Data Untuk Uji Anava

13 1
11 1
14 1
11 1
13 1
9 1
14 1
12 1
16 1
10 1
15 1
12 1
15 1
17 1
12 1
12 1
15 1
14 1
12 1
11 1
13 2
14 2
16 2
16 2
16 2
11 2
9 2
9 2
12 2
12 2
15 2
18 2
16 2
13 2
18 2
16 2
12 2
11 2
14 2
9 2
18 3
17 3
17 3
19 3
15 3
14 3
14 3
14 3
13 3
16 3
20 3
18 3
18 3
20 3
15 3
16 3
17 3
18 3
17 3
15 3
11 4
14 4
11 4
9 4
11 4
13 4
11 4
14 4
17 4
11 4
15 4
15 4
14 4
15 4
16 4
15 4
12 4
14 4
14 4
11 4

Tipe Data Dalam Statistika

Sebelum melangkah lebih jauh melakukan analisis data, seseorang idealnya harus memahami tentang tipe data yang dia gunakan. Hal ini penting mengingat metode analisis data dalam ilmu statistika mensyaratkan kesesuaian antara tipe data yang dipakai dengan metode/alat uji statistika yang dipilih.

Di dalam statistika dikenal 4 macam tipe data, yaitu: Nominal; Ordinal; Interval; Rasio.
Penjelasan dari keempat tipe data tersebut adalah sebagai berikut :

1. NOMINAL
   Tipe data ini digunakan untuk mengklasifikasikan data. Klasifikasi yang dimaksud adalah sekedar hanya untuk membedakan data pengamatan/penelitian yang diperoleh dengan menggunakan simbolisasi angka.Contoh: Data jenis kelamin yang terdiri dari “Pria” dan “Wanita”.
   Untuk membedakan “Pria” dan “Wanita” secara numerik/angka, maka biasanya digunakan angka “0” dan “1”. Misal, angka “0” = Pria, sedangkan angka “1” = Wanita.
   Boleh juga sebaliknya, angka “0” = Wanita, dan angka “1” = Pria. Bahkan pilihan angka yang dipakai tidak hanya terbatas pada angka “0” dan “1” saja, boleh menggunakan angka-angka yang lain secara bebas. Misal, angka “3”= Pria, dan angka “7” = Wanita. Hanya saja perlu diingat, walaupun bebas menggunakan angka berapa saja, demi menjaga agar tidak membingungkan orang lain, diusahakan menggunakan angka-angka yang familiar atau biasa digunakan. Misal angka “0” dan “1”.
2. ORDINAL
   Digunakan untuk mengklasifikasikan data yang memiliki tingkatan/hierarki.
   Tipe data ordinal sifatnya lebih tinggi dari Nominal karena kemampuannya untuk membentuk tingkatan.Contoh: Jabatan di dalam perusahaan = “Karyawan”, “Manager”, “Direktur Utama”.
   Kita dapat membuat klasifikasi untuk data semacam itu dengan angka numerik.
   Misal,
   – “Karyawan” dilambangkan dengan “1”,
   – “Manager” dilambangkan dengan “2”, dan
   – “Direktur Utama” dilambangkan dengan “3”.
   Pada tipe data ini, angka 1 dianggap lebih rendah dari angka 2, dst. Bisa saja “Karyawan” dilambangkan dengan angka “1”, tetapi “Manager” angka “3” dan “Direktur Utama” dengan angka “10”. Tipe data ini tidak mensyaratkan jarak (selisih) yang sama antar angka yang digunakan sebagai lambang. Yang perlu diperhatikan hanyalah bahwa angka 3 lebih tinggi dari angka 1, angka 10 lebih tinggi dari angka 3.Jika sampai tahap ini pembaca masih bingung membedakan kegunaan dari tipe data NOMINAL dengan ORDINAL, maka hal yang perlu diperhatikan adalah adanya unsur tingkatan/hierarki. Andaikan peneliti tidak mempertimbangkan unsur tingkatan/hierarki, maka sebenarnya tipe data yang lebih tepat dipakai adalah NOMINAL. Jika memang unsur tingkatan/hierarki tidak perlu diperhatikan, maka susunan pengklasifikasian dengan menggunakan tipe data NOMINAL bisa saja menjadi seperti berikut :
   – “Karyawan” = 3;
   – “Manager” = 1;
   – “Direktur Utama” = 2.
   Dari klasifikasi di atas, angka 2 tidak berarti lebih rendah dari angka 3. Ini hanya pengkodean dengan angka saja. Ingat, bahwa tipe data NOMINAL sama sekali tidak memperhatikan tingkatan/hierarki.
3. INTERVAL
   Ciri khas dari tipe data ini, selain memiliki kemampuan mengklasifikasikan dan membentuk tingkatan, adalah tidak adanya nilai nol mutlak. Artinya, angka nol yg digunakan bukan berarti tidak ada.Contoh: Derajat suhu.
   Di dalam skala Celcius misalnya, Nol derajat Celcius bukan berarti tidak ada suhu. Nol derajat itu memiliki suhu, hanya saja dilambangkan dengan nol. Selain itu, jarak (selisih) antar angka yg digunakan adalah sama.
   Misal: di dalam kuesioner, ada tingkatan dari TIDAK SETUJU (lambang: 1) s.d. SANGAT SETUJU (lambang: 5). Jarak (selisih) antara SANGAT SETUJU (5) dg SETUJU (4) adalah 1, yaitu 5-4=1. Jarak antara SETUJU (4) dg RAGU-RAGU (3) juga = 1, yaitu 4-3=1. dst.
4. RASIO
   Memiliki kemampuan dari ketiga tipe data sebelumnya, dan angka nol dianggap mutlak.
   Beberapa kriteria/sifat dari tipe data RASIO adalah :
   – kemampuan untuk mengklasifikasikan data non numerik menjadi numerik sebagai mana NOMINAL, ORDINAL dan INTERVAL.
   – di dalam tipe data RASIO, tingkatan/hierarki diperhatikan;
   – Jarak (selisih) antar angka/data adalah sama;
   – Angka nol dianggap mutlak ada, yaitu jika suatu data bernilai nol, maka itu berarti “ketiadaan” sesuatu yang diamati. Contoh: berat benda = nol kilogram, hal ini berarti benda tersebut tidak memiliki berat/massa;
   – Data yang tergolong tipe data RASIO bisa dikenai tindakan aritmatika, semisal penjumlahan, pengurangan, pembagian, perkalian, dll.
   Ciri khas yang paling nampak dari data RASIO adalah adanya satuan pengamatan, semisal detik, menit, jam, kg, ton, km, m/s, Rp., Dollar, dll.

Tipe data NOMINAL dan ORDINAL sering digunakan pada metode Statistika Nonparametrik. Sedangkan tipe data INTERVAL dan RASIO cocok untuk digunakan pada metode statistika parametrik, asal asumsi yang dibutuhkan oleh metode statistika parametrik yang bersangkutan dapat dipenuhi.

Mengetahui Sebaran Data dengan SPSS

Persyaratan

Pada latihan ini, kita menggunakan data yang sudah diinputkan pada latihan tentang Menginput Data Ke SPSS. Silahkan inputkan data dulu jika belum memiliki data.

Tujuan

Mengetahui Sebaran data (Mean, Median, Modus, Standar Deviasi dll)

Langkah

Untuk melakukan proses ini silahkan lakukan menuju menu
Analyze >> Descriptive Statistics >> Descriptive

Masukkan BB dan Tinggi pada kolom variabel.

Klik options (pilih Sebaran data yang ingin kita ketahui) Continue >> OK

Akan terlihat hasil “output SPSS”

Melakukan Perhitungan Frekuensi dengan SPSS

Persyaratan

Pada latihan ini, kita menggunakan data yang sudah diinputkan pada latihan tentang Menginput Data Ke SPSS. Silahkan inputkan data dulu jika belum memiliki data.

Tujuan

Mengetahui frekuensi data yang diambil secara acak

Langkah

Untuk melakukan proses ini silahkan lakukan menuju menu Analyze >> Descriptive Statistics >> Frequencies 

Masukkan Gender dan Pendidikan ke kolom Variabel >> OK 

Hasil “OutPut”

Pada hasil “Gender” diatas dapat disimpulkan bahwa Frekuesi pria sebanyak 9 dengan

presentase 60%, sedangkan Wanita sebanyak 6 dengan presentase 40%.

Silahkan simpulkan untuk hasil dari Variabel Pendidikan.

Menginput Data Ke SPSS

Data pasien di RS Umum kota Surakarta sebagai berikut:

No	Nama	Tinggi	Berat	Gender	Pendidikan
1.	Adelia	165	45	Wanita	SMU
2.	Erick	170	60	Pria	SMU
3.	Anggoro	171	65	Pria	Sarjana
4.	Amelia	166	50	Wanita	Akademi
5.	Lidya	165	46	Wanita	Sarjana
6.	Liana	167	49	Pria	Akademi
7.	Cicil	166	44	Wanita	SMU
8.	Andre	173	70	Pria	Akademi
9.	Agus	175	71	Pria	SMU
10.	Lana	174	73	Pria	Sarjana
11.	Mely	163	65	Wanita	Akademi
12.	Diana	164	67	Wanita	Sarjana
13.	Oon	170	75	Pria	Sarjana
14.	Dodi	171	74	Pria	Akademi
15.	Agung	172	70	Pria	Sarjana

Untuk menginputkan data pada SPSS dapat dilakukan sebagai berikut:

Pada memberi label nomor pada variabel gender dan pendidikan 

Klik variabel view >> Value pada variabel gender 

Masukkan kolom value “1” dan label “Pria” klik add,

Masukkan kolom value “2” dan label “Wanita” klik add >> OK

Lakukan seperti pada variabel “Pendidikan”