Pengolahan Data Statistik Dengan SPSS

ELEMEN STATISTIK dan TIPE DATA STATISTIK

Statistik dalam praktek, berhubungan dengan banyak angka hingga bisa diartikan numerical description. Sebagai contoh, data statistik bisa berupa pergerakan Indeks Bursa Saham (IHSG), jumlah tanaman di suatu wilayah, jumlah penduduk wanita di suatu desa dan sebagainya; dalam dunia usaha, statistik juga sering diasosiasikan dengan sekumpulan data, seperti per- gerakan tingkat inflasi, biaya promosi bulanan, jumlah pengunjung suatu toko, dan sebagainya.

Namun, selain merupakan sekumpulan data, statistik juga dipakai untuk melakukan berbagai analisis terhadap data, seperti melakukan peramalan (forecasting), melakukan berbagai uji hipotesis, dan kegunaan lainnya; statistik untuk kegunaan ini disebut sebagai ilmu statistik.

Aplikasi ilmu statistik dapat dibagi dalam dua bagian:

Statistik Deskriptif

Statistik Deskriptif berusaha menjelaskan atau menggambarkan berbagai karateristik data, seperti berapa rata-ratanya, seberapa jauh data-data bervariasi dari rata-ratanya, berapa median data, dan sebagainya.

Statistik Induktif (Inferensi)

Statistik Induktif berusaha membuat berbagai inferensi terhadap sekum- pulan data yang berasal dari suatu sampel. Tindakan inferensi tersebut seperti melakukan perkiraan besaran populasi, uji hipotesis, peramalan, dan sebagainya.

Dalam praktek, kedua bagian statistik tersebut dipakai bersama-sama; biasa- nya dimulai dengan statistik deskriptif, lalu dilanjutkan dengan berbagai analisis statistik untuk inferensi. Sebagai contoh, ada data tentang penjualan Mobil merek “MUSANG” per bulan di suatu show room mobil di Jakarta selama tahun 2002. Dari data tersebut, pertama akan dilakukan deskripsi terhadap data tersebut, seperti menghitung berapa rata-rata penjualan mobil “MUSANG” tersebut, berapa deviasi standarnya, dan lainnya. Setelah disusun deskripsi atau penggambaran tentang data-data penjualan Mobil “MUSANG” tersebut, kemudian baru dilakukan berbagai inferensi terhadap hasil deskripsi tersebut, seperti memperkirakan berapa estimasi penjualan mobil “MUSANG” di seluruh Indonesia (populasi), ramalan penjualan mobil “MUSANG” di bulan Januari tahun depan, bulan Februari, dan seterusnya. Jadi, statistik deskriptif akan dilakukan terlebih dahulu, lalu berdasar hasil tersebut, baru dilakukan berbagai analisis statistik secara induktif.

ELEMEN STATISTIK

Meskipun statistik bisa diterapkan pada hampir semua aspek kehidupan, namun ada beberapa elemen yang biasa terdapat dalam suatu persoalan statistik, yaitu:

Populasi

Masalah dasar dari persoalan statistik adalah menentukan populasi data. Secara umum populasi bisa didefinisikan sebagai sekumpulan data yang mengidentifikasi suatu fenomena. Misal Pekerja di seluruh Indonesia bisa disebut suatu populasi; namun semua Pekerja di PT UTAMA juga bisa dikatakan populasi; bahkan Pekerja Wanita khusus di bagian produksi yang bekerja lembur pada malam hari di PT UTAMA tersebut juga bisa disebut suatu populasi. Jadi, definisi populasi lebih bergantung pada kegunaan dan relevansi data yang dikumpulkan; jika diinginkan diteliti kepuasan pekerja wanita yang bekerja malam di PT UTAMA tersebut, maka populasi adalah Pekerja Wanita khusus di bagian produksi yang bekerja lembur pada malam hari di PT UTAMA. Namun, jika ingin diteliti status dan keadaan pekerja wanita di Indonesia, maka populasi yang relevan adalah seluruh wanita Indonesia yang aktif bekerja.

Populasi dalam statistik tidak hanya terbatas pada masalah-masalah manusia atau bisnis, namun dapat lebih luas cakupannya. Seperti populasi ayam di suatu daerah, populasi bakteri ‘X’ di suatu laboratorium, dan seterusnya. Juga populasi bisa sedemikian besarnya hingga bisa dikatakan tak terbatas, seperti populasi oksigen di dunia, populasi plankton di lautan, dan sebagainya.

Sampel

Sampel bisa didefinisikan sebagai sekumpulan data yang diambil atau diseleksi dari suatu populasi; seperti dalam kasus populasi di atas, jika populasi adalahseluruh pekerja wanita di PT UTAMA, maka sampel bisa sebagian pekerja wanita, atau beberapa pekerja wanita di perusahaan tersebut. Jadi, sampel pada dasarnya adalah bagian dari populasi, atau populasi bisa dibagi dalam berbagai jenis sampel.

Pengambilan sampel dilakukan karena dalam praktek banyak kendala yang tidak memungkinkan seluruh populasi diteliti. Kendala tersebut bisa karena situasi, waktu, tenaga, biaya, dan sebagainya. Sebagai contoh, tidak mungkin akan ditelitisemua bakteri “X” yang ada di seluruh dunia; atau akan meng- habiskan banyak waktu dan biaya jika seluruh pekerja wanita di Indonesia dijadikan objek penelitian. Oleh karena itu, pengambilan sampel (contoh) data pada banyak kasus statistik merupakan suatu kebiasaan dan karenanya metode pengambilan sampel menjadi bagian penting dari statistik.

Variabel

Dalam melakukan inferensi terhadap populasi, tidak semua ciri populasi harus diketahui. Hanya satu atau beberapa karateristik populasi yang perlu diketahui, yang disebut sebagai variabel. Seperti untuk meneliti kepuasan pekerja, variabel yang dianggap relevan bisa berupa usia pekerja, gender pekerja, penghasilan pekerja, dan lainnya. Namun, variabel seperti status pekerja, asal pekerja, atau tempat tinggal pekerja bisa saja dianggap tidak relevan dan tidak perlu dianalisis.

Statistik Inferensi

Seperti telah dijelaskan di muka, statistik inferensi pada dasarnya adalah suatu keputusan, perkiraan, atau generalisasi tentang suatu populasi ber- dasarkan informasi yang terkandung dari suatu sampel. Pada kasus pekerja wanita di atas, diambil sampel sebanyak 20 orang pekerja wanita di PT UTAMA. Jika setelah dilakukan serangkaian analisis statistik, ternyata umumnya para pekerja wanita bergaji rendah dan merasa tidak puas dengan kondisi kerjanya, maka bisa disimpulkan bahwaseluruh pekerja wanita di PT UTAMA (populasi) juga merasa tidak puas dengan kondisi kerja dan tingkat gaji yang diterima selama ini. Jadi, apa yang disimpulkan dari analisis terhadap sampel, itu pula yang digeneralisasikan (kesimpulan umum) pada populasi.

TIPE DATA STATISTIK

Seperti telah disebut di muka, statistik dalam prakteknya tidak bisa dile- paskan dari data yang berupa angka, baik itu dalam statistik deskriptif yang menggambarkan data, maupun statistik inferensi yang melakukan analisis terhadap data. Namun, sebenarnya data dalam statistik juga bisa mengandung data non angka atau data kualitatif.

Data dalam statistik berdasarkan tingkat pengukurannya (level of measure-

ment) dapat dibedakan dalam empat jenis:

Data Kualitatif (Qualitative Data)

Data kualitatif secara sederhana bisa disebut data yang bukan berupa angka. Data kualitatif mempunyai ciri tidak bisa dilakukan operasi matematika, seperti penambahan, pengurangan, perkalian, dan pembagian.

Data kualitatif bisa dibagi menjadi dua:

Nominal

Data bertipe nominal adalah data yang paling “rendah” dalam level pengu-

kuran data. Jika suatu pengukuran data hanya menghasilkan satu dan hanya

satu-satunya kategori, maka data tersebut adalah data nominal (data

kategori). Misal proses pendataan tempat tinggal 40 responden dalam suatu penelitian. Dalam kasus ini setiap orang akan bertempat tinggal di suatu tempat tertentu (berdasar KTP), tidak bisa di tempat lain. Misal Amir ber- domisili di Solo, maka dia (dianggap) tidak mungkin tinggal di Jakarta, atau punya dua KTP. Jadi, data tempat tinggal adalah data nominal karena Amir

hanya punya satu dan satu-satunya, tidak bisa lebih dari satu, tempat

tinggal yang ditunjukkan dengan KTP.

Atau, data Jenis Kelamin seseorang. Ini juga suatu data nominal karena seorang laki-laki tidak mungkin berkelamin ganda. Demikian juga Tanggal Lahir seseorang, Pekerjaan (diasumsi hanya satu jenis pekerjaan dalam satu saat), dan seterusnya.

Data Nominal dalam praktek statistik biasanya akan dijadikan “angka”, yaitu proses yang disebut kategorisasi. Misal dalam pengisian data, jenis kelamin lelaki dikategorikan sebagai “1” dan perempuan sebagai “2”. Kategori ini hanya sebagai tanda saja. Jadi, tidak bisa dilakukan operasi matematika, seperti 1 + 2 atau 1 – 2, dan lainnya.

Ordinal

Data ordinal, seperti pada data nominal, adalah juga data kualitatif namun dengan level yang lebih “tinggi” daripada data nominal. Jika pada data nominal, semua data kategori dianggap sama, maka pada data ordinal, ada tingkatan data. Misal pada data Jenis Kelamin di atas, Lelaki dianggap setara dengan Wanita, atau dalam data Tempat Kelahiran, data Jakarta dianggap sama dengan data Yogyakarta, Surabaya, Boyolali, dan seterusnya.

Pada data ordinal, ada data dengan urutan lebih tinggi dan urutan lebih rendah. Misal data tentang sikap seseorang terhadap produk tertentu. Dalam pengukuran sikap konsumen, ada sikap yang “suka”, “tidak suka”, “sangat suka”, dan lainnya. Di sini data tidak bisa disamakan derajatnya, dalam arti “suka” dianggap lebih tinggi dari “tidak suka”, namun lebih rendah dari “sangat suka”. dan lainnya. Jadi, di sini adapreferensi atautingkatan data, di mana data yang satu berstatus lebih tinggi atau lebih rendah dari yang lain. Namun, pada data ordinal juga tidak bisa dilakukan operasi matematika, seperti jika “tidak suka” dikategorikan sebagai “1”, “suka” sebagai “2” dan “sangat suka” sebagai “3”, maka tidak bisa dianggap “1 + 2 = 3”, atau “tidak suka” ditambah “suka” menjadi “sangat suka”!

Data Kuantitatif (Quantitative Data)

Data kuantitatif bisa disebut sebagai data berupa angka dalam arti sebenar- nya. Jadi. berbagai operasi matematika bisa dilakukan pada data kuantitatif. Seperti pada data kualitatif, data kuantitatif juga bisa dibagi menjadi dua bagian.

Data Interval

Data Interval menempati level pengukuran data yang lebih “tinggi” dari data ordinal karena selain bisa bertingkat urutannya, juga urutan tersebut bisa dikuantitatifkan. Seperti pengukuran temperatur sebuah ruangan pembakaran roti dari PT ENAK JOSS. Interval Temperatur ruang tersebut:
- Cukup Panas jika temperatur antara 500C – 800C
- Panas jika temperatur antara 800C – 1100C
- Sangat Panas jika temperatur antara 1100C – 1400C

Dalam kasus di atas, data temperatur bisa dikatakan data interval karena data mempunyai interval (jarak) tertentu, yaitu 300C.

Namun, di sini data interval tidak mempunyai titik nol yang absolut. Misal pada pengukuran temperatur, seperti pernyataan bahwa ‘air membeku pada 00C‘. Pernyataan di atas bersifat relatif, karena 00C hanya sebagai tanda saja. Dalam pengukuran0F, air membeku bukan pada 00F, namun pada 320F. Dengan demikian, juga tidak bisa dikatakan bahwa suhu 1000F adalah dua kali lebih panas dari suhu 500F.

Data Rasio

Data Rasio adalah data dengan tingkat pengukuran paling “tinggi” di antara jenis data lainnya. Data Rasio adalah data bersifat angka dalam arti se- sungguhnya (bukan kategori seperti pada data nominal dan ordinal) dan bisa dioperasikan secara matematika (+, -, x, /). Perbedaan dengan data interval adalah bahwa data rasio mempunyai titik nol dalam arti sesungguhnya. Misal jumlah produk roti dari gudang PT ENAK JOSS pada contoh di atas.

Jika jumlah roti nol, berarti memang tidak ada sepotong roti pun dalam gudang tersebut. Jika ada 24 roti, kemudian bertambah produk baru sebanyak 3 roti, maka total roti sekarang adalah 24 + 3 = 27 roti (operasi penjumlahan), dan seterusnya. Atau, berat badan dan tinggi badan seseorang, pengukuran- pengukurannya mempunyai angka nol/0 dalam arti sesungguhnya. Misal berat badan 0 berarti memang tanpa berat. Dengan demikian, bisa dikatakan bahwa sekantong beras seberat 10 kilogram adalah benar-benar dua kali lebih berat dari sekantong beras yang mempunyai berat 5 kilogram.Jenis-jenis data di atas dikupas dengan cukup mendalam karena penerapan dalam statistik akan berbeda untuk jenis data yang berbeda. Data kualitatif karena bukan data angka dalam arti sesungguhnya, tidak bisa disamakan perlakuannya dengan data kuantitatif. Data nominal dan ordinal biasanya menggunakan metode statistik nonparametrik, sedangkan data kuantitatif memakai metode parametrik.