A.

Identitas Job Sheet

IDENTITAS JOB SHEET

Perguruan Tinggi : Politeknik Negeri Bengkalis Pertemuan : 10
Jurusan/Program Studi : Bisnis digital Job ke :2
Kode Mata Kuliah : Jumlah Halaman : 14
Nama Mata Kuliah : Praktikum Metode Penelitian Mulai Berlaku : 2020
bisnis Dan Proyek Akhir

B. Komponen Job Sheet

Judul Job
JOB 2
DATA SCREENING DAN TRANSFORMASI DATA
Tujuan
Mahasiswa Diharapkan Akan Mengetahui Data Screening,Transformasi
Data,Analisis Deskriptif,Transformasi Data Dengan Perintah
Recode,Transformasi Data Dengan Perintah Compute,dan Interpretasi
Hasil

Dasar Teori

DATA SCREENING DAN TRANSFORMASI DATA

A. Data Screening
Data screening, atau juga dikenal dengan data cleaning (membersihkan data)
merupakan salah satu teknik persiapan data untuk analisa data kuantitatif. Tujuan
utama dari data screening ini adalah khususnya menghilangkan data-data yang
hilang (missing value) ataupun data-data yang dianggap tidak normal. Contohnya,
kita sering menemui data-data dari kuesioner tidak diisi oleh responden pada
beberapa item, mungkin dikarenakan terlewat, terlupakan, atau mungkin saja
responden tidak berkenan mengisinya. Juga, banyak ditemui data-data yang

27
diisikan oleh responden tidak sesuai dengan apa yang diinstruksikan. Misal, dalam
skala sikap 1 sampai 5, responden mengisi 0, atau 6. Sehingga, nilai 0 atau 6 ini
menjadi data yang dianggap diluar kewajaran untuk dianalisa secara kuantitaitf.
Contoh dalam aplikasi kuesioner dapat disimak sebagai berikut:
Ada seorang responden (responden 1) yang diminta menilai 5 jenis nasi
goreng dengan skala 1-5, dengan skala 1: sangat tidak enak, dan skala 5
menunjukan rasa sempurna (sangat enak). Data yang diperoleh:
yang Responden 1:
Nasi goreng A -3, Nasi goreng B -4, Nasi goreng C-0, Nasi goreng D –ϴ , Nasi
goreng E -5.

Dari data responden diatas, terlihat nasi goreng C mendapatkan score 0

diluar dari skala 1-5. Hal ini bisa jadi responden tidak ingin berkomentar, atau
tidak (ingin) memakan nasi goreng tersebut. Juga pada kasus nasi goreng D yang
tidak memiliki score (ϴ).Sayangnya, banyak peneliti pemula tidak sadar tentang
data screening pada awal persiapan analisa data kuantitatif ini. Banyak juga yang
kemudian memutuskan untuk menghapus atau mengeluarkan (exclude) data-data
yang hilang atau diluar kenormalan tersebut. Padahal, mempersiapkan data
melalui prosedur data screening ini dapat banyak membantu dalam menormalisasi
distribusi data.
B. Transformasi Data
Transform data adalah langkah terakhir dalam merespon nilai hilang. Field
(2013) menyebutkan empat jenis transformasi data, yaitu: transformasi log
transformasi akar kuadrat, transformasi berbanding terbalik, serta transformasi
nilai berlawanan. Tiga transformasi data yang pertama: log, akar kuadrat dan
berbanding terbalik dapat digunakan untuk memperbaiki kemiringan/skew positif
serta varian yang tidak sama. Sedangkan, transformasi nilai berlawanan dapat
dijadikan langkah untuk memperpaiki kemiringan negatif.

Leech, Barret dan Morgan (2005) memberikan alternatif lain, yaitu dengan
mengganti nilai yang hilang tersebut dengan salah satu cara seperti interpolasi,

28
imputasi, ataupun dengan mengganti nilai yang hilang dengan nilai rerata atau
nilai tengah.

Referensi
1. Mulyono, H. (2014, 31 July). Data screening: Membersiapkan data untuk
analisa kuantitatif. Diakses pada tanggal (tuliskan tanggal anda membaca
posting ini) dari (copy link posting ini)
2. Field, A.P. (2013). Dicovering statistics using IBM SPSS Statistics: And
sex and drugs and rock ‘n’ roll (4th ed.) London: Sage
3. Leech, N.L., Barret, K.C., & Morgan, G.A. (2005). SPSS for intermediate
statistics: Use and interpretation (2nd ed). London: Lawrence Erlabaum
Associates.
4. Morgan, G.A., Leech, N.L., Gloeckner, G.W., & Barret, K.C. (2004).
SPSS for introductory statistics: Use and interpretation (2nd ed.). London:
Lawrence Erlabaum Associates.
5. Wilcox, R.R. (2005). Introduction to robust estimation and hypothesis
testing (2nd ed.). Elsevier.
Alat dan Bahan
1. Laptop
2. Infocus
3. Flashdisk
4. Printer
5. Paper A4
Keselamatan Kerja
1. Persyaratan Pencahayaan Ruangan
2. Tata Letak Laptop Yang Sesuai
3. Persyaratan Teknis Ruangan
4. Posisi Duduk Siswa

29
Prosedur Kerja
1. Data screening
Sebelum menganalisis data langkah pertama yang dilakukan adalah dengan
melakukan eksplorasi terhadap data. Penyaringan data (data screening) perlu
dilakukan dengan teliti karena mungkin terjadi kesalahan dalam memasukan
data.Kesalahan memasukan data antara lain karena memasukan data di luar
kisaran (range) kode data atau diluar kisaran nilai data yang telah didefinisikan
atau memasukan data yang sama lebih dari satu kali. Sebagai contoh, memasukan
data jenis kelamin pada variabel jenis kelamin(yang diberi kode“1=Pria” dan
“2=Perempuan”) atau memasukan angka lain untuk IPK yang mempunyai kisaran
0-4. Prosedur data screening menggunakan SPSS biasanya dilakukan dengan
analisis Frequencies. Sebagai contoh penyaringan data akan digunakan data yang
terjadi kesalahan dalam memasukan data sebagai berikut:

Table 2.1.Data Siswa

SEX
ID Jumlah Jam Belajar IPK
(1=pria,2=wanita
1 32 3.6 1
2 16 3.5 2
3 21 2.8 1
4 23 3.7 2
5 8 7.0 3
6 4 3.7 5
7 10 6.0 1
8 15 2.3 2
9 31 3.0 1
10 40 3.9 1

30
Prosedur SPSS untuk Data Screening

1. Definisikan keseluruhan variabel pada halaman Variable View (Gambar 1).

Gambar 2.1. Pendefinisian Variabel.

2. Isikan seluruh data pada halaman Data View (Gambar 2).

Gambar 2.2. Data yang telah di masukan.

2. Untuk melakukan penyaringan data dengan perintah SPSS

Frequencies, Klik Analyze → Descriptive Statistics dan pindahkan
semua variabel yang akan dilakukan Data$ Screening$ ke kotak
Variable(s), kemudian klik Ok (Gambar 3).

31
 Gambar 2.3. penyaringan data dengan perintah SPSS Frequencies.

Hasil dari perintah SPSS Frequencies adalah berupa tabel distribusi frequencies
sebagai berikut:

Gambar 2.4. Output Distribusi Frekuensi Variabel Jenis Kelamin.

Dari hasil Descriptive Statistics untuk variabel jenis kelamin terlihat
dua nilai data 3 dan 5 dengan masingMmasing memiliki frekuensi satu.
Karena kode untuk variabel jenis kelamin terdiri dari “1=Pria” dan
“2=Perempuan”, maka kesalahan memasukan data ini harus dikoreksi.

Gambar 2.5. Output Distribusi Frekuensi variabel IPK

32
2.Transformasi data
Kasus:
Hasil tes belajar siswa yang digunakan dengan model pembelajaran
kooperatif. Berikut hasil yang diperoleh hasil tes belajar yang dipilih 20
mahasiswa
Table.2.2.nilai tes

Langkah-langkah tranformasi data menggunakan SPSS

1. Buka aplikasi SPSS, bisa saudara cari di menu start seperti terlihat pada gambar
berikut:

33
 Gambar 2.6.Icon SPSS
2. Klick program SPSS sampai muncul worksheet area kerja seperti pada gambar
berikut:

Gambar 2.7. Tampilan jendela Spss

3. Sebelah kiri bawah ada dua pilihan yaitu: Data view dan Variabel view
4. Lalu klick variabel view untuk menentukan variabel dari data yang kita punya
5. Isi variabel view seperti terlihat pada gambar berikut:

34
 Gambar 2.8. Tampilan variable view
6. Bila Sudah Di Isi Semua Variabel View Selanjutnya Klick Data View Ada Di
Sebelah Kiri Variabel View Untuk Kita Isi Hasil Tes Belajar Mahasiswa. Lalu Isi
Variabel Kolom Nilai Dengan Nilai Hasil Tes Belajar Dari 20 Mahasiswa Seperti
Terlihat Pada Gambar Berikut:

Gambar 2.9.Tampilan Data View

7. Pada langkah ini kita akan melakukan transformasi dari data di atas
8. Perhatikan pada menu toolbar SPSS diatas silahkan saudara pilih menu
Transform ---> klik Compute Variable maka akan muncul seperti gambar berikut:

35
 Gambar 2.10.tampilan compute variable

9. Pada langkah ini perhatikan baik-baik, pada kolom target variable

isi Hasil_Transformasi, pada kolom function group klik All, pada kolom
Functions and Special Variables cari Lg10, lalu klik dua kali pada Lg10 tersebut,
biarkan tanda (?) dalam kolom Numeric Expression pada gambar, sehingga
gambar berubah seperti berikut:

Gambar 2.11.function and special variables

36
10. Masih pada gambar Compute Variable, Klik dua kali Hasil Belajar[Nilai]
yang ada di bawah Type & Label sehingga berubah dalam kolom Numeric
Expression yaitu: LG10(Nilai) seperti terlihat pada gambar berikut:

Gambar 2.12. Numeric Expression

11. Langkah selanjutnya klik OK, untuk melihat hasil tranformasi data ada di Data
View, seperti pada gambar berikut:

Gambar 2.13. Hasil transformasi

37
12. Langkah selanjutnya akan kita uji normalitas data hasil transformasi. Pada
menu toolbar SPSS paling atas pilih Analyze---> descriptive Statistics--->
Explore. Jika benar yang saudara pilih maka hasilnya seperti gambar berikut:

Gambar 2.14. Tampilan Menu Explore

13. Dari gambar di atas pindahkan Hasil_Transformasi kedalam kotak dependent

List, lalu klick Plots, pada kotak Boxplots pilih Factor levels together, pada kotak
Deskriptive centang Stem-and-leaf, lalu centang Normality plots with test, lalu
klik continue, lalu tekan OK. atau langkahnya seperti pada gambar berikut:

Gambar 2.15. Tampilan Normality plots with test

38
14. Setelah di klik OK hasilnya seperti pada gambar berikut:

Gambar 2.16. Tampilan hasil Normality plots with test

15. Analisis Hasil

Dari gambar di atas kita bisa melihat pada tabel case summary processing yang
bahwa Jumlah sampel Nilai hasil transformasin (N) 20 orang, tidak ada missing
data, dan totalnya 100%.
Lalu pada tabel Desktiptive disana kita bisa mengetahui deskriptif dari data yaitu
mean (rata-rata), lower bound (tepi bawah kelas), upper bound (tepi atas kelas),
median, standar deviasi dan lain-lain.
Pada tabel tests of Normality inilah yang paling penting. Dari tabel tersebut kita
dapat melihat nilai signifikan hasil transformasi dari data. Pada kolom shapiro
wilk untuk hasil transformasi diperoleh nilai sig sebesar 0.209, karena nilai sig >
0.05 maka dapat di ambil kesimpulan bahwa data kita sudah berdistribusi normal.

39
Evaluasi
1. Lakukan data screening dengan menggunakan SPSS untuk data berikut:
Table 2.3.latihan data screening
SEX
ID JumlahJamBelajar IPK
(1=pria,2=wanita
1 32 3.6 1
2 16 3.5 2
3 21 2.8 1
4 23 3.7 2
5 8+A* 7.0 3
6 4 3.7 5
7 10 6.0 1
8 15 2.3 2
9 31 3.0 1
10 40 3.9 1

simpan dengan nama: nama_nim_latihan data screening

2. Hasil tes belajar siswa yang digunakan dengan model pembelajaran

kooperatif. Berikut hasil yang diperoleh hasil tes belajar yang dipilih 20
mahasiswa . lakukan tranformasi data dengan menggunakan SPSS
Table.2.4.Nilai Tes siswa
No Nilai Tes
1 60
2 76
3 54
4 88
5 76
6 57
7 66
8 74
9 87
10 76
11 56
12 55+A*
13 80
14 85
15 67
16 59
17 68
18 51
19 54
20 70

Simpan dengan nama: nama_nim_latihan hasil tes belajar

40