1.

Memilih teknik statistik yang tepat dan sesuai

dengan tujuan penelitian

2. Mempersiapkan dan memilih software bila

pengolahan dilakukan secara elektronik

3. Melaksanakan langkah-langkah pengolahan

 Analisis data dapat dilakukan dengan teknis
diskriptif ataupun verifikatif, baik dengan analisis
perbandingan (komparasi) maupun analisis
hubungan (asosiatif).

 Diskriptif=mean, median, modus, minimal, maximal, SD.

 Asosiatif=menguji pengaruhregresi
 Analisis Data

Analisis
Analisis Deskriptif Analisis Asosiatif
Komparatif

Statistik Deskriptif Statistik Inferensial

Parametrik Non-Parametrik
 Software statistik adalah sebuah program pengolah
data statistik yg berfungsi mempermudah proses
pengolahan data untuk keperluan penelitian kuantitatif.

 Contoh: Statistical Package for the Social Science

(SPSS); Linier Structural Relationship (LISREL);
Statistical Analysis System (SAS), dll.
Setelah dipastikan data dalam bentuk angka siap,
tahap selanjutnya:
a.Verifikasi Data

b.Klasifikasi dan pengkodean

c.Entri data (komputerisasi)

d.Analisis statistik

e.Membuat tampilan (tabel dan grafis)

Statement “ garbage in, garbage out” harus
diperhatikan.
Langkah-langkah verifikasi data sbb:
1) Mengevaluasi kinerja tenaga lapangan
2) Memeriksa kelengkapan dan kejelasan data
3) Melihat kesatuan ukuran
Bagian ini merupakan mengelompkkan data
berdasarkan variabel, selanjutnya diberi kode.
Contoh:
Pria dan wanita  Pria=1, wanita=0
Merupakan proses memasukkan data ke komputer.
Saat memasukkan data kemungkinan terjadi
kehilangan data.
Untuk memilih teknik penanganan data hilang, harus
ditentukan apa yg menyebabkan data itu hilang.
a. Analisis Deskriptif
Statistik deskriptif dapat membantu menggambarkan hasil
pengumpulan data, dengan cara:
(1) Central tendency; mean, median, modus, dll.
(2) Variability (perubahan/faktor yg tidak tetap), meliputi
variansi, standar deviasi, range=jarak.
(3) Relative standing (kedudukan relatif) menggunakan
nilai z (z-score)
b. Analisis Inferensial
Menggunakan statistik inferensial, yakni teknik analisis
data yang digunakan untuk menentukan sejauhmana
kesesuaian antara hasil yg diperoleh dari sampel,
dengan hasil populasi, sehingga dapat
digeneralisasikan.
 Dikelompokkan: statistik parametrik & non-parametrik

Statistik inferensial membutuhkan “hipotesis”.

 Tujuannya adalah “simplifikasi” sebagai kesimpulan
statistik yang dikerjakan peneliti.
- Tabel
- Gambar (figure)
- Grafik
 Dengan tampilan tabel, figure, grafik menjadikan
proses analisis lebih mudah dan ringkas.
 Composite Cronbachs
Variabel Keterangan
Reliability Alpha

Attitute (AT) 0,860334 0,815225 Reliabel

Subjective Norm (SN) 0,885196 0,772236 Reliabel
Perceived Behavior Control
0,801235 0,638657 Reliabel
(PBC)
Readiness for Change (RC) 0,895846 0,872168 Reliabel
Intention (I) 0,944715 0,911229 Reliabel
 Original Sample T Statistics Keterngan
(O) (|O/STERR|)
AT -> I 0,184800 1,715688 diterima

PBC -> I -0,163645 1,203452 ditolak

SN -> I 0,183547 1,671433 diterima

RC -> I 0,459393 3,561792 diterima

 Merupakan turunan dari analisis inferensial untuk mengetahui
keterkaitan antara dua variabel. Terdiri dari 4 jenis:
1) Antara data Kategorik – Kategorik, diuji dgn uji beda proporsi.
2) Antara data Kategorik – Numerik, diuji dgn uji beda rata-rata.
3) Antara data Numerik – Kategorik, diuji dgn uji beda rata-rata.
4) Antara data Numerik – Numerik , diuji dgn uji korelasi.

Uji beda rata-rata terdiri atas: Uji beda dua rata-rata, dan uji beda lebih
dua rata-rata.
 Uji beda dua rata-rata terdiri atas:
- Uji beda dua rata-rata berpasangan diuji dgn paired sample T-test.
- Uji beda dua rata-rata tidak berpasangan, diuji dengan
independent sample T-test.

 Uji beda lebih dua rata-rata diuji dengan One-Way Anova.

a) Korelasi Product Moment Pearson
Digunakan untuk mencari hubungan dua variabel dengan
kedua data variabel berskala interval atau rasio.
Koefisien korelasi mempunyai nilai -1 ≤ r ≤1. Koefisien
korelasi menunjukkan besar dan arah dari hubungan.
b) Regresi Sederhana
Analisis regresi linier sederhana adalah hubungan secara linier
antara satu variabel independen (X) dengan variabel
dependen (Y).

Analisis ini untuk mengetahui arah hubungan antara variabel

independen dengan dependen nya (+ / -). Data yang dipakai
data interval atau data rasio.

Y = a + bX
Y=Nilai yg diprediksi (dependen) a=konstanta, nilai Y jika semua X=0
X=variabel independen b=koefisien regresi
 Melibatkan tiga atau lebih variabel. Dibagi menjadi dua
kategori:
1) Dependence Technique, satu variabel menunjuk sebagai
variabel dependen dan sisanya sbg variabel independen.
Contoh: Regresi Berganda, Analisis Diskriminan, MANOVA,
persamaan struktural (SEM).
2) Interdependence Technique, tidak ada yg ditunjuk sebagai
variabel dependen dan independen, semua variabel
menunjukkan kesamaan dalam pencarian hubungan dasar.
Contoh: Factor Analysis, Cluster Analysis, dll.
 Regresi Berganda
Satu variabel metrik dependen diprediksi oleh beberapa
variabel metrik independen.

Y=β0+β1X1+β2X2+…+βnXn+ε
 Analisis Diskriminan
Salah satu teknik yg digunakan untuk menjelaskan atau
memprediksi variabel terikat berdasarkan dua atau lebih
variabel bebas dgn mengklasifikasikan obyek beberapa
kelompok. Dengan tujuan untuk mengetahui apakah ada
perbedaan yg jelas antar kelompok pada variabel dependen.
 MANOVA (Multivariate Analysis of Variance)
Untuk menguji dua atau lebih variabel dependen metrik dengan
variabel independen non-metrik.
MANOVA digunakan untuk menganalisis perbedaan mean dari
beberapa populasi dengan menggunakan data yang diperoleh
yg diambil dari populasi yg diamati.
Kelebihan MANOVA: dapat menangani beberapa variabel
dependen.
 Persamaan Struktural
Alat analisis untuk menguji hipotesis secara
dimensional dari/dan hubungan diantara, serta
variabel-variabel laten yang diobservasi.
Pemodelan persamaan struktur misalnya SEM.
Manfaat utama SEM:
(1) Hubungan ganda dan saling bergantung dapat diestimasi
secara simultan.
(2) Dapat menggambarkan konsep-konsep yg tidak teramati.