makalah statistika deskriptif

Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang berguna[1] Pengklasifikasian menjadi statistika deskriptif dan statistika inferensia dilakukan berdasarkan aktivitas yang dilakukan[2]

Statistika deskriptif hanya memberikan informasi mengenai data yang dipunyai dan sama sekali tidak menarik inferensia atau kesimpulan apapun tentang gugus induknya yang lebih besar[1] Contoh statistika deskriptif yang sering muncul adalah tabel diagram grafik dan besaran-besaran lain di majalah dan koran-koran[1] Dengan Statistika deskriptif kumpulan data yang diperoleh akan tersaji dengan ringkas dan rapi serta dapat memberikan informasi inti dari kumpulan data yang ada

Pengertian Reliabilitas

Reliabilitas adalah indeks yang menunjukkan sejauh mana suatu alat pengukur dipercaya atau dapat diandalkan Bila suatu alat ukur dipakai dua kali untuk mengukur gejala yang sama dan hasil pengukuran yang diperoleh relatif konsisten maka alat ukur tersebut reliabel Atau dengan kata lain reliabilitas menunjukkan konsistensi suatu alat ukur di dalam mengukur gejala yang sama

Pengertian Validitas

Uji validitas adalah suatu langkah pengujian yang dilakukan terhadap isi (content) dari suatu instrumen dengan tujuan untuk mengukur ketepatan instrumen yang digunakan dalam suatu penelitian

Teknik untuk Menentukan Validitas dan Releabilitas

Ada beberapa teknik untuk mengukur reliabilitas antara lain

a Teknik Pengukuran Ulang

Teknik ini dilakukan dengan cara mengadakan pengkuran ulang kepada responden kita meminta responden yang sama agar menjawab semua pertanyaan dalam alat pengukur sebanyak dua kali Selang waktu antara pengukuran pertama dan ke dua menurut Masri Singarimbun antara 15 sd 30 hari apa bila selang waktunya terlalu dekat dikhawatirkan responden masih ingat jawaban yang diberikan pada waktu yang pertama

Hasil pengukuran pertama dan kedua kemudian dikorelasikan dengan teknik

korelasi rdquoproduct momentrdquo kemudian dianalisa seperti dalam teknik validitas

b Teknik Belah Dua yaitu dengan membagi instrumen menjadi dua bagian misal ganjil genap

c Teknik Bentuk paralel yaitu dilakukan dengan menggunakan dua alat ukur yang mengukur aspek yang sama

CONTOH UJI VALIDITAS DAN RELIABILITAS

Cara mencari validitas konstruk dengan membandingkan nilai pernyataan pada masing-masing nomor urut dengan nilai keseluruhan

RespondenNomor Pertanyaan

Total1 2 3 4 5 6 7 8 9 10

ABCDEFGHIJ

5435322143

4545313142

5444422142

4533413252

5444322152

4525422253

4544411242

5453423142

4544411242

5441155515

45453938352126164024

Tabel Perhitungan Korelasi

Responden X Y Xsup2 Ysup2 XYABCDEFGHIJ

5435322143

45453938352126164024

25149259441169

202520251521144411564416762561600576

23518011719010242521616072

N=10 sumX=32 sumY=328 sumsumXsup2=118 Ysup2=11720 sumXY=1166

Uji Validitas dengan product moment

Hasil penghitungan tersebut selanjutnya dikonsultasikan dengan tabel korelasi nilai ldquorrdquo dengan terlebih dahulu mencari derajat kebebasan (db) yaitu N-2 (10-2)=8 Pada taraf signifikansi 5 diperoleh angka 0632 dan 1 adalah 0765 Apabila nilai r hitung lebih besar dari r tabel maka soalpernyataan tersebut memiliki validitas konstruk yang baik

Berdasarkan rumus tersebut diperoleh nilai r sebagai berikutPernyataan Nilai r Cara Interpretasi pada taraf

sig r 5Keterangan

12345678910

0884089309310811092007050827089308670564

0884gt06320893gt06320931gt06320811gt06320920gt06320705gt06320827gt06320893gt06320867gt06320564lt0632

ValidValidValidValidValidValidValidValidValidTidak Valid

Contoh Mencari Releabilitas dengan cara pengukuran dua kali

Langkah selanjutnya hasil penghitungan tersebut dimasukkan dalam rumus korelasi produc moment kemudian dikonsultasikan dengan nilai r pada df 8 (N-2) atau 10-2 Pada taraf signifikansi 5 nilai r tabel sebesar 0632 Cara memberikan interpretasi sama dengan pada uji validitas yangh dapat dilakukan secara keseluruhan maupun berdasar masing-masing item pernytaan Misal berdasar contoh tersebut di atas diperoleh nilai rxy sebesar 099 berarti reliabel karena nilai r hitung lebih besar dari r tabel (099gt0632) pada taraf signifikansi 5

Responden Hasil Pengukuran I

Hasil Pengukuran II

ABCDEFGHIJ

45453938342126164024

45424038322024174224

CONTOH KASUS ANALISIS REGRESI DAN KORELASI SEDERHANASeorang peneliti ingin mengetahui pengaruh dari tinggi badan terhadap berat badan Untuk kebutuhan penelitian tersebut diambil sampel secara acak sebanyak 10 orang untuk diteliti Hasil pengumpulan data diketahui data sebagai berikut

Hipotesis penelitian Tinggi Badan berpengaruh terhadap Berat Badan Seseorang (karena hanya dikatakan berpengaruh maka menggunakan uji dua arah)Jika Y Berat Badan Seseorang dan X Tinggi Badan Seseorang maka untuk mendapatkan nilai a dan b untuk persamaan regersi linier sederhana

Berdasarkan hasil pengolahan data tersebut di atas maka dapat dibuat persamaan regresi linier sederhana Y = - 7372041 + 0819657 X

Untuk menguji hipotesis secara parsial digunakan Uji T yaitu

Hipotesis Statistik adalah Ho b = 0 dan Ha b ne 0 (disebut uji dua arah)

Nilai T hitung adalah bSb = 0819657005525673 = 14833613932638 =

14834

Nilai T tabel dengan df 10 ndash 2 = 8 dan frac12 α = 25 (uji dua arah) sebesar plusmn

2306

Karena nilai T hitung lebih besar dari pada T tabel atau 14834 gt 2306 maka

Ho ditolak Ha diterima dan hipotesis penelitian yang menyatakan bahwa

Tinggi Badan berpengaruh terhadap Berat Badan Seseorang adalah dapat

diterima (dapat dikatakan signifikan secara statistik)

Sedangkan untuk menguji secara serempak digunakan Uji F yaitu diperoleh

F hitung = 3187498 dan Untuk nilai F tabel dengan df k - 1 n ndash k = 1 8

dan α 5 sebesar 532 Karena nilai F hitung lebih besar dari F tabel atau

3187498 gt 532 maka Ho ditolak Ha diterima dan hipotesis penelitian yang

menyatakan bahwa Tinggi Badan berpengaruh terhadap Berat Badan

Seseorang adalah dapat diterimaUntuk nilai r (korelasi) adalah sebesar 0982 dan koefisien determinasi (r kuadrat) sebesar 0964 Berdasarkan hasil nilai koefisien korelasi maka dapat dikatakan bahwa hubungan antara variabel independen (Tinggi Badan) dengan variabel dependen (Berat Badan) mempunyai hubungan yang kuat karena nilai r sebesar 982 tersebut sangat mendekati nilai 100Sedangkan berdasarkan nilai r kuadrat sebesar 964 menggambarkan bahwa sumbangan variabel independen (Tinggi Badan) terhadap naik turunnya variabel dependen (Berat Badan) sebesar 964 sedangkan sisanya merupakan sumbangan dari variabel lain yang tidak dimasukkan dalam model

Kesimpulannya Berdasarkan hasil pengujian hipotesis baik Uji T maupun Uji F diketahui bahwa Variabel Tinggi Badan Seserorang berpengaruh terhadap Variabel Berat Badan Seseorang dan pengaruhnya bersifat positif (nilai koefisien regresinya sebesar 0819657) artinya jika seseorang mempunyai tinggi badan semakin tinggi maka akan meningkatkan berat badannya (dan sebaliknya) Berdasarkan nilai koefisien regresi tersebut dapat diketahui bahwa jika tinggi badan meningkat sebesar 10 maka berat badan akan meningkat 82Sedangkan berdasarkan nilai koefisien korelasi dan koefisien determinasi diketahui bahwa variabel independen (Tinggi Badan) mempunyai hubungan yang kuat dan mempunyai sumbangan yang cukup besar terhadap variabel dependen (Berat Badan)

Uji BedaSesuai dengan namanya uji beda maka uji ini dipergunakan untuk mencari perbedaan baik antara dua sampel data atau antara beberapa sampel data Dalam kasus tertentu juga bisa mencari perbedaan antara suatu sampel dengan nilai tertentu Perhatikan contoh-contoh berikut

1 Perusahaan ingin mengetahui apakah lampu yang diproduksi mampu menyala lebih dari 1000 jam sesuai dengan standar yang ditetapkan perusahaan

2 Seorang guru ingin mengetahui apakah suatu model pengajaran memberikan hasil yang berbeda terhadap hasil prestasi belajar dua kelas siswa

3 Seorang penelitian ingin mengetahui apakah terdapat perbedaan persepsi tentang advertising KAP antara kelompok akuntan publik kelompok akuntan pendidik dan kelompok pengguna jasa KAP

Contoh nomor 1 memerlukan uji beda terhadap suatu sampel data dengan nilai tertentu yaitu 1000 jam Contoh nomor 2 memerlukan uji beda terhadap dua buah sampel yaitu nilai prestasi belajar antara dua kelas Contoh nomor 3 memerlukan uji beda terhadap tiga kelompok akuntan dalam hal persepsi terhadap advertising KAP

Juga terdapat jenis uji beda lain selain berdasarkan jumlah kelompok sampel yang diuji Misalnya jumlah sampel pada masing-masing kelompok juga menentukan jenis uji beda yang digunakan Jika dua kelompok mempunyai anggota yang sama dan mempunyai korelasi maka dipergunakan uji sampel berpasangan (paired test) dan jika jumlah anggota kelompok berbeda tentunya tidak berkorelasi maka memerlukan uji beda yang lain misalnya Independent Sample t test atau Mann-Whitney U-Test

Masing-masing metode memerlukan kajian tersendiri dan akan dibahas satu persatu kenapa uji beda juga sering disebut uji t Ini sebenarnya tidak penting hanya sebagai pengetahuan saja Disebut uji t karena merupakan huruf terakhir dari nama pencetus uji ini yaitu Grosett Tambahan lagi kenapa disebut uji F Karena merupakan huruf depan dari nama seorang pakar statistik di masa lalu yaitu Fisher Anda bisa menduga bahwa korelasi Pearson adalah diambil dari nama penemunya yaitu Karl Pearson dan berbagai metode juga diambil dari nama pencetusnya

Ada yang menyebut bahwa uji beda merupakan uji statistik non parametrik Anggapan ini kurang tepat meskipun tidak sepenuhnya salah Uji t dengan distribusi normal maka tetap merupakan statistik parametrik akan tetapi jika distribusi data tidak normal barulah merupakan statistik non parametrik Jadi penentuan parametrik atau bukan tidak didasarkan pada jenis uji tetapi tergantung dari distribusi data apakah normal atau tidak

Regresi Berganda

Persyaratan untuk bisa menggunakan persamaan regresi berganda adalah terpenuhinya asumsi klasik Untuk mendapatkan nilai pemeriksa yang efisien dan tidak bias atau BLUE (Best Linear Unbias Estimator) dari satu persamaan regresi berganda dengan metode kuadrat terkecil (least square) maka perlu dilakukan pengujian untuk mengetahui model regresi yang dihasilkan memenuhi persyaratan asumsi klasikDisini uji yang akan saya kemukakan adalah uji yang umum yaitu Uji Normalitas Uji Multikolinieritas Uji Heteroskedastisitas serta Uji AutokorelasiDisini saya pakai SPSS 13 kalo ada yang beda silakan menyesuaikan aja yahellip

Supaya mempermudah saya berikan sebuah contohSaya akan menghitung pengaruh Leverage Current ratio (CR) ROA dan ROE terhadap Risiko Sistematis (beta) yang sudah saya rekap sebagai berikut

(kalo kurang jelas bisa di download dulu gambar di atas ini)

Pertama-tama yang harus dilakukan adalah masuk ke program SPSS Kemudian

masukkan semua angkanya pada data view Sebagai contoh saya yang tadi kami

memasukkannya seperti pada gambar berikut

Kemudian klik pada variable view Pada Name masukkan nama variable pada

Decimals bisa di ubah sesuai dengan keinginan disini saya memakai 3 desimal maka

semua saya ubah menjadi 3 Sedangkan kolom yang lain abaikan saja Untuk lebih

jelasnya bisa dilihat pada gambar berikut sesuai dengan contoh saya tadi

Setelah semua sudah diisi dan datanya pastikan sudah benar (untuk mencek

kebenarannya klik lagi pada Data View maka pada var akan berubah namanya sesuai

dengan data variabel kita) hati-hati jangan sampai terbalik memasukkan angka

Analisis dimulai

Klik analizegtregressiongtlinear

Akan muncul jendela Linear Regression Masukkan variabel sesuai dengan data anda

Kalo pada contoh saya saya memasukkan Beta menjadi variabel tetap (dependent)

sedangkan leverage current ratio ROA dan ROE variabel bebas (independen) Klik

tanda berbentuk seperti panah untuk memasukkannya ke dalam kolom data

Contohnya sebagai berikut

Kemudian klik pada statistics (masih dalam jendela Linear Reggresion) Sehingga akan

muncul jendela Linear Regressions Statistics Pada Regression Coefficients centang

pada Estimates Covariance matrik Model Fit R squared change Collinearity

diagnostics Dan pada residuals klik Durbin-Watson Setelah semua dicentang klik

Continue Supaya jelas lihat contoh saya sebagai berikut

Akan muncul lagi jedela Linear Regression yang awal Klik pada Plots sehingga muncul jendela Linnear RegressionPlots Masukkan ZPRED pada Y dan SRESID pada X Caranya dengan mengklik zpred atau sresid kemudian klik tanda yang mirip bentuk panah pada tempatnya masing-masing Kemudian pada Standardized Residual Plots centang pada Histogram dan Normal Probability Plot Setelah selesai klik ldquoContinuerdquo Seperti contoh saya berikut ini

Kembali ke jendela Linear regression Klik OK untuk segera memproses data

Dan akan muncul jendela baru Data yang tertera disitulah yang akan menjadi dasar

analisis kita

1 Uji Normalitas

Uji normalitas adalah pengujian tentang kenormalan distribusi data Penggunaan uji normalitas karena pada analisis statistik parametik asumsi yang harus dimiliki oleh data adalah bahwa data tersebut harus terdistribusi secara normal Maksud data terdistribusi secara normal adalah bahwa data akan mengikuti bentuk distribusi normal (SantosaampAshari 2005231)

Uji normalitas bisa dilakukan dengan dua cara Yaitu dengan Normal P-P Plot dan Tabel Kolmogorov Smirnov Yang paling umum digunakan adalah Normal P-P Plot

Pada Normal P-P Plot prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal grafik atau dengan melihat histogram dari residualnya Dasar pengambilan keputusana Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal maka model regresi memenuhi asumsi normalitasb Jika data menyebar jauh garis diagonal danatau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal maka model regresi tidak memenuhi asumsi normalitas (Ghozali 2007110-112)

Untuk menganalisis dengan SPSS kita lihat hasil output kita tadi pada gambar Normal P-P Plot of Regression Standardized Residual seperti contoh saya yang sebagai berikut

Dari analisis kurva dapat dilihat bahwa data menyebar di sekitar diagram dan mengikuti model regresi sehingga dapat disimpulkan bahwa data yang diolah merupakan data yang berdistribusi normal sehingga uji normalitas terpenuhi

Namun bila para pembaca kepingin cara Kolmogorov-Smirnov juga bisa data dianalisis tidak menggunakan gambar namun dengan angka Kelebihannya hasilnya memang lebih akuratCaranya yaitu untuk memasukkan data sama saja namun tidak menggunakan jendela Linear Regression Caranya masuk ke menu awal klik pada AnalizegtNonparametic testgt1-Sample K-S

Akan muncul jendela One-Sample Kolmogorov-Smirnov Test Masukka semua variabel dengan menklik variabel kemudian klik tanda panah untuk memasukkannya pada kolom yang di sebelah

Setelah selesai dimasukkan semua klik OK Dan akan muncul jendela One-Sample Kolmogorov-Smirnov Test seperti pada gambar contoh saya ini

untuk menganalisisnya kita lihat pada baris Asymp Sig (2-tailed) baris paling bawah bila nilai tiap variabel lebih dari (gt005) maka uji normalitas bisa terpenuhi

Pada contoh saya yang ini nilainya ada yang kurang dari 005 sehingga agar terlihat terpenuhi saya lebih baik menggunakan metode P-P Plot yang berupa gambar hehehee

2 Uji Multikolinieritas

Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen) Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen Jika variabel independen saling berkorelasi maka variabel-variabel ini tidak ortogonal (Ghozali 200791) Untuk mendeteksi adanya multikolinearitas dapat dilihat dari Value Inflation Factor (VIF) Apabila nilai VIF gt 10 terjadi multikolinieritas Sebaliknya jika VIF lt 10 tidak terjadi multikolinearitas (Wijaya 2009119)

Untuk analisisnya dengan SPSS kita lihat hasil output pada tabel Coefficients seperti pada contoh saya berikut

Dari hasil output data didapatkan bahwa nilai semua nilai VIFlt10 ini berarti tidak terjadi multikolonieritas Dan menyimpulkan bahwa uji multikolonieritas terpenuhi

3 Uji Heteroskedastisitas

Pengujian ini digunakan untuk melihat apakah variabel pengganggu mempunyai varian yang sama atau tidak Heteroskedastisitas mempunyai suatu keadaan bahwa varian dari residual suatu pengamatan ke pengamatan yang lain berbeda Salah satu metode yang digunakan untuk menguji ada tidaknya Heterokedastisitas akan mengakibatkan penaksiran koefisien-koefisien regresi menjadi tidak efisien Hasil penaksiran akan menjadi kurang dari semestinya Heterokedastisitas bertentangan dengan salah satu asumsi dasar regresi linear yaitu bahwa variasi residual sama untuk semua pengamatan atau disebut homokedastisitas (Gujarati dalam Elmasari 201053)Untuk mendeteksi ada atau tidaknya heteroskedastisitas yaitu dengan melihat grafik Plot antara nilai prediksi variabel terikat (dependen) yaitu ZPRED dengan residualnya SRESID Deteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi dan sumbu X adalah residual (Y prediksi ndash Y sesuungguhnya) yang telah di-studentizedDasar analisisnya adalah sebagai berikuta Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang melebar kemudian menyempit) maka mengindikasikan telah terjadi heteroskedastisitasb Jika ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y maka tidak terjadi heteroskedastisitas

untuk menganalisis datanya kita lihat pada gambar Scatterplot pada output data Seperti contoh saya di bawah ini

Dari gambar diatas dapat diketahui bahwa tidak terjadi heteroskedastisitas sebab tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y sehingga dapat dikatakan uji heteroskedastisitas terpenuhi

4 Uji Autokorelasi

Uji autokorelasi merupakan pengujian asumsi dalam regresi dimana variabel dependen tidak berkorelasi dengan dirinya sendiri Maksud korelasi dengan diri sendiri adalah bahwa nilai dari variabel dependen tidak berhubungan dengan nilai variabel itu sendiri baik nilai variabel sebelumnya atau nilai periode sesudahnya (SantosaampAshari 2005240)Dasar pengambilan keputusannya adalah sebagai berikut- Angka D-W di bawah -2 berarti ada autokorelasi positif- Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi- Angka D-W di atas +2 berarti ada autokorelasi negatif untuk menganalisisnya menggunakan output SPSS tadi kita lihat pada tabel Model Summary seperti contoh saya berikut ini

Dari tabel diatas didapatkan nilai Durbin-Watson (DW hitung) sebesar 2038 atau 2 Berdasarkan kriteria yang telah ditentukan DW hitung berada diantara -2 dan 2 yakni -2 le 2 le 2 maka ini berarti tidak terjadi autokorelasi Sehingga kesimpulannya adalah Uji Autokorelasi terpenuhi

ANALISIS DATA PENELITIAN (Menggunakan Program SPSS)1

BAB I

STATISTIK DESKRIPTIFnalisis deskripsi merupakan analisis yang palingmendasar untuk menggambarkan keadaan datasecara umum Analisis deskripsi ini meliputibeberapa hal sub menu deskriptif statistik sepertifrekuensi deskriptif eksplorasi data tabulasi silang dananalisis rasio11 Analisis FrekuensiAnalisis frekuensi merupakan analisis yang mencakupgambaran frekuensi data secara umum seperti meanmedia modus deviasi standar varian minimummaksimum dan sebagainyaData yang dipakai untuk statistik deskriptif bisa kualitatifdan kuantatifContoh Data 1Dari sebuah tabulasi data penelitian yang terdiri dari 6item dan 18 responden diperoleh sebagai berikutLangkah1 Analyze pilih Deskriptif Statistik pilih Frekuensi

ABab I Statistik Deskriptif

22 Kemudian muncul file Frequency dan pindahkanvariabel dari kolom kiri ke kanan hingga tampakgambar disamping abaikan yang lain3 Klik OK dan hasilnya akan terlihatANALISIS DATA PENELITIAN (Menggunakan Program SPSS)3Hasil Frekuensi DataUntuk melihat penyebaran frekuensi tabulasi data akanterlihat tabulasi di bawah iniVAR000014 222 222 2225 278 278 5009 500 500 100018 1000 1000300400500TotalValidFrequency Percent Valid PercentCumulativePercentVAR000028 444 444 44410 556 556 100018 1000 1000400500TotalValidFrequency Percent Valid PercentCumulativePercentVAR000031 56 56 568 444 444 5009 500 500 100018 1000 1000300400500TotalValidFrequency Percent Valid PercentCumulativePercentVAR000045 278 278 27810 556 556 8333 167 167 100018 1000 1000300400500TotalValid

Frequency Percent Valid PercentCumulativePercentBab I Statistik Deskriptif4VAR000051 56 56 564 222 222 2787 389 389 6676 333 333 100018 1000 1000200300400500TotalValidFrequency Percent Valid PercentCumulativePercentVAR000062 111 111 1113 167 167 2784 222 222 5009 500 500 100018 1000 1000200300400500TotalValidFrequency Percent Valid PercentCumulativePercentTabel ini dapat digunakan untuk mempermudah tabulasidata secara deskritif misalnya variabel 1-6 adalahtabulasi data untuk varibel X1 maka statitiskdeskriptifnya sebagai berikutTabel Frekuensi Jawaban RespondenVariabel X1TanggapanRespondenSangattidakSetujuTidakSetujuRaguraguSetuju SangatSetujuItem No F F F F F 1 0 0 0 0 1 56 5 278 9 5002 0 0 0 0 0 0 8 444 10 5563 0 0 0 0 1 56 8 444 9 5004 0 0 0 0 5 278 10 556 3 1675 0 0 1 56

4 222 7 389 6 3336 0 0 2 1113 167 4 229 9 500Sumber Data Diolah 2007ANALISIS DATA PENELITIAN (Menggunakan Program SPSS)5Dari tabel tersebut bisa dilakukan pembahasan misalnyauntuk pertanyaan no 1 (sebutkan pertanyaannya) 1orang responden (56) menjawab ragu-ragu sedangkan5 orang responden (278) menjawab setuju danselebihnya 9 responden (50) menjawab sangat setujuBegitu seterusnya Bentuk frekuensi ini akan sangatmembantu peneliti dalam melakukan tabulasi dataContoh Data 2Diketahui sebuah data Penjualan perusahaan sebagaiberikutBab I Statistik Deskriptif6Kemudian muncul file frequency dan pindahkan variabeldari kolom kiri ke kanan hingga tampak gambardisamping pilih statitisk isikan (cheklist) bagian yanganda inginkan setelah itu klik ok1048729 Persentil adalah ukuran letak yang membagi datayang telah diurutkan sehingga membagi data samabesarANALISIS DATA PENELITIAN (Menggunakan Program SPSS)71048729 Quartil Membagi data ke dalam empat bagianyang sama1048729 Central tendency Pengukuran pusat data1048729 Mean adalah ukuran rata-rata yang merupakanpenjumlahan dari seluruh nilai dibagi julah datanya1048729 Median adalah suatu nilai di mana setengah daridata berada dibawa niali tersebut dan setengahnyalagi berada di atas nilai tersebut setelah nilai itudisusun berurut Dengan kata lain median membagidata dua bagian1048729 Mode adalah salah satu ukuran rata-rata yangmenunjukkan skor atau nilai data yang memilikifrekuensi terbanyak pada suatu distribusi Modebiasanya digunkan untuk data nominal Modejarang sekali digunakan untuk data ordinal intervalatau rasio1048729 Dispersion Penyebaran data1048729 Variance adalah ukuran variasi yang menunjukkanseberapa jauh data tersebar dari mean (rataratanya)Semakin bervariasi data tersebut makasemakin jauh data tersebut tersebar di sekitarmean-nya1048729 Standar deviasi adalah akar dari varian

1048729 Range adalah ukuran variasi yang palingsederhana karena kesederhanaannya maka rangetidak dapat diandalkan1048729 Minimum nilai yang paling rendahkecil dari data1048729 Maksimum nilai yang paling besartingi dari data1048729 Distribution Bentuk Kurtosis data1048729 Skewness Ukuran kecondongan (kurva yang tidaksimetris)1048729 Kurtosis Ukuran keruncinganketinggian kurvaBab I Statistik Deskriptif8Hasil OutputStatisticsSales200142200015698581160000702061649289051080512-155992660028400100500011600001905000ValidMissingNMeanStd Error of MeanMedianStd DeviationVarianceSkewnessStd Error of SkewnessKurtosisStd Error of KurtosisMinimumMaximum255075PercentilesAnalisis1048729 N adalah jumlah data yang valid (20 buah)sedangkan data yang hilang adalah 0 artinyasemua data siap diproses1048729 Mean (rata-rata penjualan) adalah 1422 denganstandar error adalah 1571048729 Median sebesar 116 menunjukkan 50 penjualan

di atas 116 dan 50 penjualan di bawah 1161048729 Standar deviasi adalah 7021 dan varians sebesar49281048729 Ukuran skewness adalah 108ANALISIS DATA PENELITIAN (Menggunakan Program SPSS)94 Pilih Chart jika anda ingin membuat grafik dari dataklik continue dan okChart dapat digunakan untuk memvisualisasikan datadalam bentuk garfika Bar chart menghasikan refresentasi grafik cacahfrekuensi untuk setiap nilai yang berlainan Grafikbar dikenal dengan istilah grafik batang karenabentuknya seperti batang-batang dan batangbatangnyatidak bersentuhan satu sama lainGrafik ini memiliki sumbu vertikal menunjukkanfrekuensi dan horizontal menunjukkan ukuranvariabelnya Biasanya grafik bar digunakan untukdata nominal dan ordinalBab I Statistik Deskriptif106600 6900 7500 7900 9900 10500 10900 11500 11700 12100 12800 15300 20300 24600 25000 28000 28400

Sales2015100500

FrequencySales

b Pie Chart menghasilkan refresentasi grafik berupapotongan-potongan lingkaran (kue pie) Bagan piedigunakan untuk data yang nominal dan ordinal28400280002500024600203001530012800121001170011500109001050099007900750069006600

SalesANALISIS DATA PENELITIAN (Menggunakan Program SPSS)11c Histogram hampir sama dengan grafik barbedanya jika grafik bar batangnya terpisah makahistogram batangnya berimpitan Histogramdigunakaan untuk data kontinius atau bersambungmaka grafik batangnya juga bersambungHistogram digunakan untuk data interval dan rasioHistogram dapat pula dibuat untuk menunjukkanfrekuensi relatif dan frekuensi kumulatif dari suatudata5000 10000 15000 20000 25000 30000

Sales

86420

FrequencyMean = 14220Std Dev = 7020616N = 20

HistogramBab I Statistik Deskriptif1212 Statistik DeskriptifPenyajian data secara numerikContoh data1048729 Buka fileopenpilih coffee savANALISIS DATA PENELITIAN (Menggunakan Program SPSS)131048729 Pilih option1048729 Klik continue lalu okDescriptive Statistics4662 100 2300 110281 6918344662 100 600 33606 1737864662 100 14400 680528 39050984662imagebrandfreqValid N (listwise)N Minimum Maximum Mean Std Deviation

Pada hasil output spss di atas terlihat descriptive statisticsdari image brand dan frequensi1048729 Jumlah sample (N) sebanyak 46621048729 Nilai paling kecil (minimum) 11048729 NIlai paling besar (Maximum) untuk image (23) brand(6) dan Freq (144)1048729 Nilai tengah (mean) untuk image (1102) brand(336) dan freq (6805)1048729 Standar Deviasi untuk image (691) brand (174) danfreq (3905)Bab I Statistik Deskriptif1413 Eksplorasi DataEksplorasi data dapat membantu memberi arahan untukmemilih teknik statistik yang akan diimplementasikanpada analisis data yang akan dikehendakiContohBuka fileopenpilih plastic SavSetelah itu Analyze sub menu Descriptive Statistic laluexploreANALISIS DATA PENELITIAN (Menggunakan Program SPSS)15Descriptives3790 586224645116381140003437

185388645637-169 687-1077 13344080 6901251956413978360047622182116846831986 687281 1334MeanLower BoundUpper Bound95 ConfidenceInterval for Mean5 Trimmed MeanMedianVarianceStd DeviationMinimumMaximumRangeInterquartile RangeSkewnessKurtosisMeanLower BoundUpper Bound95 ConfidenceInterval for Mean5 Trimmed MeanMedianVarianceStd DeviationMinimumMaximumRangeInterquartile RangeSkewnessKurtosisExtrusion12OpacityStatistic Std Error

Pada hasil output statistik terlihat adanya 5 trimmedmean Nilai trimmed mean dihitung berdasarkan datadiurutkan secara ascending kemudian dihitung 5 darijumlah data Setelah nilai didapat nilai tersebutdigunakan untuk mengurangi data sebanyak nilai yangdiperoleh dari urutan terkecil dan terbesar kemudian sisadata dicari mean-nyaBab I Statistik Deskriptif

16M-Estimators3838 3821 3803 38213660 3468 3698 3454Extrusion12OpacityHubersM-Estimatora

TukeysBiweightbHampelsM-Estimatorc

AndrewsWaved

a The weighting constant is 1339b The weighting constant is 4685c The weighting constants are 1700 3400 and 8500d The weighting constant is 1340pi

Fungsi M-Estimator berkaitan dengan statistik robustAlternatif robust diimplementasikan pada perhitunganrata-rata dan median untukmengestimasi lokasi dataterpusatPercentiles800 910 1975 4000 5700 6330 1600 1630 2500 3600 5625 8250 2000 4000 57002700 3600 5200Extrusion1212OpacityOpacityWeightedAverage(DefinitioTukeys Hinges5 10 25 50 75 90 95Percentiles

Persentil adalah ukuran letak yang membagi data yangtelah diurutkan sehingga membagi data sama besarPercentiles digunakan untuk menampilkan nilaipercentiles





CONTOH KASUS ANALISIS REGRESI DAN KORELASI SEDERHANA

Uji Beda

korelasi rdquoproduct momentrdquo kemudian dianalisa seperti dalam teknik validitas

b Teknik Belah Dua yaitu dengan membagi instrumen menjadi dua bagian misal ganjil genap

c Teknik Bentuk paralel yaitu dilakukan dengan menggunakan dua alat ukur yang mengukur aspek yang sama


Cara mencari validitas konstruk dengan membandingkan nilai pernyataan pada masing-masing nomor urut dengan nilai keseluruhan

RespondenNomor Pertanyaan

Total1 2 3 4 5 6 7 8 9 10

ABCDEFGHIJ

5435322143

4545313142

5444422142

4533413252

5444322152

4525422253

4544411242

5453423142

4544411242

5441155515

45453938352126164024

Tabel Perhitungan Korelasi

Responden X Y Xsup2 Ysup2 XYABCDEFGHIJ

5435322143

45453938352126164024

25149259441169

202520251521144411564416762561600576

23518011719010242521616072

N=10 sumX=32 sumY=328 sumsumXsup2=118 Ysup2=11720 sumXY=1166




sig r 5Keterangan

12345678910

0884089309310811092007050827089308670564






Hasil Pengukuran II

ABCDEFGHIJ

45453938342126164024

45424038322024174224







14834


2306




















Regresi Berganda














Analisis dimulai















analisis kita

1 Uji Normalitas



















4 Uji Autokorelasi




BAB I








Sales2015100500

FrequencySales



Sales

86420








AndrewsWaved









Uji Beda




sig r 5Keterangan

12345678910

0884089309310811092007050827089308670564






Hasil Pengukuran II

ABCDEFGHIJ

45453938342126164024

45424038322024174224







14834


2306




















Regresi Berganda














Analisis dimulai















analisis kita

1 Uji Normalitas



















4 Uji Autokorelasi




BAB I








Sales2015100500

FrequencySales



Sales

86420








AndrewsWaved









Uji Beda




Hasil Pengukuran II

ABCDEFGHIJ

45453938342126164024

45424038322024174224







14834


2306




















Regresi Berganda














Analisis dimulai















analisis kita

1 Uji Normalitas



















4 Uji Autokorelasi




BAB I








Sales2015100500

FrequencySales



Sales

86420








AndrewsWaved









Uji Beda







14834


2306




















Regresi Berganda














Analisis dimulai















analisis kita

1 Uji Normalitas



















4 Uji Autokorelasi




BAB I








Sales2015100500

FrequencySales



Sales

86420








AndrewsWaved









Uji Beda
















Regresi Berganda














Analisis dimulai















analisis kita

1 Uji Normalitas



















4 Uji Autokorelasi




BAB I








Sales2015100500

FrequencySales



Sales

86420








AndrewsWaved









Uji Beda














Analisis dimulai















analisis kita

1 Uji Normalitas



















4 Uji Autokorelasi




BAB I








Sales2015100500

FrequencySales



Sales

86420








AndrewsWaved









Uji Beda














analisis kita

1 Uji Normalitas



















4 Uji Autokorelasi




BAB I








Sales2015100500

FrequencySales



Sales

86420








AndrewsWaved









Uji Beda















4 Uji Autokorelasi




BAB I








Sales2015100500

FrequencySales



Sales

86420








AndrewsWaved









Uji Beda



BAB I








Sales2015100500

FrequencySales



Sales

86420








AndrewsWaved









Uji Beda






Sales2015100500

FrequencySales



Sales

86420








AndrewsWaved









Uji Beda

86420








AndrewsWaved









Uji Beda





AndrewsWaved









Uji Beda

makalah statistika deskriptif

Documents