KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN

UNIVERSITAS HASANUDDIN
FAKULTAS TEKNIK
DEPARTEMEN TEKNIK GEOLOGI

ACARA I : PENGENALAN DAN PENGOLAHAN DATA STATISTIK

DENGAN MENGGUNAKAN IBM SPSS VERSI 26.0

LAPORAN

OLEH : SRI HARIANTI ANUGRAH

NO. MHS : D061191083

GOWA
2021
 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN
UNIVERSITAS HASANUDDIN
FAKULTAS TEKNIK
DEPARTEMEN TEKNIK GEOLOGI

ACARA I : PENGENALAN DAN PENGOLAHAN DATA STATISTIK

DENGAN MENGGUNAKAN IBM SPSS VERSI 26.0

LAPORAN

Diajukan sebagai Salah Satu Syarat Kelulusan

Mata Kuliah Geotatistik pada Departemen Teknik Geologi
Fakultas Teknik Universitas Hasanuddin

OLEH : SRI HARIANTI ANUGRAH

NO. MHS : D061191083

GOWA
2021
 KATA PENGANTAR

Puji syukur penyusun panjatkan kehadirat Tuhan Yang Maha Esa yang
telah melimpahkan karunia beserta rahmat-Nya, sehingga penyusun dapat
menyelesaikan laporan praktikum dengan judul “Pengenalan dan Pengolahan
Data Statistik dengan Menggunakan Ibm Spss Versi 26.0”.

Laporan penelitian ini merupakan salah satu syarat Kelulusan Mata

Kuliah Geotatistik pada Departemen Teknik Geologi Fakultas Teknik Universitas
Hasanuddin
Proposal penelitian ini disusun atas kerjasama dan berkat bantuan dari
berbagai pihak. Pada kesempatan ini penyusun mengucapkan terima kasih
kepada Bapak Baso Rezki Maulana, S.T, M.T selaku dosen matakuliah
geostatistik.
Penyusun menyadari adanya keterbatasan di dalam penyusunan laporan
tugas akhir ini. Besar harapan penyusun akan saran dan kritik yang bersifat
membangun. Akhirnya Penyusun berharap agar laporan ini dapat bermanfaat
bagi penyusun dan bagi pembaca sekalian
 DAFTAR ISI

Halaman
KATA PENGANTAR..................................................................................iii
DAFTAR ISI ..............................................................................................iv
BAB I PENDAHULUAN .........................................................................1
1.1 Latar Belakang......................................................................1
1.2 Maksud dan Tujuan...............................................................1
1.3 Alat dan Bahan......................................................................1
BAB II TINJAUAN PUSTAKA.................................................................3
2.1 Pengertian Statistik dan Geostatistik......................................3
2.2 Data………………………………………………………………...4
2.3 Penyajian Data.......................................................................5
2.4 Ukuran Statistik......................................................................10
BAB IV PEMBAHASAN.............................................................................12
4.1 Prosedur Kerja dan Pengolahan Data1...................................12
4.2 Frequencies dan Descreptive Data2 ......................................12
4.3 Tabulasi Silang (Crosstabs)2..................................................18
4.4 Q-Q dan P-P Plot Diagrams2..................................................24
BAB V PENUTUP3...................................................................................30
DAFTAR PUSTAKA4..................................................................................31

1
Membahas tentang langkah kerja dan metode pengolahan data pada software lengkap dengan gambar
(Print Screen Halaman kerja SPSS dan MS. Excel)
2
Jelaskan secara lengkap hasil output software beserta dasar rumus/formula (sesuai teori dasar statistik)
dalam bentuk paragraf beserta dengan diagram/tabel hasil analisis deskriptif.
3
Berisi tentang kesimpulan singkat hasil pengolahan data peraktikum (mengacu pada tujuan tulisan).
4
Sumber yang digunakan sebagai referensi/kepustakaan laporan, usahakan bersumber dari text book, jurnal,
artikel atau literatur lain yang terpublis (Tahun pencetakan dan Nama penerbit), dan bukan berupa referensi
hasil browsing dari website atau blogspot yang tidak akuntabel.
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Menghadapi tantangan Era Industri 4.0, dimana segala aspek kehidupan

telah terintegrasi dengan kemajuan teknologi, maka sangat dibutuhkan sumber
daya manusia yang berkualitas dan memiliki kemampuan sesuai tuntutan dunia
kerja yang erat kaitannya dengan capaian mata kuliah dan bersinergi dengan
visi, misi dan tujuan kampus. Sehingga, calon geologist dalam hal ini mahasiswa
Teknik Geologi Unhas diharapkan mampu menjawab tantangan dan tuntutan
tersebut. Salah satu kemampuan yang penting dikuasai adalah kemampuan
menganalisis dan menyelesaikan data geologi dengan menggunakan
pendekatan geostatistik (e.g. perhitungan statistik cadangan/kandungan batuan,
mineral dan lainnya.

1.2 Maksud dan Tujuan

Maksud dari praktikum statistik ini adalah untuk menganalisis dan

menyelesaikan permasalahan geologi dengan pendekatan statistik, khususnya
yang berkaitan ruang lingkup ilmu geologi (geostatistik).

Adapun tujuan dari praktikum geostatistik ini, yaitu:

1. Mahasiswa mampu mengolah, menyajikan dan menjelaskan manfaat data-
data statistik (Frequencies, Descreptives Data, Crosstabs, Q-Q dan P-P
Plot Diagrams) menggunakan aplikasi program e.g. MS. Office (Excel) dan
SPSS.
2. Mahasiswa diharapkan dapat menggunakan berbagai variabel data dalam
bentuk data statistik untuk menyelesaikan masalah geologi.
3. Mengetahui manfaat dari pengolahan analisis statistika dan kaitannya
dengan disiplin ilmu (geologi).

1.3 Alat dan Bahan

Alat dan bahan yang digunakan pada praktikum geostatistik ini, yaitu:
1. Data statistik (Problem Sheet)
2. Laptop/Personal Computer
3. Program Aplikasi/Software SPSS Ver. 26.0 dan Ms. Excel
 BAB II
TINJAUAN PUSTAKA

2.1. Pengertian Statistik dan Geostatistik

Statistik merupakan kumpulan data, bilangan atau non bilangan yang

disajikan sedemikian rupa (biasanya dalam bentuk tabel atau grafik) yang
menggambarkan suatu persoalan atau keadaan. Statistika adalah pengetahuan
yang berhubungan dengan cara-cara pengumpulan, penyajian, pengolahan dan
analisis data, serta macam teknik analisis data. Statistika digunakan sebagai
cara-cara ilmiah untuk mengumpulkan, menyusun, meringkas dan menyajikan
data penelitian. Lebih lanjut statistika merupakan cara untuk mengolah data
tersebut dan menarik kesimpulan yang teliti dan keputusan yang logik dari
pengolahan data tersebut. Sedangkan statistik lebih banyak digunakan untuk
menggambarkan keadaan atau permasalahan seperti pencataan banyaknya
penduduk, hasil pertanian di suatu daerah, dan semacamnya.
Kata Statistik berasal dari bahasa latin yakni status yang berarti negara.
Perkembangan awalnya statistik diartikan sebagai keterangan-keterangan yang
dibutuhkan oleh negara dan berguna bagi negara itu sendiri. Dalam pengertian
ini statistik hanya diartikan sangat terbatas yaitu sekumpulan data atau angka
mengenai kondisi penduduk.
Statistik merupakan ilmu yang mempelajari seluk beluk data berkaitan
dengan pengumpulan, pengklasifikasian, penyajian, pengolahan, penganalisisan,
penafsiran dan penarikan kesimpulan dari data yang berbentuk angka-angka.
Geostatistik adalah metode statistik yang digunakan untuk melihat
hubungan antar variable yang diukur pada titik tertentu dengan variable yang
sama diukur pada titik dengan jarak tertentu dari titik pertama (data spasial) dan
digunakan untuk mengestimasi parameter di tempat yang tidak diketahui datanya
(Oliver and Carol,2005).
Sifat khusus dari data spasial ini adalah ketakbebasan dan keheterogenan.
Ketakbebasan disebabkan oleh adanya perhitungan galat pengamatan dan hasil
yang diteliti dalam satu titik ditentukan oleh titik yang lainnya dalam sistem dan
keheterogenan disebabkan adanya perbedaan wilayah
2.2. Data

Himpunan nilai / variate / datum atau informasi lain yg diperoleh dari

observasi, pengukuran dan penilaian) terhadap satu obyek atau lebih. Secara
umum, data terbagi menjadi dua yaitu data kualitatif dan data kuantitatif. Data
kualitatif adalah data yang diperoleh dari hasil pengamatan. Data kuantitatif
adalah data yang diperoleh dari kegiatan pengukuran atau penilaian.
Penggolongan data statistik
Berdasarkan sifat angka:
1. Data kontinu, yaitu data statistik yang angka-angkanya merupakan deretan
angka yang sambung-menyambung, misalnya; data BB (kg): 40.3, 40.9, 50
dan seterusnya data BB (kg): 40.3, 40.9, 50 dan seterusnya.
2. Data diskrit, yaitu data statistik yg tidak mungkin berbentuk pecahan,
misalnya; data jumlah siswa: 36, 40, 42 dan seterusnya.
Berdasarkan cara menyusun angkanya:
1. Data nominal, yaitu data statistik yang cara menyusunnya didasarkan pada
klasifikasi tertentu, misalnya; jumlah mahasiswa P Matematika TA
2011/2012 menurut tingkat dan jenis kelaminnya.
2. Data ordinal atau urutan, yaitu data statistik yang cara menyusun angkanya
didasarkan pada urutan atau ranking, misalnya: Hasil nilai statistik
berdasarkan ranking.
3. Data interval, yaitu data statistik dimana terdapat jarak yang sama diantara
hal-hal yg sedang diteliti.
Berdasarkan bentuk angkanya:
1. Data tunggal, yaitu data statistik yg angka-angkanya merupakan satu unit
atau satu kesatuan, tidak dikelompokkan.
2. Data kelompok, yaitu data statistik yang tiap unitnya terdiri dari sekelompok
angka, 50-55, 56-61 dan seterusnya
Berdasarkan waktu pengumpulannya:
1. Data seketika, yaitu data statistik yang mencerminkan keadaan pada suatu
waktu saja, Misal : pada semester gasal 2011/2012.
2. Data urutan waktu, yaitu data statistik yang mencerminkan keadaan dari
waktu ke waktu secara berurutan, Misal: jumlah mahasiswa yg lulus dari
tahun 2006-2012
2.3. Penyajian Data

Penyajian data statistik adalah suatu bentuk penataan data statistik agar
data statistik lebih mudah dipandang dan mudah dipahami oleh pengguna data.
Tujuannya adalah adalah agar data statistik mudah dimengerti, mudah dianalisis,
sehingga proses pengambilan kesimpulan dan keputusan berdasarkan data
menjadi lebih akurat.
Penyajian data statistik biasanya terdiri dari dua bentuk, yaitu:
1. Penyajian data dalam bentuk tabel
2. Penyajian data dalam bentuk grafik
Tabel biasanya menyajikan data dalam bentuk kolom dan baris sedangkan
grafik menyajikan data dalam bentuk gambar visual. Kedua bentuk penyajian
data tersebut akan dijelaskan pada ulasan di bawah ini.
A. Penyajian Data Dalam Bentuk Tabel
Komponen-komponen yang biasanya harus ada dalam tabel adalah judul
tabel, judul kolom, judul baris, sel-sel tabel dan sumber data. Bentuk penyajian
data dalam berupa tabel adalah sebagai berikut.
1. Tabel Baris Kolom
Tabel baris kolom adalah tabel yang terdiri dari baris dan kolom. Jenis tabel
baris kolom yaitu:
a. Tabel Satu Arah
Tabel satu arah adalah tabel yang berisi satu karakteristik saja.
b. Tabel Dua Arah
Tabel dua arah adalah tabel yang berisi mengenai dua karakteristik
berbeda.
c. Tabel Tiga Arah
Tabel tiga arah adalah tabel yang berisi mengenai tiga karakteristik
yang berbeda.
2. Tabel Kontingensi
Tabel kontingensi merupakan tabel baris kolom yang memiliki karakteristik
sendiri yaitu penyajian data dengan 2 faktor atau 2 variabel. Setiap
variabelnya terdiri dari beberapa ketegori bisa dalam bentuk baris, kolom,
dan total.
 Berikut ini adalah contoh tabel kontingensi 2×3:

B. Penyajian Data Dalam Bentuk Grafik

Grafik adalah bentuk penyajikan data statistik berupa gambar-gambar
visual. Oleh karena itu penyajian data menggunakan grafik akan mempermudah
dalam penyampaian sebuah data.
Pengguna data akan lebih mudah memahami keadaan data yang
ditampilkan melalui grafik daripada tabel karena manusia cenderung lebih
menyukai sesuatu yang disampaikan secara visual daripada melalui kata-kata.
Ada banyak jenis penyajian data dalam bentuk grafik. Berikut akan
disajikan hanya beberapa bentuk saja.
1. Grafik Batang
Grafik batang merupakan grafik yang terdiri batang-batang. Grafik batang
dapat digambarkan secara vertikal maupun Horizontal. Grafik batang terdiri
dari dua bagian yaitu grafik batang tunggal (single bar chart) dan grafik
batang ganda(multiple bar chart). Grafik batang lebih cocok
menggambarkan data yang menunjukkan kuantitas atau data yang
bertujuan memberikan perbandingan sebuah rangkaian data. Contoh grafik
batang tunggal (single bar chart) adalah sebagai berikut.
Jumlah Sekolah (SD, SMP dan SMA) Dibawah Kementerian Pendidikan dan
Kebudayaan di Provinsi DKI Jakarta, 2019/2020 Semester Ganjil
2. Grafik Garis
Grafik garis adalah grafik yang posisi titik-titiknya dihubungkan dengan
garis-garis saja. Grafik garis dibuat dengan 2 sumbu XXX yang
menunjukkan bilangan bersifat tetap, seperti tahun, ukuran dan lainnya.
Sementara pada sumbu YYY ditempatkan bilangan yang sifatnya dapat
berubah-ubah seperti jumlah, harga dan lainnya.
Biasaya grafik garis digunakan untuk melihat perkembangan suatu data
dari waktu ke waktu, misalnya perkembangan harga emas setiap hari,
perkembangan inflasi setiap bulan dan lain-lain.
Berikut disajikan contoh grafik garis perkembangan penjualan sparepart
mobil sebuah toko onderdil mobil
Berikut ini data pendapatan penjualan Sparepart Mobil Tahun 2020.

3. Grafik Lingkaran
Grafik lingkaran merupakan sebuah grafik yang berbentuk lingkaran yang
dibagi-bagi menjadi beberapa irisan. Umumnya digunakan untuk
menyajiakan data dalam bentuk persentase.
Untuk membuat grafik lingkaran, gambarkan sebuah lingkaran kemudian
bagi menjadi beberapa sektor. Tiap sektor berisi kategori data yang terlebih
dahulu diubah kedalam format derajat. Dianjurkan titik pembagian mulai
dari titik tertinggi lingkaran.
Contoh pembentukan grafik lingkaran dapat dilihat pada tabel di bawah ini.
Jumlah Sekolah (SD, SMP dan SMA) Dibawah Kementerian Pendidikan dan
Kebudayaan di Provinsi DKI Jakarta, 2019/2020 Semester Ganjil
 Grafik lingkaran diperoleh dari pembagian lingkaran berdasarkan derajat
yang dihasilkan.
Jumlah Sekolah Dibawah Kementerian Pendidikan dan Kebudayaan di Provinsi
DKI Jakarta, 2019/2020 Semester Ganjil

4. Scatter Plot
Scatter plot adalah kumpulan data yang terdiri atas dua variabel dapat
dibuat dalam sumbu koordinat yang merupakan kumpulan titik-titik yang
terpencar dan garis penghubung antara titik-titik dihilangkan maka disebut
scatter plot. Scatter plot adalah grafik yang menunjukkan hubungan antara
dua kelompok data yang jumlahnya sama.Tujuannya untuk melihat pola
hubungan antara 2 variabel apakah linier atau non linier atau tidak
berhubungan sama sekali.
Langkah-langkah pembentukan scatter plot yaitu:
1. Kumpulkan pasangan data xxx dan y.y.y.
2. Tentukan nilai maksimum dan minimun untuk kedua variabel xxx dan y.y.y.
3. Tetapkan skala pada sumbu datar xxx dan sumbu tegak y.y.y.
4. Buat Plot data.
Berikut adalah pembuatan scatter plot dari tabel di bawah ini
Grafik Kadar Nikotin dan Gas Karbon Monoksida yang dihasilkan oleh 15 merek
rokok.
5. Histogram dan Poligon Frekuensi
Histogram adalah suatu daftar distribusi frekuensi yang disajikan dalam
bentuk grafik yang dibangun oleh persegi panjang dengan lebar yang sama
dan berimpit. Dari sebuah histogram kita dapat membuat poligon frekuensi
yang merupakan garis patah-patah yang menghubungkan setiap titik
tengah atas persegi panjang histogram.
Langkah-langkah dalam membuat histogram dan poligon yaitu ;
1. Buatlah sumbu horizontal dan sumbu vertikal yang saling berpotongan.
2. Untuk membantuk histogram, gambarkan batang kelas-kelas interval
sesuai dengan frekuensi pada sumbu horizontal dan sumbu vertikal.
3. Untuk membuat garis poligon, tentukan titik tengah tiap kelas dan
hubungkan nilai titik tengah sesuai dengan nilai frekuensinya.
Grafik histogram nilai mahasiswa
2.4. Ukuran Statistika

Untuk mendapatkan gambaran yang lebih jelas dari sekumpulan data maka
data itu disajikan dalam tabel dan diagram, dan masih diperlukan ukuran-ukuran
yang merupakan wakil dari kumpulan data tersebut. Ukuran yang merupakan
wakil dari sekumpulan data tersebut dinyatakan sebagai ukuran statistik. Ada 2
macam ukuran statistik:
a. Ukuran Pemusatan data
Ukuran pemusatan mencakup data:
1. Ungrouped data, yaitu data yang belum dikelompokkan (data tunggal)
2. Grouped data, yaitu data yang telah dikelompokkan
Untuk menghitung ukuran pemusatan pada data yang telah
dikelompokkan, digunakan tabel distribusi frekuensi
b. Ukuran Penyebaran data
Ukuran letak untuk data kuantitatif dapat berupa:
1. Quartile (norma empat bagian)
Quartile adalah ilai-nilai yang membagi sekumpulan data yang telah
terurut menjadi empat bagian yang sama. Ada tiga jenis kuartil: kuartil
bawah(Q1),kuartil tengah(Q2),dan kuartil atas(Q3).
a. Kuartil kedua sama dengan median
b. Q1 mempunyai sifat bahwa 25% data berada dibawah Q1
c. Q2 mempunyai sifat bahwa 50% data berada dibawah Q2
d. Q3 mempunyai sifat bahwa 75% data berada dibawah Q3
2. Decile (norma sepuluh bagian)
Decile adalah ukuran letak yang membagi distribusi frekwensi menjadi
sepuluh bagian sama besar. Ada 9 jenis desil yang dilambangkan
dengan D1, D2 sampai D9. D1 mempunyai sifat bahwa 10% data jatuh
dibawah D1, 20% data jatuh dibawah D2 dan seterusnya sampai 90%
jatuh dibawah D9. Decile dapat digunakan untuk menghitung data
tunggal dan data berkelompok
3. Percentile (norma seratur bagian)
Percentile merupakan ukuran letak yang membagi distribusi frekwensi
menjadi serratus bagian sama besar. Ada 99 jenis desil yang
dilambangkan dengan P1, P2 sampai P99. P1 mempunyai sifat bahwa
1% data jatuh dibawah P1, 2% data jatuh dibawah P2 dan seterusnya
sampai 99% jatuh dibawah P99. Dapat digunakan untuk menghitung
data tunggal dan data berkelompok
 BAB III
PEMBAHASAN

3.1 Prosedur Kerja dan Pengolahan Data

Adapun prosedur kerja dalam praktikum statistik kali ini adalah

GET DATA
/TYPE=XLSX
/FILE='DOCUMENT:\SEMESTER 5\GEOSTATISTIK\TUGAS 1 (SPSS)\Problem
Sheet New.xlsx'
/SHEET=name 'BM'
/CELLRANGE=FULL
/READNAMES=ON
/DATATYPEMIN PERCENTAGE=95.0
/HIDDEN IGNORE=YES.
EXECUTE.
DATASET NAME DataSet2 WINDOW=FRONT.
DESCRIPTIVES VARIABLES=Fe Ni
/STATISTICS=MEAN SUM STDDEV VARIANCE RANGE MIN MAX SEMEAN
KURTOSIS SKEWNESS
/SORT=NAME (A).

3.2 Frequencies dan Descriptive Data

3.2.1 Frequencies

Frekuensi   termasuk   pada   kategori   statistik   deskriptif, digunakan

untuk menyusun data yang jumlahnya relatif banyak ke dalam suatu tabel
frekuensi.
 Fe

Cumulative
Frequency Percent Valid Percent Percent

Valid 5.752000000000001 2 6.7 6.7 6.7

5.972000000000000 1 3.3 3.3 10.0

5.992000000000000 1 3.3 3.3 13.3

6.412000000000000 2 6.7 6.7 20.0

6.572000000000000 1 3.3 3.3 23.3

6.672000000000001 1 3.3 3.3 26.7

6.782000000000000 2 6.7 6.7 33.3

6.992000000000000 1 3.3 3.3 36.7

7.052000000000000 1 3.3 3.3 40.0

7.472000000000000 1 3.3 3.3 43.3

7.592000000000001 1 3.3 3.3 46.7

7.682000000000000 1 3.3 3.3 50.0

7.772000000000000 1 3.3 3.3 53.3

7.972000000000000 1 3.3 3.3 56.7

8.193538461538461 1 3.3 3.3 60.0

8.612000000000000 1 3.3 3.3 63.3

8.892000000000000 1 3.3 3.3 66.7

9.302000000000000 1 3.3 3.3 70.0

9.612000000000000 1 3.3 3.3 73.3

9.762000000000000 1 3.3 3.3 76.7

9.852000000000000 1 3.3 3.3 80.0

 9.992000000000000 1 3.3 3.3 83.3

10.892000000000000 1 3.3 3.3 86.7

10.952000000000000 1 3.3 3.3 90.0

10.972000000000000 1 3.3 3.3 93.3

11.992000000000000 2 6.7 6.7 100.0

Total 30 100.0 100.0

Ni

Cumulative
Frequency Percent Valid Percent Percent

Valid 1.787000000000000 2 6.7 6.7 6.7

1.937000000000000 2 6.7 6.7 13.3

1.997000000000000 1 3.3 3.3 16.7

2.007000000000000 1 3.3 3.3 20.0

2.107000000000000 1 3.3 3.3 23.3

2.117000000000000 1 3.3 3.3 26.7

2.177000000000000 1 3.3 3.3 30.0

2.227000000000000 1 3.3 3.3 33.3

2.237000000000000 1 3.3 3.3 36.7

2.277000000000000 2 6.7 6.7 43.3

2.297000000000000 1 3.3 3.3 46.7

2.317000000000000 1 3.3 3.3 50.0

2.327384615384615 1 3.3 3.3 53.3

2.337000000000000 2 6.7 6.7 60.0

 2.397000000000000 1 3.3 3.3 63.3

2.447000000000000 1 3.3 3.3 66.7

2.477000000000000 1 3.3 3.3 70.0

2.497000000000000 1 3.3 3.3 73.3

2.527000000000000 1 3.3 3.3 76.7

2.577000000000000 1 3.3 3.3 80.0

2.597000000000000 1 3.3 3.3 83.3

2.647000000000000 1 3.3 3.3 86.7

2.697000000000000 1 3.3 3.3 90.0

2.787000000000000 1 3.3 3.3 93.3

2.807000000000000 2 6.7 6.7 100.0

Total 30 100.0 100.0

3.2.2 Descriptive

Notes

Output Created 01-DEC-2021 18:46:59

Comments

Input Active Dataset DataSet2

Filter <none>

Weight <none>

Split File <none>

N of Rows in Working 30
Data File
Missing Value Definition of Missing User-defined missing
Handling values are treated as
missing.

Cases Used Statistics are based on all

cases with valid data.

Syntax FREQUENCIES
VARIABLES=Fe Ni

/NTILES=4

/NTILES=2

/PERCENTILES=25.0
75.0 85.0

/STATISTICS=STDDEV
VARIANCE RANGE
MINIMUM MAXIMUM
SEMEAN MEAN
MEDIAN MODE SUM
SKEWNESS SESKEW

KURTOSIS SEKURT

/HISTOGRAM
NORMAL

/ORDER=ANALYSIS.

Resources Processor Time 00:00:01.52

Elapsed Time 00:00:01.10

Statistics

Fe Ni

N Valid 30 30

Missing 0 0
Mean 8.2217179487179 2.3250128205128
49 21

Std. Error of Mean .34722414449489 .05247529995270

4 1

Median 7.7270000000000 2.3221923076923

00 08

Mode 5.7520000000000 1.7870000000000

01a 00a

Std. Deviation 1.9018249645028 .28741905495944

69 1

Variance 3.617 .083

Skewness .549 -.090

Std. Error of Skewness .427 .427

Kurtosis -.846 -.629

Std. Error of Kurtosis .833 .833

Range 6.2399999999999 1.0200000000000

98 00

Minimum 5.7520000000000 1.7870000000000

01 00

Maximum 11.992000000000 2.8070000000000

000 00

Sum 246.65153846153 69.750384615384

8450 620

Percentiles 25 6.6470000000000 2.1145000000000

00 00
 50 7.7270000000000 2.3221923076923
00 08

75 9.7845000000000 2.5395000000000
01 01

85 10.913000000000 2.6645000000000
000 00

3.3 Tabulasi Silang (Crosstabs)

Histogram
DATASET ACTIVATE DataSet2. DATASET CLOSE DataSet1.

REGRESSION

/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Fe
/METHOD=ENTER Ni.

Regression

Notes

Output Created 01-DEC-2021 18:49:17

Comments

Input Active Dataset DataSet2

Filter <none>

Weight <none>

Split File <none>

N of Rows in Working Data 30

File

Missing Value Handling Definition of Missing User-defined missing values

are treated as missing.

Cases Used Statistics are based on cases

with no missing values for
any variable used.
Syntax REGRESSION

/MISSING LISTWISE

/STATISTICS COEFF
OUTS R ANOVA

/CRITERIA=PIN(.05)
POUT(.10)

/NOORIGIN

/DEPENDENT Fe

/METHOD=ENTER Ni.

Resources Processor Time 00:00:00.03

Elapsed Time 00:00:00.02

Memory Required 2480 bytes

Additional Memory Required 0 bytes

for Residual Plots

Variables Entered/Removeda

Variables Variables
Model Entered
a. Removed
Dependent Variable: Fe Method

1 Ni
b
b. All requested .
variables entered. Enter

Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .550a .302 .277 1.616682283054

351
a. Predictors: (Constant), Ni

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 31.709 1 31.709 12.132 .002b

Residual 73.183 28 2.614

Total 104.891 29

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 16.680 2.446 6.818 .000

Ni -3.638 1.045 -.550 -3.483 .002

a. Dependent Variable: Fe

CORRELATIONS
/VARIABLES=Fe Ni
/PRINT=TWOTAIL NOSIG
/MISSING=PAIRWISE.

Correlations

Notes

Output Created 01-DEC-2021 18:50:28

Comments
Input Active Dataset DataSet2

Filter <none>

Weight <none>

Split File <none>

N of Rows in Working Data 30

File

Missing Value Handling Definition of Missing User-defined missing values

are treated as missing.

Cases Used Statistics for each pair of

variables are based on all the
cases with valid data for that
pair.

Syntax CORRELATIONS

/VARIABLES=Fe Ni

/PRINT=TWOTAIL NOSIG

/MISSING=PAIRWISE.

Resources Processor Time 00:00:00.02

Elapsed Time 00:00:00.02

Correlations

Fe Ni

Fe Pearson Correlation 1 -.550**

Sig. (2-tailed) .002

N 30 30

Ni Pearson Correlation -.550** 1

 Sig. (2-tailed) .002

N 30 30

**. Correlation is significant at the 0.01 level (2-tailed).

NONPAR CORR

/VARIABLES=Fe Ni

/PRINT=SPEARMAN TWOTAIL NOSIG

Nonparametric Correlations

Notes

Output Created 01-DEC-2021 18:50:28

Comments

Input Active Dataset DataSet2

Filter <none>

Weight <none>

Split File <none>

N of Rows in Working Data 30

File

Missing Value Handling Definition of Missing User-defined missing values

are treated as missing.

Cases Used Statistics for each pair of

variables are based on all the
cases with valid data for that
pair.
Syntax NONPAR CORR

/VARIABLES=Fe Ni

/PRINT=SPEARMAN
TWOTAIL NOSIG

/MISSING=PAIRWISE.

Resources Processor Time 00:00:00.00

Elapsed Time 00:00:00.00

Number of Cases Allowed 629145 casesa

Correlations

Fe Ni

Spearman's rho Fe Correlation Coefficient 1.000 -.615**

Sig. (2-tailed) . .000

N 30 30

Ni Correlation Coefficient -.615** 1.000

Sig. (2-tailed) .000 .

N 30 30

**. Correlation is significant at the 0.01 level (2-tailed).

PPLOT
/VARIABLES=Fe Ni
/LN
/STANDARDIZE
/TYPE=Q-Q
/FRACTION=BLOM

3.4 Q-Q dan P-P Plot Diagrams

PPlot

Notes

Output Created 01-DEC-2021 18:51:27

Comments

Input Active Dataset DataSet2

Filter <none>

Weight <none>

Split File <none>

N of Rows in Working Data 30

File

Date <none>

Missing Value Handling Definition of Missing User-defined missing values

are treated as missing.

Cases Used For a given sequence or time

series variable, cases with
missing values are not used
in the analysis. Cases with
negative or zero values are
also not used, if the log
transform is requested.
Syntax PPLOT

/VARIABLES=Fe Ni

/LN

/STANDARDIZE

/TYPE=Q-Q

/FRACTION=BLOM

/TIES=MEAN

/DIST=NORMAL.

Resources Processor Time 00:00:01.22

Elapsed Time 00:00:00.87

Use From First observation

To Last observation

Time Series Settings (TSET) Amount of Output PRINT = DEFAULT

Saving New Variables NEWVAR = CURRENT

Maximum Number of Lags in MXAUTO = 16

Autocorrelation or Partial
Autocorrelation Plots

Maximum Number of Lags MXCROSS = 7

Per Cross-Correlation Plots

Maximum Number of New MXNEWVAR = 60

Variables Generated Per
Procedure

Maximum Number of New MXPREDICT = 1000

Cases Per Procedure

Treatment of User-Missing MISSING = EXCLUDE

Values
 Confidence Interval CIN = 95
Percentage Value

Tolerance for Entering TOLER = .0001

Variables in Regression
Equations

Maximum Iterative CNVERGE = .001

Parameter Change

Method of Calculating Std. ACFSE = IND

Errors for Autocorrelations

Length of Seasonal Period Unspecified

Variable Whose Values Unspecified

Label Observations in Plots

Equations Include CONSTANT

Model Description

Model Name MOD_1

Series or Sequence 1 Fe

2 Ni

Transformation Natural logarithm

Non-Seasonal Differencing 0

Seasonal Differencing 0

Length of Seasonal Period No periodicity

Standardization Applied

Distribution Type Normal

Location estimated

Scale estimated
Fractional Rank Estimation Method Blom's

Rank Assigned to Ties Mean rank of tied

values

Applying the model specifications from MOD_1

Case Processing Summary

Fe Ni

Series or Sequence Length 30 30

Number of Missing Values in Negative or Zero Before Log 0 0

the Plot Transform

User-Missing 0 0

System-Missing 0 0

The cases are unweighted.

Estimated Distribution Parameters

Fe Ni

Normal Distribution Location .0000000000000 .0000000000000

00 00

Scale 1.000000000000 1.000000000000

000 000

The cases are unweighted.

Fe
Ni
 BAB IV
PENUTUP
4.1. Kesimpulan

Adapun kesimpulan dari praktikum kali ini adalah

1. Data-data statistik yang diperoleh yaitu (Frequencies, Descreptives Data,
Crosstabs, Q-Q dan P-P Plot Diagram) dengan menggunakan aplikasi
program e.g. MS. Office (Excel) dan SPSS.
2. Variabel data yang digunakan yaitu Data Kuantitatif diberikan problem
sheet dan diolah di aplikasi e.g. MS. Office (Excel) dan SPSS.
3. Manfaat dari pengolahan analisis statistika adalah menganalisis data
dengan mudah dan menerapkan model spasial yang berguna untuk
mengetahui penyebaran data misalkan data mineral suatu daerah.
4.2. Saran

Adapun saran dari praktikum ini adalah agar diadakannya praktikum offline
untuk mempermudah praktikkan dalam memahami penganalisisan data dan
penggunaan software penunjang.

DAFTAR PUSTAKA
Elsevier. Munadi. S, 2005. Pengantar Geostatistik. Jakarta:
Universitas Indonesia.
Kristalina, Mita. 2020. Modul Pengantar: Ukuran Pemusatan Data.
Sulestijono. 2016. Pengantar Statistika. Malang: Universitas Negeri
Malang