BAB I
PENDAHULUAN
1.1.LATAR BELAKANG
Dari zaman dahulu, pengumpulan data statistik sudah digunakan untuk mendapatkan suatu informasi deskriptif mengenai banyak hal, misalnya perang, pajak, hasil pertanian dan bahkan pertandingan atletik juga menggunakan statistik deskriptif. Karena dari pengolahan data ini mereka bisa mendapatkan kesimpulan dari data penelitian yang mereka lakukan.
Melainkan pada masa kini, semuanya telah berkembang dan mengalami kemajuan dengan cara teori peluang, kita dapat menggunakan berbagai metode statistik yang membuat kita bisa melihat lebih jauh dari data yang telah kita kumpulkan dan memasukkannya kedalam pengambilan keputusan melalui generalisasi dan peramalan.
Statistik Deskriptif merupakan bidang ilmu satistika yang mempelajari cara-cara pengumpulan, penyusunan dan penyajian data suatu penelitian. Data-data bisa diperoleh dari hasil sensus, survey atau pengamatan lainnya. Semua itu bertujuan untuk memudahkan kita dalam mendapatkan suatu informasi
Selain itu, statistik deskriptif juga merupakan metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu data gugus sehingga memberikan informasi yang berguna bagi penghitungan data yang kita lakukan.
Perlu dimengerti bahwa statistika deskriptif memberikan informasi hanya mengenai data yang dipunyai dan sama sekali tidak menarik inferensia atau kesimpulan apapun tentang gugus data induknya yang lebih besar. Penyusunan tabel, diagram, grafik dan besaran-besaran lain di majalah dan koran, termasuk dalam kategori statistika deskriptif.
1.2.TUJUAN PRAKTIKUM
· Mengubah kumpulan data mentah menjadi mudah dipahami dalam bentuk informasi yang lebih ringkas
· Dapat mengambil kesimpulan pada suatu kumpulan data
· Dapat mempelajari cara-cara pengumpulan, penyusunan dan penyajian dari suatu data penelitian
1.3.ALAT DAN BAHAN
1. Set data
2. Komputer
3. Program SPSS
4. Kalkulator
1.4.BATASAN MASALAH
Mendapatkan informasi pada suatu kumpulan data mentah dengan menggunakan metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus. Data ini dapat di peroleh dari hasil sensus, survey atau pengamatan lainnya.
1.5.SISTEMATIKA PENULISAN
Bab I Pendahuluan
1.1 Latar Belakang
1.2 Tujuan Praktikum
1.3 Alat dan Bahan
1.4 Batasan Masalah
1.5 Sistematika Penulisan
Bab II Landasan Teori
Berisikan teori-teori pendukung tentang statistik deskriptif, seperti pengertian, karakteristik, rumusan-rumusan yang digunakan dalam statistik deskriptif dan penggunaan dari statistik deskriptif itu sendiri.
Bab III Pengumpulan Data
Berisikan data tunggal dan data kelompok
Bab IV Pengolahan Data
berisikan tentang:
Pengolahan data yang dilakukan dengan menggunakan komputer dan secara manual.
Bab V Analisa Data
Berisikan tentang analisa data dari hasil pengolahan data yang dilakukan dimana analisis tersebut harus sesuai dengan pengolahan data.
Bab VI Penutup
berisikan tentang kesimpulan dan saran dari praktikum yang kita lakukan.
BAB II
LANDASAN TEORI
2.1 PENGERTIAN STATISTIKA DESKRIPTIF
Statistik Deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang berguna. Dan analisa deskriptif bertujuan mengubah kumpulan data mentah menjadi mudah di pahami dalam bentuk informasi yang lebih ringkas. Statistik deskriptif merupakn bidang ilmu statistika yang memeprlajari cara-cara pengumpulan, penyusunan dan penyajian data suatu penelitian.
Data-datanya bisa diperoleh dari hasil sensus, survei atau pengamatan lainnya. Umumnya masih acak, harus diringkas dengan baik dan teratur, baik dalam bentuk tabel atau persentase grafis. Statistik deskriptif merupakan dasar pengambilan keputusan bagi Statistik Inferensia. Statistik Inferensia adalah semua metode yang berhubungan dengan analisis sebagian data untuk kemudian sampai pada peramalan atau penarikan kesimpulan mengenai keseluruhan gugus data induknya.
Statistik inferensia ini dapat menarik kesimpulan dari data penilitian yang dilakukannya. Generalisasi yang berhubungan dengan inferensia statistik selalu mempunyai sifat tak pasti, karena kita mendasarkan pada informasi parsial yang diperoleh dari sebagian data. Untuk menghitung ketidakpastian ini, pengetahuan mengenai teori peluang mutlak diperlukan.
Dua ukuran penting yang sering di pakai dalam prngambilan keputusan adalah:
1. Mencari central tendency (kecenderungan terpusat) seperti Mean, Median,Modus dan lainnya.
Sembarang ukuran yang menunujukkan pusat segugus data yang telah diurutkan dari yang terkecil sampai terbesar atau sebaliknya dari terbesar sampai terkecil, disebut ukuran lokasi pusat atau ukuran pemusatan. Ukuran pemusatan yang paling banyak digunakan adalah nilai tengah, median dan modus.
· Mean adalah nilai rata-rata dari hasil observasi terhadap suatu variabel dan merupakan jumlah dari seluruh hasil observasi dibagi dengan jumlah observasinya, dan juga menyusun sebuah populasi terhingga berukuran N
Rumus x = ∑ x / n
X = nilai rata-rata observasi
∑ x = jumlah semua hasil observasi
N = jumlah observasi
Jadi, jika semua pengamatan digandakan atau dibagi dengan suatu konstanta, data yang baru itu akan mempunyai mean yang sama dengan kelipatan konstanta dari mean yang semula.
· Modus mengganbarkan nilai yang paling sering muncul atau memiliki frekuensi terbanyak.
Jika ada data: 5, 5, 6, 7, 2, 6, 5, 4, 1, 5. Modusnya merupakan angka 5.
Modus tidak selalu ada. Hal ini terjadi bila semua pengamatan mempunyai frekuensi terjadi yang sama. Untuk data tertentu, mungkin saja terdapat beberapa nilai dengan frekuensi tertinggi, dan dalam hal demikian kita mempunyai lebih dari satu modus.
Untuk gugus data yang kecil manfaat modus hampir atau bahkan tidak ada sama sekali. Hanya dalam hal data yang banyak ukuran ini dapat diterapkan. Ada dua sifat baiknya, yaitu:
1. Tidak memerlukan perhitungan
2. Dapat digunakan bagi data kualitatif maupun kuantitatif.
· Median mengukur nilai tengah dengan membagi jumlah observasi secara seimbang dari atas ke bawah atau merupakan persentil ke lima puluh. Jika ada urutan data : 4 5 6 6 6 6 7 8 8. Maka mediannya adalah 6.
Median bisa dipengaruhi oleh nilai ekstrem, sehingga memberikan rata-rata yang lebih besar. Selain itu, median merupakan segugus data yang telah diurutkan dari yang terkecil sampai yang terbesar atau terbesar keterkecil adalah pengamatan yang tepat di tengah-tengah bila banyaknya pengamatan itu ganjil, atau rata-rata kedua pengamatan yang di tengah bila banyaknya pengamatan genap.
2. Mencari ukuran dispersi seperti standard deviation, variance. Variance dari sejumlah observasi adalah rata-rata kuadrat deviasi data dari rata-ratanya. Rumus untuk variance sampel adalah:
S² =
Standar deviasi adalah akar (positif) dari variance. Rumus untuk standar deviasi dari suatu sampel adalah:
s =
3. Selain central tendency dan dispersion, ukuran lain yang di pakai adalah Skewnees dan Kurtosis untuk mengetahui keruncingan / kelandaian data.
Skewness dihitung dan dilaporkan sebagai angka yang mungkin positif, negaif atau nol. Skewness nol mengindikasikan distribusi simetrik. Skewness positif mengindifikasikan distribusi yang condong kekanan. Skewness negatif mengindifikasikan distribusi yang condong ke kiri. Skewness juga terbagi dua, yaitu:
1. Skewness modus
2. Skewness median
Kurtosis adalah pengukuran keruncingan distribusi. Semakin besar kurtosis, semakin keruncingan akan didistribusikan. Kurtosis di hitung dan dilaporkan baik sebagai absolute maupun nilai relative. Nilai absolute selalu angka positif. Rumus dari kurtosis adalah:
4. Histrogram adalah chart yang terdiri dari diagram batang dengan tinggi yang berbeda-beda. Tinggi masing-masing batang mewakili nilai frekuensi dalam kelas yang diwakili oleh diagram batang.
Statistik Deskriptif terbagi 2, yaitu:
1. Data Tunggal
2. Data Berkelompok
Diagram batang sangat cocok untuk menggambarkan perkembangan nilai-nilai dari suatu objek penelitian dalam jangka waktu tertentu. Biasanya, diagram batang disusunun secara vertikal. Apabila pada diagram histogram diperoleh diagram seperti segi empat, itu dinamakan polygon frekuensi. Poligon frekuensi dibentuk dengan memplotkan frekwensi kelas terhadap titik tengah kelas.Poligon frekuensi merupakan bangun bersisi banyak yang tertutup. Untuk menutup polygon frekuensi kita memerlukan sebuah selang kelas tambahan yang ditambahkan pada kedua ujung sebaran, masing-masing dengan frekuensi nol.
Untuk data berkelompok ada 3 hal yang perlu diperhatikan dalam menentukan kelas bagi distribusi frekuensi yaitu: jumlah kelas, lebar kelas dan batas kelas.
Selain itu statistika deskriptif juga berkenaan dengan bagaimana data dapat digambarkan (dideskripsikan) atau disimpulkan baik secara numerik (misal menghitung rata-rata dan deviasi standar) atau secara grafis (dalam bentuk tabel atau grafik) untuk mendapatkan gambaran sekilas mengenai data tersebut sehingga lebih mudah dibaca dan bermakna.
Pada statistik deskriptif kita juga bisa mempelajari sebaran frekuensi yang menghitung banyaknya pengamatan yang masuk kedalam setiap kelas, dengan mengelompokkan data kedalam beberapa kelas. Data yang disajikan dalam bentuk sebaran frekuensi dikatakan sebagai data yang telah dikelompokkan.
5. Distribusi Frekuensi
Pada suatu penyelidikan didapat banyak macam data, kemudian dikelompokkan dalam suatu tabel yang diberi nama tabel distribusi frekuensi. Untuk menyelidiki data yang seperti ini, dikelompokkan lagi kedalam kelompok-kelompok kecil yang dinamakan dengan interval, sehinnga didapatkan beberapa buah kelompok kecil yang dinamakan dengan kelas interval.
Lebar kelas pada suatu kelas didefenisikan sebagai selisih antara batas atas kelas dengan batas bawah kelas bagi kelas bersangkutan. Biasanya kita menyukai kelas-kelas tersebut memiliki lebar kelas yang sama. Dalam hal demikian lebar kelas tersebut akan kita lambangkan dengan c. Semakin sedikit banyaknya data, semakin sedikit pula banyaknya kelas yang diambil.
Pada modul I kita juga bisa menghitung Range (jangkauan data)
Jangkauan data adalah selisih antara data yang tertinggi dengan data yang terendah. Rumusnya adalah:
R = nilai maksimum – nilai minimum
Dan banyaknya kelas juga bisa dihitung dengan rumus:
B = 1 + 3,22 log N
Selain range dan banyaknya kelas, kita juga menghitung panjang kelas dari suatu frekuansi dengan menggunakan rumus:
Masih ada beberapa ukuran lokasi lain yang menjelaskan data relatife terhadap keseluruhan data. Ukuran-ukuran tersebut yang sering disebut persentil, desil dan kuartil.
Ø Persentil adalah nilai-nilai yang membagi segugus pengamatan menjadi 100 bagian yang sama. Nilai-nilai itu dilambangkan dengan P1, P2, ……, P99, bersifat bahwa 1% dari seluruh data terletak dibawah P1, 2% terletak dibawah P2, ………, dan 99% terletak dibawah P99.
Meskipun kita selalu dapat menentukan persentil dari data asalnya, mungkin lebih memudahkan dan menghemat waktu bila kita menentukannya langsung dari sebaran frekuensinya.
Untuk menghitung persentil dari sebaran frekuensi, kita mengasumsikan bahwa pengamatan dalam setiap selang kelas menyebar merata antara batas bawah dan batas atas kelas. Mencari persentil dengan rumus:
Ø Desil adalah nilai-nilai yang membagi segugus pengamatan menjadi 10 bagian yang sama. Nilai-nilai itu dilambangkan dengan D1, D2, ……, D9, mempunyai sifat bahwa 10% data jatuh dibawah D1, 20% jatuh dibawah D2, ….., 90% jatuh di bawah D9.
Cara menghitung desil adalah dengan rumus:
Ø Kuartil adalah nilai-nilai yang membagi segugus pengamatan menjadi 4 bagian yang sama besar. Nilai-nilai itu yang dilambangkan dengan Q1, Q2, dan Q3 mempunyai sifat bahwa 25% data jatuh dibwah Q1, 50% jatuhdi bawah Q2, dan 75% jatuh di bawah Q3.
Nilai-nilai pada kuartil dinyatakan dngan:
o Q1 (Kuartil 1) Kuartil bawah
o Q2 (Kuartil 2) Kuartil tengah
o Q3 (Kuartil 3) Kuartil atas
Untuk mencari kuartil bawah caranya adalah dengan menentukan median dari suatu data yang kurang dari kuartil tengah dan untuk mencari kuartil atas adalah dengan menggunakan median dari semua data yang lebih dari kuartil tengah.
rumus kuartil adalah:
Dalam distribusi frekuensi data dikelompokkan dalam beberapa kelas interval misalnyaa±b, c-d dan seterusnya. Ada beberapa istilah yang digunakan dalam distribusi frekuensi, yaitu:
1. Limit kelas atau ujung kelas yaitu nilai-nilai terkecil dan terbesar dalam setiap kelasinterval. Nilai terbesar disebut sebagai limit atas kelas dan nilai terkecil disebutsebagai limit bawah kelas.
2. Batas kelas yaitu limit kelas setengah nilai skala terkecil. Nilai yang besar disebut batas atas kelas dan nilai yang kecil disebut sebagai batas bawah kelas.3.
3. Titik tengah kelas atau tanda kelas yaitu nilai yang terletak pada tengah setiap kelasinterval.
Dari distribusi frekuensi, cara menentukan batas-batas kelas dengan cara:
a. TBK = BBK – 0,5
b. TAK = BAK + 0,5
Cara menentukan frekuensi adalah dengan cara menggunakan bantuan kolom tabulasi.
Karena itu statistika deskriptif bermaksud menyajikan, mengolah dan menganalisa data dari kelompok tertentu sebagaimana adanya dan tidak bermaksud menarik kesimpulan-kesimpulan yang berlaku bagi kelompok-kelompok yang lebih besar. Artinya kesimpulan yang ditarik melalui deskriptif hanya berlaku bagai kelompok sampel yang bersangkutan tanpa dimaksudkan menarik kesimpulan yang berlaku bagi populasi.
Ukuran statistik yang lazim digunakan untuk mendeskripsikan karakteristik sampel ialah: ukuran kecenderungan sentral, Ukuran variansi, Ukuran letak, koefisien korelasi. Sekalipun statistika deskriptif ini hanya menyajikan karakteristik sampel, namun statistika deskriptif merupakan dasar untuk mengkaji dan melakukan inferensi karakteristik populasi.
6. Koefisien Variansi
Penyebaran seberannya dari data seperti yang dilakukan dengan deviasi standar atau penyebaran lainnyadisebut penyebaran mutlak. Namun demikian, suatu variansi sebesar 1 meter dalam mengukur jarak 1000 meter, sangat berbeda artinya dengan variansi 1 meter untuk jarak 20 meter.
Oleh karena itu, untuk membedakannya kita gunakan ukuran yang disebut penyebaran relative yang dirumuskan sebagai berikut:
Penyebaran relatif = penyebaran mutlak
Nilai rata-rata
Itu rumus yang bisa kita gunakan untuk mencari penyebaran relative.
BAB III
PENGUMPULAN DATA
3.1 DATA TUNGGAL
Data 20 anak dalam menceritakan film dari si peneliti berapa banyak kata yang di keluarkan.
Tabel 3.1 Pengumpulan Data Tunggal
| Banyak Anak | Jumlah Kata |
| 1 | 10 |
| 2 | 12 |
| 3 | 5 |
| 4 | 8 |
| 5 | 13 |
| 6 | 10 |
| 7 | 12 |
| 8 | 8 |
| 9 | 7 |
| 10 | 11 |
| 11 | 11 |
| 12 | 10 |
| 13 | 9 |
| 14 | 9 |
| 15 | 11 |
| 16 | 15 |
| 17 | 12 |
| 18 | 17 |
| 19 | 14 |
| 20 | 10 |
| 21 | 9 |
| 22 | 8 |
| 23 | 15 |
| 24 | 16 |
| 25 | 10 |
| 26 | 11 |
| 27 | 7 |
| 28 | 14 |
| 29 | 11 |
| 30 | 12 |
Sumber: Pengumpulan Data Lab. Statistik Industri, 2013
3.2 DATA KELOMPOK
Tabel 3.2 Pengumpulan Data Kelompok
| Banyak Barang | Juri 1 | Juri 2 | Juri 3 | Juri 4 | Juri 5 | Juri 6 |
| A | 86 | 70 | 77 | 71 | 70 | 88 |
| B | 70 | 70 | 88 | 88 | 60 | 66 |
| C | 75 | 60 | 77 | 70 | 70 | 66 |
| D | 63 | 60 | 77 | 59 | 60 | 77 |
| E | 55 | 50 | 77 | 60 | 50 | 66 |
Sumber: Pengumpulan Data Lab. Statistik Industri, 2013
BAB IV
PENGOLAHAN DATA
4.1 PENGOLAHAN DATA KOMPUTER
4.1 Pengolahan Data Komputer untuk Data Tunggal N = 30
Tabel 4.1 Pengolahan Data Tunggal
| N | Valid | 30 |
| Missing | 0 |
| Mean | 10.9000 |
| Median | 11.0000 |
| Mode | 10.00a |
| Std. Deviation | 2.82049 |
| Variance | 7.955 |
| Skewness | .247 |
| Std. Error of Skewness | .427 |
| Kurtosis | -.143 |
| Std. Error of Kurtosis | .833 |
| Range | 12.00 |
| Minimum | 5.00 |
| Maximum | 17.00 |
| Sum | 327.00 |
| Percentiles | 25 | 9.0000 |
| 50 | 11.0000 |
| 60 | 11.0000 |
| 70 | 12.0000 |
| 75 | 12.2500 |
| 80 | 13.8000 |
| 90 | 15.0000 |
Sumber: Pengolahan Data Komputer Lab. Statistik Industri, 2013
Tabel 4.2 Pengolahan Data Tunggal SPSS
|
|
| Frequency | Percent | Valid Percent | Cumulative Percent |
| Valid | 5 | 1 | 3.3 | 3.3 | 3.3 |
| 7 | 2 | 6.7 | 6.7 | 10.0 |
| 8 | 3 | 10.0 | 10.0 | 20.0 |
| 9 | 3 | 10.0 | 10.0 | 30.0 |
| 10 | 5 | 16.7 | 16.7 | 46.7 |
| 11 | 5 | 16.7 | 16.7 | 63.3 |
| 12 | 4 | 13.3 | 13.3 | 76.7 |
| 13 | 1 | 3.3 | 3.3 | 80.0 |
| 14 | 2 | 6.7 | 6.7 | 86.7 |
| 15 | 2 | 6.7 | 6.7 | 93.3 |
| 16 | 1 | 3.3 | 3.3 | 96.7 |
| 17 | 1 | 3.3 | 3.3 | 100.0 |
| Total | 30 | 100.0 | 100.0 |
|
Sumber : Pengolahan Data SPSS, 2013
Gambar 4.1 Histogram Jumlah Kata
Sumber : Pengolahan Data Komputer Lab.Statistik Industri, 2013
Tabel 4.3 Pengolahan Data Kelompok
|
|
| juri1 | juri2 | juri3 | juri4 | juri5 | juri6 |
| N | Valid | 5 | 5 | 5 | 5 | 5 | 5 |
| Missing | 0 | 0 | 0 | 0 | 0 | 0 |
| Mean | 69.8000 | 62.0000 | 79.2000 | 69.6000 | 62.0000 | 72.6000 |
| Median | 70.0000 | 60.0000 | 77.0000 | 70.0000 | 60.0000 | 66.0000 |
| Mode | 55.00a | 60.00a | 77.00 | 59.00a | 60.00a | 66.00 |
| Std. Deviation | 1.17771E1 | 8.36660 | 4.91935 | 1.16748E1 | 8.36660 | 9.83870 |
| Variance | 138.700 | 70.000 | 24.200 | 136.300 | 70.000 | 96.800 |
| Skewness | .213 | -.512 | 2.236 | 1.088 | -.512 | 1.258 |
| Std. Error of Skewness | .913 | .913 | .913 | .913 | .913 | .913 |
| Kurtosis | -.221 | -.612 | 5.000 | 1.134 | -.612 | .313 |
| Std. Error of Kurtosis | 2.000 | 2.000 | 2.000 | 2.000 | 2.000 | 2.000 |
| Range | 31.00 | 20.00 | 11.00 | 29.00 | 20.00 | 22.00 |
| Minimum | 55.00 | 50.00 | 77.00 | 59.00 | 50.00 | 66.00 |
| Maximum | 86.00 | 70.00 | 88.00 | 88.00 | 70.00 | 88.00 |
| Sum | 349.00 | 310.00 | 396.00 | 348.00 | 310.00 | 363.00 |
| Percentiles | 25 | 59.0000 | 55.0000 | 77.0000 | 59.5000 | 55.0000 | 66.0000 |
| 50 | 70.0000 | 60.0000 | 77.0000 | 70.0000 | 60.0000 | 66.0000 |
| 60 | 73.0000 | 66.0000 | 77.0000 | 70.6000 | 66.0000 | 72.6000 |
| 70 | 77.2000 | 70.0000 | 79.2000 | 74.4000 | 70.0000 | 79.2000 |
| 75 | 80.5000 | 70.0000 | 82.5000 | 79.5000 | 70.0000 | 82.5000 |
| 80 | 83.8000 | 70.0000 | 85.8000 | 84.6000 | 70.0000 | 85.8000 |
| 90 | 86.0000 | 70.0000 | 88.0000 | 88.0000 | 70.0000 | 88.0000 |
Sumber: Pengolahan Data SPSS, 2013
Tabel 4.4 Frekuensi Juri 1
|
|
| Frequency | Percent | Valid Percent | Cumulative Percent |
| Valid | 55 | 1 | 20.0 | 20.0 | 20.0 |
| 63 | 1 | 20.0 | 20.0 | 40.0 |
| 70 | 1 | 20.0 | 20.0 | 60.0 |
| 75 | 1 | 20.0 | 20.0 | 80.0 |
| 86 | 1 | 20.0 | 20.0 | 100.0 |
| Total | 5 | 100.0 | 100.0 |
|
Sumber : Pengolahan Data SPSS, 2013
Tabel 4.5 Frekuensi Juri 2
|
|
| Frequency | Percent | Valid Percent | Cumulative Percent |
| Valid | 50 | 1 | 20.0 | 20.0 | 20.0 |
| 60 | 2 | 40.0 | 40.0 | 60.0 |
| 70 | 2 | 40.0 | 40.0 | 100.0 |
| Total | 5 | 100.0 | 100.0 |
|
Sumber : Pengolahan Data SPSS, 2013
Tabel 4.6 Frekuensi Juri 3
|
|
| Frequency | Percent | Valid Percent | Cumulative Percent |
| Valid | 77 | 4 | 80.0 | 80.0 | 80.0 |
| 88 | 1 | 20.0 | 20.0 | 100.0 |
| Total | 5 | 100.0 | 100.0 |
|
Sumber : Pengolahan Data SPSS, 2013
Tabel 4.7 Frekuensi Juri 4
|
|
| Frequency | Percent | Valid Percent | Cumulative Percent |
| Valid | 59 | 1 | 20.0 | 20.0 | 20.0 |
| 60 | 1 | 20.0 | 20.0 | 40.0 |
| 70 | 1 | 20.0 | 20.0 | 60.0 |
| 71 | 1 | 20.0 | 20.0 | 80.0 |
| 88 | 1 | 20.0 | 20.0 | 100.0 |
| Total | 5 | 100.0 | 100.0 |
|
Sumber : Pengolahan Data SPSS, 2013
Tabel 4.8 Frekuensi Juri 5
|
|
| Frequency | Percent | Valid Percent | Cumulative Percent |
| Valid | 50 | 1 | 20.0 | 20.0 | 20.0 |
| 60 | 2 | 40.0 | 40.0 | 60.0 |
| 70 | 2 | 40.0 | 40.0 | 100.0 |
| Total | 5 | 100.0 | 100.0 |
|
Sumber : Pengolahan Data SPSS, 2013
Tabel 4.9 Frekuensi Juri 6
|
|
| Frequency | Percent | Valid Percent | Cumulative Percent |
| Valid | 66 | 3 | 60.0 | 60.0 | 60.0 |
| 77 | 1 | 20.0 | 20.0 | 80.0 |
| 88 | 1 | 20.0 | 20.0 | 100.0 |
| Total | 5 | 100.0 | 100.0 |
|
Sumber : Pengolahan Data SPSS, 2013
Gambar 4.2 Histogram Juri 1
Sumber : Pengolahan Data Komputer Lab.Statistik Industri, 2013
Gambar 4.3 Histogram Juri 2
Sumber : Pengolahan Data Komputer Lab.Statistik Industri, 2013
Gambar 4.4 Histogram Juri 3
Sumber : Pengolahan Data Komputer Lab.Statistik Industri, 2013
Gambar 4.5 Histogram Juri 4
Sumber : Pengolahan Data Komputer Lab.Statistik Industri, 2013
Gambar 4.6 Histogram Juri 5
Sumber : Pengolahan Data Komputer Lab.Statistik Industri, 2013
Gambar 4.7 Histogram Juri 6
Sumber : Pengolahan Data Komputer Lab.Statistik Industri, 2013
4.2 PENGOLAHAN DATA MANUAL
a. 1. Rata-rata ( ) : =
=
=
2. Standar deviasi (σ)
= 2,773
b. Tabel distribusi frekuensi
v Maks = 23
v Min = 12
R = nilai max – nilai min
= 17 – 5 =12
c. Banyak kelas
B = 1 + 3,22 log N
= 1 + 3,22 log 30
= 5,75 ≈ 6
d . panjang kelas
P= 2 ≈ 2,1
4.5 Tabel Distribusi Frekuensi
| Ki | Bi | F | i | F . i | ( - )2 | | | |
| 5 - 7 | 4,95 – 7,05 | 3 | 6 | 18 | -4,9 | 24,01 | 72,03 | 576,4801 |
| 7,1 - 9 | 7,05 – 9,05 | 6 | 8,05 | 218,3 | -2,4 | 5,76 | 34,56 | 32,1776 |
| 9.1 – 11 | 9,05 – 11,05 | 10 | 10,05 | 100,5 | -0,85 | 0,7225 | 7,225 | 0,522 |
| 11,1 - 13 | 11,05 – 13,05 | 5 | 12,05 | 60,25 | 1,15 | 1,3225 | 6,6125 | 1,749 |
| 13,1 – 15 | 13,05 – 15,05 | 4 | 14,05 | 56,2 | 3,15 | 9.9225 | 39,69 | 9,456 |
| 15,1 - 17 | 15,05 – 17,05 | 2 | 16,05 | 32,1 | 5,15 | 26,5225 | 52,045 | 703,443 |
| Total | 30 |
| 317,35 |
|
| 213,1625 | 1413,8278 |
Sumber : Pengolahan Data Manual Lab.Statistik Industri, 2013
Ø
=
= 10,57
Ø Standar Deviasi
= 5,71
Ø Koefisien variansi:
KV =
x 100%
= 0,25%
Ø Modus :
Mo = L + x p
= 9,05 + x 2,1
= 9,47
Ø Median
Me = b + p
= 9,05 + 2,1
= 10,31
Ø Skewness:
Sk modus =
=
= 0,415
Sk median =
=
= 0.3019
Ø Kurtosis
= = 0,9334
Ø Kuartil :
Q1= nilai ke-1
Q1= 1
= 7,75
Q2= nilai ke-2
= 2
=15.55
Q3= nilai ke-3
= 3
= 23,25
Ø Desil :
D5 = nilai ke-5
= 5
= 15,5
D7 = nilai ke-7
= 7
= 21,7
Ø Persentil :
P50 = nilai ke-50
= 50
= 15,5
P60 = nilai ke-60
= 60
= 18,6
P70 = nilai ke-70
= 70
= 21,7
P80 = nilai ke-80
= 80
= 24,8
P90 = nilai ke-90
= 90
= 27,9
BAB V
ANALISA DATA
5.1 ANALISA DATA KOMPUTER
5.1.1 Analisa untuk Data Tunggal n = 30
Praktikum yang dilaksanakan pada modul I adalah suatu kegiatan yang dilakukan praktikan untuk mengolah data 30 data yang telah diberikan. Dan ada pula data tersebut merupakan 30 data adalah banyak kata yang dikeluarkan. Data ini diolah dengan computer menggunakan program SPSS 1.6.
Pada data tunggal dapat kita peroleh informasi sebagai berikut:
- Data maksimum : 17
- Data minimum : 5
- Mean : 10,9
- Median : 11
- Modus : 10
5.2 ANALISA DATA MANUAL
5.2.1 Analisa untuk Data Tunggal n = 30
Pada pengolahan data manual ini praktikan menggunakan tulisan tangan dalam mencari hasil dari pengolahan data. Dengan menggunakan kalkulator dalam melakukan pengolahan nya.
- Hasil yang didapatkan praktikan adalah:
· Mean : 10,9
· : 10,57
· Modus : 9,98
· Median : 10,31
· KV : 0,25%
· SK modus : 0,41
· SK median: 0,3019
· Kurtosis : 0,9334
5.3 PERBANDINGAN DATA MANUAL DENGAN DATA KOMPUTER
Dilihat dari hasil yang didapat dari pengolahan data manual dan pengolahan komputer terdapat perbedaan hasil da nada juga hasil yang sama.
Perbedaan tersebut disebabkan karena adanya perbedaan pada pembagian banyak kelas. Tapi perbedaannya tidaklah jauh berbeda, perbedaannya hanya terletak pada pembulatan angka di belakang koma.
Contoh perbedaan yang dapat kita lihat dari hasil pengolahan data manual dan pengolahan data komputer:
Tabel 5.1 perbandingan Data Manual Dan Data Komputer
|
| Data Manual | Data Komputer |
| Mean | 10,9 | 10,9 |
| Median | 11 | 10,31 |
| Modus | 10 | 9,98 |
| Standar deviasi | 2,773 | 2,82049 |
| Range | 12 | 12 |
| Min | 5 | 5 |
| max | 17 | 17 |
Sumber: Pengolahan Data Lab. Statistik Industri, 2013
BAB VI
PENUTUP
6.1 KESIMPULAN
Dari hasil perhitungan di atas, dapat kita simpulkan bahwa hasil dari perhitingan manual dengan program SPSS.16 tidak jauh berbeda. Pada perhitungan SPSS.16 data-data tersebut di bulatkan. Kedua hasil tersebut hampir sama seperti pencarian nialai mean, median, modus, kuartil dan standar deviasi.
Praktikan juga dapat mengetahui aplikasi dari statistika deskriptif itu sendiri. Juga dapat melakukan perhitungan frekuensi dengan menggunakan metode tabulasi.
Praktikan juga telah dapat melakukan pengolahan data dengan cara manual maupun dengan menggunakan komputer dengan bantuan program SPSS 1.6.
6.2 SARAN
- Sebelum melakukan praktikum, peraktikan terlebih dahulu harus memahami modul yang akan di bahas.
- Pada saat pengolahan data manual, peraktikan harus sangat teliti dalam mencari hasil. Apabila salah sedikit akan berakibat fatal dan mempengaruhi data-data selanjutnya.
- Praktikan harus lebih serius dalam mengikuti kegiatan praktikum
- Pengumpulan data yang dilakukan belom sepenuhnya dilakukan oleh praktikan.
DAFTAR PUSTAKA
Modul praktikum laboratorium statistik industri periode genap 2012 / 2013.
Walpole, Ronald E, Raynond H. Myers : Probability and Statistic for Engeenering and scientist, 3rd ED, Macmillan Publ. Co, New York, 1985
Dr. Sri Adiningsih : Statistik, Ed-1, V6M, Yogyakarta, 1993
