + (240 − 128,7)2 +
(240 − 128,7)2 + (240 − 128,7)2 + (240 − 128,7)2 + (240 − 128,7)2 + (240 − 128,7)2 +
(240 − 128,7)2 + (240 − 128,7)2 + (240 − 128,7)2 + (240 − 128,7)2 + (240 − 128,7)2 +
(240 − 128,7)2 + (300 − 128,7)2 + (300 − 128,7)2 + (300 − 128,7)2 + (300 − 128,7)2 +
(300 − 128,7)2 + (300 − 128,7)2 + (300 − 128,7)2 + (312 − 128,7)2 + (420 − 128,7)2 +
S=
√ 100
806298,6
S=√
100
S = √8062,986
S = 89,7
Jadi, standar deviasi untuk data lama berkunjung adalah
89,7.
4) Variansi
∑ni=1(xi − x̅)2
S2 =
N
89,72
S2 =
100
S2 = 80,4
Jadi, variansi untuk data lama berkunjung adalah 80,4.
S
SE =
√n
89,7
SE =
√100
SE = 8,97
Jadi, standard error of mean untuk data lama berkunjung

adalah 8,97.
6) Skewness
n ∑ni=1(xi − x̅)3
SK = ×
(n − 1)(n − 2) S3
(2 − 128,7)3 + (5 − 128,7)3 + (10 − 128,7)3 + (10 − 128,7)3 + (17 − 128,7)3 +
(30 − 128,7)3 + (30 − 128,7)3 + (30 − 128,7)3 + (40 − 128,7)3 + (60 − 128,7)3 +
(60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 +
(60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 +
(60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 +
(60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 +
(60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 +
(60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 +
(60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 + (60 − 128,7)3 +
(75 − 128,7)3 + (75 − 128,7)3 + (90 − 128,7)3 + (90 − 128,7)3 + (90 − 128,7)3 +
(120 − 128,7)3 + (120 − 128,7)3 + (120 − 128,7)3 + (120 − 128,7)3 + (120 − 128,7)3 +
(120 − 128,7)3 + (120 − 128,7)3 + (120 − 128,7)3 + (120 − 128,7)3 + (120 − 128,7)3 +
(120 − 128,7)3 + (120 − 128,7)3 + (120 − 128,7)3 + (120 − 128,7)3 + (180 − 128,7)3 +
(180 − 128,7)3 + (180 − 128,7)3 + (180 − 128,7)3 + (180 − 128,7)3 + (180 − 128,7)3 +
(180 − 128,7)3 + (180 − 128,7)3 + (180 − 128,7)3 + (180 − 128,7)3 + (180 − 128,7)3 +
(180 − 128,7)3 + (180 − 128,7)3 + (180 − 128,7)3 + (210 − 128,7)3 + (240 − 128,7)3 +
(240 − 128,7)3 + (240 − 128,7)3 + (240 − 128,7)3 + (240 − 128,7)3 + (240 − 128,7)3 +
(240 − 128,7)3 + (240 − 128,7)3 + (240 − 128,7)3 + (240 − 128,7)3 + (240 − 128,7)3 +
(240 − 128,7)3 + (300 − 128,7)3 + (300 − 128,7)3 + (300 − 128,7)3 + (300 − 128,7)3 +
100 (300 − 128,7)3 + (300 − 128,7)3 + (300 − 128,7)3 + (312 − 128,7)3 + (420 − 128,7)3 +
SK = ×
(100 − 1)(100 − 2) 89,73
100 60622397,8
SK = ×
(99)(98) 721734,3
SK = 0,86
Jadi, skewness untuk data lama berkunjung adalah 0,86.
7) Kurtosis
n(n + 1) ∑ni=1(xi − x̅)4 3(n − 1)2
K= × −
(n − 1)(n − 2)(n − 3) S4 (n − 2)(n − 3)
(2 − 128,7)4 + (5 − 128,7)4 + (10 − 128,7)4 + (10 − 128,7)4 + (17 − 128,7)4 +
(30 − 128,7)4 + (30 − 128,7)4 + (30 − 128,7)4 + (40 − 128,7)4 + (60 − 128,7)4 +
(60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 +
(60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 +
(60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 +
(60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 +
(60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 +
(60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 +
(60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 + (60 − 128,7)4 +
(75 − 128,7)4 + (75 − 128,7)4 + (90 − 128,7)4 + (90 − 128,7)4 + (909 − 128,7)4 +
(20 − 128,7)4 + (120 − 128,7)4 + (120 − 128,7)4 + (120 − 128,7)4 + (120 − 128,7)4 +
(120 − 128,7)4 + (120 − 128,7)4 + (120 − 128,7)4 + (120 − 128,7)4 + (120 − 128,7)4 +
(120 − 128,7)4 + (120 − 128,7)4 + (120 − 128,7)4 + (120 − 128,7)4 + (180 − 128,7)4 +
(180 − 128,7)4 + (180 − 128,7)4 + (180 − 128,7)4 + (180 − 128,7)4 + (180 − 128,7)4 +
(180 − 128,7)4 + (180 − 128,7)4 + (180 − 128,7)4 + (180 − 128,7)4 + (180 − 128,7)4 +
(180 − 128,7)4 + (180 − 128,7)4 + (180 − 128,7)4 + (210 − 128,7)4 + (240 − 128,7)4 +
(240 − 128,7)4 + (240 − 128,7)4 + (240 − 128,7)4 + (240 − 128,7)4 + (240 − 128,7)4 +
(240 − 128,7)4 + (240 − 128,7)4 + (240 − 128,7)4 + (240 − 128,7)4 + (240 − 128,7)4 +
(240 − 128,7)4 + (300 − 128,7)4 + (300 − 128,7)4 + (300 − 128,7)4 + (300 − 128,7)4 +
100(100 + 1) (300 − 128,7)4 + (300 − 128,7)4 + (300 − 128,7)4 + (312 − 128,7)4 + (420 − 128,7)4 +
K= × −
(100 − 1)(100 − 2)(100 − 3 89,74
3(100 − 1)2
(100 − 2)(100 − 3)
20100 18555354436 29403

K= × −
(99)(98)(97) 64739564,29 (98)(97)
42349025 29403
K= −
2103057 9506
K = 6,12 − 3,09
K = 6,12
Jadi, kurtosis untuk data lama berkunjung adalah 6,12.
c. Penyajian Data
1) Range
R = Xmax − Xmin
R = 420 − 2
R = 418
2) Banyak Kelas
K = 1 + 3,3 log n
K = 1 + 3,3 log 100
K = 1 + 3,3(2)
K = 7,6 ≈ 8
3) Panjang Kelas
R
I=
K
418
I=
8
I = 52,25 ≈ 52
4) Batas Kelas
Xmin = 2
5) Tabel Distribusi
Tabel 9 Tabel Distribusi Frekuensi Data Lama Berkunjung
Tingkat Kepuasan Frekuensi
2-60 45
61-120 19
121-180 14
181-240 13
241-300 17
301-360 1
361-420 1
Total 100
a) Histogram
Data Lama Berkunjung

50
40
30
20
10
0
001-060 061-120 121-180 181-240 241-300 301-360 361-420
Gambar 45 Diagram Histogram Data Lama Berkunjung

b) Polygon

50
40
30
20
10
0
001-060 061-120 121-180 181-240 241-300 301-360 361-420
Gambar 46 Diagram Polygon Data Lama Berkunjung

c) Ogive
120
100
80
60
40
20
0
1 2 3 4 5 6 7
Gambar 4. 47 Diagram Ogive Data Lama Berkunjung

d) Pie Chart
001-060 061-120 121-180 181-240

241-300 301-360 361-420
Gambar 48 Diagram Pie Chart Data Lama Berkunjung

1) Buka software SPSS

2) Masukkan variabel data lama berkunjung pada variable

view
Gambar 50 Masukkan Variabel Data Lama Berkunjung Pada

Variable View
3) Masukkan data lama berkunjung pada data view
Gambar 51 Masukkan Data Lama Berkunjung Pada Data

View
4) Pilih menu analyze, kemudian pilih descriptive statistics,

lalu klik frekuencies
Gambar 52 Pilih Menu Analyze, Kemudian Pilih Descriptive

Statistics, Lalu Klik Frekuencies
5) Masukkan variabel data lama berkunjung pada kolom
variabel(s)
Gambar 53 Masukkan variabel data lama berkunjung pada

kolom variabel(s)
6) Klik statistics, lalu centang data yang ingin ditampilkan,

klik Ok, lalu klik continue
Gambar 54 Klik statistics, lalu centang data yang ingin

ditampilkan, klik Ok, lalu klik continue
Gambar 55 Hasil Pengolahan Data


1) Histogram
Gambar 56 Langkah-Langkah Membuat Histogram Data

Lama Berkunjung
Gambar 57 Diagram Histogram Data Lama Berkunjung

2) Polygon
Line → Simple (summaries for groups of cases) → N of
cases → Pindahkan ke category axis → OK
Gambar 58 Langkah-Langkah Membuat Polygon Data Lama

Berkunjung
Gambar 59 Diagram Polygon Data Lama Berkunjung

3) Ogive

Gambar 60 Langkah-Langkah Membuat Diagram Ogive Data

Lama Berkunjung
Gambar 61 Diagram Ogive Data Lama Berkunjung

4) Pie Chart
by → OK
Gambar 62 Langkah-Langkah Membuat Pie Chart Data Lama

Berkunjung
Gambar 63 Diagram Pie Chart data lama berkunjung

Tabel 10 Pivot Table Data Lama Berkunjung
Sum of
Column
Lama
Labels
Berkunjung
Grand
Row Labels 18 19 21 22 23 24 25 26 27 28 29
Total
20 240 240
21 300 300
22 180 180 360
23 60 95 180 60 300 695
24 180 120 300 450 300 120 1470
25 120 270 160 550
26 240 300 80 60 120 800
27 60 90 329 479
28 180 60 120 360
29 2 480 240 240 420 1382
30 720 60 60 840
31 60 240 120 420
Lanjutan Tabel 10 Pivot Table Data Lama Berkunjung

32 240 60 120 420
33 240 240
34 90 60 150
35 60 120 60 60 300
36 60 60
37 60 60
38 60 60
39 60 60
40 60 60 360 30 510
42 30 30
43 300 60 360
44 300 60 360
45 120 120 240 480
48 300 300
50 300 300
51 60 60
59 60 60
60 180 180
63 210 210
64 60 60
65 300 300
68 180 180
69 180 180
70 60 60
Grand Total 360 180 240 1562 2760 1165 2889 1620 930 630 540 12876

2) Memasukkan variabel-variabel sesuai kolomnya dan data

tingkat kepuasan pada kolom value


4.1 Pengolahan Data
BAB V
PEMBAHASAN
BAB VI
PENUTUP
6.1 Kesimpulan
6.2 Saran
DAFTAR PUSTAKA
LAMPIRAN

Ahmad - Modul 1 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ahmad - Modul 1 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL I

LABORATORIUM STATISTIK DAN MANAJEMEN MUTU

2.1.1 Pengertian Statistik Menurut Ahli dan Kesimpulan Berdasarkan Definisi

Berikut merupakan beberapa peran statistik (dalam Hanief dan Himawanto

statistika merupakan ilmu pengembangan dan metode yang efektif untuk

e. Dalam statistika diperlukan adanya penafsiran atau analisis data

2.2.2 Tujuan dan Manfaat Statistik Deskriptif

2.3 Istilah-istilah dalam statistik

Populasi adalah himpunan seluruh objek yang ingin diketahui besaran

1) Wawancara tidak terstruktur

Klasifikasi data adalah proses menghubungkan karakteristik metadata

c. Berdasarkan Jenis Data

1) Data Cross Section

Tabel 2. 2 Data Berdasarkan Skala

3. Interval • Urutan bertingkat dan dikuantifikasi (diberi nilai) • Nilai mahasiswa

• Lebih “tinggi” dibanding data C=2,D=1, dan

2.7 Ukuran Pemusatan Data

standar deviasinya adalah 16,62. Berapakah Standard error of mean

digunakan. Dalam hal ini tingkat ketelitian data yang digunakan

Range = Nilai Maksimum − Nilai Minimum

2.9.4 Contoh Distribusi Frekuensi

Ukuran Tingkat Kemencengan (TK) berdasarkan Momen ketiga

Berdasarkan jawaban tersebut diketahui bahwa nilai Sk > 0, maka kurva

dibuat dari distribusi frekuensi data tunggal maupun dari distribusi

Gambar 2.1 Histogram

Gambar 2.2 Poligon

Gambar 2.3 Ogive

Gambar 2.4 Pie Chart

Gambar 2.5 Tabel

Gambar 2.6 Diagram Pencar

Gambar 2.7 Pivot Table

Gambar 2.8 Steam & Leaf

umumnya ditujukan pada pengguna SPSS dengan latar

b) Mudah dalam memasukan data

1 sheet. Jadi dalam 1 sheet bisa menampung jawaban 1

Tabel 1 Data Usia, Tingkat Kepuasan dan Lama Berkunjung

Lanjutan Tabel 1 Data Usia, Tingkat Kepuasan dan Lama Berkunjung

4.1 Pengolahan Data Usia

Lanjutan Tabel 2 Data Usia

4.1.1 Pengolahan Data Manual

20100 8973266,25 29403

Gambar 1 Diagram Histogram Data Usia

Gambar 2 Diagram Polygon Data Usia

Gambar 3 Diagram Ogive Data Usia

Gambar 4 Diagram Pie Chart Data Usia

4.1.2 Ukuran Pemusatan Data

Gambar 5 Buka Software SPSS

2) Masukkan variabel data usia pada variable view.

Gambar 6 Masukkan Data Usia Pada Variable View

3) Masukkan data usia pada data view.

Gambar 7 Masukkan Data Usia Pada Data View

4) Pilih menu analyze, kemudian pilih descriptive statistics, lalu

Gambar 8 Pilih Menu Analyze, Kemudian Pilih Descriptive

Gambar 9 Masukkan Variabel Data Usia Pada Kolom

6) Klik statistics, lalu centang data yang ingin ditampilkan, klik

Gambar 10 Klik Statistics, Lalu Centang Data Yang Ingin

7) Tampak hasil pengolahan data

Gambar 11 Tampak Hasil Pengolahan

b. Langkah-Langkah Penyajian Data

Gambar 12 Langkah-Langkah Membuat Histogram Data Usia

Gambar 13 Diagram Histogram Data Usia

Line → Simple (summaries for groups of cases) → N of

Gambar 14 Langkah-Langkah Membuat Polygon Data Usia