Analisis Deskriptif oleh Muhammad Hakiki.

1. ANALISIS DESKRIPTIF DAN ANALISIS KORELASIONAL
OLEH :
KISMAN NIM : 120211538141
MUHAMMAD HAKIKI NIM : 120211538140
HARTATI NIM :
1. ANALISIS DESKRIPTIF
1.1 PengertianAnalisis
MenurutKBBI(2001:43) Analisisadalah1. penyelididkanterhadapsuatuperistiwa
(karangan, perbuatan, dsb) untukmengetahuikeadaan yang sebenarnya (sebab-musabab,
dudukperkaranya, dsb); 2
penguraiansuatupokokatasberbagaibagiannyadanpenelaahanbagianitusendirisertahubunga
nantarbagianuntukmemperolehpengertian yang tepatdanpemahamanartikeseluruhan;
3pemecahanpersoalan yang dimulaidengandugaanakankebenarannya.
1.2 Pengertian Deskripsi Dan Deskriptif Statistik
Deskripsiadalahpemaparanataupenggambarandengan kata-kata
secarajelasdanterperinci (KBBI, 2001:258).
DeskriptifStatistikadalahstatistik yang
digunakanuntukmendeskripsikansuatukeadaanataumasalah.Dengan kata lain,
deskriptifstatistikadalahstatistik yang
berfungsiuntukmenerangkankeadaanataugejalaataupersoalan agar mudahdipahami.
Penarikankesimpulanpadastatistikdeskriptifhanyaditujukanpadasekumpulan data yang
ada.Statistikdeskriptifmerupakanalatanalisisuntukmenjelaskan, meringkas, mereduksi,
menyederhanaka, mengorganisasidanmenyajikan data kedalambentuk yang teratur,
sehinggamudahdibaca, dipahamidandisimpulkan (Wiyono,6:2001).
1.3 Pengertian Analisis Deskriptif
Analisis Deskriptif merupakan analisis yang palingmendasar untuk menggambarkan
keadaan datan secara umum. Analisis deskripsi ini meliputibeberapa hal, yakni :
1. DistribusiFrekuensi,
2. PengukuranTendensiSentral, dan
3. PengukuranVariabilitas (Wiyono, 11:2001).

2. 1.3.1 DistribusiFrekuensi
DistribusiFrekuensiadalahsusunan data
menurutdasarataukategoritertentudalamsuatudaftar yang disusunsistematis.Data yang
diperolehdarisuatupenelitianbiasanyamasihberupa data mentah yang acakdansulitdibaca.
Ada beberapajenisdistribusifrekuensi. (a) distribusifrekuensisecaratidakberkelompok,
(b) distribusi rank order, (c) distribusifrekuensisecaraberkelompok, (d) grafikdistribusi.
(a) DistribusiFrekuensiSecaratidakBerkelompok
Distribusifrekuensisecaratidakberkelompokadalahdistribusi yang
belumdikelompokkan.Data yang disajikanmasih data
tunggal.Dalamdistribusiinimasihbelummenunjukkanarti yang
banyakdansulituntukdiinterpretasikan.
(b) Distribusi Rank Order
Distribusi rank order adalahdistribusifrekuensisecaratidakberkelompok yang
sudahdiurutkanberdasarkanrangkingmulaidarinilaitinggisampaidengannilaiterendah.Dengan
menggunakandistribusi rank order ini,
kitadenganmudahmemperolehinformasitentangrangkingresponden.
(c) DistribusiFrekuensiSecaraBerkelompok
Distribusi yang bisamemberikaninformasi yang
lebihbaikadalahdistribusifrekuensisecaraberkelompok.Beberapalangkah yang
perludilakukandalammenyusundistribusifrekuensisecaraberkelompokadalah(1)
menentukanrentangan, (2) menentukankelas interval, dan (3)mentalis data ke dalam
tabeldistribusi.
(1) Menentukanrentangan
Rentangandapatdiperolehdari x max – x min. contohdiperolehrentangan
100 - 48 = 52.
(2) Menentukankelas interval
Sebagaidasarmenentukankelas interval
adalahdengancaramembagirentangandenganjumlahkelas.
Jumlahkelasbisaditetapkanberdasarkanpertimbanganpeneliti.Jumlahkelasjugabisaditetapkan
denganmenggunakanaturanStruges, yaitu: Jumlahkelas = 1 + (3,3) log n.
Sebagaicontohpada data tabel 2, jumlahkelas = 1 + (3,3) log 20 = 5,29,
bisadibulatkankeatas 6 ataukebawah 5. Bila yang digunakan 5,
makakelasintervalnyaadalah:

3. Rentangan 52
= = 10
JumlahKelas 5
(3) Mentalis Data
Mentalis data adalah proses pemasukan data observasikedalam interval. Jika data
observasitelahdimasukkankedalamkelas interval, makajumlahfrekuensisamadenganjumlah
total data observasi n.
(d) GrafikDistribusi
Grafikdistribusiadalahpenyajian data distribusifrekuensidalambentukgambar-gambar.Dengan
kata lain, grafik data distribusimerupakanpenyajian data secara visual dari data distribusi
yang ada (Wiyono, 11-16:2001)
s Frekuensin
1.3.2 PengukuranTendensiSentral
Pengukurantendensisentralmerupakan analisis statistikyang
secarakhususmendeskripsikanskorrepresentatif.Tendensisentralmenunjukkantentangletakba
gianterbesardarinilaidalamdistribusi.mencakupgambaran frekuensi data secara umum
seperti modus, media, dan meanatau rata-rata hitung. (Wiyono, 22:2001).
(a) Mode atau Modus
Mode atau modus adalahnilai yang
seringmunculatauseringterjadi.Misalnyadalamsatuderetnilai (2, 6, 6, 8, 9, 9, 9, 10)
modenyaadalah 9, karenanilai 9, karenanilai yang paling
banyakmunculdibandingkannilailainnya. Apabilaadaduanilai yang seringmuncul,
misalnyapadakelompoknilai (10, 11, 11, 11, 11, 12, 12, 13, 14, 14, 14, 14, 17),
makamodenyaadaduayaitunlai 11 dan 14.Untukdistribusi data inidikenal;
denganistilahdistribusibimodal. (Wiyono, 22:2001).
(b) Median
Median adalahnilai yang mendudukipersentase ke-50 dalamsuatudistribusinilai. Ada sebesar
50% atauseparo data beradadiatasnilai median, dansebesarnya 50% atauseparo data
berada di bawahnilai median. Misalnyapadaderetnilai 11, 13, 18, 19, 20,
makamediannyaadalah 18. (Wiyono, 23:2001).
(c) Rata-Rata Hitung (Mean)
Rata-rata hitung (mean) adalahnilai rata-rata dari data yang ada. Dari
sejumlahteknikanalisistendensisentral, mean seringdigunakandandianggap yang
lebihbisamenggambarkankeadaan data, terutama data yang berskala interval.Rata-rata
hitungdaripopulasidiberisimbul µ (miu), sedangkan rata-rata
hitungdarisampeldiberikansimbul χ (eks bar).Sedangkanrumusuntukmencari rata-rata
(mean) adalahsebagaiberikut:

4. χ=
n
Keterangan : = jumlahsemuanilai data
n = jumlah data yang diamati
Sebagaicontoh, jikanilaiatauskor data dariterdiriatas 9, 8, 7, 6, 5, 4, 3, makanilai rata-rata
(mean) diperoleh (9+8+7+6+5+4+3) : 7 = 42 : 7 = 6
Berdasarkanperhitungan di atas, secaragarisbesardapatdigarisbawahibahwa median,
modus, merupakananalisisuntukmenggambarkankeadaan data dibandingkan median dan
modus.Median jugalebihbisamewakilidibandingkandengan
modus.Namunkeduanyabisaditerapkanbila data bentuk ordinal, interval
ataurasio.Sedangkanuntuk variable nominal, misalnyaberupakategoriuntukjenispekerjaan,
jeniskebangsaan, jeniskenakalanremaja, dansejenisnya, modus
lebihtepatditerapkan.Dengandemikian, teknikanalisismana yang paling
tepatditerapkantergantungtujuan, jenisdankeadaan data.(Wiyono, 25:2001).
1.3.3 Pengukuran Variabilitas
Pengukuran Varibilitas adalah pengukuran penyimpangan nilai – nilai data dari pusatnya.
Dengan kata laain ukuran variabilitas merupakan ukuran yang menyatakan nilai – nilai data
yang berbeda dengan nilai – nilai pusatnya. Ukuran variabilitas disebut juga ukuran dispersi
atau ukuran penyimpangan.
Fungsi utama pengukuran variabilitis adalah untuk menggambarkan variasi atau
penyimpangan data. Melalui pengukuran variabilitas dapat diketahui homogenitas atau
heterogenitas data. Dengan demikian, jelas bahwa materi ini memiliki tingkat relevansi yang
sangat tinggi, yakni untuk mendeskripsikan variasi data secara keseluruhan. Suatu data
dimungkinkan memiliki nilai tendensi sentral sama, misalnya mean yang sama, namun
memiliki nilai variansi yang berbeda. Melalui pengukuran variabilitas ini akan bisa
menyimpulkan keadaan data secara lebih tepat.
Ada beberapa teknik pengukuran variabilitas yang bisa diterapkan antara lain :
1.3.3.1 Range
Range (R) adalah perbedaan atau selisih skor terbesar (x-max) dengan skor terkecil (x-min)
dalam distribusi data. Misalnya distribusi data 10, 12, 13, 14, 15, 18,maka range-nya adalah
18 – 10 = 8.
1.3.3.2 Deviasi Rata-rata
Deviasi rata-rata adalah nilai rata-rata hitung dari harga mutlak simpangan-simpangannya.
Deviasi rata-rata juga dikenal dengan istilah varian
1.3.3.3 Deviasi Standar

5. 1.3.3.4 Kuartil (Quartile)
1.3.3.5 Z – Score dan T - Score
TEKNIK KORELASIONAL
a. Pengertian
Teknik Analisa Korelasional ialah teknik analisa statistik mengenai hubungan
antar dua variabel atau lebih.
b. Tujuan.
Teknik Analisa Korelasional memiliki tiga macam tujuan, yaitu :
a. Ingin mencari bukti (berlandaskan pada data yang ada), apakah memang benar
antara variabel yang satu dan variabel yang lain terdapat hubungan atau
korelasi.
b. Ingin menjawab pertanyaan apakah hubungan antar variabel itu (jika memang
ada hubungannya), termasuk hubungan yang kuat, cukupan, ataukah lemah.
c. Ingin memperoleh kejelasan dan kepastian (secara matematik), apakah
hubungan antar variabel itu merupakan hubungan yang berarti atau meyakinkan
(=signifikan), ataukah hubungan yang tidak berarti atau tidak meyakinkan.
c. Penggolongan.
Teknik Analisa Korelasional dapat dibedakan menjadi dua golongan, yaitu :
1. Teknik Analisa Korelasional Bivariat.
Teknik Analisa Korelasional Bivariat adalah teknik analisa korelasi yang
mendasarkan diri pada dua buah variabel.
Contoh : korelasi antara prestasi belajar dalam bidang studi Bahasa Indonesia
(variabel X ) dan kemampuan berbahasa siswa (variabel Y ).
2. Teknik Analisa Korelasional Multivariat.
Teknik Analisa Korelasional Multivariat ialah teknik analisa korelasi yang
mendasarkan diri pada lebih dari dua variabel.
Contoh : Korelasi antara kemampuan berbahasa siswa (variabel X1) dengan
lingkungan berbahasa siswa di masyarakat (variabel X2) dan prestasi belajar siswa
dalam bidang studi Bahasa Indonesia (variabel X3).
1. Teknik Analisa Korelasional Bivariat
Sebagaimana dikemukakan oleh Borg dan Gall dalam bukunya Educational
Research, terdapat 10 macam teknik perhitungan korelasi yang termasuk dalam
Teknik Analisis Korelasional Bivariat, yaitu:
1) Teknik Korelasi Product Moment (Product Moment Correlation)

6. 2) Teknik Korelasi Tata Jenjang (Rank Difference Correlation atau Rank Order
Correlation).
3) Teknik Korelasi Koefisien Phi (Phi Coefficient Correlation)
4) Teknik Korelasi Kontingensi (Contingency Coefficient Correlation)
5) Teknik Korelasi Point Biserial (Point Biserial Correlation)
6) Teknik Korelasi Biserial (Biserial Correlation)
7) Teknik Korelasi Kendali Tau (Kendalls‟ Tau Correlation)
8) Teknik Korelasi Rasio (Correlation Ratio)
9) Teknik The Widespread Correlation.
10) Teknik Korelasi Tetrakorik (Tetrachoric Correlation)
Penggunaan teknik korelasi tersebut di atas akan sangat tergantung pada
jenis data statistik yang akan dicari korelasinya, di samping pertimbangan
atau alasan tertentu yang harus dipenuhi.
2. Teknik-teknik dalam statistika multivariat
Berdasarkan hubungan antarvariabel dan tujuan penyaringan informasi, terdapat
beberapa kelompok teknik dalam bidang ini.
1. Korelasi Kanonik.
Dipopulerkan oleh Harold Hotelling yang bertujuan untuk mengidentifikasi dan
menentukan hubungan antara dua kelompok variabel. Pada dasarnya, korelasi
kanonik merupakan perluasan dari regresi linear berganda dengan variabel
dependennya lebih dari satu.
2. Analisis Faktor (termasuk analisis komponen utama)
bertujuan untuk menemukan sejumlah faktor yang mendasari (underlying)
sejumlah pengukuran yang besar.
Faktor: suatu konstruk hipotesis/variabel laten yang mendasari sejumlah
tes, skala, item, dsb.
Misal:
Faktor inteligensi terdiri atas: kemampuan varbal, numerik, penalaran
abstrak, penalaran ruang, ingatan, dll.
Contoh:
• Spearman (1904): ada 1 faktor umum yang mendasari inteligensi manusia
• Thurstone (1947): ada sejumlah faktor inteligensi (primary mental ability)
3. Analisis Diskriminasi
Analisis Diskriminan adalah salah satu tehnik analisa Statistika dependensi yang

7. memiliki kegunaan untuk mengklasifikasikan objek beberapa kelompok.
Pengelompokan dengan analisis diskriminan ini terjadi karena ada pengaruh satu
atau lebih variabel lain yang merupakan variabel independen. Kombinasi linier dari
variabel-variabel ini akan membentuk suatu fungsi diskriminan (Tatham et. al.,1998).
Analisis diskriminan adalah teknik multivariate yang termasuk dependence
method, yakni adanya variabel dependen dan variabel independen. Dengan
demikian ada variabel yang hasilnya tergantung dari data variabel independen.
Analisis diskriminan mirip regresi linier berganda (multivariable regression).
Perbedaannya analisis diskriminan digunakan apabila variabel dependennya
kategoris (maksudnya kalau menggunakan skala ordinal maupun nominal) dan
variabel independennya menggunakan skala metric (interval dan rasio). Sedangkan
dalam regresi berganda variabel dependennya harus metric dan jika variabelnya
independen, bias metric maupun nonmetrik.
4. Analisis Kluster (pengelompokan)
Tujuan dari Analisis Cluster adalah mengelompokkan obyekberdasarkan kesamaan
karakteristik di antara obyek-obyek tersebut.
Dengan demikian, ciri-ciri suatu cluster yang
baik yaitu mepunyai :
Homogenitas internal (within cluster); yaitu
kesamaan antar anggota dalam satu cluster.
Heterogenitas external (between cluster); yaitu
perbedaan antara cluster yang satu dengan cluster yang lain.
Langkah pengelompokan dalam analisis cluster mencakup 3
hal berikut :
1. Mengukur kesamaan jarak
2. Membentuk cluster secara hirarkis
3. Menentukan jumlah cluster.
Adapun metode pengelompokan dalam analisis cluster meliputi :
Metode Hirarkis; memulai pengelompokan dengan dua
atau lebih obyek yang mempunyai kesamaan paling dekat.
Kemudian diteruskan pada obyek yang lain dan seterusnya hingga cluster akan
membentuk semacam„pohon‟ dimana terdapat tingkatan (hirarki) yang jelas antar
obyek, dari yang paling mirip hingga yang paling tidak mirip. Alat yang membantu
untuk memperjelas proses hirarki ini disebut “dendogram”.

8. Metode Non-Hirarkis; dimulai dengan menentukan terlebih dahulu jumlah cluster
yang diinginkan (dua,tiga, atau yang lain). Setelah jumlah cluster ditentukan, maka
proses cluster dilakukan dengan tanpa mengikuti proses hirarki. Metode ini biasa
disebut “K-Means Cluster”.
Asumsi yang harus dipenuhi dalam Analisis Cluster yaitu :
Sampel yang diambil benar-benar dapat mewakili
populasi yang ada (representativeness of the sample)
Multikolinieritas.
5. Analisis Varians Multivariat
Analisis multivariat merupakan salah satu teknik statistik yang digunakan untuk
memahami struktur data dalam dimensi tinggi. Variabel-variabel itu saling terkait satu
sama lain. Disinilah letak perbedaan antara multivariabel dan multivariat. Multivariat
pasti melibatkan multivariabel tetapi tidak sebaliknya. Multivariabel yang saling
berkorelasilah yang dikatakan multivariat.
Menurut Santoso (2004), analisis multivariat dapat didefinisikan secara sederhana
sebagai metode pengolahan variabel dalam jumlah banyak untuk mencari
pengaruhnya terhadap suatu objek secara simultan.