LAPORAN PRAKTIKUM
STATISTIK DASAR
MODUL
1
NAMA:
TRI WIJAYANTO
NIM:
115410126
JURUSAN:
TI/S1
LABORATORIUM
TERPADU
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN
KOMPUTER AKAKOM YOGYAKARATA
2012
PERTEMUAN KE –
1
PENGENALAN
SPSS FOR WINDOW DAN MEMBANGUN DATA
TUJUAN
1. Agar mahasiswa mengenal SPSS for Windows
2. Agar mahasiswa mampu memeasukkan data
3. Agar mahasiswa mampu melakukan
penyuntingan data
4. Agar mahasiswa mampu menstransformasikan
(modifikasi atau mengubah) data.
DASAR
TEORI
Mengenal
SPSS For Windows
SPSS
(Statistical Package for the Social Science) merupakan software statistik yang
pada awalnya digunakan untuk riset dibidang sosial dan melayani berbagai jenis
user sehingga sekarang SPSS singkatan dari Statistical Product and Service
Solutions.
Proses pengolahan data pada
SPSS adalah sbb :
INPUT DATA
DENGAN
DATA EDITOR Proses dg
DATA EDITOR
OUTPUT DATA
DENGAN OUTPUT
NAVIGATOR
• PIVOT TEBLE EDITOR
• TEXT OUTPUT EDITOR
• CHART EDITOR
Penjelasan Proses Statistik
dengan SPSS :
1. Data yang akan diproses dimasukkan lewat
menu DATA EDITOR.
2. Data kemudian diproses lewat menu DATA
EDITOR.
3. Hasil pengolahan muncul di layar, yaitu
OUTPUT NAVIGATOR.
Pada menu Output Navigator ,
informasi dapat ditampilkan secara :
1. Text atau Tulisan. Pengerjaan (perubahan
bentuk huruf, penambahan, pengurangn dll) yang berhubungan dengan output
berbentuk teks dapat dilakukan lewat menu Text Output Editor.
2. Tabel. Pengerjaan (pivoting tabel,
penambahan, pengurangan tabel, dll) yang berhubungan dengan output berbentuk
tabel dapat dilakukan lewat menu Pivot Table Editor.
3. Chart atau Grafik. Pengerjaan (perubahan
tipe grafik dan lainnya) yang berhubungan dengan output berbentuk grafik dapat
dilakukan lewat menu Chart Editor.
PEMBAHASAN
PRAKTIKUM MODUL 1
Case Summariesa
|
||||||
Nama Peserta Askes
|
Jenis kelamin
|
Berat Badan Responden dlm kg
|
Tinggi Badan Responden dlm cm
|
Berat Badan Ideal
|
||
1
|
Doni
|
laki-laki
|
60
|
155
|
49.50
|
|
2
|
Andi
|
laki-laki
|
60
|
165
|
58.50
|
|
3
|
Sisil
|
Perempuan
|
55
|
175
|
67.50
|
|
4
|
Qori
|
Perempuan
|
75
|
170
|
63.00
|
|
5
|
Aji
|
laki-laki
|
80
|
170
|
63.00
|
|
6
|
Cici
|
Perempuan
|
75
|
180
|
72.00
|
|
7
|
Arum
|
Perempuan
|
90
|
185
|
76.50
|
|
8
|
Mayang
|
Perempuan
|
85
|
165
|
58.50
|
|
9
|
Andi
|
laki-laki
|
68
|
178
|
70.20
|
|
10
|
Umi
|
Perempuan
|
47
|
158
|
52.20
|
|
11
|
Nani
|
Perempuan
|
65
|
172
|
64.80
|
|
12
|
Arum
|
Perempuan
|
58
|
155
|
49.50
|
|
13
|
Mayang
|
Perempuan
|
55
|
165
|
58.50
|
|
Total
|
N
|
13
|
13
|
13
|
13
|
13
|
a.
Limited to first 100 cases.
|
PENJELASAN
: Hasil diatas yaitu nama peserta
askes, Jenis Kelamin, Berat Badan Responden dlm kg,
Tinggi Badan Responden dlm cm, dan Berat Badan Ideal diperoleh dengan cara
mengetikan variabel tersebut di kolom variable view yaitu
Name : merupakan nama variabel
yang akan ditampilkan di baris teratas pada tampilan Data View. Diisi nama
variabel, untuk memasukkan nama variabel pada sel dengan cara mendouble klik
kemudian nama variabelnya, dalam praktikum ini di beri nama
“Nama, Jk(jenis kelamin), Berat , Tinggi dan sebagainya sesuai dengan hasil
output tersebut.
Width : merupakan lebar kolom, diisi
jumlah karakter maksimal yang akan diinput dalam Data View
atau sesuai yang diinginkan.
Decimal : merupakan jumlah digit setelah koma, diisi
jumlah karakter maksimal yang akan diinput dalam Data View.
Label : merupakan penjelasan atribut Variabel Name
yang muncul dalam kotak dialog apabila melakukan analisis lebih lanjut, diisi
keterangan untuk variabel (boleh dikosongkan). Namun
dalam praktikum ini kolom label diisi nama peserta askes, Jenis Kelamin, Berat Badan Responden dlm kg,
Tinggi Badan Responden dlm cm, dan Berat Badan Ideal.
Value : merupakan pengodean untuk variabel non-angka
(string variable). Dalam praktikum ini jenis kelamin untuk laki-laki diberi
kode 0, dan untuk perempuan diberi kode 1. Klik sel pada kolom value yang akan
diberi pengodean sehingga kotak dialog Value, ditulis 0 dan pada Value Label,
ditulis Laki-laki. Klik Add. Selanjutnya dilakukan langkah yang sama untuk
jenis kelamin perempuan. Setelah itu, klik OK.. Maka
nantinya pada data view tidak perlu mengetik laki-laki dan perempuan, untuk
mengaktifkan dengan memilih Value label pada menu view sehingga hanya tinggal
double klik pada kolom yang akan di isi
Missing : menetapkan nilai khusus data
sebagai user missing atau untuk perlakuan data terhadap Missing Value (abaikan
sesuai default).
Align : untuk pengaturan tampilan perataan dalam Data
View, seperti left, centre, right.
Measure : secara default akan terpilih Nominal jika
variabel bertipe string, dan akan terpilih Scale jika data bertipe Numeric.
Sehingga akan muncul output
tersebut,. Jadi judul variabel terdiri dari nama peserta askes, Jenis Kelamin, Berat
Badan Responden dlm kg, Tinggi Badan Responden dlm cm, dan Berat Badan Ideal.
Case
Processing Summarya
|
||||||
Cases
|
||||||
Included
|
Excluded
|
|||||
N
|
Percent
|
N
|
Percent
|
N
|
Percent
|
|
Nama
Peserta Askes
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Jenis
kelamin
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Berat
Badan Responden dlm kg
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Tinggi
Badan Responden dlm cm
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Berat
Badan Ideal
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Presentase
kelebihan Berat Badan Responden
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
a.
Limited to first 100 cases
|
PENJELASAN : Dari data diatas dapat diartikan jumlah data pada tabel di atas
adalah 13, maka jumlah presentasenya 100 % karena data yang yang di masukkan telah
lengkap, sehingga cases included memiliki nilai N = 13 dan nilai Percent 100%, nilai
cases excluded N=0 dan Percent = 0%, maka dari cases included dan cases
excluded di dapatkan hasil cases total yaitu N = 13 sehingga nilai Percent
adalah 100%.
DO IF (JK = 0).
COUNT over=Kelebihan(0.1 thru Highest).
VARIABLE LABELS over 'Jumlah yang kelebihan berat badan'.
END IF.
EXECUTE.
SUMMARIZE
/TABLES=Nama JK Berat Tinggi Ideal Kelebihan over
/FORMAT=VALIDLIST NOCASENUM TOTAL LIMIT=100
/TITLE='Case Summaries'
/MISSING=VARIABLE
/CELLS=COUNT.
Case Processing Summarya
|
||||||
Cases
|
||||||
Included
|
Excluded
|
Total
|
||||
N
|
Percent
|
N
|
Percent
|
N
|
Percent
|
|
Nama
Peserta Askes
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Jenis
kelamin
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Berat
Badan Responden dlm kg
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Tinggi
Badan Responden dlm cm
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Berat
Badan Ideal
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Presentase
kelebihan Berat Badan Responden
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Jumlah
yang kelebihan berat badan
|
4
|
30.8%
|
9
|
69.2%
|
13
|
100.0%
|
a.
Limited to first 100 cases.
|
PENJELASAN
: Data di atas sama
seperti table sebelumnya yang telah dijelaskan namun variabel
bertambah satu yaitu Jumlah yang kelebihan berat badan,
nilai percent pada cases Included adalah
30,8%, data tersebut diperoleh dari nilai N = 4 dari total 13 data sehingga nilai
percent pada cases Included adalah 30,8%,
dan nilai N pada cases excluded yaitu 9 dari 13 data, maka presentasenya 69,2.
Sehingga total data 13 yang terdiri dari nilai cases included dan cases
excluded, karena total data telah lengkap / valid maka presentasenya menjadi
100%.
STRING Tanda (A8).
DO IF (Kelebihan > 0.1).
RECODE Kelebihan (0.1 thru Highest='Diet') INTO Tanda.
END IF.
VARIABLE LABELS Tanda 'Pemberian Tanda'.
EXECUTE.
SUMMARIZE
/TABLES=Nama JK Berat Tinggi Ideal Kelebihan over Tanda
/FORMAT=VALIDLIST NOCASENUM TOTAL LIMIT=100
/TITLE='Case Summaries'
/MISSING=VARIABLE
/CELLS=COUNT.
Case Processing Summarya
|
||||||
Cases
|
||||||
Included
|
Excluded
|
Total
|
||||
N
|
Percent
|
N
|
Percent
|
N
|
Percent
|
|
Nama
Peserta Askes
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Jenis
kelamin
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Berat
Badan Responden dlm kg
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Tinggi
Badan Responden dlm cm
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Berat
Badan Ideal
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Presentase
kelebihan Berat Badan Responden
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
Jumlah
yang kelebihan berat badan
|
4
|
30.8%
|
9
|
69.2%
|
13
|
100.0%
|
Pemberian
Tanda
|
13
|
100.0%
|
0
|
.0%
|
13
|
100.0%
|
a.
Limited to first 100 cases.
|
PENJELASAN
: Variabel bertmbah lagi yaitu Pemberian Tanda yang di
dapat kan dari rumus (STRING Tanda (A8).
DO IF (Kelebihan > 0.1). // variabel “diet” dapat mucul pada kolom
Pemberian tanda jika memenuhi syarat
yang telah ditentukan sebelumnya yaitu jika variabel kelebihan lebih besar 0,1
maka secara otomatis variabel diar dapat muncul pada hasil output.
RECODE Kelebihan (0.1 thru Highest='Diet') INTO Tanda. // Jika
responden memiliki kelebihan berat badan maka diberi tanda “Diet”, variabel
“Diet” di pilih dengan maksud agar responden dapat menyesuaikan berat badannya.
END IF.
VARIABLE LABELS Tanda 'Pemberian Tanda') // Maka
dari rumus diatas di beri variabel label tanda yaitu “ pemberian tanda”, supaya
nanti pada output hasil dari rumus diastas dapat masuk pada kolom Pemberian
Tanda.
Maka untuk lebih detail penjelasan dari variabel baru tersebut bisa di
peroleh maka saya jelasakan tabel dbawah ini:
Case Summariesa
|
||||||||||
Nama Peserta Askes
|
Jenis kelamin
|
Berat Badan Responden dlm kg
|
Tinggi Badan Responden dlm cm
|
Berat Badan Ideal
|
Presentase kelebihan Berat Badan Responden
|
Jumlah yang kelebihan berat badan
|
Pemberian Tanda
|
|||
1
|
Doni
|
laki-laki
|
60
|
155
|
49.50
|
17.50
|
1.00
|
Diet
|
||
2
|
Andi
|
laki-laki
|
60
|
165
|
58.50
|
2.50
|
1.00
|
Diet
|
||
3
|
Sisil
|
Perempuan
|
55
|
175
|
67.50
|
-22.73
|
.
|
|||
4
|
Qori
|
Perempuan
|
75
|
170
|
63.00
|
16.00
|
.
|
Diet
|
||
5
|
Aji
|
laki-laki
|
80
|
170
|
63.00
|
21.25
|
1.00
|
Diet
|
||
6
|
Cici
|
Perempuan
|
75
|
180
|
72.00
|
4.00
|
.
|
Diet
|
||
7
|
Arum
|
Perempuan
|
90
|
185
|
76.50
|
15.00
|
.
|
Diet
|
||
8
|
Mayang
|
Perempuan
|
85
|
165
|
58.50
|
31.18
|
.
|
Diet
|
||
9
|
Andi
|
laki-laki
|
68
|
178
|
70.20
|
-3.24
|
.00
|
|||
10
|
Umi
|
Perempuan
|
47
|
158
|
52.20
|
-11.06
|
.
|
|||
11
|
Nani
|
Perempuan
|
65
|
172
|
64.80
|
.31
|
.
|
Diet
|
||
12
|
Arum
|
Perempuan
|
58
|
155
|
49.50
|
14.66
|
.
|
Diet
|
||
13
|
Mayang
|
Perempuan
|
55
|
165
|
58.50
|
-6.36
|
.
|
|||
Total
|
N
|
13
|
13
|
13
|
13
|
13
|
13
|
4
|
13
|
|
a.
Limited to first 100 cases.
|
||||||||||
PENJELASAN
: Dari rumus yang telah di jelaskan sebelumnya maka
variabel “Diet” masuk pada kolom “Pemberian Tanda”, jika responden telah
memenuh syarat yang telah ditentukn pada rumus untuk “Diet” maka variabel
“Diet” akan secara otomatis muncul.
Contoh: Nama Peserta Askes yaitu Doni yang berjenis kelamin laki-laki
memiliki berat badan 60 dan tinggi badan 155 padahal untuk mendapatkan berat
badan ideal harus memenuhi rumus untuk variabel kelebihan
(berat-ideal)/berat*100.
TUGAS
dan LISTING Terlampir
1. Mengurutkan
data mahasiswa berdasarkan nama.
Untuk mengurutkan data dilakukan dengan cara,
klik kanan variabel nama, kemudian dipilih Sort Ascending. Atau dengan langkah
berikut :
a. Membuka
file yang hendak diurutkan
b. Dipilih
menu Data ; SORT CASES
c. Variabel
nama mahasiswa dipindahkan ke kotak variabel yang akan digunakan sebagai kunci
d. Dipilih
modus pengurutan Ascending (urutan naik)
e. Tekan
OK.
Seperti
tampak pada gambar :
Hasil:
Case Summariesa
|
||||||||||
Nama Peserta Askes
|
Jenis kelamin
|
Berat Badan Responden dlm kg
|
Tinggi Badan Responden dlm cm
|
Berat Badan Ideal
|
Presentase kelebihan Berat Badan Responden
|
Jumlah yang kelebihan berat badan
|
Pemberian Tanda
|
|||
1
|
Aji
|
laki-laki
|
80
|
170
|
63.00
|
21.25
|
1.00
|
Diet
|
||
2
|
Andi
|
laki-laki
|
60
|
165
|
58.50
|
2.50
|
1.00
|
Diet
|
||
3
|
Andi
|
laki-laki
|
68
|
178
|
70.20
|
-3.24
|
.00
|
|||
4
|
Arum
|
Perempuan
|
90
|
185
|
76.50
|
15.00
|
.
|
Diet
|
||
5
|
Arum
|
Perempuan
|
58
|
155
|
49.50
|
14.66
|
.
|
Diet
|
||
6
|
Cici
|
Perempuan
|
75
|
180
|
72.00
|
4.00
|
.
|
Diet
|
||
7
|
Doni
|
laki-laki
|
60
|
155
|
49.50
|
17.50
|
1.00
|
Diet
|
||
8
|
Mayang
|
Perempuan
|
85
|
165
|
58.50
|
31.18
|
.
|
Diet
|
||
9
|
Mayang
|
Perempuan
|
55
|
165
|
58.50
|
-6.36
|
.
|
|||
10
|
Nani
|
Perempuan
|
65
|
172
|
64.80
|
.31
|
.
|
Diet
|
||
11
|
Qori
|
Perempuan
|
75
|
170
|
63.00
|
16.00
|
.
|
Diet
|
||
12
|
Sisil
|
Perempuan
|
55
|
175
|
67.50
|
-22.73
|
.
|
|||
13
|
Umi
|
Perempuan
|
47
|
158
|
52.20
|
-11.06
|
.
|
|||
Total
|
N
|
13
|
13
|
13
|
13
|
13
|
13
|
4
|
13
|
|
a.
Limited to first 100 cases.
|
||||||||||
2. Split
data berdasarkan jenis kelamin.
Untuk memisahkan file
dilakukan dengan langkah berikut :
a. Dibuka
file yang akan dipisah
b. Pilih
menu Data ; Split File
c. Dipindahkan
variabel jenis kelamin mahasiswa ke kotak yang akan digunakan sebagai kunci.
d. Dipilih
kriteria pemisahannya
e. Tekan
OK.
Hasil seperti tampak pada
gambar :
Case Processing Summarya
|
|||||||
Jenis
kelamin
|
Cases
|
||||||
Included
|
Excluded
|
Total
|
|||||
N
|
Percent
|
N
|
Percent
|
N
|
Percent
|
||
laki-laki
|
Nama
Peserta Askes
|
4
|
100.0%
|
0
|
.0%
|
4
|
100.0%
|
Jenis
kelamin
|
4
|
100.0%
|
0
|
.0%
|
4
|
100.0%
|
|
Berat
Badan Responden dlm kg
|
4
|
100.0%
|
0
|
.0%
|
4
|
100.0%
|
|
Tinggi
Badan Responden dlm cm
|
4
|
100.0%
|
0
|
.0%
|
4
|
100.0%
|
|
Berat
Badan Ideal
|
4
|
100.0%
|
0
|
.0%
|
4
|
100.0%
|
|
Presentase
kelebihan Berat Badan Responden
|
4
|
100.0%
|
0
|
.0%
|
4
|
100.0%
|
|
Jumlah
yang kelebihan berat badan
|
4
|
100.0%
|
0
|
.0%
|
4
|
100.0%
|
|
Pemberian
Tanda
|
4
|
100.0%
|
0
|
.0%
|
4
|
100.0%
|
|
Perempuan
|
Nama
Peserta Askes
|
9
|
100.0%
|
0
|
.0%
|
9
|
100.0%
|
Jenis
kelamin
|
9
|
100.0%
|
0
|
.0%
|
9
|
100.0%
|
|
Berat
Badan Responden dlm kg
|
9
|
100.0%
|
0
|
.0%
|
9
|
100.0%
|
|
Tinggi
Badan Responden dlm cm
|
9
|
100.0%
|
0
|
.0%
|
9
|
100.0%
|
|
Berat
Badan Ideal
|
9
|
100.0%
|
0
|
.0%
|
9
|
100.0%
|
|
Presentase
kelebihan Berat Badan Responden
|
9
|
100.0%
|
0
|
.0%
|
9
|
100.0%
|
|
Jumlah
yang kelebihan berat badan
|
0
|
.0%
|
9
|
100.0%
|
9
|
100.0%
|
|
Pemberian
Tanda
|
9
|
100.0%
|
0
|
.0%
|
9
|
100.0%
|
|
a.
Limited to first 100 cases.
|
Makasih mas ;)
BalasHapusok.sama-sama
BalasHapus