MODUL 2 : STATISTIK DESKRIPTIF

Statistik deskriptif lebih berkenaan dengan pengumpulan dan peringkasan data, serta
penyajian hasil peringkasan tersebut. Data-data statistik, yang bisa diperoleh hasil
sensus, survei, jajak pendapat atau pengamatan lainnya umumnya masih bersifat acak,
mentah dan tidak terorganisir dengan baik (raw data). Data-data tersebut harus
diringkas dengan baik dan teratur, baik dalam bentuk tabel atau presentasi grafis yang
berguna sebagai dasar dalam proses pengambilan keputusan (statistik inferensi).

Penyajian tabel dan grafis yang digunakan dalam statistik deskriptif dapat berupa:
1. Distribusi frekuensi
2. Presentasi grafis seperti histogram, Pie chart dan sebagainya.

Selain tabel dan grafik, untuk mengetahui deskripsi data diperlukan ukuran yang lebih
eksak, yang biasa disebut summary statistics (ringkasan statistik).

Dua ukuran penting yang sering dipakai dalam pengambilan keputusan adalah:
1. Mencari central tendency (kecenderungan memusat), seperti Mean, Median,
dan Modus
2. mencari ukuran dispersion, seperti Standar Deviasi dan Varians

Selain central tendency dan dispersion, ukuran lain yang dipakai adalah Skewness
dan Kurtosis yang berfungsi untuk mengetahui kemiringan data (gradien data).

Kali ini akan dibahas menu dari SPSS yang berhubungan dengan statistik deskriptif,
yaitu Summarize. Dalam menu ini terdapat beberapa submenu sebagai berikut:

A. Frequencies
Menu ini membahas beberapa penjabaran ukuran statistik deskriptif seperti Mean,
Median, Kuartil, Persentil, Standar Deviasi dan lainnya.

B. Descriptives
Menu ini berfungsi untuk mengetahui skor-z dari suatu distribusi data dan
menguji apakah data berdistribusi normal atau tidak.

C. Explore
Menu ini berfungsi untuk memeriksa lebih teliti sekelompok data. Alat utama
yang dibahas adalah Box-Plot dan Steam & Leaf Plot, selain beberapa uji
tambahan untuk menguji apakah data berasal dari distribusi normal.

D. Crosstabs
Menu ini dugunakan untuk menyajaikan deskripsi data dalam bentuk tabel silang
(crosstab), yang terdiri aatas baris dan kolom. Selain itu menu ini juga dilengkapi
dengan analisis hubungan di antara baris dan kolom, seperti independensi diantara
mereka, besar hubungannya dan lainnya.

E. Case Summaries
Menu ini digunakan untuk melihat lebih jauh isis statistik deskriptif yang meliputi
subgrup dari sebuah kasus, seperti grup Pria dan grup Wanita, bisa dibuat
subgrup Pria Dewasa dan Pria Remaja, kemudian Wanita Dewasa dan

Widya Setiabudi 2006

 Wanita Remaja, serta dibagi lagi menjadi yang tinggal di kota dan di desa, dan
seterusnya.

Menu Frequencies
Contoh penggunaan Frequencies
Misalkan kita memiliki data tentang tinggi badan 25 orang mahasiswa (dalam
centimeter) yang diambil secara acak.

No Tinggi Gender No Tinggi Gender

1 170.2 Pria 14 170.4 Wanita
2 172.5 Pria 15 168.9 Wanita
3 180.3 Pria 16 168.9 Wanita
4 172.5 Pria 17 177.5 Wanita
5 159.6 Wanita 18 174.5 Pria
6 168.5 Wanita 19 186.6 Wanita
7 168.5 Pria 20 164.8 Wanita
8 172.5 Pria 21 170.4 Pria
9 174.5 Pria 22 168.9 Pria
10 159.6 Wanita 23 164.8 Wanita
11 170.4 Wanita 24 167.2 Wanita
12 161.3 Wanita 25 167.2 Wanita
13 172.5 Pria

Yang pertama kita lakukan adalah ada memasukan data terebut ke dalam editor SPSS.
Pada bagian awal kita sudah mempelajari bagaimana membuat data baru dalam SPSS.
Langkah-langkahnya adalah sebagai berikut.
1. Mendefinisikan variabel.Ada banyak cara untuk mendefinisikan variabel,
diantaranya adalah sebagai berikut.
Karena pada contoh kita ada dua variabel (Tinggi Badan & Gender), maka kita
akan definisikan 2 variabel tersebut tipenya seperti apa. Pada bagian bawah
menu editor data, tekan tombol Variable View. Maka akan tampak tampilan
berikut:

Kolom pertama merupakan tempat untuk mendefinisikan nama-nama variabel

tersebut. Pada baris pertama-kolom pertama untuk mendefinisikan nama
variabel ke-1, baris kedua-kolom pertama untuk mendefinisikan nama variabel

Widya Setiabudi 2006

 ke-2. Kita ketikan Tinggi untuk variabel pertama dan Gender untuk
variabel kedua.
Untuk deklarasi Type variabel kita gunakan Numeric untuk variabel Tinggi
dan Gender. Nantinya untuk variabel Gender kita pilih angka 1 untuk
menandai gender Pria dan 2 untuk menandai gender Wanita.
Untuk Width, biasanya standar SPSS untuk numeric adalah 8, kita biarkan
saja angka 8 karena sudah mencukupi untuk keprluan kita.
Untuk Decimals, untuk variabel Tinggi, karena datanya mengandung 1 angka
di belakang koma, kita pilih 1. Sedangkan untuk gender karena bilangan bulat
kita pilih angka 0. Untuk itu kita perlu mengganti default yang ada pada editor
yaitu 2 dengan angka 1 dan 0 tersebut.
Untuk sementara biarkan submenu-submenu yang lain seperti Values, Label,
Missing dll. Seperti apa adanya. Tampilan akhir dapat dilihat seperti gambar
berikut ini.

Selanjutnya kita akan memasukan data yang kita punya dengan terlebih dahulu
menekan tombol Data View. Lalu ketiklah data yang ada, setelah itu simpan
dengan nama Deskriptif1.

2. Bila Anda sudah memiliki data tersebut dalam format Word atau Excel, Anda bisa
langsung meng-copy data tersebut dengan cara yang biasa Anda lakukan, yaitu
Copy-Paste. Setelah mengcopy dari data asal, maka lalu letakan pointer di baris-
1 kolom-1 SPSS kemudian klim menu Edit, dan pilih submenu Paste.

Widya Setiabudi 2006

3. Setelah data ada, lalu kita olah, yaitu ingin menampilkan deskripsi statistik dari
data tersebut yaitu mengenai Mean, Standar Deviasi, Skewness, dll. Selain itu kita
ingin pula menampilkan Chart dari data yang sesuai dengan sata kuantitatif, yaitu
Histogram dan Bar Chart. Langkah-langkahnya sebagai berikut:
a. Dari baris menu, pilih menu Analyze, lalu pilih submenu Descriptive
Statistics, lalu pilih lagi sumenu Frequencies (untuk menampilkan tabel
frekuensi). Lalu akan tampil gambar berikut ini.

b. Kolom Variables(s) harus diisi dengan jenis-jenis variabel apa yang ingin kita
analisis. Karena ingin dibuat frekuensi dari variabel Tinggi, maka klik variabel
Tinggi, kemudia klik tanda , maka variabel Tinggi akan berpindah ke kolom
Vraible(s).

c. Klik pilihan Statistics, maka akan tampil di layar gambar berikut:

d. Pilihan Statistics meliputi berbagai ukuran untuk menggambarkan data, antara

lain sebagai berikut:
PercentilesValues. Untuk keseragaman klik Quartiles dan Percentile(s).
Kemudian pada kotak disamping kanan Percentiles ketik 10, lalu tekan
Add. Sekali lagi ketik 90 pada kotak terdahulu, dan klik lagi tombol Add.
Pengerjaan ini dimaksudkan untuk membuat nilai persentil pada 10 dan
90.
Dispersion atau penyebaran data. Untuk keseragaman, semua atau keenam
jenis pengukuran Dispersion dipilih semua.
Central Tendency atau pengukuran pusat data, untuk keseragaman pilih
Mean dan Median.

Widya Setiabudi 2006

 Distribution atau bentuk distribusi data. Untuk keseragaman, klik
Skewness dan Kurtosis.

e. Pilihan Chartsjuga diklik, maka akan tampil gambar berikut ini.

Menu Charts berkenaan dengan jenis grafik yang ingin kita pilih. Dari
Chart Type, untuk keseragaman kita pilih Histogram. Lalu menu With
normal curve-nya akan hidup, maka kita klik juga With normal curve.
Lalu klik Continue.
Sekarang editor akan kembali ke tampilan editor Frequencies seperti awal,
selanjutnya kita akan memilih menu Format.

f. Setelah menu Format diklik, maka akan tampil gambar berikut:

Pada submenu Order by (data output akan disusun seperti apa ?) kita
seragamkan saja dengan memilih output akan disusun naik (dari data
terkecil ke data terbesar). Untuk itu pilih Ascending values. Selanjutnya
klik OK. Maka semua proses pengisian dan pengolahan data telah selesai,
dan kita akan lihat hasilnya (outputnya) pada editor Output.

Widya Setiabudi 2006

4. Output SPSS dan Analisisnya
Selanjutnya data yang telah kita olah tersebut akan kita lihat outputnya. Berikut
ini adalah output dari Descriptive.

Frequencies
Statistics

Tinggi
N Valid 25
Missing 0
Mean 170.1200
Std. Error of Mean 1.20655
Median 170.2000
Std. Deviation 6.03276
Variance 36.394
Skewness .572
Std. Error of Skewness .464
Kurtosis 1.460
Std. Error of Kurtosis .902
Range 27.00
Minimum 159.60
Maximum 186.60
Percentiles 10 160.6200
25 167.2000
50 170.2000
75 172.5000
90 178.6200

Output Bagian Pertama (Statistics)

N atau jumlah data yang valid adalah 25 buah, sedangkan data yang hilang
(missing) adalah nol. Ini artinya semua data bisa diproses
Mean atau rata-rata tinggi badan adalah 170,12 cm dengan standar error
adalah 1,20655 cm. Penggunaan standar error of Mean adalah untuk
memeriksa besar rata-rata populasi yang diperkirakan dari sampel. Untuk
itu, dengan standar error of Mean tertentu dan pada tingkat kepercayaan
95% (SPSS sebagian besar menggunakan angka ini sebagai stanadar), rata-
rata populasi tinggi badan menjadi:
Rata-rata Populasi = Rata-rata 2 standar error of Mean
= 170,12 (2 x 1,20655) cm
= (170, 12 + 2.4131) sampai (170, 12 - 2.4131)
= 172,5331cm sampai 167, 7069 cm
(Angka 2 digunakan karena tingkat kepercayaan 95%)
Median atau titik tengah data jika semua data diurutkan dan dibagi 2 sama
besar. Angka median 170,20 cm menunjukkan bahwa 50% tinggi badan
adalah 170,20 cm ke atas, dan 50%-nya 170,20 cm ke bawah.
Standar Deviasi adalah 6,03276 cm dan variansinya adalah 36,394 cm.
Penggunaan standar deviasi adalah untuk menilai dispersi rata-rata dari
sampel. Untuk itu, dengan standar deviasi tertentu dan pada tingkat
kepercayaan 95%, rata-rata tinggi badan menjadi:
Rata-rata tingi badan = Rata-rata 2 x Standar Deviasi
= 170,12 (2 x 6,03276) cm
= 182.18552 cm sampai 170,12 cm
Perhatikan bahwa kedua batas angka berbeda tipis dengan nilai minimum
dan maksimum, ini artinya sebaran data adalah baik.

Widya Setiabudi 2006

 Ukuran Skewnes adalah 0,572 cm. Untuk penilaian, nilai tersebut diubah
ke angka rasio. Rasio kurtosis adalah = nilai kurtosis/standar error kurtosis
= 0,572/0,902 = 0,63. Sebagai pedoman, bila rasio kurtosis berada antara
-2 sampai dengan +2, maka distribusi data adalah normal.
Ukuran kurtosis adalah 1,460 cm
Data minimum adalah 159,60 cm sedangkan data maksimum adalah
186,60 cm
Range data = Data maksimum Data minimum adalah 27,00 cm
Angka Persentil:
o Rata-rata tinggi badan 10% responden di bawah 160,62 cm
o Rata-rata tinggi badan 25% responden di bawah 167,20 cm
o Rata-rata tinggi badan 50% responden di bawah 170,20 cm
o Rata-rata tinggi badan 75% responden di bawah 172,50 cm
o Rata-rata tinggi badan 90% responden di bawah 178,62 cm

Tinggi

Cumulative
Frequency Percent Valid Percent Percent
Valid 159.60 2 8.0 8.0 8.0
161.30 1 4.0 4.0 12.0
164.80 2 8.0 8.0 20.0
167.20 2 8.0 8.0 28.0
168.50 2 8.0 8.0 36.0
168.90 3 12.0 12.0 48.0
170.20 1 4.0 4.0 52.0
170.40 3 12.0 12.0 64.0
172.50 4 16.0 16.0 80.0
174.50 2 8.0 8.0 88.0
177.50 1 4.0 4.0 92.0
180.30 1 4.0 4.0 96.0
186.60 1 4.0 4.0 100.0
Total 25 100.0 100.0

Output bagian kedua (Tinggi)

Output ini merupakan gambaran tinggi badan responden dalam tabel
frekuensi.

Widya Setiabudi 2006

 Histogram

10

8
F re q u e n c y

Mean = 170.12
Std. Dev. = 6.03276
0 N = 25
150.00 160.00 170.00 180.00 190.00

Tinggi

Output bagian ketiga (Histogram)

Terlihat grafik data berbentuk seperti lonceng, ini artinya distribusi data adalah
normal atau mendekati normal (pengujian secara statistik akan dibahas nanti)

Tabel Frekuensi untuk Gender

Karena variabel gender bukan data kuantitatif namun kategori, maka tidak
perlu dilakukan dskripsi statistik seperti Mean, Median, Standar Deviasi dan
sebagaianya. Untuk data kualitatif chart yang sesuai adalah pie chart.

Langkah-langkah membuat Pie Chart

Buka kembali lembar kerja Deskriptif1.sav
Dari baris menu, pilih menu Analyze, lalu pilih submenu Descriptive
Statistics, lalu pilih lagi sumenu Frequencies (untuk menampilkan tabel
frekuensi). Lalu akan tampil gambar berikut ini.

Kolom Variables(s) harus diisi dengan jenis-jenis variabel apa yang ingin
kita analisis. Karena ingin dibuat frekuensi dari variabel Gender, maka klik
variabel Gender, kemudia klik tanda , maka variabel Gender akan
berpindah ke kolom Vraible(s).
Pilihan Chartsjuga diklik, maka akan tampil gambar berikut ini.

Widya Setiabudi 2006

 Menu Charts berkenaan dengan jenis grafik yang ingin kita pilih. Dari
Chart Type, untuk keseragaman kita pilih Pie Chart. Lalu klik Continue
Setelah itu menu Format diklik, maka akan tampil gambar berikut:

Pada submenu Order by (data output akan disusun seperti apa ?) kita
seragamkan saja dengan memilih output akan disusun naik (dari data
terkecil ke data terbesar). Untuk itu pilih Ascending values. Selanjutnya
klik OK. Maka semua proses pengisian dan pengolahan data telah selesai,
dan kita akan lihat hasilnya (outputnya) pada editor Output.

Output Gender

Statistics

Gender
N Valid 25
Missing 0

Gender

Cumulative
Frequency Percent Valid Percent Percent
Valid 1 11 44.0 44.0 44.0
2 14 56.0 56.0 100.0
Total 25 100.0 100.0

Widya Setiabudi 2006

 Gender

1
2

Penggunaan Menu Descriptive

Langkah-langkah penggunaan menu Desciptive:
Buka kembali file Deskriptif1.sav
Dari baris menu, pilih menu Analyze, lalu pilih submenu Descriptive
Statistics, lalu pilih lagi sumenu Descriptives (untuk menampilkan tabel
frekuensi). Lalu akan tampil gambar berikut ini.

Kolom Variables(s) harus diisi dengan jenis-jenis variabel apa yang ingin
kita analisis. Karena ingin dibuat frekuensi dari variabel Tinggi, maka klik
variabel Tinggi, kemudia klik tanda , maka variabel Tinggi akan
berpindah ke kolom Vraible(s).
Klik Options, maka akan tampak di layar

Widya Setiabudi 2006

 Pilihan Options meliputi berbagai ukuran untuk menggambarkan data.
Terlihat default dari SPSS yang memilih Mean, Standar deviasi,
maksimum, minimum sebagai acuan untuk menghitung statistik deskriptif,
untuk keseragaman biarkan pilihan tersebut. Kemudian klik Continue.

Maka akan terlihat kotak pilihan Save standardized values as variables

yang telah diberi tanda akan digunakan pilihan tersebut. Hal ini berarti
pilihan output SPSS mengenai deskripsi data. Lalu klik OK.
Maka outputnya sebagai berikut:

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

Tinggi 25 159.60 186.60 170.1200 6.03276
Valid N
25
(listwise)

Jika dilihat pada Editor data SPSS selain variabel tinggi dan gender
sekarang muncul variabel baru, yaitu zTinggi seperti berikut

Analisisnya
Output bagian Pertama
Bagian ini membahas deskripsi statistik dari variabel tinggi yang
meliputi Mean dan yang lainnya.

Output bagian Kedua

Bagian ini membahas penerapan z-score atau Standard Score. Dalam
output SPSS, nilai z bisa dipakai untuk secara cepat melihat nilai mana
yang menyimpang cukup jauh dari rata-ratanya (outlier)

Widya Setiabudi 2006

 Jika suatu data berdistribusi normal, suatu nilai bisa distandardisasi
dengan nilai z, yaitu:
xi x
z
s
Dimana: xi = nilai data kei; x = Mean data dan s=Standar Deviasi
Sebagai contoh, lihat pada data pertama yaitu tinggi 170,20 cm, nilai z-
nya dihitung dengan rumus adalah sbb:

170.2 170.12
z = 0,013 (sama dengan output SPSS)
6.03
Data yang lain pun sama prinsipnya.

Melihat Data yang menyimpang (outlier)

Jika data berdistribusi normal dan tingkat kepercayaan 95%, maka
tingkat signifikansi adalah 100% - 95% = 5%. Jika memakai uji dua
sisi (ada tanda + dan - ), maka batas kritis ada pada 5% dibadi dua atau
2,5%. Pada tabel-z perhitungan pada satu sisi atau 50%, maka batas
kritis ada pada luas kurva (50% - 2,5%) atau 47,5%.
Pada tabel-z, luas kurva untuk 47,5% didapat nilai kritis 1,96.
Dari nilai variabel zTinggi terlihat hanya ada satu data yang termasuk
outlier, yaitu 186.60 cm nilai zTinggi yang di luar 1,96, yaitu
zTingginya 2.73175.
Karena dari 25 data hanya ada 1 data yang outlier, maka dapat
dikatakan distrubusi mendekati normal.

Analisis Crosstab (Tabel Silang)

Sebagaimana pernah dibahas di kelas bahwa salah satu analisis data kualitatif
yang berskala nominal (kategori) adalah dengan Crosstab.

Analisis Crosstab untuk Uji Ketergantungan (Test of Independence)

Contoh Kasusnya:
Manajer perusahaan yang memproduksi kopi susu dalam kemasan sachet merek
deCaFe ingin mengetahui bagaimana sikap konsumen terhadap produk
perusahaan, serta bagaimana profil mereka.
Untuk itu 25 orang konsumen yang pernah mencicipi produk deCaFe diminta
mengisi identitas dan sikap mereka terhadap produk deCaFe.

Berikut ini hasilnya:

No Pekerjaan Pendidikan Gender

1 Karyawan Akademi Pria
2 Petani Sarjana Pria
3 wiraswasta Sma Wanita
4 Petani Sma Wanita
5 wiraswasta Akademi Wanita
6 Karyawan Sarjana Pria
7 wiraswasta Sma Wanita

Widya Setiabudi 2006

 8 wiraswasta Sma Pria
9 Petani Akademi Wanita
10 Petani Akademi Wanita
11 Karyawan Sarjana Pria
12 Karyawan Sarjana Pria
13 Petani Sma Wanita
14 wiraswasta Sarjana Pria
15 wiraswasta Akademi Wanita
16 Karyawan Sarjana Pria
17 Petani Sma Wanita
18 Karyawan Akademi Pria
19 Karyawan Sma Wanita
20 Petani Akademi Pria
21 wiraswasta Sarjana Wanita
22 Petani Sarjana Wanita
23 Petani Sarjana Pria
24 Karyawan Sma Pria
25 Karyawan Sma Pria

Baris pertama, menunjukkan konsumen pertama mempunyai pekerjaan karyawan

dan ia seorang pria yang berpendidikan akademi. Demikian seterusnya.
Dalam SPSS otomatis no urut konsumen sudah ada, sehingga ada 3 variabel saja.

Langkah penyelesaian:
Buka lembar kerja baru
Masukkan data seperti ketika Anda memasukan data Deskriptif1.sav. Jangan
lupa definsikan variabelnya. Karena semuanya data kategori pilih
Decimalsnya = 0.
Untuk variabel pekerjaan, tipenya numerik, dimana: 1 = karyawan, 2=
wiraswasta dan 3= petani.
Untuk variabel pendidikan, tipenya numerik dengan; 1 = Sma, 2= akademi,
dan 3=sarjana
Variabel gender seperti sebelumnya, 1=Pria dan 2 = Wanita.
Setelah data diketikan lalu simpan data tersebut dengan nama file
Crosstab1.sav pada drive D, dari baris menu, pilih menu Analyze, lalu pilih
submenu Descriptive Statistics, lalu pilih lagi sumenu Crosstab. Lalu akan
tampil gambar berikut ini.

Widya Setiabudi 2006

 Row(s) atau variabel yang akan ditempatkan pada baris (row) untuk
keseragaman, kita pilih Gender
Column(s) atau variabel yang akan ditempatkan pada Kolom) untuk
keseragaman, kita pilih Pekerjaan
Klik pilihan Statistics, akan tampak dilayar gambar berikut.

Karena kita akan melihat hubungan antara dua variabel, untuk keseragaman
pilih Chi-Square. Pilihan yang lainnya akan digunakan pada kasus yang
relevan di bagian lain. Lalu Klik Continue
Kemudian Klik pilihan Cells, akan tampak di layar

Pilihan Count untuk menampilkan hitungan Chi-square, apakah perlu

disertakan nilai Expected (nilai yang diharapkan) selain nilai observed. Untuk
keseragaman klik hanya Observed
Pilihan Percentage untuk menampilkan perhitungan angka pada baris dan
kolom dalam persen. Untuk kasus ini biarkan saja kolom tersebut (tidak ada
yang dipilih). Lalu klik Continue,
Klik pilihan Format, akan tampak editor berikut

Widya Setiabudi 2006

 Row Order atau penempatan nama variabel dalam baris, apakah naik atau
turun. Pilih Ascending. Klik Continue.
Pilihan Displayclustered bar charts dan Suppers tables biarkan kosong.

Perhatikan variabel Pendidikan tidak dimasukkan, karena dalam proses ini kita
hanya memasukkan dua saja, tidak mesti semua, nanti kita akan gunakan
variabel pendidikan pada kasus yang lain.
Klik OK, maka akan tampak output berikut.

Output Crosstab

Case Processing Summary

Cases
Valid Missing Total
N Percent N Percent N Percent
gender * Pekerjaan 25 100.0% 0 .0% 25 100.0%

Analisis Output Bagian Pertama (Case Processing Summary)

Ada 25 data yang semuanya diproses (tidak ada data missing), sehingga tingkat
validitasnya 100%.

gender * kerja Crosstabulation

Count
kerja
1 2 3 Total
gender 1 8 2 3 13
2 1 5 6 12
Total 9 7 9 25

Analisis Output Bagian Kedua (Crosstab antara Gender dengan Pekerjaan)

Terlihat tabel silang yang memuat hubungan diantara kedua variabel. Misalnya, pada
baris-1 kolom-1, terdapat angka 8. Hal ini berarti ada 8 orang pria (variabel gender)
yang mempunyai pekerjaan karyawan (varaibel Pekerjaan). Demikian pula untuk data
yanag lainnya.

Chi-Square Tests

Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 7.702(a) 2 .021
Likelihood Ratio 8.505 2 .014
Linear-by-Linear
5.342 1 .021
Association
N of Valid Cases
25
a 6 cells (100.0%) have expected count less than 5. The minimum expected count is
3.36.

Widya Setiabudi 2006

Analisis Output bagian Ketiga (Uji Chi-square)
Uji Chi-square untuk mengamati ada tidaknya hubungan antara dua variabel (baris
dan kolom). Di dalam SPSS, selain alat uji Chi-Square juga dilengkapi dengan
beberapa alat uji yang sama tujuannya.

Hipotesis
Hipotesis untuk kasus ini:

Ho: Tidak ada hubungan antara baris dan kolom, atau antara pekerjaan konsumen
dengan gender konsumen tersebut.

Hi : Ada hubungan antara baris dan kolom, atau antara pekerjaan konsumen dengan
gender konsumen tersebut

Pengambilan Keputusan
Dasar pengambilan keputusan, yaitu: Berdasarkan perbandingan Chi-Quare Uji dan
angka dari Tabel
Jika Chi-square Hitung < Chi-square Tabel, Maka Ho diterima
Jika Chi-square Hitung > Chi-square Tabel, Maka Ho ditolak

Chi-square Hitung dapat dilihat pada output bagian ketiga yaitu 7.702. Sedangkan
Chi-square Tabel, dapat dilihat pada Tabel Uji-Statistik untuk Chi-square. Dalam hal
ini untuk tingkat signifikansi () = 5% dan derajat kebebasan (dF) = 2 adalah 5,9915.
Karena Chi-square Hitung (7.702) > Chi-square Tabel (5,9915), Maka Ho ditolak
Dengan demikian dipsimpulkan bahwa ada hubungan antara baris dan kolom, atau
antara pekerjaan konsumen dengan gender konsumen tersebut.

Kita juga bisa menguji hipotesis dengan membandingkan nilai Probabilitas yang
nilainya dapat dilihat pada bagian Asymp. Sig. (2-sided), yang dalam kasus ini
sebesar 0.021. Jika nilai Probabilitas > 0,05 maka Ho diterima. Tetapi bila nilai
Probabilitas < 0,05 maka Ho ditolak.
Dalam kasus ini 0.021 < 0,05 artinya Ho ditolak, atau ada hubungan antara baris dan
kolom, atau antara pekerjaan konsumen dengan gender konsumen tersebut.

Dari kedua analisis tersebut bisa diambil kesimpulan yang sama, yaitu Ho ditolak atau
ada hubungan antara pekerjaan seorang konsumen dengan gender konsumen tersebut.
Dengan kiata lain dapat saja dikatakan bahwa kebanyakan pria berprofesi karyawan
sedangkan kebanyakan wanita tidak banyak yang berprofesi karyawan, mungkin
banyaknya wiraswasta.

Pada kasus dimana, Ho ditolak atau disimpulkan bahwa ada hubungan antara
pekerjaan seorang konsumen dengan gender konsumen tersebut, maka dapat
ditanyakan pula seberapa besar atau seberapa kuat hubungan tersebut ? Hal ini akan
kita bahas pada contoh lain.

Sekarang, tugas Anda adalah berlatih untuk mencari hubungan antara variabel
Pekerjaan dengan Tingkat Pendidikan, Jika sudah memasukkan datanya dalam
program SPSS simpan pada drive D dengan nama Crosstab2.sav dan outputnya
dengan Crosstab2out. Buatlah analisis Anda dalam file word lalu simpan pula pada
drive D.

Widya Setiabudi 2006

Menguji Keeratan Hubungan Dua Variabel Berskala Nominal
Jika tadi kita contohkan bahwa berdasarkan analisis Crosstab ditemukan terdapat
hubungan antara dua variabel berskala nominal, yaitu antara gender dengan pekerjaan.
Sekarang kita akan cari tahu seberapa besar keeratan hubungan tersebut.

SPSS menyediakan dua cara untuk mengukur hubungan tersebut, yaitu:

1. Symetric Measures, yaitu hubungan yang setara dan berdasarkan perhitungan
Chi-square
2. Directional Measures, yaitu hubungan yang tidak setara dan berdasarkan pada
proportional Reduction In Error (PRE)

Kedua cara perhitungan di atas dapat digunakan pada kasus hubungan antara
Pekerjaan dengan Gender.

Langkah-langkahnya:
1. Buka lagi lembar kerja Crosstab1.sav
2. Darri baris menu, pilih menu Analyze, lalu pilih submenu Descriptive Statistics,
lalu pilih lagi sumenu Crosstab. Lalu akan tampil gambar seperti sebelumnya.
a. Pada menu Row(s) atau variabel yang akan ditempatkan pada baris (row)
untuk keseragaman, kita pilih Gender
b. Column(s) atau variabel yang akan ditempatkan pada Kolom) untuk
keseragaman, kita pilih Pekerjaan

3. Klik pilihan Statistics, akan tampak dilayar gambar berikut.

Karena sudah tahu bahwa antara kedua variabel tersebut terdapat hubungan, maka
sekarang tidak perlu lagi Chi-square, oleh karena itu sekarang Chi-square-nya
jangan dicentak (tidak diklik). Kalau diklik, hasilnya akan seperti terdahulu.

4. Klik pilihan Correlations untuk mengetahui koefisien korelasi kedua variabel

dengan cara Symetric Measures.
5. Pada kolol Nominal (yang berarti khusus untuk data yang berskala Nomonal), klik
semua pilihan yaitu Contingency Coefficient, Phi and Cramers V, lambda dan
Uncertainty coefficient. Pilihaan ini untuk mengetahui koefisien korelasi dengan
cara Directional Measures. Lalu klik Continue. Kemudian Klik pilihan Cells,
akan tampak di layar gambar sebelah kanan.

6. Untuk pilihan Count, ntuk keseragaman klik hanya Observed

Widya Setiabudi 2006

7. Pilihan Percentage untuk kasus ini biarkan saja kolom tersebut (tidak ada yang
dipilih). Demikian pula kolom Residuals biarkan kosong. Lalu klik Continue.

8. Klik pilihan Format. Row Order atau penempatan nama variabel dalam baris,
apakah naik atau turun. Pilih Ascending. Klik Continue.

9. Pilihan Displayclustered bar charts dan Suppers tables biarkan kosong.

10. Selanjutnya Tekan OK untuk mendapatkan outputnya.

Output bagian Pertama

Case Processing Summary

Cases
Valid Missing Total
N Percent N Percent N Percent
gender * kerja 25 100.0% 0 .0% 25 100.0%

Ada 25 data yang semuanya diproses (tidak ada data missing), sehingga tingkat
validitasnya 100%.

Output bagian Kedua

gender * kerja Crosstabulation

Count
kerja
1 2 3 Total
gender 1 8 2 3 13
2 1 5 6 12
Total 9 7 9 25

Tabel yang menggambarkan hubungan antara variabel, misalnya pada baris-2 kolom-1
ada angka 1, artinya ada 1 orang konsumen wanita bekerka sebagai karyawan.

Output bagian Ketiga (Symmetric Measures)

Symmetric Measures

Widya Setiabudi 2006

 Asymp.
Std. Approx.
Value Error(a) T(b) Approx. Sig.
Nominal by Phi .555 .021
Nominal Cramer's V .555 .021
Contingency Coefficient .485 .021
Interval by Interval Pearson's R .472 .167 2.566 .017(c)
Ordinal by Ordinal Spearman Correlation .472 .173 2.566 .017(c)
N of Valid Cases 25
a Not assuming the null hypothesis.
b Using the asymptotic standard error assuming the null hypothesis.
c Based on normal approximation.
Disi

Di sini hanya diperhatikan besar korelasi antara Nominal-Nominal. Hal ini karena
kedua variabel berskala nominal, karena itu besaran Pearson dan Spearman tidak
relevan untuk dibahas.
Ada 3 besaran untuk menghitung korelasi antara variabel pekerjaan dengan gender,
dan ketiganya mempunyai angka signifikan atau nilai Probabilitas 0,021. Karena nilai
Probabilitas di bawah 5%, maka bisa dikatakan ada hubungan antara kedua variabel
tersebut (seperti telah terbukti sebelumnya).
Besaran korelasi (Phi dan Cramer) menghasilkan angka sama yaitu 0,555. Sedangkan
koefisien kontingensi menghasilkan angka 0,485 (lebih kecil). Dari ketiga besaran itu
bisa disimpulkan adanya hubungan yang cukup erat antara (disebut erat jika
mendekati angka 1 dan tidak ada hubungan bila mendekati angka 0) antara variabel
pekerjaan dengan variabel jender.

Output bagian Keempat (Directional Measures)

Directional Measures

Asymp.
a b
Value Std. Error Approx. T Approx. Sig.
Nominal by Lambda Symmetric .393 .163 2.003 .045
Nominal gender Dependent .500 .236 1.572 .116
kerja Dependent .313 .137 2.041 .041
Goodman and gender Dependent .308 .165 .025c
Kruskal tau kerja Dependent .160 .095 .021c
Uncertainty Coefficient Symmetric .191 .114 1.673 .014d
gender Dependent .246 .147 1.673 .014d
kerja Dependent .156 .093 1.673 .014d
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on chi-square approximation
d. Likelihood ratio chi-square probability.

Disini juga ada 3 ukuran untuk mengukur hubungan antara kedua variabel tersebut.
Namun di sini ada pembedaan, yaitu satu variabel sebagai dependen sedangkan yang
lainnya sebagai variabel independen.

Untuk lebih jelasnya lihat besaran pada korelasi lambda.

Symmetric atau kedua variabel setara (bebas), maka besar korelasinya adalah
0,393 atau cukup lemah (kurang dari 0,50). Angka signifikansinya adalah 0,045
atau di bawah 0,05 yang berarti kedua variabel memang berhubungan secara
nyata.

Widya Setiabudi 2006

 Jika ada perkataan Dependent, dipakai pedoman (berlaku untuk ketiga alat uji)
berikut:
o Jika angka korelasi 0, maka pengetahuan akan variabel independen tidak
menolong dalam usaha memprediksi variabel dependen
o Jika angka korelasi = 1, maka pengetahuan akan variabel independen
menolong dalam usaha memprediksi variabel dependen
Contoh analisis pada Lambda
o Gender Konsumen Dependen atau Gender sebagai variabel dependen
(tergantung), dimana Pekerjaan adalah variabel independennya. Karena
angka signifikansi 0,116 lebih besar daripada 0,05 (5%), maka variabel
Independen/bebas yaitu Pekerjaan tidak dapat memprediksi variabel
dependen yaitu Gender.
o Pekerjaan Konsumen Dependen atau Pekerjaan sebagai variabel
dependen (tergantung), dimana gender adalah variabel independennya.
Karena angka signifikansi 0,041 lebih besar daripada 0,05 (5%), maka
variabel Independen/bebas yaitu Pekerjaan dapat memprediksi variabel
dependen yaitu Gender. Tetapi Angka Korelasi lambdanya 0,313 < 0,50
ini artinya korelasinya lemah. Bisa dikatakan bahwa pengetahuan akan
gender seorang konsumen tidak begitu menolong dalam mupaya
memprediksi pekerjaan konsumen tersebut. Atau pekerjaan konseumen
sebagai karyawan atau petani atau wiraswasta tidak bisa diperkirakan
begitu saja karena ia seoraang pria atau wanita.

Analisis pada Korelasi Goodman dan Kruskal Tau

Dari angka signifikansi keduanya adalah signifikan (berbeda dengan Lambda),
namun besar korelasinya juga tidak kuat. Atau variabel gender tidak bisa
memprediksi secara kuat variabel Pekerjaan seorang konsumen, demikian pula
sebaliknya.

Analisis pada Korelasi Uncertainty Coefficient

Dari angka signifikansi ketiganya adalah signifikan, namun besar korelasinya juga
tidak kuat. Atau variabel gender tidak bisa memprediksi secara kuat variabel
Pekerjaan seorang konsumen, demikian pula sebaliknya.

Analisis pada Korelasi Asymptotic Standard Error

Di sini syaratnya harus didapatkan korelasi yang signifikan. Sebagai contoh angka
korelasi lambda sebesarr 0,313 yang signifikan, didapat standar error 0,137.
Pada tingkat kepercayaan 95% atau ada dua standar deviasi, maka rentang korelasi
adalah: 0,313 (2 x 0,137) atau antara 0,039 sampai 0,587

Widya Setiabudi 2006

Widya Setiabudi 2006