STATISTIK DESKRIPTIF

Dosen Pengampu :
Hasanah Pratiwi Harahap, S.Tr.Keb, MKM
Melakukan Analisa Data
◦ Analisa data terbagi atas :
◦ Analisa data penelitian deskriptif
◦ Berfungsi untuk meringkas, mengklarifikasikan dan manyajikan data yang merupakan
langkah awal dari analisis lebih lanjut dalam penggunaan statistik.
◦ Analisa data penelitian analitik
◦ Dalam melakukan analisis analitik maka harus terlebih dahulu menentukan hipotesa untuk
mengetahui hubungan antar variabel.
◦ Tujuan umum metode statistik deskriptif adalah untuk
mengorganisisr dan menyimpulkan seperangkat skor.
◦ Metode umum untuk menyimpulkan dan mendeskripsikan
distribusi adalah untuk menemukan nilai tunggal yang
disebut rata-rata skor dan dapat mengetahui ditribusi data
yang representative.
◦ Dalam statistik rata-rata representative skor disebut
tendensi sentral.
Distribusi Frekuensi
◦ Tabel distribusi frekuensi dipergunakan bila
jumlah data yang disajikan cukup banyak.
◦ Dalam tabel distribusi frekuensi, data-data
dikelompokkan dalam beberapa kelas yang
memiliki rentang tertentu
◦ Pembuatan Tabel distribusi frekuensi
◦ Ditentukan berdasarkan pengalaman
◦ Berdasarkan pengalaman, jumlah kelas interval
yg dipergunakan dalam penyusunan tabel
distribusi frekuensi antara 6 s/d 15 kelas.
◦ Makin banyak data, maka makin banyak
jumlah kelasnya.
 ◦ Ditentukan dengan rumus Sturges
K = 1 + 3,3 Log n
K = jumlah kelas interval
n = jumlah data observasi
Log = Logaritma

Misal jumlah data 150, maka jumlah kelas :

K = 1 + 3,3 log 150 = 1 + 3,3. 2,17 = 8,18
Bisa dibulatkan keatas menjadi 9 kelas

◦ Setelah ditentukan jumlah kelas, selanjutnya menghitung rentang data dgn cara
data terbesar – data terkecil
◦ Misalkan data terbesar dalam suatu kelompok data adalah 94 dan Data terkecil
adalah 13
◦ Rentang data = 94 – 13 = 81
◦ Selanjutnya menghitung Panjang kelas :
◦ Panjang kelas = rentang dibagi jumlah kelas
◦ Misal :
◦ Rentang data = 81
◦ Jumlah kelas = 8,18
◦ Panjang kelas = 81/8,18 = 9,90 = 10
◦ Namun panjang kelas bisa diubah asal tidak memiliki
perbedaan nilai yg terlalu jauh.
Contoh Tabel Distribusi frekuensi
frekuensi
No Kelas Kelas Interval Tally
(f)
1 10 – 19 1
2 20 – 29 6
3 30 – 39 9
4 40 – 49 31
5 50 – 59 42
6 60 – 69 32
7 70 – 79 17
8 80 – 89 10
9 90 - 100 2
Jumlah : 150
◦ Tendensi sentral  adalah pengukuran statistik untuk
menentukan skor tunggal yang menetapkan pusat dari
distribusi.
◦ Tujuan tendensi sentral adalah untuk menemukan skor
single yang paling khusus atau paling representatif dalam
kelompok.
Macam-Macam Bentuk Analisis Deskriptif

1. Rata-Rata Hitung (Mean)

2. Median (Nilai Tengah)
3. Modus
4. Simpangan Baku (Standar Deviasi)
5. Variance
Rata-Rata Hitung (Mean)
◦ Sifat dari Mean :
1.Ukuran nilai tengah yang paling sering digunakan
2.Merupakan wakil dari keseluruhan nilai
3.Berasal dari semua nilai pengamatan
4.Labil (sangat dipengaruhi oleh nilai ekstrim)
◦ Mean untuk data yang tidak dikelompokkan

◦ Keterangan :
◦ X : Rata-rata hitung sampel
◦ xi : Nilai dalam satu sampel
◦ n : Banyak data
Rata-Rata Hitung (Mean)
◦ Mean untuk data yang dikelompokkan

◦ Keterangan
◦ X : Rata-rata hitung sampel
◦ xi : Nilai dalam suatu sampel
◦ fi : Frekuensi
Median (Nilai Tengah)
◦ Median merupakan nilai yang terletak ditengah dari suatu set nilai.
◦ Sifat-sifat median :
1.Median dapat digunakan untuk data kuantitatif baik kontinue maupun diskrit
2.Dapat digunakan untuk data kualitatif yaitu variabel yang berskala ordinal
3.Median lebih stabil karena tidak dipengaruhi oleh nilai ekstrim
◦ Median untuk Data Tidak Dikelompokkan
◦ Bila banyak data ganjil

Keterangan
Me : Median
n : Banyak data
Median (Nilai Tengah)
◦ Median untuk Data Tidak Dikelompokkan
◦ Bila banyak data genap

◦ Keterangan
◦ Me : Median
◦ n : Banyak data
Median (Nilai Tengah)
◦ Median untuk Data Dikelompokkan
◦ Rumus untuk menentukan kelas median: 1/2xn

◦ Dengan:
◦ Lo : Batas bawah kelas median (kelas median-0,5)
◦ C : Panjang kelas median
◦ n : Banyaknya data
◦ ∑f : Jumlah semua frekuensi dari semua kelas sebelum kelas median
◦ f : Frekuensi kelas median
Modus
◦ Modus digunakan untuk menyatakan fenomena yang paling banyak terjadi
(nilai yang paling sering muncul)
◦ Sifat-sifat modus :
1.Modus paling stabil terhadap nilai ekstrim dibandingkan mean dan median
2.Tidak memperhitungkan seluruh pengamatan
3.Jarang dipakai untuk analisis statistik

◦ Modus Untuk Data Yang Tidak Dikelompokkan

◦ Nilai yang paling sering muncul dari keseluruhan data
 Modus
◦ Modus Untuk Data Yang Dikelompokkan

◦ Dengan:
◦ Lo : Batas bawah kelas modal yaitu kelas dengan frekuensi terbanyak
◦ C : Panjang kelas (interval kelas)
◦ d1: Selisih frekuensi, kelas modal dikurangi frekuensi sebelum kelas interval
◦ d2: Selisih frekuensi, kelas modal dikurangi frekuensi setelah kelas interval
◦ Varian dan Standar Deviasi (Simpangan Baku) adalah
ukuran-ukuran keragaman (variasi) data statistik yang
paling sering digunakan.
◦ Standar deviasi (simpangan baku) merupakan akar kuadrat
dari varian.
 Variance
◦ Untuk mengetahui variasi data

atau
 Simpangan Baku
◦ Simpangan Baku Untuk Data Tidak Dikelompokkan
 Simpangan Baku
◦ Simpangan Baku Untuk Data Dikelompokkan
 DISTRIBUSI
PROBABILITAS
◦ Distribusi Probabilitas

◦ Kunci aplikasi probabilitas dalam statistik adalah memperkirakan terjadinya

peluang/probabilitas yang dihubungkan dengan terjadinya peristiwa
tersebut dalam beberapa keadaan.

◦ Jika kita mengetahui keseluruhan probabilitas dari kemungkinan outcome

yang terjadi, seluruh probabilitas kejadian tersebut akan membentuk suatu
distribusi probabilitas.
Macam Distribusi Probabilitas
◦1.Distribusi Binomial (Bernaulli)
◦2.Distribusi Normal (Gauss)
1. Distribusi Binomial

Penemu Distribusi Binomial adalah James

Bernaulli sehingga dikenal sebagai
Distribusi Bernaulli.

Menggambarkan fenomena dengan dua

hasil atau outcome. Contoh: peluang
sukses dan gagal,sehat dan sakit, dsb.
Syarat Distribusi Binomial
1.Jumlah trial merupakan bilangan bulat. Contoh: melambungkan coin 2
kali, tidak mungkin2 ½ kali.
2.Setiap eksperiman mempunyai dua outcome(hasil). Contoh:
sukses/gagal, laki/perempuan, sehat/sakit, setuju/tidak setuju.
3. Peluang sukses sama setiap eksperimen.
Contoh: Jika pada lambungan pertama peluang keluar mata H/sukses
adalah ½, pada lambungan seterusnya juga ½.
Jika sebuah dadu, yang diharapkan adalah keluar mata lima, maka
dikatakan peluang sukses adalah 1/6, sedangkan peluang gagal adalah
5/6.Untuk itu peluang sukses dilambangkan p, sedangkan peluang
gagal adalah (1-p) atau biasa juga dilambangkan q, di mana q = 1-p.
Contoh Distribusi Binomial
Simbol peristiwa Binomial
b (x,n,p)

b=binomial
x=banyaknya sukses yang diinginkan (bilangan random)
n= Jumlah trial
p= peluang sukses dalam satu kali trial.

Dadu dilemparkan 5 kali, diharapkan keluar mata 6 dua kali, maka kejadian ini dapat
ditulis b(2,5,1/6) x=2, n=5, p=1/6
DISTRIBUSI NORMAL
◦ Distribusi normal, disebut pula distribusi Gauss,
adalah distribusi probabilitas yang paling banyak
digunakan dalam berbagai analisis statistika. Distribusi
normal baku adalah distribusi normal yang memiliki rata-
rata nol dan simpangan baku satu. Distribusi ini juga
dijuluki kurva lonceng (bell curve) karena grafik fungsi
kepekatan probabilitasnya mirip dengan bentuk lonceng.
Aplikasi Tendency Sentral dalam
Program SPSS
◦ Input data, analisis data menggunakan program SPSS, terlebih dahulu
harus mempersiapkan data yang akan di analisis
◦ Setelah data ter-input kemudian Klik Analyze pada menu SPSS.
Kemudian klik Descriptive Statistics, lalu klik Frequencies seperti di
bawah ini.
◦ Setelah melakukan instruksi di atas maka akan muncul
tampilan seperti ini:
◦ Dalam kotak sebelah kiri ada dua variabel, yang dianalisis
adalah variabel dengan data interval, dalam hal ini adalah
variabel nilai.
◦ Kemudian blok variabel nama, lalu klik kotak di tengah
yang ada tanda panahnya. Sehingga variabel yang di blok
pindah ke kotak Variables (s). kemudian klik statistics.
◦ Setelah klik STATISTIK dan akan muncul tampilan seperti
di bawah ini:
◦ Untuk tendensi sentral silahkan centang tanda mean,
median, mode dan klik CONTINUE lanjutkan klik OK
sehingga muncul output seperti di bawah ini: