Statistik Deskriptif

Statistik Deskriptif

        Statistik adalah sekumpulan prosedur untuk mengumpulkan, mengukur, mengklasifikasi, menghitung, menjelaskan, mensintesis, menganalisis, dan menafsirkan data kuantitatif yang diperoleh secara sistematis. Secara garis besar, statistik dibagi menjadi dua komponen utama, yaitu Statistik Deskriptif dan Statistik inferensial. Statistik deskriptif menggunakan prosedur numerik dan grafisdalam meringkas gugus data dengan cara yang jelas dan dapat dimengerti, sementara Statistik inferensial menyediakan prosedur untuk menarik kesimpulan tentang populasi berdasarkan sampel yang kita amati. Statistik Deskriptif membantu kita untuk menyederhanakan data dalam jumlah besar dengan cara yang logis. Data yang banyak direduksi dan diringkas sehingga lebih sederhana dan lebih mudah diinterpretasi.

Terdapat dua metode dasar dalam statistik deskriptif, yaitu numerik dan grafis.

• Pendekatan numerik dapat digunakan untuk menghitung nilai statistik dari sekumpulan data, seperti mean dan standar deviasi. Statistik ini memberikan informasi tentang rata-rata dan informasi rinci tentang distribusi data.
• Metode grafis lebih sesuai daripada metode numerik untuk mengidentifikasi pola-pola tertentu dalam data, dilain pihak, pendekatan numerik lebih tepat dan objektif. Dengan demikian, pendekatan numerik dan grafis satu sama lain saling melengkapi, sehingga sangatlah bijaksana apabila kita menggunakan kedua metode tersebut secara bersamaan.

Terdapat tiga karakteristik utama dari variabel tunggal:

• Distribusi data (distribusi frekuensi)
• Ukuran pemusatan/tendensi sentral (Central Tendency)
• Ukuran penyebaran (Dispersion)

Info: Bahasan selengkapnya akan diuraikan pada topik tersendiri…

Distribusi Data

Pengaturan, penyusunan, dan peringkasan data dengan membuat tabel seringkali membantu, terutama pada saat kita bekerja dengan sejumlah data yang besar. Tabel tersebut berisi daftar nilai data yang mungkin berbeda (baik data tunggal ataupun data yang sudah dikelompok-kelompokan) beserta nilai frekuensinya. Frekuensi menunjukkan banyaknya kejadian/kemunculan nilai data dengan kategori tertentu. Distribusi data yang sudah diatur tersebut sering disebut dengan distribusi frekuensi. Dengan demikian, Distribusi frekuensi didefinisikan sebagai daftar sebaran data (baik data tunggal maupun data kelompok), yang disertai dengan nilai frekuensinya. Data dikelompokkan ke dalam beberapa kelas sehingga ciri-ciri penting data tersebut dapat segera terlihat. Distribusi frekuensi yang paling sederhana adalah distribusi yang menampilkan daftar setiap nilai dari variabel yang disertai dengan nilai frekuensinya. Distribusi frekuensi dapat digambarkan dalam dua cara, yaitu sebagai tabel atau sebagai grafik. Distribusi juga dapat ditampilkan dengan menggunakan nilai persentase. Penyajian distribusi dalam bentuk grafik lebih mempermudah dalam melihat karakteristik dan kecenderungan tertentu dari sekumpulan data. Grafik data kuantitatif meliputi Histogram, Poligon Frekuensi dll, sedangkan grafik untuk data kualitatif meliputi Bar Chart, Pie Chart dll. Distribusi frekuensi akan memudahkan kita dalam melihat pola dalam data, namun demikian, kita akan kehilangan informasi dari nilai individunya.

Bentuk Distribusi

Aspek penting dari "deskripsi" suatu variabel adalah bentuk distribusinya, yang menunjukkan frekuensi dari berbagai selang nilai variabel. Biasanya, seorang peneliti yang tertarik pada seberapa baik distribusi dapat diperkirakan oleh distribusi normal. Statistik deskriptif sederhana dapat memberikan beberapa informasi yang relevan dengan masalah ini. Sebagai contoh, jika skewness (kemiringan), yang mengukur kesimetrisan distribusi data, tidak sama dengan 0, maka distribusi dikatakan tidak simetris (a simetris), dan apabila skewness bernilai 0 berarti data tersebut berdistribusi normal (simetris). Jika kurtosis (keruncingan), yang mengukur keruncingan distribusi data, tidak sama dengan 0, maka distribusi data mungkin lebih datar atau lebih runcing dibandingkan dengan distribusi normal. Nilai kurtosis dari distribusi normal adalah 0. Informasi yang lebih akurat dapat diperoleh dengan menggunakan salah satu uji normalitas yaitu untuk menentukan peluang apakah sampel berasal dari pengamatan populasi yang berdistribusi normal ataukah tidak (misalnya, uji Kolmogorov-Smirnov, atau uji Shapiro-Wilks'W) . Namun, di antara uji formal tersebut tidak ada satu pun yang dapat sepenuhnya menggantikan pemeriksaan data secara visual dengan menggunakan cara grafis, seperti histogram (grafik yang menunjukkan distribusi frekuensi dari variabel). Grafik (Histogram, misalnya) memungkinkan kita untuk mengevaluasi normalitas dari distribusi empiris karena pada histogram tersebut disertakan juga overlay kurva normalnya. Hal ini juga memungkinkan kita untuk memeriksa berbagai aspek dari bentuk distribusi data secara kualitatif. Sebagai contoh, distribusi dapat bimodal (memiliki 2 puncak) ataupun multimodal (lebih dari 2 puncak). Hal ini menunjukkan bahwa sampel tidak homogen dan unsur-unsurnya berasal dari dua populasi yang berbeda.

Ukuran Pemusatan (Central Tendency)

Salah satu aspek yang paling penting untuk menggambarkan distribusi data adalah nilai pusat pengamatan. Setiap pengukuran aritmatika yang ditujukan untuk menggambarkan suatu nilai yang mewakili nilai pusat atau nilai sentral dari suatu gugus data (himpunan pengamatan) dikenal sebagai ukuran tendensi sentral. Terdapat tiga jenis ukuran tendensi sentral yang sering digunakan, yaitu:

• Mean
• Median
• Mode

Rata-rata hitung atau arithmetic mean atau sering disebut dengan istilah mean saja merupakan metode yang paling banyak digunakan untuk menggambarkan ukuran tendensi sentral. Mean dihitung dengan menjumlahkan semua nilai data pengamatan kemudian dibagi dengan banyaknya data. Mean dipengaruhi oleh nilai ekstrem. Median adalah nilai yang membagi himpunan pengamatan menjadi dua bagian yang sama besar, 50% dari pengamatan terletak di bawah median dan 50% lagi terletak di atas median. Median dari n pengukuran atau pengamatan x1, x2 ,..., xn adalah nilai pengamatan yang terletak di tengah gugus data setelah data tersebut diurutkan. Apabila banyaknya pengamatan (n) ganjil, median terletak tepat ditengah gugus data, sedangkan bila n genap, median diperoleh dengan cara interpolasi yaitu rata-rata dari dua data yang berada di tengah gugus data. Median tidak dipengaruhi oleh nilai ekstrem. Mode adalah data yang paling sering muncul/terjadi. Untuk menentukan modus, pertama susun data dalam urutan meningkat atau sebaliknya, kemudian hitung frekuensinya. Nilai yang frekuensinya paling besar (sering muncul) adalah modus. Modus digunakan baik untuk tipe data numerik atau pun data kategoris. Modus tidak dipengaruhi oleh nilai ekstrem.

Karakteristik penting untuk ukuran pusat yang baik

Ukuran nilai pusat (average) merupakan nilai pewakil dari suatu distribusi data, sehingga harus memiliki sifat-sifat berikut:

• Harus mempertimbangkan semua gugus data
• Tidak boleh terpengaruh oleh nilai-nilai ekstrim.
• Harus stabil dari sampel ke sampel.
• Harus mampu digunakan untuk analisis statistik lebih lanjut.

Dari beberapa ukuran nilai pusat, Mean hampir memenuhi semua persyaratan tersebut, kecuali syarat pada point kedua, rata-rata dipengaruhi oleh nilai ekstrem. Sebagai contoh, jika item adalah 2; 4; 5; 6; 6; 6; 7; 7; 8; 9 maka mean, median dan modus yang semua sama dengan 6. Jika nilai terakhir adalah 90 bukan 9, rata-rata akan menjadi 14.10, sedangkan median dan modus yang tidak berubah. Meskipun median dan modus lebih baik dalam hal ini, namun mereka tidak memenuhi persyaratan lainnya. Oleh karena itu Mean merupakan ukuran nilai pusat yang terbaik dan sering digunakan dalam analisis statistik.

Kapan kita menggunakan nilai pusat yang berbeda?

Nilai ukuran pusat yang tepat untuk digunakan tergantung pada sifat data, sifat distribusi frekuensi dan tujuan. Jika data kualitatif, hanya modus yang dapat digunakan. Sebagai contoh, apabila kita tertarik untuk mengetahui jenis tanah yang khas di suatu lokasi, atau pola tanam di suatu daerah, kita dapat menggunakan modus. Di sisi lain, jika data bersifat kuantitatif, kita dapat menggunakan salah satu dari ukuran nilai pusat tersebut. Jika data bersifat kuantitatif, kita harus mempertimbangkan sifat distribusi frekuensi gugus data tersebut.

• Bila distribusi frekuensi data tidak normal (tidak simetris), median atau modus merupakan ukuran pusat yang tepat.
• Apabila terdapat nilai-nilai ekstrim, baik kecil atau besar, lebih tepat menggunakan median atau modus.
• Apabila distribusi data normal (simetris), semua ukuran nilai pusat, baik mean, median, atau modus dapat digunakan. Namun, mean lebih sering digunakan dibanding yang lainnya karena lebih memenuhi persyaratan untuk ukuran pusat yang baik.
• Ketika kita berhadapan dengan laju, kecepatan dan harga lebih tepat menggunakan rata-rata harmonik.

Jika kita tertarik pada perubahan relatif, seperti dalam kasus pertumbuhan bakteri, pembelahan sel dan sebagainya, rata-rata geometrik adalah rata-rata yang paling tepat.


M. Hilmi Renaldi
Prodi Peternakan
Fakultas Pertanian
Universitas Syiah Kuala

Pendahuluan dan Pengenalan SPSS

Pendahuluan

Aplikasi ilmu statistika dapat dibagi dalam dua bagian:

1. Statistik Deskriptif
Statistik Deskriptif berusaha menjelaskan atau menggambarkan berbagai karakteristik data seperti berapa rata-ratanya, seberapa jauh data-data bervariasi dari rata-ratanya, berapa median data, dan sebagainya.

2. Statistik Induktif (Inferensi)
Statistik Induktif membuat berbagai inferensi terhadap sekumpulan data yang berasal dari suatu sampel. Tindakan inferensi tersebut seperti melakukan perkiraan besaran populasi, uji hipotesis, peramalan, dan sebagainya.

Skala Pengukuran

Berdasarkan tingkat pengukurannya (level of measurement), data statistik dapat dibedakan dalam empat jenis:

1.  Data Kualitatif, disebut juga data yang buka berupa angka. Pada data ini tidak bisa dilakukan            operasi matematika. Data kualitatif dapat dibagi dua: 

• Nominal

        Skala nominal hanya bisa membedakan benda atau peristiwa yang satu dengan yang lainnya berdasarkan nama (predikat). Skala pengukuran nominal digunakan untuk mengklasifikasi obyek, individual atau kelompok dalam bentuk kategori dan memberikan angka pada tiap-tiap kategori. 

        Pemberian angka atau simbol pada skala nomial tidak memiliki maksud kuantitatif hanya menunjukkan ada atau tidak adanya atribut atau karakteristik pada objek yang diukur. Misalnya, jenis kelamin diberi kode 1 untuk laki-laki dan kode 2 untuk perempuan. Angka ini hanya berfungsi sebagai label kategori, tanpa memiliki nilai instrinsik dan tidak memiliki arti apa pun. Kita tidak bisa mengatakan perempuan dua kali dari laki-laki. Kita bisa saja mengkode laki-laki menjadi 2 dan perempuan dengan kode 1, atau bilangan apapun asal kodenya berbeda antara laki-laki dan perempuan. Misalnya lagi untuk agama, kita bisa mengkode 1 = Islam, 2 = Kristen, 3 = Hindu, 4 = Budha dan seterusnya.

         Kita bisa menukar angka-angka tersebut, selama suatu karakteristik memiliki angka yang berbeda dengan karakteristik lainnya. Karena tidak memiliki nilai instrinsik, maka angka-angka (kode-kode) yang kita berikan tersebut tidak memiliki sifat sebagaimana bilangan pada umumnya. Oleh karenanya, pada variabel dengan skala nominal tidak dapat diterapkan operasi matematika standar (aritmatik) seperti pengurangan, penjumlahan, perkalian, dan lainnya. Peralatan statistik yang sesuai dengan skala nominal adalah peralatan statistik yang berbasiskan (berdasarkan) jumlah dan proporsi seperti modus, distribusi frekuensi, Chi Square dan beberapa peralatan statistik non-parametrik lainnya.

• Ordinal

        Skala Ordinal sering disebut dengan skala peringkat. Hal ini karena dalam skala ordinal, lambang-lambang bilangan hasil pengukuran selain menunjukkan pembedaan juga menunjukkan urutan atau tingkatan obyek yang diukur menurut karakteristik tertentu. Misalnya tingkat kepuasan seseorang terhadap produk. Bisa kita beri angka dengan 5 = sangat puas, 4 = puas, 3 = kurang puas, 2 = tidak puas dan 1= sangat tidak puas. Atau misalnya dalam suatu lomba, pemenangnya diberi peringkat 1,2,3 dstnya.
        Dalam skala ordinal, tidak seperti skala nominal, ketika kita ingin mengganti angka-angkanya, harus dilakukan secara berurut dari besar ke kecil atau dari kecil ke besar. Jadi, tidak boleh dibuat 1 = sangat puas, 2 = tidak puas, 3 = puas dan seterusnya.
        Selain itu, yang perlu diperhatikan dari karakteristik skala ordinal adalah meskipun nilainya sudah memiliki batas yang jelas tetapi belum memiliki jarak (selisih). Kita tidak tahu berapa jarak kepuasan dari tidak puas ke kurang puas. Dengan kata lain, walaupun sangat puas kita beri angka 5 dan sangat tidak puas kita beri angka 1, kita tidak bisa mengatakan bahwa kepuasan yang sangat puas lima kali lebih tinggi dibandingkan yang sangat tidak puas.
       Sebagaimana halnya pada skala nominal, pada skala ordinal kita juga tidak dapat menerapkan operasi matematika standar (aritmatik) seperti pengurangan, penjumlahan, perkalian, dan lainnya. Peralatan statistik yang sesuai dengan skala ordinal juga adalah peralatan statistik yang berbasiskan (berdasarkan) jumlah dan proporsi seperti modus, distribusi frekuensi,Chi Square dan beberapa peralatan statistik non-parametrik lainnya.

2.  Data Kuantitatif, disebut juga data yang berupa angka dalam arti sebenarnya. Sehingga bisa               dilakukan operasi matematika. Terdiri dari dua jenis data:

• Interval

         Skala interval mempunyai karakteristik seperti yang dimiliki oleh skala nominal dan ordinal dengan ditambah karakteristik lain, yaitu berupa adanya interval yang tetap. Dengan demikian, skala interval sudah memiliki nilai intrinsik, sudah memiliki jarak, tetapi jarak tersebut belum merupakan kelipatan. Pengertian “jarak belum merupakan kelipatan” ini kadang-kadang diartikan bahwa skala interval tidak memiliki nilai nol mutlak. Misalnya pada pengukuran suhu. Kalau ada tiga daerah dengan suhu daerah A = 10°C, daerah B = 15°C dan daerah C = 20°C.
         Kita bisa mengatakan bahwa selisih suhu daerah B, 5°C lebih panas dibandingkan daerah A, dan selisih suhu daerah C dengan daerah B adalah 5°C. (Ini menunjukkan pengukuran interval sudah memiliki jarak yang tetap). Tetapi, kita tidak bisa mengatakan bahwa suhu daerah C dua kali lebih panas dibandingkan daerah A (artinya tidak bisa jadi kelipatan). Karena dengan pengukuran yang lain, misalnya dengan Fahrenheit, di daerah A suhunya adalah 50°F, di daerah B = 59°F dan daerah C = 68°F.
        Artinya, dengan pengukuran Fahrenheit, daerah C tidak dua kali lebih panas dibandingkan daerah A, dan ini terjadi karena dalam derajat Fahrenheit titik nolnya pada 32, sedangkan dalam derajat Celcius titik nolnya pada 0. Skala interval ini sudah benar-benar angka dan, kita sudah dapat menerapkan semua operasi matematika serta peralatan statistik kecuali yang berdasarkan pada rasio seperti koefisien variasi.

• Skala rasio

       Skala rasio adalah skala data dengan kualitas paling tinggi. Pada skala rasio, terdapat semua karakteristik skala nominal,ordinal dan skala interval ditambah dengan sifat adanya nilai nol yang bersifat mutlak. Nilai nol mutlak ini artinya adalah nilai dasar yang tidak bisa diubah meskipun menggunakan skala yang lain. Oleh karenanya, pada skala ratio, pengukuran sudah mempunyai nilai perbandingan/rasio. Pengukuran-pengukuran dalam skala rasio yang sering digunakan adalah pengukuran tinggi dan berat. Misalnya berat benda A adalah 30 kg, sedangkan benda B adalah 60 kg. Maka dapat dikatakan bahwa benda B dua kali lebih berat dibandingkan benda A.
       Jenis-jenis data yang telah dijelaskan di atas harus dipahami dengan baik karena penerapan dalam statistik akan berbeda untuk jenis data yang berbeda.

PENGENALAN SPSS

        

         SPSS (Statistical Package for the Social Science) merupakan software statistik yang pada awalnya digunakan untuk riset dibidang sosial dan melayani berbagai jenis user. SPSS merupakan paket program statistik yang paling populer dan paling banyak digunakan di seluruh dunia. Hal inilah yang yang membuat kepanjangan SPSS saat ini adalah Statistical Product and Service Solution. Dengan SPSS semua kebutuhan pengolahan data dapat diselesaikan dengan mudah dan cepat. Kemampuan yang dapat diperoleh dari SPSS meliputi pemrosesan segala bentuk file data, modifikasi data, membuat tabulasi berbentuk distribusi frekuensi, analisis statistik deskriptif, analisis statistik lanjut yang sederhana maupun kompleks, pembuatan grafik dan sebagainya.

· Memasukkan Data pada SPSS

           Untuk menginput data, buka Program SPSS melalui Start → Programs → IBM SPSS Statistics → IBM SPSS Statiscs. Pertama kali akan muncul tampilan sebagai berikut: 

Gambar 1.1 Tampilan layar Data View

        Tampilan tersebut adalah tampilan Data Editor dalam SPSS yang mempunyai fungsi utama untuk mendefinisikan, menginput, mengedit dan menampilkan data. Sebelum menginput data, definisikan terlebih dahulu data (variabel) yang akan diinput. Perhatikan di sudut kiri bawah dari tampilan data editor di atas, terdapat menu Data View dan menu Variable View. Untuk mendefinisikan data (variabel), klik Variable View, maka akan muncul tampilan berikut:

                                                Gambar 1.2 Tampilan layar Variable View 

Setiap baris dalam tampilan diatas digunakan untuk mendefinisikan satu variabel (data) yang akan diinput. Ada beberapa informasi yang perlu dimasukkan, yaitu:

1. Name

Isikan nama variabel. Persyaratan dalam pemberian nama variabel adalah: 

· Nama variabel tidak boleh duplikasi dengan nama variabel lainnya. 

· Nama variabel paling panjang hanya 64 karakter dan harus diawali oleh huruf atau @, #, $. Karakter berikutnya boleh kombinasi huruf, @, #, $ atau angka. Nama variabel yang diawali dengan tanda $ menunjukkan bahwa variabel tersebut adalah suatu variabel sistem.

· Variabel tidak boleh mengandung spasi dan kata-kata kunci perintah SPSS yaitu ALL, AND, BY, EQ, GE, GT, LE, LT, NE, NOT, OR, TO, dan WITH.

2. Type
Definisikan tipe variabel. Ketika anda mengklik sel di bawah type, akan muncul titik tiga (…). Klik titik tiga tersebut, maka akan muncul tampilan berikut:

Gambar 1.3 Tampilan kotak dialog Variable Type

Dari tampilan diatas, terdapat beberapa pilihan tipe variabel sebagai berikut:

· Numeric. Variabel yang berbentuk angka.

· Comma. Variabel numerik dengan tampilan koma untuk setiap 3 angka (memisahkan ribuan), dan titik untuk memisahkan desimal. Misalnya, jika data yang diinput adalah 2567932, maka akan ditampilkan dalam SPSS sebagai 2,567,932.00.

· Dot. Variabel numerik dengan tampilan titik untuk setiap 3 angka (memisahkan ribuan), dan koma untuk memisahkan desimal. Misalnya, jika data yang diinput adalah 2567932, maka akan ditampilkan dalam SPSS sebagai 2.567.932,00.

· Scientific notation. Variabel numerik dengan tampilan scientific. Misalnya, jika data yang diinput adalah 2567932, maka akan ditampilkan dalam SPSS sebagai 2.57E+006.

· Date. Variabel numerik dengan nilai yang ditampilkan dalam format tanggal atau waktu. Jika anda pilih tipe data ini, akan muncul tampilan pilihan format tanggal atau waktu.

· Dollar. Variabel numerik dengan tampilan tanda $.

· Custom currency. Variabel numerik yang ditampilkan dalam format uang yang anda inginkan (custom currency) misalnya dalam bentuk Rp. Penggunaan pilihan format ini harus didefinisikan terlebih dahulu dalam menu Options pada Currency tab.

· String. Variabel yang tidak berbentuk numerik (angka) dan karenanya tidak digunakan dalam perhitungan. Jenis ini juga dikenal sebagai variabel alphanumeric.

Setelah memilih jenis variabel, lanjutkan dengan mengisi Width, yaitu jumlah karakter (angka/huruf) maksimum dari data yang akan diinput. Setelah itu, tentukan jumlah decimal yang ingin ditampilkan. Selanjutnya klik OK.

3. Label

        Label adalah keterangan mengenai variable dan dapat dibuat sampai 256 karakter. Selain itu, label dapat menggunakan spasi maupun karakter-karakter yang tadinya tidak dapat digunakan pada nama variabel. 

4. Values

        Values ini secara khusus berguna jika data yang kita gunakan merupakan kode numerik (dalam bentuk angka) yang mewakili kategori non-numerik, misalnya kode 1 untuk laki-laki dan kode 2 untuk perempuan. Untuk menginput values dari masing-masing variabel, klik sel di bawah Values, akan muncul titik tiga (…). Klik titik tiga tersebut, maka akan muncul tampilan berikut:

Gambar 1.4 Tampilan kotak dialog Value Labels

Isikan kode pada kotak Values dan labelnya pada kotak Label. Misalnya, kode 1 untuk Laki-laki. Setelah itu, klik Add. Lanjutkan untuk kode-kode berikutnya, setelah itu klik OK.

5. Missing

        Menentukan nilai “missing” ini berguna jika dalam pertanyaan survai, ada responden yang tidak memberikan/menolak memberikan jawaban, sehingga tidak tersedia data untuk diinput. Misalnya, jika ada responden yang menolak memberikan jawaban mengenai pendapatannya. Jika kita menginput jawaban responden tersebut dengan angka 0, maka dalam pengolahannya, SPSS akan memasukkan dalam perhitungan (sehingga akan berpengaruh terhadap rata-rata keseluruhan maupun terhadap distribusi frekuensi). 

        Tetapi jika kita mendefinisikan suatu angka untuk menyatakan nilai missing tersebut, maka SPSS akan mengeluarkan dari perhitungan. Untuk mendefinisikan nilai “missing” dari masing-masing variabel, klik sel di bawah “Missing”, akan muncul titik tiga (…). Klik titik tiga tersebut, maka akan muncul tampilan berikut:

Gambar 1.5 Tampilan kotak dialog Missing Value

         Kita bisa mendefinisikan tiga deretan angka yang berbeda untuk nilai missing masing-masing variabel. Kita juga memberikan range nilai untuk mendefinisikan nilai missing tersebut. Dalam contoh tampilan diatas, misalnya didefinisikan hanya satu deretan angka untuk nilai missing yaitu 99999. Dengan demikian, jika terdapat data yang kosong (atau tidak terisi) dari variabel, maka inputkan angka 99999. Setelah mendefinisikan nilai missing, klik OK.

6. Coloumn

        Menentukan lebar kolom dari worksheet SPSS untuk input data. Lebar kolom ini ditentukan minimal sama dengan “Width” variabel yang telah ditentukan sebelumnya.

7. Align

        Perataan dari tampilan input data. Jika diklik sel dibawah align, akan muncul tiga pilihan yaitu left (rata kiri), right (rata kanan) dan center (rata tengah).

8. Measure

        Skala pengukuran dari masing-masing variabel. Ada tiga pilihan yaitu Scale, Ordinal dan Nominal. Scale kita pilih jika skala pengukuran kita adalah skala interval atau ratio. Setelah selesai dengan tahap terakhir pendefinisian variabel ini, klik kembali menu Data View (yang ada disudut kiri bawah). Dengan cara ini, kita akan masuk ke worksheet SPSS dan siap untuk menginput data. Sebagai latihan, input data hasil penelitian terdapat 18 responden penelitian sebagai berikut:

No	Responden	Jenis Kelamin	Umur	Pendidikan	Pendapatan	Konsumsi
1	Susan	Perempuan	25	SLTP	5000	3750
2	Susanto	Laki-laki	20	SLTP	2500	1875
3	Marni	Perempuan	23	SLTA	-	-
4	Semar	Laki-laki	30	S1	2000	1500
5	Tini	Perempuan	35	D3	1500	1400
6	Tono	Laki-laki	40	SLTA	1300	1200
7	Fadli	Laki-laki	43	SLTP	2000	1500
8	Fadliani	Perempuan	42	S1	2200	1650
9	Purwanti	Perempuan	30	S1	1700	1275
10	Purwana	Laki-laki	25	D3	1100	1000
11	Purwani	Perempuan	40	SLTA	3000	2250
12	Purwano	Laki-laki	25	D3	3200	2400
13	Mutia	Perempuan	38	SLTA	1800	1350
14	Tiara	Perempuan	45	SLTA	-	-
15	Joni	Laki-laki	55	SLTP	1400	1300
16	Jono	Laki-laki	50	SLTA	1600	1400
17	Kris Dayanti	Perempuan	35	D3	1900	1300
18	Kris Jhon	Laki-laki	57	D3	1700	1300

^{Pada contoh data latihan di atas, kita punya enam variabel (data) yang akan diinput yaitu nama responden, jenis kelamin, umur, pendidikan, penghasilan dan konsumsi. Mari kita definisikan masing-masing variabel sebagai berikut:}

Variabel pertama:

Nama Variabel             : Responden

Type                             : String (karena variabel ini tidak berbentuk numerik)

Width                           : 18 (untuk data kita ini, jumlah karakter terbanyak 18)

Decimal                       : 0 (untuk data type string, desimal akan otomatis 0)

Label                            : Nama Responden

Values                          : None (untuk data type string, values akan otomatis none)

Missing                        : None (untuk data type string, missing akan otomatis none)

Column                        : 18 (ukuran kolom ini sesuaikan dengan jumlah karakter dari nama variabel    atau maksimum karakter dari data pada variabel tersebut, mana yang paling banyak)

Align                            : Left (untuk data string sebaiknya dibuat rata kiri)

Measure                       : Nominal (untuk data string, pilih saja measure nominal)  

Variabel kedua:

Nama Variabel             : Sex

Type                             : Numeric

Width                           : 2 (sebenarnya input data yang akan kita masukkan nanti hanya berupa kode 1 dan 2, atau hanya terdiri dari 1 karakter, tetapi width nya sebaiknya kita lebihkan 1 karakter)

Decimal                       : 0 (karena tidak memerlukan angka dibelakang koma)

Label                            : Jenis Kelamin Responden

Values                          : 1 = laki-laki, 2 = perempuan

Missing                        : None (karena informasi mengenai jenis kelamin tersedia pada semua responden)

Column                        : 4

Align                            : Rigth (untuk data numerik sebaiknya dibuat rata kanan)

Measure                       : Nominal (angka untuk pengkodean jenis kelamin ini, adalah termasuk data skala nominal) 

Variabel ketiga: 

Nama Variabel            : Umur

Type                            : Numeric

Width                          : 3

Decimal                      : 0 (karena tidak memerlukan angka dibelakang koma)

Label                           : Umur Responden

Values                         : None (tidak ada pengkodean numerik untuk variabel ini)

Missing                       : None (karena informasi mengenai umur tersedia pada semua responden)

Column                       : 5

Align                           : Rigth (untuk data numerik sebaiknya dibuat rata kanan)

Measure                      : Scale (karena umur merupakan data berskala ratio)

Variabel keempat:

Nama Variabel             : Pendidikan

Type                             : Numeric

Width                           : 2 (karena pendidikan akan diinput dengan kode 1 – 5)

Decimal                        : 0 (karena tidak memerlukan angka dibelakang koma)

Label                            : Pendidikan Responden 11 

Values                          : 1 = SD, 2= SLTP, 3= SLTA, 4= D3, 5= S1

Missing                      : None (karena informasi mengenai pendidikan tersedia pada semua responden)

Column                        : 8

Align                            : Rigth (untuk data numerik sebaiknya dibuat rata kanan)

Measure                       : Ordinal (karena pendidikan merupakan data berskala ordinal) 

Variabel keenam:

Semua isian data sama dengan variable ke lima kecuali nama variable.

Hasil dari tahapan-tahapan yang kita lakukan akan memberikan tampilan kira-kira sebagai berikut:

^{Gambar 1.6 Tampilan Variable View yang telah didefenisikan}

^{Setelah itu, klik menu Data View yang ada disudut kiri bawah, dan data siap diinput kemudian simpan data tersebut dengan nama Latihan distribusi frekuensi. Berdasarkan data latihan sebelumnya, tampilan input data adalah sebagai berikut:}

M. Hilmi Renaldi

Prodi Peternakan

Fakultas Pertanian

Universitas Syiah Kuala