LAPORAN RESMI PRAKTIKUM STATISTIKA

PROGRAM SPSS

OLEH : ILHAM FAHUL HOIR K2E008023

JURUSAN ILMU KELAUTAN FAKULTAS PERIKANAN DAN ILMU KELAUTAN UNIVERSITAS DIPONEGORO SEMARANG 2009

BAB I PENDAHULUAN

1.1.

Latar Belakang Dalam era dimana teknologi informasi telah berkembang pesat, setiap perusahaan seharusnya dapat memanfaatkan data dan informasi, baik yang telah dimilikinya maupun yang dapat diperoleh diluar instansinya, untuk mengambil keputusan yang tepat dan obyektif. Kepekaan dan keakuratan pengambilan keputusan akan dapat ditingkatkan dengan menggunakan metode dan teknologi yang tepat serta keahlian dan ketrampilan yang handal. Analisis Statistik terkadang menjadi kendala yang besar (meskipun bukan yang terbesar) bagi seorang mahasiswa dalam menyelesaikan tugas akhir (skripsi). Hal ini bukan saja dikarenakan mahasiswa yang bersangkutan kurang dapat menangkap materi yang disampaikan dosen pengajar, tetapi lebih banyak dikarenakan mata kuliah Statistika, Statistika Lanjutan dan Rancangan Percobaan diberikan pada pertengahan masa kuliah, sehingga pada saat diperlukan (semester akhir) mahasiswa yang bersangkutan sudah "kelupaan" dengan materi statistik yang dulu pernah dikuasainya.SPSS Indonesia mewakili SPSS Inc., produsen software statistik dan data mining yang berkedudukan di Chicago, USA, untuk wilayah Indonesia. SPSS adalah singkatan dari Statistical Products and Solution Services. SPSS menyediakan beraneka ragam software, yang umum maupun spesifik. Untuk mengoptimalkan investasi suatu perusahaan/instansi pembeli software, kami menyediakan fasilitas pelatihan bagi konsumen, baik yang bersifat umum maupun dirancang khusus untuk kebutuhan spesifik suatu perusahaan. Sebagai perwakilan dari SPSS Inc., yang merupakan suatu perusahaan internasional, paket-paket pelatihan kami bersertifikat internasional. Software Statistik dan Data Mining SPSS sangat mudah digunakan (userfriendly) dan mempunyai banyak fasilitas untuk mempersiapkan, mengolah dan menganalisis data secara statistik. Software maupun pelatihan tersedia dalam berbagai modul yang dapat dipilih sesuai kebutuhan konsumen. Juga tersedia software untuk membantu pembuatan kuesioner serta pemasukan data secara otomatis.

1.2

Permasalahan 1.2.1 Pada saat ini bidang statistik dikenal sebagai suatu alat untuk menguji konsep-konsep dan untuk merasakan arah-arah didalam berbagai ragam disiplin ilmu. 1.2.2 Statistik diperlukan di dalam dunia perguruan tinggi dan dunia perusahaan serta di dalam kehidupan sehari-hari. Dari berbagai software khusus statistik yang beredar sekarang, SPSS adalah yang paling populer dan paling banyak digunakan pemakaiannya di seluruh dunia dalam berbagai riset sains. Oleh karennya disini kita akan mempelajari program SPSS yang merupakan salah satu software tentang satistik

1.3

Tujuan Tujuan dari praktikum statistik SPSS kali ini adalah, mahasiswa diharapkan dapat : 1. Dapat menganalisa data-data statistik dengan metode analisa histogram. 2. Dapat menganalisa data-data statistik dengan metode explore. 3. Dapat menganalisa data-data statistik dengan metode analisa one sample T-Test. 4. Dapat menganalisa data-data statistik dengan metode analisa Independent Sample T-Test. 5. Dapat menganalisa data-data statistik dengan metode Paired Sample T-Test.

1.4

Manfaat 1.4.1 Memberikan pengetahuan baru kepada praktikan tentang program SPSS. 1.4.2 Praktikan tau dan mampu melakukan deskripsi dan inferensia data dengan menggunakan SPSS 1.4.3 Merupakan suatu bekal untuk praktikan dalam melakukan riset.

BAB II TINJAUAN PUSTAKA

2.1.

Pengertian dan Peran Statistik Statistika adalah cabang ilmu yang mempelajari tentang bagaimana mengumpulkan, menganalisis

dan menginterpretasikan data. Atau dengan kata lain, statistika menjadi semacam alat dalam melakukan suatu riset empiris. Dalam menganalisis data, para ilmuwan menggambarkan persepsinya tentang suatu fenomena. Deskripsi yang sudah stabil tentang suatu fenomena seringkali mampu menjelaskan suatu teori. (Walaupun demikian, orang dapat saja berargumentasi bahwa ilmu biasanya menggambarkan bagaimana sesuatu itu terjadi, bukannya mengapa). Penemuan teori baru merupakan suatu proses kreatif yang didapat dengan cara mereka ulang informasi pada teori yang telah ada atau mengesktrak informasi yang diperoleh dari dunia nyata. Pendekatan awal yang umumnya digunakan untuk menjelaskan suatu fenomena adalah statistika deskriptif. Sebenarnya banyak sekali definisi tentang statistik, tetapi tidak ada definisi yang memuaskan. Hal ini disebabkan karena luasnya ruang lingkup statistik. Untuk keperluan praktis, statistik bisa diartikanSecara sempit dan luas. Dalam arti sempit, statistik berarti data ringkasan berbentuk angka (kuantitatif) Dalam arti luas, statistik berarti suatu ilmu yang mempelajari cara pengumpulan, pengolahan/pengelompokkan, penyajian, dan analisis data serta cara pengambilan kesimpulan secara umum berdasarkan hasil penelitian yang tidak menyeluruh Statistik pada masa kini mempengaruhi hamper seluruh aspek kehidupan modern, contohnya antara lain sebagai berikut : a. Perencanaan secara statistik dan evaluasi peneletian yang membantu terciptanya kemajuan teknologi dalam menghasilkan dan memproses makanan. b. Pengembangan dan pengendalian mutu produk. c. Membantu pengumpulan pendapat umum (polling). d. Membantu dalam pengambilan keputusan suatu kebijakan dan lain-lain.

2.2. Variabel Statistik dan Skala Pengukuran Dalam statistik terdapat beberapa macam varibel statistik yang digunakan antara lain :

Variabel Yang Bersifat Kualitatif Skala Nominal Skala yang paling primitif, yang hanya bisa menyatakan apakah dua buah nilai sama atau tidak, dan murni kualitatif. Jika sebuah ruang sampel eksperimen terdiri dari kategori tanpa urutan yang alami, maka variabel acak yang berkaitan terskala secara nominal. Angka-angka atau jumlah berbeda yang ditugaskan untuk memberi hasil biasanya mengindikasikan apakah sembarang dua keluaran (outcome) sama atau tidak ( Anonim, 2009 ). Namun untuk membandingkan dua opini, kita hanya bisa merelasikannya sebatas kesamaan jenis atau tidak. Angka atau jumlah tersebut tidak menghasilkan ranking. Variabel binary atau Variabel dikotomus adalah variabel yang memiliki tepat dua outcome yang eksklusif satu sama lainnya. Jika angka-angka indikator yang ditentukan tersebut menyampaikan informasi tentang ranking kategori, maka variabel binari dapat juga dianggap terskala secara ordinal ( Anonim, 2009 ). Jika kategori (peristiwa) yang merupakan ruang sampel tersebut bersifat ekslusif satu dengan lainnya, misalnya sebuah elemen statistik bisa berhubungan dengan lebih dari satu kategori, maka variabel tersebut dinamakan kumulatif. Sebagai contoh, seseorang bisa menerima kualifikasi kategori profesional yang berbeda. Tapi hanya bisa satu pekerjaan saja yang fulltime ( Anonim, 2009 ).

Variabel Kuantitatif Pengukuran variabel kuantitatif dapat juga ditafsirkan dengan istilah jarak antara berbagai observasi tanpa adanya pengurutan yang alami ( Anonim, 2009 ).

Skala Interval Jika jarak antara pengukuran ditafsirkan lebih mendalam, maka variabel tersebut diukur pada skala interval. Berlawanan dengan skala rasio, rasio pengukuran tidak mempunyai pengertian yang mendasar, dan untuk skala ordinal tidak.

Variabel Diskret Sebuah variabel diskret yang mengambil himpunan nilai-nilai berhingga atau tak hingga disebut diskret. Contoh: Produksi mobil perbulan atau jumlah bintang di ruang angkasa ( Anonim, 2009 ).

Varibel Kontinyu Suatu variabel metrik dikatakan kontinyu jika mempunyai sejumlah tak hingga nilai-nilai pada sembarang interval.

2.3.

Elemen ststistik Populasi adalah keseluruhan dari karakteristik (unit/individu/kasus/barang/peristiwa) hasil

pengukuran yang menjadi obyek penelitian. Contoh : seluruh penduduk Kabupaten Bekasi, seluruh petani padi yang ada di Bekasi, seluruh anak jalanan yang ada di Jakarta, dan lain-lain. Sampel : merupakan bagian dari populasi yang paling tidak mempunyai satu ciri yang sama dengan populasinya untuk mewakili populasi. Contoh : penelitian dilakukan pada karyawan PEMDA Tk. II Bekasi sebanyak 5000 (sebagai populasi) dengan ciri-ciri sebagai berikut : Pria, wanita Penghasilan di bawah 200.000,- per bulan Sudah berkeluarga Lama bekerja lebih dari 5 tahun, dan lain-lain Data adalah bahan mentah yang perlu diolah sehingga menghasilkan informasi atau keterangan, baik kualitatif maupun kuantitatif yang menunjukkan fakta. Jenis data terdiri dari dua, yaitu data kualitatif dan data kuantitatif. Data kualitatif adalah data yang berhubungan dengan kategori, karakteristik berupa pertanyaan atau katakata. Contoh : agama, jenis kelamin, suku bangsa, pangkat, status, dll. 2.1 Klasifikasi Statistik 2.4.1 Statistik Parametrik Statistika parametrik: analisis yang didasarkan atas asumsi bahwa data memiliki sebaran tertentu (diskrit atau kontinu, normal atau tidak normal) dengan parameter yang belum diketahui. Fungsi metode statistika adalah untuk meramal parameter, melakukan uji parameter, atau semata-semata melakukan eskplorasi berdasarkan informasi yagn ada pada data. Statistika dikelompokkan dalam dua kelompok yaitu statistika deskriptif dan statistika inferensia (http://bps.papua.go.id/nabire/docs/lain/Pengertian-Statistik-Dasar.pdf).

2.4.1.1 Statistik Deskriptif Statistika deskriptif merupakan bagian dari statistika yang mempelajari cara pengumpulan dan penyajian data sehingga mudah dipahami. Statistik deskriptif hanya berhubungan dengan hal menguraikan atau memberikan keterangan-keterangan mengenai suatu keadaan, gejala, atau persoalan. Statistik deskriptif mencakup hal berikut:  Distribusi frekuensi beserta bagian-bagiannya, seperti : o Grafik distribusi (histogram, poligon frekuensi, dan ogive); o Ukuran nilai pusat (rata-rata, median, modus, kuartil, dan sebagainya); o Ukuran dispersi (jangkauan, simpangan rata-rata, variasi, simpangan baku,dan sebagainya); o Kemencengan dan keruncingan kurva    Angka indeks Time series / deret waktu Korelasi dan regresi sederhana ( Walpole dan Myers,1995) 2.4.1.2 Statistik Inferensi Statistik inferensia adalah serangkaian teknik yang digunakan untuk mengkaji, menaksir dan mengambil kesimpulan sebagian data (data sampel) yang dipilih secara acak dari seluruh data yang menjadi subyek kajian (populasi). Statistik inferensia berfungsi meramalkan dan mengontrol keadaan atau kejadian. Contoh pernyataan yang termasuk dalam cakupan statistik infernsia; akibat penurunan produksi minyak dua kali lipat pada tahun-tahun mendatang. Berdasarkan ruang lingkup bahasannya, maka statistik inferensial mencakup: (1) probabilitas atau teori kemungkinan, (2) distribusi teoretis, (3) sampling dan sampling distribusi, (4) pendugaan populasi atau teori populasi, (5) uji hipotesis rerata, (6) analisis korelasi dan uji signifikansi, (7) analisis regresi untuk peramalan, (8) analisis varians, (9) analisis kovarians ( Spiegel, 1972). 2.4.2 Statistik Non – Parametrik Statistika nonparametrik: analisis yang tidak didasarkan atas asumsi distribusi pada data. Umumnya teknik ini dipakai untuk data dengan ukuran kecil sehingga tidak cukup kuat untuk mengasumsikan distrbusi tertentu pada data ( Supangat, 2007).

2.2 Korelasi dan Regresi Sederhana 2.5.1 Korelasi Untuk mengetahui seberapa erat hubungan antara 2 buah (atau lebih) variabel, digunakan metode korelasi, baik itu korelasi parametrik maupun korelasi non-parametrik. Di dalam korelasi, variabel-variabel dianggap sejajar, artinya tidak ada yg dianggap sebagai variabel bebas (prediktor) dan variabel terikat (respon) seperti halnya regresi linier. Nilai koefisien korelasi berkisar antara -1 s.d +1. Korelasi yang erat memiliki koefisien mendekati angka +1 atau -1, sedangkan korelasi lemah mendekati angka 0. Tanda (+) atau (-) menyatakan arah hubungan. Contoh: Korelasi Bivariat ==> Seberapa erat hubungan antara “uang saku mahasiswa” dengan nilai nominal “voucher pulsa” yg terjual. Misal koefisien korelasi: r =0.8, maka berarti seiring peningkatan banyaknya uang saku mahasiswa, maka nominal voucher yang terjual juga semakin tinggi. Namun apabila koefisien korelasi r = -0.8, maka berarti seiring banyaknya uang saku mahasiswa, semakin rendah nilai voucher pulsa yang terjual

(http://ineddeni.wordpress.com/2007/08/02/korelasi/). 2.5.2 Regresi sederhana Analisis regresi linear adalah suatu meode analisis statistik yang menggunakan model matematika tertentu yang terdiri atas beberapa buah asumsi. Secara teori, jelas bahwa hasil analisis regresi linear akan mempunyai nilai (valid) hanya jika seluruh asumsi yang digunakan dapat diterima. Oleh karena itu, seluruh asumsi yang digunakan harus diuji (atau dites) keabsahannya untuk menguji validitas model. Untuk itulah digunakan pola kerja dalam analisis regresi linear sebagai berikut.

Gambar 2.1 Pola Kerja dalam Analisis Regresi Linear

Pola tadi dibaca searah jarum jam, dimulai dari kotak di sebelah kiri, dalam bentuk spiral. Jika hasil diagnosa di kotak bawah memperlihatkan bahwa model yang digunakan telah cukup baik, maka proses pemodelan dihentikan. Lanjutkanlah dengan analisisnya. Jika modelnya belum cukup baik, buatlah terapi untuk memodifikasi model

(http://www.math.itb.ac.id/~ma291/rls.htm).

2.3 Sejarah SPSS Pada tahun 1968, Norman H.Nie, C.Hadlai (Tex) Hull dan Dale H.Bent, tiga orang pemuda dari latar belakang professional berbeda, mengembangkan sistem perangkat lunak yang berdasarkan gagasan statistika menggunakan untuk mengubah data mentah menjadi informasi essensial untuk membuat keputusan. Sistem perangkat lunak statistic revolusioner ini disebut SPSS, yang menjadi calon Statistical Package untuk Ilmu Pengetahuan Sosial. Ketiga pemuda tersebut membangun SPSS dari keperluan untuk dengan cepat menganalisa volume data ilmu pengetahuan social yang dikumpulkan lewat berbagai metode penelitian. Dilakukan kerja pertama SPSS di Stanford University dengan maksud untuk membuatnya tersedia hanya untuk dikonsumsi local dan tak ada distribusi internasional. Nie, seorang ilmuwan social dan Stanford doctoral calon, mengambil target sasaran dan menetapkan kebutuhan; Bent calon doctor Stanford university pada penelitian pelaksanaan, mempunyai keahlian analisa dan mendesain struktur berkas sistem SPSS, dan Hull, yang baru tamat dari Stanfor dengan gelar MBA-nya , memprogram SPSS. SPSS merupakan singkatan dari Statistical Package for Social Science. SPSS pertama kali dikembangkan sekitar tahun 1960 sebagai perangkat lunak untuk sistem statistik pada komputer Mainframe oleh Norman H. Nie, C. Hadly, dan Dale Bent dari Stanford University. Pada tahun 1984 dikeluarkan SPSS/PC+ untuk personalkomputer (PC), sedangkan untuk versi Windows diliris pada tahun 1992. Sesuai perkembangannya dari tahun 1994 sampai 1999, beberapa produk yang telah dikeluarkan oleh SPSS, yaitu BMDP Statistical software, jandel ScientificSoftware, Clear Software, In2itive Technologies AS, Intergal Solution Ltd, dan Vento Software. SPSS memiliki berbagai macam versi untuk komputer Windows, MacOS, dan UNIX. Namun perkembangan SPSS lebih fokus pada platform Windows. Perkembangan dan penjualan produk SPSS dikendalikan oleh perusahaan SPSS.Inc. ( Irunsah, 2007).

2.4 Cara kerja SPSS Untuk memulai SPSS 12.0 pastikan terlebih dahulu software SPSS 12.0 telah terinstal pada komputer anda (baik dalam sistem operasi Windows XP, Windows Vista, Linux, ataupun Macintosh). Untuk memulai SPSS 12.0 awali dengan mengklik start, kemudian klik all programs selanjutnya klik SPSS for Windows lalu klik SPSS for Windows, sehingga akan tampak di layar Gambar

2.5 Window SPSS SPSS (Statistical Product and Service Solution) merupakan salah satu program aplikasi statistik yang sering digunakan untuk pengolahan data. Pada saat pertama kali SPSS dibuka, tampilan akan tampak SPSS data editor yang mempunyai dua tampilan dalam satu layer, yaitu tampilan data view dan variable view. Menu yang dipakai adalah:  File dll. Terdiri dari 1. Open 2. Save & Save as 3. Display data info 4. Print 5. Exit : : untuk membuat file baru, membuka file tertentu, mencetak isi editor,

Editor Terdiri dari

: untuk memperbaiki atau mengubah nilai data. :

1. Undo & Redo 2. Cut & Clear 3. Copy & Paste 4. Find 5. Edit Option  View Terdiri dari 1. Status Bar 2. Tool Bar 3. Fonts 4. Grid lines 5. Value Labels  Data Terdiri dari : untuk mengurutkan data berdasarkan kriteria tertentu. : : untuk mengatur toolbar. :

1. Define dates 2. Insert variable 3. Insert case 4. Go to case 5. Sort case 6. Transpose 7. Merge files 8. Aggregate 9. Split file 10. Select case 11. Weight case

Transform Terdiri dari 1. Compute

: untuk membuat perubahan pada variabel yang telah dipilih. :

2. Random number seed 3. Count 4. Recode 5. Categorize variables 6. Rank cases 7. Automatic recode 8. Create time series 9. Replace missing value  Analyze Terdiri dari 1. Reports 2. Descriptive statistic 3. Compare means 4. General linier models 5. Correlate 6. Regression 7. Loglinier 8. Classify 9. Data reduction 10. Scale 11. Non parametric test 12. Survival 13. Multiple response : untuk melakukan semua prosedur perhitungan statistik. :

Graph Terdiri dari 1. gallery 2. interactive 3. bar 4. line 5. area 6. pie 7. high low 8. pareto 9. control 10. boxplot 11. error bar 12. scatter 13. histogram 14. p – p 15. q –q 16. sequence 17. ROC curve 18. Time series

: untuk membuat berbagai jenis grafik untuk mendukung analisa. :

Utilities Terdiri dari 1. Variable 2. File info 3. Define sets

: untuk memberi informasi tentang variabel yang sedang dikerjakan. :

4. Auto nem case 5. Run script  Windows Terdiri dari  : untuk berpimdah diantara menu – menu yang lain. :

1. Minimize all windows Help Terdiri dari 1. Topics 2. Tutorial : untuk menyediakan bantuan informasi mengenai program SPSS. :

3. SPSS homepage 4. Syntax guide 5. Statistic coach 6. About 7. Register product Selain data editor, menu lainnya adalah Menu output viewer (untuk menampilkan hasil pengolahan data atau informasi), Menu syntax viewer (untuk menuliskan beberapa perintah atau pilihan yang hanya dapat digunakan dengan SPSS Command Language), dan Menu script editor (untuk melakukan berbagai pengerjaan SPSS secara otomatis, seperti membuka dan menutup file, export chart, dll). 2.6 Morfometri Kerang Anadara granosa Pertumbuhan kerang A. granosa dapat diamati dengan melihat pertambahan ukuran cangkang kerang. Bertambahnya ukuran kerang ditandai dengan bertambahnya garis pertumbuhan. Secara umum pengukuran panjang merupakan salah satu parameter untuk mengetahui pertumbuhan kerang. Faktor-faktor yang mempengaruhi pertumbuhan kerang yaitu musim, suhu, makanan, salinitas dan faktor kimia air lainnya yang berbeda-beda pada masingmasing daerah. Untuk upaya pelestarian kerang A. granosa di perairan Teluk Sungai Pisang Kota Padang dilakukan penelitian tentang kondisi kerang A. granosa tersebut dengan tujuan untuk mengetahui kepadatan kerang A. granosa dan pertumbuhannya. Penelitian ini diharapkan dapat digunakan sebagai informasi dasar untuk menggali dan mengembangan potensi kerang A. granosa di daerah tersebut (F. N. Oon, 2006). 2.7 Dinamika Populasi Kerang Anadara granosa Kepadatan populasi kerang A. granosa berdasarkan individu dan berat kering isi pada masing-masing strata dapat dilihat pada Tabel 1. Kepadatan populasi A. granosa berdasarkan jumlah individu/m2 berkisar 0,3–1,8 ind./m2. Kepadatan populasi kerang yang tertinggi pada strata III stasiun 1 yaitu 1,8 ind./m2 dan terendah strata II stasiun 1 yaitu 0,3 ind./m2. Rerata kepadatan populasi kerang A. granosa berdasarkan jumlah individu/m2 pada strata I, II dan III yaitu 0,3; 1,0 dan 1,4 ind./m2. Jumlah kerang A. granosa yang ditemukan selama pencuplikan yaitu 81 individu. Pada strata I ditemukan 9 individu, strata II 30 individu dan strata III 42 individu yang tersebar pada masing-masing kedalaman. Jumlah individu populasi kerang A. granosa cenderung lebih tinggi di kedalaman 1-1,5 m. Kerang yang didapatkan pada kedalaman ini berukuran 30 mm lebih dan merupakan kerang yang sudah dewasa. Menurut Baron [12] bahwa kerang Anadara matang kelamin ukuran 20 mm atau lebih. Kepadatan populasi kerang

A. granosa yang tertinggi yaitu 1,8 ind./m2 pada strata III stasiun 1 kedalaman 0,5 m tetapi kerang yang ditemukan berukuran kecil-kecil yaitu kurang 20 mm. Berdasarkan berat kering isi kerang A. granosa berkisar 0,08–0,58 g/m2 (Tabel 1). Kepadatan populasi kerang yang tertinggi pada strata III stasiun 2 yaitu 0,58 g/m2 dan terendah strata II stasiun 1 yaitu 0,08 ind/m2. Rerata kepadatan populasi kerang A granosa berdasarkan berat kering isi pada strata I, II dan III yaitu 0,05; 0,33 dan 0,43 g/m2. Kepadatan populasi kerang A. granosa baik berdasarkan jumlah individu perluas area (ind/m2) maupun berat kering isi kerang (g/m2) didapatkan hasil yang sama yaitu memiliki kepadatan populasi tertinggi pada strata III dan yang terendah pada strata I. Struktur populasi kerang A. granosa yang ditemukan di mangrove tergantung pada struktur substrat [13]. Pada strata II substrat dasar keras sisa dari terumbu karang mati, sehingga mengganggu tempat hidup kerang darah A. granosa. Strata III, lokasi sangat luas dan landai, serta berhubungan dengan laut Samudra dan di halangi oleh beberapa buah pulau kecil yaitu pulau Setan, pulau Pasumpahan sehingga arus relatif tenang. Strata III merupakan dasar perairan pantai yang cocok dihuni oleh organisme penggali, khususnya penggali cepat. Lapisan pasir berlumpur yang tebal dan luas di lokasi penelitian ini menyebabkan kerang A. granosa cocok hidup pada substrat tersebut (F. N. Oon, 2006).

BAB III MATERI DAN METODA

3.1.

Waktu dan Tempat Waktu Tempat : 13.00 – selesai WIB : Laboratorium Komputer Ilmu Kelautan, FPIK

3.2.

Materi SPSS (Statistical Product and Service Solution) merupakan salah satu program aplikasi statistik yang sering digunakan untuk pengolahan data. Pada saat pertama kali SPSS dibuka, tampilan akan tampak SPSS data editor yang mempunyai dua tampilan dalam satu layer, yaitu tampilan data view dan variable view. Menu yang dipakai adalah:  File dll. Terdiri dari 6. Open 7. Save & Save as 8. Display data info 9. Print 10. Exit  Editor Terdiri dari : untuk memperbaiki atau mengubah nilai data. : : : untuk membuat file baru, membuka file tertentu, mencetak isi editor,

6. Undo & Redo 7. Cut & Clear 8. Copy & Paste 9. Find 10. Edit Option  View Terdiri dari 6. Status Bar 7. Tool Bar 8. Fonts 9. Grid lines 10. Value Labels : untuk mengatur toolbar. :

Data Terdiri dari

: untuk mengurutkan data berdasarkan kriteria tertentu. :

12. Define dates 13. Insert variable 14. Insert case 15. Go to case 16. Sort case 17. Transpose 18. Merge files 19. Aggregate 20. Split file 21. Select case 22. Weight case  Transform Terdiri dari 10. Compute 11. Random number seed 12. Count 13. Recode 14. Categorize variables 15. Rank cases 16. Automatic recode 17. Create time series 18. Replace missing value : untuk membuat perubahan pada variabel yang telah dipilih. :

Analyze Terdiri dari 14. Reports

: untuk melakukan semua prosedur perhitungan statistik. :

15. Descriptive statistic 16. Compare means 17. General linier models 18. Correlate 19. Regression 20. Loglinier 21. Classify 22. Data reduction 23. Scale 24. Non parametric test 25. Survival 26. Multiple response  Graph Terdiri dari 19. Gallery 20. interactive 21. bar 22. line 23. area 24. pie 25. high low 26. pareto 27. control 28. boxplot 29. error bar 30. scatter 31. histogram 32. p – p 33. q –q 34. sequence 35. ROC curve : untuk membuat berbagai jenis grafik untuk mendukung analisa. : 36. Times series

Utilities Terdiri dari 6. Variable 7. File info 8. Define sets

: untuk memberi informasi tentang variabel yang sedang dikerjakan. :

9. Auto nem case 10. Run script

Windows Terdiri dari

: untuk berpimdah diantara menu – menu yang lain. :

2. Minimize all windows  Help Terdiri dari 8. Topics 9. Tutorial 10. SPSS homepage 11. Syntax guide 12. Statistic coach 13. About 14. Register product Selain data editor, menu lainnya adalah Menu output viewer (untuk menampilkan hasil pengolahan data atau informasi), Menu syntax viewer (untuk menuliskan beberapa perintah atau pilihan yang hanya dapat digunakan dengan SPSS Command Language), dan Menu script editor (untuk melakukan berbagai pengerjaan SPSS secara otomatis, seperti membuka dan menutup file, export chart, dll). : untuk menyediakan bantuan informasi mengenai program SPSS. :

3.3 Metode praktikum 3.3.1 Pengenalan Paket Program SPSS SPSS (Statistical Product and Service Solution) merupakan salah satu program aplikasi statistik yang sering digunakan untuk pengolahan data. Pada saat pertama kali SPSS dibuka, tampilan akan tampak SPSS data editor yang mempunyai dua tampilan dalam satu layer, yaitu tampilan data view dan variable view. Menu yang dipakai adalah:           File dll. Editor View Data Transform Analyze Graph Utilities Windows Help : untuk memperbaiki atau mengubah nilai data. : untuk mengatur toolbar. : untuk mengurutkan data berdasarkan kriteria tertentu. : untuk membuat perubahan pada variabel yang telah dipilih. : untuk melakukan semua prosedur perhitungan statistik. : untuk membuat berbagai jenis grafik untuk mendukung analisa. : untuk memberi informasi tentang variabel yang sedang dikerjakan. : untuk berpimdah diantara menu – menu yang lain. : untuk menyediakan bantuan informasi mengenai program SPSS. : untuk membuat file baru, membuka file tertentu, mencetak isi editor,

Selain data editor, menu lainnya adalah Menu output viewer (untuk menampilkan hasil pengolahan data atau informasi), Menu syntax viewer (untuk menuliskan beberapa perintah atau pilihan yang hanya dapat digunakan dengan SPSS Command Language), dan Menu script editor (untuk melakukan berbagai pengerjaan SPSS secara otomatis, seperti membuka dan menutup file, export chart, dll).

Langkah – langkah memasukkan data dalam SPSS: 1. Membuat lembar kerja baru    2. Pilih menu utama file Pilih submenu new Klik data

Menamai variabel yang diperlukan Klik variable view yang ada dibagian kiri bawah, maka pada SPSS data editor akan tampil kolom – kolom dengan heading name, type, widht, decimal, labels, value, dsb.

3.

Memasukkan data dengan terlebih dulu mengaktifkan data view.

3.3.2

Statistik Deskriptif (Explore) Langkah – langkah:

  

Klik Analyze Pilih Descriptive statistic Klik Explore

Pindahkan data panjang dan lebar dari kolom kiri kekolom dependent list dengan cara mengeblok kemudian klik tanda panah.

Klik Statistics kemudian beri tanda (v) pada descriptive.

 

Klik continue Klik plots untuk keseragaman, pada boxplot descriptive pilih steam and leaf. pilih factor levels together dan pada

3.3.3

Menguji Normalitas dan Varians Konsep penting dalam statistik inferensi adalah: (1) apakah beberapa ssampel yang telah diambil berasal dari populasi yang sama (populasi data berdistribusi normal)? Dan (2) apakah sampel – sampel tersebut mempunyai varians yang sama? Langkah – langkah:

  

Klik Analyze Pilih Descriptive statistic Klik Explore

 

Pindahkan data ukuran dari kolom kiri ke kolom dependent list dengan cara mengeblok kemudian klik tanda panah. Pindahkan data kode dari kolom factor list dengan cara mengeblok kemudian klik tanda panah.

Klik Statistic kemudian beri tanda (v) pada descriptive.

   

Klik continue Klik Plots dan untuk keseragaman, pada bloxplot pilih non dan pada desctriptive tidak ada yang dipilih. Beri tanda (v) pada normality plots with test. Pada bagian spread vs level with levene test pilih power estimation.

   3.3.4

Klik continue Pada bagian display pilih both Klik OK.

Scetterplot Deskriptif ini digunakan untuk mengetahui sebaran data pada statistik univarian. Langkah – langkah:   Klik graph Pilih scatte / dot

Klik simple scatter

  

Klik define Pindahkan data logpanjang dari kolom kiri ke kolom X axis dengan cara mengeblok kemudian klik panah Pindahkan data loglebar dari kolom kiri ke kolom Y axis dengan cara mengeblok kemudian klik panah.

 3.3.5

OK

Hipotesis Ho = tidak ada hubungan antara panjang cangkang dengan lebar cangkang pada kerang Anadara granosa. Hi = ada hubungan antara panjang cangkang dengan lebar cangkang pada kerang Anadara granosa.

3.3.6

Regresi dan korelasi Analisa regresi linier sederhana merupakan analisis yang membicarakan hubungan antara 2 buah variabel, yaitu variabel bebas dan variavel tergantung. Langkah – langkah:    Klik Analyze Pilih regression Pilih linier

 

Pindahkan data logpanjang dari kolom kiri ke kolom independent dan loglebar ke kolom dependent dengan cara mengeblok kemudian klik panah. Pada kolom method pilih enter

   

Klik tombol statistic Pada kolom regression coefficient pilih estimate Beri tanda (v) pada model fit dan descroptive. Pada kolom residual beri tanda (v) pada casewise diagnostic dan pilih all cases.

   

Klik continue Klik tombol plots Klik pilihan sdresid dan masukkan kekolom Y lalu klik pilihan zpred dan masukkan kekolom X. Klik next

Klik pilihan zpred dan masukkan kekolom Y lalu klik dependnt dan masukkan kekolom Y.

  

Pada kolom standardized residual plots beri tanda (v) pada normal probability plot. Klik continue Klik Ok

BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil 4.1.1 Pengenalan Paket Program SPSS Memasukkan data

Uji frekuensi Statistics tinggi badan

tinggi badan Frequency Percent Vali d 159.6 2 0 161.3 1 0 164.8 2 0 167.2 2 0 168.5 2 0 168.6 1 0 168.9 3 0 170.2 1 0 170.4 3 0 172.5 4 0 174.5 2 0 177.5 Statistics 1 0 180.3 1 0 Total 25 8.0 4.0 8.0 8.0 8.0 4.0 12.0 4.0 12.0 16.0 8.0 4.0 4.0 100.0 Valid Percent 8.0 4.0 8.0 8.0 8.0 4.0 12.0 4.0 12.0 16.0 8.0 4.0 4.0 100.0 Cumulativ e Percent 8.0 12.0 20.0 28.0 36.0 40.0 52.0 56.0 68.0 84.0 92.0 96.0 100.0

Histogram

10

8

Frequency

6

4

2

0 155.00 160.00 165.00 170.00 175.00 180.00 185.00

Mean = 169.40 Std. Dev. = 4.96328 N = 25

tinggi badan

N

Valid Missing

Mean Std. Error of Mean Median Std. Deviation Variance Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis Range Minimum Maximum Percentiles 25 50 75

tinggi badan jenis kelamin 25 25 0 0 169.4000 1.56 .99266 .101 168.9000 2.00 4.96328 .507 24.634 .257 -.155 -.257 .464 .464 .452 -2.110 .902 .902 20.70 1 159.60 1 180.30 2 167.2000 1.00 168.9000 2.00 172.5000 2.00

tinggi badan Valid Percent 8.0 4.0 8.0 8.0 8.0 4.0 12.0 4.0 12.0 16.0 8.0 4.0 4.0 100.0 Cumulative Percent 8.0 12.0 20.0 28.0 36.0 40.0 52.0 56.0 68.0 84.0 92.0 96.0 100.0

Frequency Valid 159.6 0 161.3 0 164.8 0 167.2 0 168.5 0 168.6 0 168.9 0 170.2 0 170.4 0 172.5 0 174.5 0 177.5 0 180.3 0 Total 2 1 2 2 2 1 3 1 3 4 2 1 1 25

Percent 8.0 4.0 8.0 8.0 8.0 4.0 12.0 4.0 12.0 16.0 8.0 4.0 4.0 100.0 jenis kelamin

Valid

Frequency pria 11 wanita 14 Total 25

Percent 44.0 56.0 100.0

Valid Percent 44.0 56.0 100.0

Cumulative Percent 44.0 100.0

tinggi badan

jenis kelamin

159.60 161.30 164.80 167.20 168.50 168.60 168.90 170.20 170.40 172.50 174.50 177.50 180.30

pria wanita

One sample T-Test One-Sample Statistics Std. Error Mean 224.8676 1124.33803 1 Std. Deviation

N Total Haemocyte 25

Mean 3888.800 0

One-Sample Test Test Value = 5037.308 95% Confidence Interval of the Difference Lower 1612.611 9 Upper 684.4041

t Total Haemocyte -5.107

df 24

Sig. (2tailed)

Mean Difference .000 1148.5080 0

Paired sample T – test Paired Samples Statistics Std. Error Mean 241.1057 1205.52893 9 351.5300 1757.65014 3 Std. Deviation

Pair 1

sebelum perlakuan sesudah diberi perlakuan

Mean 4054.000 0 4685.600 0

N 25 25

Paired Samples Correlations N Pair 1 sebelum perlakuan & sesudah diberi perlakuan 25 Correlation .280 Sig. .175

Paired Samples Test

Paired Differences 95% Confidence Interval of the Difference Mean Pair 1 sebelu m perlak uan sesuda h diberi perlak uan Std. Deviation Std. Error Mean Lower Upper t df Sig. (2tailed )

631.6000 0

1831.78802

366.3576 0

1387.724 93

124.5249 3

-1.724

24

.098

Independent sample T – test Group Statistics Std. Error Mean 204.7601 1023.80056 1 324.0529 1620.26469 4 Std. Deviation

Total Haemocyte Count

jenis perlakuan ekstrak air kunyit 1% Powder kunyit 1 %

N 25 25

Mean 4361.932 8 3080.800 0

Independent Samples Test Levene's Test for Equality of Variances Sig. (2taile d)

t-test for Equality of Means Mean Differen ce 95% Confidence Interval of the Difference Lower Upper 510.40 2051.856 897 63

F Total Haemocyte Count Equal variances assumed

Sig.

t

df

Std. Error Difference

3.10 .085 1

3.34 2

48

.002

1281.13 280

383.32364

Equal variances not assumed

3.34 40. 2 530

.002

1281.13 280

383.32364

506.72 2055.543 206 54

4.1.2

Statistik Deskriptif (Explore) Case Processing Summary Cases Valid N panjang lebar 25 25 Percent 100.0% 100.0% N 0 0 Missing Percent .0% .0% N 25 25 Total Percent 100.0% 100.0%

Descriptives Statistic panjang Mean 95% Confidence Interval Lower Bound for Mean Upper Bound 5% Trimmed Mean 1.8652 1.7445 1.9859 1.8569 Std. Error .05848

Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis lebar Mean 95% Confidence Interval Lower Bound for Mean Upper Bound 5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis panjang Stem-and-Leaf Plot Frequency 3,00 6,00 4,00 2,00 1,00 ,00 2,00 4,00 2,00 1,00 Stem & Leaf 15 . 16 . 17 . 18 . 19 . 20 . 21 . 22 . 23 . 24 . 005 000079 0002 00 0 00 0000 00 0

1.7200 .085 .29238 1.50 2.40 .90 .60 .471 -1.364 2.5092 2.3018 2.7166 2.4502 2.3000 .253 .50251 2.00 4.20 2.20 .56 1.976 4.534 .464 .902 .464 .902 .10050

Stem width: ,10 Each leaf: 1 case(s)

lebar Stem-and-Leaf Plot Frequency Stem & Leaf

5,00 2 . 01111 9,00 2 . 222233333 3,00 2 . 445 3,00 2 . 677 2,00 2 . 89 1,00 3. 0 ,00 3. 1,00 3. 5 1,00 Extremes (>=4,2) Stem width: 1,00 Each leaf: 1 case(s)

4.1.3

Menguji Normalitas dan Varian

Case Processing Summary Cases parameter ukur murfometri kerang panjang lebar Valid N 23 23 Percent 100.0% 100.0% N 0 0 Missing Percent .0% .0% N 23 23 Total Percent 100.0% 100.0%

Descriptives parameter ukur murfometri kerang panjang Mean 95% Confidence Interval Lower Bound for Mean Upper Bound 5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis lebar Mean 95% Confidence Interval Lower Bound for Mean Upper Bound 5% Trimmed Mean Median Variance Statistic .2707 .2417 .2997 .2700 .2553 .005 .06709 .18 .38 .20 .14 .223 -1.526 .2689 .2392 .2986 .2680 .2553 .005 .481 .935 .01432 Std. Error .01399

Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis

.06866 .18 .38 .20 .14 .223 -1.572 .481 .935

Tests of Normality Kolmogorov-Smirnova parameter ukur Statistic df Sig. murfometri kerang panjang lebar a. Lilliefors Significance Correction .178 .191 23 23 .057 .030 Shapiro-Wilk Statistic .896 .891 df 23 23 Sig. .021 .017

Test of Homogeneity of Variance Levene Statistic murfometri kerang Based on Mean Based on Median Based on Median and with adjusted df Based on trimmed mean .035 .029 .029 .033 df1 1 1 1 1 df2 44 44 43.978 44 Sig. .852 .866 .866 .856

4.1.4

Scetterplot

4.1.5 4.1.6

Hipotesis Regresi dan korelasi Descriptive Statistics Mean lebar cangkang panjang cangkang .2657 .2657 Std. Deviation .06668 .06668 N 25 25

Correlations lebar cangkang Pearson Correlation lebar cangkang panjang cangkang Sig. (1-tailed) lebar cangkang panjang cangkang N lebar cangkang panjang cangkang 1.000 1.000 . .000 25 25 panjang cangkang 1.000 1.000 .000 . 25 25

Variables Entered/Removedb Model 1 Variables Entered panjang cangkanga Variables Removed Method . Enter

a. All requested variables entered. b. Dependent Variable: lebar cangkang Model Summaryb Model 1 R 1.000a R Square 1.000 Adjusted R Square 1.000 Std. Error of the Estimate .00000

a. Predictors: (Constant), panjang cangkang b. Dependent Variable: lebar cangkang ANOVAb Model 1 Regression Residual Total Sum of Squares .107 .000 .107 df 1 23 24 Mean Square .107 .000 F . Sig. .000a

a. Predictors: (Constant), panjang cangkang b. Dependent Variable: lebar cangkang Coefficientsa Standardized Unstandardized Coefficients Coefficients Model 1 (Constant) panjang cangkang B .000 1.000 Std. Error .000 .000 1.000 Beta t . . Sig. . .

a. Dependent Variable: lebar cangkang

Casewise Diagnosticsa Case Numbe r Std. Residual lebar cangkang 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 . . . . . . . . . . . . . . . . . . . . . . . . . .32 .36 .20 .23 .34 .34 .34 .23 .26 .36 .34 .38 .18 .26 .32 .23 .20 .28 .20 .20 .18 .22 .24 .23 .19 Predicted Value .3222 .3617 .2041 .2304 .3424 .3424 .3424 .2304 .2553 .3617 .3424 .3802 .1761 .2553 .3222 .2304 .2041 .2788 .2041 .2041 .1761 .2227 .2355 .2279 .1903

Residual .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000

a. Dependent Variable: lebar cangkang

Residuals Statisticsa Minimum Maximum Predicted Value Std. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std. Residual Stud. Residual Deleted Residual Stud. Deleted Residual Mahal. Distance Cook's Distance Centered Leverage Value .1761 -1.345 . . .00000 . . . . .025 . .001 .3802 1.717 . . .00000 . . . . 2.947 . .123 Mean .2657 .000 . . .00000 . . . . .960 . .040 Std. Deviation .06668 1.000 . . .00000 . . . . .761 . .032 N 25 25 0 0 25 0 0 0 0 25 0 25

a. Dependent Variable: lebar cangkang

4.2 Pembahasan 4.3 Pembahasan 4.2.1 Pengenalan Paket Program SPSS

Pada Praktikum saat ini kita semua telah membahas mengenai salah satu program yang terpenting dan diterapkan dalam bidang ilmu statistika yaitu program SPSS. Didalam program ini, pengolahan data yang digunakan yaitu pengolahan secara digital, hal ini dikarenakan program SPSS ini merupakan suatu software yang digunakan untuk membantu mempermudah pengolahan sample data yang spasial. Pada beberapa hasil di atas kita dapat mengetahui bahwa suatu data dapat diolah dengan berbagai cara tergantung dengan permintaan si pemberi soal. Output yang terdapat pada hasil pengolahan data diatas kita dapat lihat bahwa terdapat berbagai jenis pengplotan misalnya histogram, pie chart, boxplot dll. Dalam hal ini saya menggunakan grafik berbentuk histogram dikarenaka agar dapat mempermudah pembacaan atau penafsiran makna dari grafik yang tercantum. Jika saya menggunakan pie chart, saya akan menemui beberapa kendala, misalnya seperti perbedaan warna yang kurang kontras dan tidak dapat mengetahui garis penghubung nilai mean dll. Pada Pengolahan datanya, kita menggunakan beberapa data untuk diuji yaitu :  Uji Frekuensi Di uji data dengan jumlah data sebanyak 25 buah. Hasil yang didapat adalah sebagai berikut: Mean Median Varians Skewness Kurtosis Range Nilai maksimum Nilai minimum = 169.4000 = 168.9000 = 24.634 = - 0.155 = 0.452 = 20.70 = 180.30 = 159.60

Pada tabel frekuensi tinggi badan, penafsiran data dilakukan tiap baris dan dihitung secara kumulatif. Demikian perhitungan dilakukan seterusnya hingga mencapai 100%. Dari hasil, histogram yang terlihat frekuensi terbesar adalah pada kisaran tinggi badan ± 170,00

Dari hasil berupa pie chart pada tinggi badan, frekuensi terbesar ada pada kisaran tinggi badan ± 172,50. Sedangkan dari pie chart data jenis kelamin, frekuensi terbanyak adalah wanita.  One sample T-Test menggunakan data Ulangan. Diketahui bahwa nilai rata – rata dari hasil adalah 3888.800 dan standart deviasi 1124.33803. Pada tabel kedua terdapat pengambilan keputusan dimana: Jika t output > t table maka H0 ditolak. Jika t output < t table maka H0 diterima. Dimana nilai t output adalah – 5.156, maka keputusan yang diambil adalah terima H0 (t output < t table).  Period Sample T-Test menggunakan perbandingan dua data mingguan atau per periode. Dari output 1 (Paired Samples statistics) dimana nilai mean T1 adalah 4.054 dan T2 adalah 4.685. dan output 2 (paired Samples Test) diketahui bahwa korelasi antara kedua variable T1 dan T2 yaitu 0.280 dengan nilai probabilitas > 0.05. hal ini menyatakan bahwa korelasi antara T1 dan T2 adalah lemah.  Independent Sample T-Test menggunakan dua buah perbandingan data perlakuan pada suatu sample. Outputan pertama (Group Statistics) menunjukan nilai rata – rata dari T1 adalah 4.3619328dan T2 adalah 3.0808000. Dari nilai t hitung (t kritis) diperoleh 3.34. sehingga nilai table t adalah 2.06. didapat kesimpulan bawa 3.34 > 2.06 maka tolak H0.

4.2.2

Statistik Deskriptif (Explore) Semua data berjumlah 50, yang terdiri dari panjang (25) dan lebar (25) dengan percent valid sebesar 100%. Output descriptive mendeskripsikan data mengenai nilai masing – masing mean, median, range, nilai maksimum dan minimum dari masing – masing variable.

4.2.3

Menguji Normalitas dan Varian Output test of normality terlihat nilai signifikan pada data murfometri kerang adalah panjang cangkang 0.021 dan lebar cangkang 0.017. dimana nilai signifikansi < 0.05 sehingga distribusi datanya berdistribusi tidak normal.

Output untuk menguji normalitas dengan plot (Q – Q plot) dilihat bahwa distribusi datanya dikatakan normal. Hal ini dapat terlihat dari sebaran data di sekeliling garis. Dan Output pada Detrended normal Q – Q plot terdeteksi pola dari titik – titik yang bukan bagian dari kurva normal. 4.2.4 Scetterplot Terlihat sebaran data dalam satu garis dan terdistribusi secara normal. 4.2.5 Hipotesis H0 = tidak ada korelasi antara 2 variable, dan H1 = ada korelasi antara 2 variable. 4.2.6 Regresi dan korelasi Output korelasi dimana hipotesisnya: H0 = tidak ada korelasi antara 2 variable, dan H1 = ada korelasi antara 2 variable. Dimana jika Probabilitas > 0.05 maka H0 diterima, dan sebaliknya jika probabilitas < 0.05 maka H0 ditolak. Karena semua angka probabilitasnya adalah 0.000 maka keputusannya adalah (0.000 < 0.05) tolah Ho atau terima H1. Dimana semua variabel secara nyata adalah berkorelasi. Output model summary dimana nilai R adalah sebesar 1.000 menunjukan bahwa korelasinya sangat kuat (>0.05). Sedangkan nilai SEE adalah 0.0000 menunjukan model regresi semakin tepat dalam memprediksi variable dependent. Output anova diketahui bahwa Fhitung adalah 0 dengan probabilitas 0.000 menunjukan bahwa panjang cangkang dan lebar cangkang saling mempengaruhi.

BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan 1. Metode statistika dapat dibedakan menjadi dua bagian utama, yaitu statistik parametrik dan statistik non – parametrik. 2. Statistika parametrik : analisis yang didasarkan atas asumsi bahwa data memiliki sebaran tertentu (diskrit atau kontinu, normal atau tidak normal) dengan parameter yang belum diketahui. Fungsi metode statistika adalah untuk meramal parameter, melakukan uji parameter, atau hanya melakukan eksplorasi berdasarkan informasi yang ada pada data. 3. Statistik non parametrik : analisis yang dipakai tidak didasarkan atas asumsi distribusi pada data. Umumnya teknik ini dipakai untuk data dengan ukuran kecil sehingga tidak cukup kuat untuk mengasumsikan distribusi tertentu. 4. Persoalan yang dihadapi pada umumnya adalah menduga atau menguji parameter yang belum diketahui distribusi tertentu yang dianggap sesuai dengan kondisi data. Metode statistika yang diturunkan seperti ini disebut metode parametric. 5. Statistik dengan uji hipotesis yaitu untuk membuktikan dengan alat statistika, apabila dugaan yang dimiliki dapat dibuktikan benar atau sebaliknya. Ada dua kelompok besar yang dapat dilakukan dengan uji hipotesis: uji hipotesis terkait uji rerata, dan uji hubungan baik terbatas pada besarnya derajat asosiasi (uji korelasi) atau mencari bentuk hubungan fungsional beberapa variabel (uji regresi). 5.2 Saran 1. Seharusnya agar lebih efektif, efisien, dan optimal komputer untuk mengolah data diperbanyak lagi, sehingga tidak ada praktikan yang mengerjakan pengolahan dipraktikum berdesak-desakan. 2. Untuk praktikum selanjutnya agar asisten lebih selektif lagi dalam memberi jadwal praktikum, agar tidak terulang kembali jadwal praktikum yang tidak sesuai dengan sebelumnya. 3. Untuk pembelajaran pengolahan data seharusnya asisten lebih komunikatif lagi dengan para praktikan. jadwal lebih data

Sign up to vote on this title
UsefulNot useful