Laporan Praktikum Statistik Dasar Modul 1

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		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%
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.