Analisis_Data_Kuantitatijhhgfdsssokjvijgdz

data mentah ( yang terdapat dalam kuesioner ) kedalam mesin pengolah data semisal SPSS.
•Contoh ; Variabel jenis kelamin
•1: laki-laki 2. Perempuan
•Variabel jenis pekerjaan ;
•1. TNI 2. PNS 3.Karyawan 4. Dosen

1. Langkah-Langkah dalam Langkah-Langkah dalam
Analisis Data KuantitatifAnalisis Data Kuantitatif
1.1.Data CodingData Coding
2.2.Data EnteringData Entering
3.3.Data CleaningData Cleaning
4.4.Data OutputData Output
5.5.Data AnalyzingData Analyzing

2. Pengkodean Data ( Data Pengkodean Data ( Data
Coding)Coding)
Proses penyusunan secara sistematis Proses penyusunan secara sistematis
data mentah ( yang terdapat dalam data mentah ( yang terdapat dalam
kuesioner ) kedalam mesin pengolah kuesioner ) kedalam mesin pengolah
data semisal SPSS.data semisal SPSS.
Contoh ; Variabel jenis kelaminContoh ; Variabel jenis kelamin
1: laki-laki1: laki-laki2. Perempuan2. Perempuan
Variabel jenis pekerjaan ;Variabel jenis pekerjaan ;
1. TNI1. TNI2. PNS2. PNS3.Karyawan 4. 3.Karyawan 4.
DosenDosen

3. Data CodingData Coding
Data Coding digunakan sebagai dasar Data Coding digunakan sebagai dasar
dalam pembuatan Buku Coding ( Coding dalam pembuatan Buku Coding ( Coding
Book)Book)
Kuesioner dalam pertanyaan tertutup lebih Kuesioner dalam pertanyaan tertutup lebih
mudah untuk dilakukan coding, apabila mudah untuk dilakukan coding, apabila
dibandingkan dengan pertanyaan terbuka.dibandingkan dengan pertanyaan terbuka.
Jika anda menggunakan pertanyaan Jika anda menggunakan pertanyaan
terbuka dalam kuesioner anda harus terbuka dalam kuesioner anda harus
menginventarisasi jawaban responden.menginventarisasi jawaban responden.

4. Pemindahan Data Ke Komputer Pemindahan Data Ke Komputer
( Data Entry )( Data Entry )
Kegiatan memindahkan data yang Kegiatan memindahkan data yang
telah diubah menjadi kode ( data telah diubah menjadi kode ( data
coding ) ke dalam mesin pengolah coding ) ke dalam mesin pengolah
data.data.
Dipindahkan ke program pengolah Dipindahkan ke program pengolah
data seperti SPSS, Minitab, SAS, data seperti SPSS, Minitab, SAS,
dsb.dsb.

5. Pembersihan Data ( data Pembersihan Data ( data
cleaning)cleaning)
Kegiatan untuk memastikan bahwa Kegiatan untuk memastikan bahwa
seluruh data yang telah dimasukkan seluruh data yang telah dimasukkan
kedalam mesin pengolah data sudah kedalam mesin pengolah data sudah
sesuai dengan keadaan sebenarnya.sesuai dengan keadaan sebenarnya.
Data Cleaning harus dilakukan Data Cleaning harus dilakukan
dengan teliti agar data dapat diolah dengan teliti agar data dapat diolah
dengan mesin pengolah data dengan mesin pengolah data
sehingga mendapatkan data valid.sehingga mendapatkan data valid.

6. 2 Tipe Kesalahan dalam Data 2 Tipe Kesalahan dalam Data
CleaningCleaning
1.1.Possible Code CleaningPossible Code Cleaning : kesalahan yang : kesalahan yang
diakibatkan oleh peneliti ketika diakibatkan oleh peneliti ketika
memasukan data ke dalam mesin memasukan data ke dalam mesin
pengolah data.pengolah data.
2.2.Contingency CleaningContingency Cleaning: Kesalahan yang : Kesalahan yang
diakibatkan oleh adanya struktur diakibatkan oleh adanya struktur
kuesioner yang hanya khusus digunakan kuesioner yang hanya khusus digunakan
dijawab oleh sebagian orang saja, dijawab oleh sebagian orang saja,
sedangkan yang lain tidak.sedangkan yang lain tidak.

7. Contoh KuesionerContoh Kuesioner
1.1.Apakah anda menggunakan Apakah anda menggunakan
pepsodent?pepsodent?
A. ya A. ya B. tidak (lanjut ke no 12 )B. tidak (lanjut ke no 12 )
2. Apakah anda puas dengan khasiat 2. Apakah anda puas dengan khasiat
pepsodent?pepsodent?
A. PuasA. PuasB. Tidak Puas B. Tidak Puas
3. Bagaimana rasa varian pepsodent?3. Bagaimana rasa varian pepsodent?
A. SegarA. SegarB. Tidak Segar B. Tidak Segar

8. Data CodingData Coding
NoNo Nama Nama
variabelvariabel
KodeKode
Var001Var001 Menggunakan Menggunakan
PepsodentPepsodent
1= ya1= ya
2= tidak2= tidak
Var002Var002 Tingkat Tingkat
Kepuasan Kepuasan
Khasiat Khasiat
PepsodentPepsodent
1=puas1=puas
2=tidak puas2=tidak puas
var003var003 Rasa Rasa
PepsodentPepsodent
1=segar1=segar
2=tidak segar2=tidak segar

9. Coding BookCoding Book
Var / Var /
respondrespond
enen
Responden Responden
11
Responden Responden
22
Responden Responden
33
Responden Responden
44
Var001Var00111 11 11 22
Var002Var00211 11 22 22
Var003Var00322 33 11 11

10. Contoh data cleaningContoh data cleaning
Possible Code CleaningPossible Code Cleaning : dapat ditemukan pada : dapat ditemukan pada
responden nomor 2 variabel 003, yakni angka 3. responden nomor 2 variabel 003, yakni angka 3.
nilai 3 tidak ada dalam buku koding. Yang nilai 3 tidak ada dalam buku koding. Yang
tersedia dalam buku koding adalah kode 1 & 2.tersedia dalam buku koding adalah kode 1 & 2.
Contingency CleaningContingency Cleaning : ditemukan pada : ditemukan pada
responden no.4 variabel 001-003.ketika responden no.4 variabel 001-003.ketika
menjawab tidak (kode 2) seharusnya responden menjawab tidak (kode 2) seharusnya responden
tidak dapat menjawab pertanyaan selanjutnya. tidak dapat menjawab pertanyaan selanjutnya.
Dan responden tersebut diperbolehkan menjawab Dan responden tersebut diperbolehkan menjawab
pada kembali pada no.12. Ia Tidak menggunakan pada kembali pada no.12. Ia Tidak menggunakan
pepsodent, tetapi tahu rasa varian. Itulah pepsodent, tetapi tahu rasa varian. Itulah
contingency cleaning.contingency cleaning.

11. Data OuputData Ouput
Data Univariat : analisis 1 variabel Dalam Data Univariat : analisis 1 variabel Dalam
bentuk Tabel dan grafik, Ukuran bentuk Tabel dan grafik, Ukuran
Pemusatan : Mean, Median, Modus, Pemusatan : Mean, Median, Modus,
Ukuran Persebaran : Range, standar Ukuran Persebaran : Range, standar
Deviasi dan RagamDeviasi dan Ragam
Data Bivariat : analisis 2 variabel Tabulasi Data Bivariat : analisis 2 variabel Tabulasi
Silang, Uji Statistik chi square, lambda Silang, Uji Statistik chi square, lambda
dsb.dsb.
Data Multivariat : analisis lebih dari 2 Data Multivariat : analisis lebih dari 2
variabelvariabel

12. Tabel dan GrafikTabel dan Grafik
Terdapat 3 unsur utama dalam Terdapat 3 unsur utama dalam
penyusunan tabel dan grafikpenyusunan tabel dan grafik
1.1.JudulJudul
2.2.Isi / SubstansiIsi / Substansi
3.3.Sumber DataSumber Data

13. Analisis BivariatAnalisis Bivariat
Tabulasi Silang ( Crosstab )Tabulasi Silang ( Crosstab )
Variabel IndependenVariabel Independen Persentase Persentase
Variabel DependenVariabel Dependen Interpretasi Interpretasi
Terbagi menjadi Persentase Baris, Terbagi menjadi Persentase Baris,
Kolom dan TotalKolom dan Total

14. Tabel frekuensiTabel frekuensi
KategoriKategori FrekuensiFrekuensi PersentasePersentase
Laki-lakiLaki-laki 125125 62,5%62,5%
PerempuanPerempuan 7575 37,5%37,5%
Jumlah Jumlah 200200 100%100%

15. Hubungan Grafik dengan Skala Hubungan Grafik dengan Skala
PengukranPengukran
Nominal : Piechart, BargraphNominal : Piechart, Bargraph
Ordinal : Pie chart, BargraphOrdinal : Pie chart, Bargraph
IntervalInterval: Histogram, Poligon, Ogive: Histogram, Poligon, Ogive
Rasio : Histogram, Poligon, Ogive, Rasio : Histogram, Poligon, Ogive,
Diagram batang daun dan scatter Diagram batang daun dan scatter
plotplot
( diagram titik ) .( diagram titik ) .

16. Penyajian Data Diagram Batang Penyajian Data Diagram Batang
Jenis Kelamin Responden
Jenis Kelamin
PerempuanLaki-Laki
P
e
r
c
e
n
t
60
50
40
30
20
10
0

17. Diagram Lingkaran Diagram Lingkaran
PIlihan Partai Politik
PPP
PKB
PDIP

18. Diagram Garis Diagram Garis
Tingkat Pendapatan
Pendapatan (jutaan)
987654321
P
e
r
c
e
n
t
40
30
20
10
0

19. Diagram Area Diagram Area
Tabungan
201918161514121186542
C
o
u
n
t
30
20
10
0
Jenis Kelamin
Perempuan
Laki-Laki

20. Diagram Titik Diagram Titik
Lama Kerja ( tahun )
76543210-1
T
a
b
u
n
g
a
n
30
20
10
0

21. DeskriptifDeskriptif
Descriptive Statistics
70 3.91 2.749 7.558
70 2.43 1.470 2.161
70 7.63 5.253 27.599
70 1.44 .500 .250
70 2.01 .789 .623
70
VAR001 Pendapatan
(jutaan)
VAR002 Lama Kerja (
tahun )
VAR003 Tabungan
VAR004 Jenis Kelamin
VAR00001 Pilihan
Partai Politik
Valid N (listwise)
N Mean Std. DeviationVariance

22. DeskriptifDeskriptif
Descriptive Statistics
70 3.91 .575 .287 -1.194 .566
70 2.43 .426 .287 -.632 .566
70 7.63 .911 .287 -.432 .566
70 1.44 .235 .287 -2.003 .566
70 2.01 -.026 .287 -1.384 .566
70
VAR001 Pendapatan
(jutaan)
VAR002 Lama Kerja (
tahun )
VAR003 Tabungan
VAR004 Jenis Kelamin
VAR00001 Pilihan
Partai Politik
Valid N (listwise)
StatisticStatisticStatisticStd. ErrorStatisticStd. Error
N Mean Skewness Kurtosis

23. Tabulasi Silang Tabulasi Silang
VAR004 Jenis Kelamin * VAR00001 Pilihan Partai Politik Crosstabulation
20 14 5 39
28.6% 20.0% 7.1% 55.7%
1 13 17 31
1.4% 18.6% 24.3% 44.3%
21 27 22 70
30.0% 38.6% 31.4% 100.0%
Count
% of Total
Count
% of Total
Count
% of Total
1 Laki-Laki
2 Perempuan
VAR004 Jenis
Kelamin
Total
1 PDIP 2 PKB 3 PPP
VAR00001 Pilihan Partai Politik
Total

24. Ukuran Asosiasi dan KorelasiUkuran Asosiasi dan Korelasi
Chi square : menguji hipotesis antara variabel Chi square : menguji hipotesis antara variabel
independen dan dependen terdapat hubungan independen dan dependen terdapat hubungan
yang signifikan atau tidak.yang signifikan atau tidak.
Tau Kendall : ukuran korelasi non parametrik Tau Kendall : ukuran korelasi non parametrik
yang digunakanuntuk variabel ordinal dengan yang digunakanuntuk variabel ordinal dengan
arah hubungan simetrik atau simetrik.arah hubungan simetrik atau simetrik.
Sommers D : mengukur kekuatan hubungan Sommers D : mengukur kekuatan hubungan
pada tingkat pengkuran ordinal dengan pada tingkat pengkuran ordinal dengan
asimetrik/ simetrikasimetrik/ simetrik
Korelasi Spearman : mengukur korelasi antar 2 Korelasi Spearman : mengukur korelasi antar 2
variabel yang memiliki ukuran skala ordnalvariabel yang memiliki ukuran skala ordnal

25. Chi-Square Tests
.906
b
1 .341
.711 1 .399
.931 1 .335
.385 .201
.905 1 .341
919
Pearson Chi-Square
Continuity Correction
a
Likelihood Ratio
Fisher's Exact Test
Linear-by-Linear
Association
N of Valid Cases
Value df
Asymp. Sig.
(2-sided)
Exact Sig.
(2-sided)
Exact Sig.
(1-sided)
Computed only for a 2x2 tablea.
0 cells (.0%) have expected count less than 5. The minimum expected count is
32.37.
b.
Hasil Output SPSS uji chi Hasil Output SPSS uji chi
SquareSquare

26. UJI KORELASI UJI KORELASI
Correlations
1 .910** .698**
. .000 .000
70 70 70
.910** 1 .719**
.000 . .000
70 70 70
.698** .719** 1
.000 .000 .
70 70 70
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
VAR003 Tabungan
VAR001
Pendapatan (jutaan)
VAR002 Lama Kerja
( tahun )
VAR003
Tabungan
VAR001
Pendapatan
(jutaan)
VAR002
Lama Kerja (
tahun )
Correlation is significant at the 0.01 level (2-tailed).**.

27. Uji Regresi Sederhana Uji Regresi Sederhana
Variables Entered/Removed
b
VAR001
Pendapata
n (jutaan)
a
.Enter
Model
1
Variables
Entered
Variables
Removed Method
All requested variables entered.a.
Dependent Variable: VAR003 Tabunganb.

28. Uji RegresiUji Regresi
Model Summary
.910
a
.828 .825 2.195
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
Predictors: (Constant), VAR001 Pendapatan (jutaan)a.

29. Uji Regresi Uji Regresi
ANOVA
b
1576.715 1 1576.715 327.251 .000
a
327.628 68 4.818
1904.343 69
Regression
Residual
Total
Model
1
Sum of
Squares df Mean Square F Sig.
Predictors: (Constant), VAR001 Pendapatan (jutaan)a.
Dependent Variable: VAR003 Tabunganb.

30. Uji RegresiUji Regresi
Coefficients
a
.822 .459 1.793 .077
1.739 .096 .910 18.090 .000
(Constant)
VAR001
Pendapatan (jutaan)
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardized
Coefficients
t Sig.
Dependent Variable: VAR003 Tabungana.

31. Uji Regresi Multivariat Uji Regresi Multivariat
Model Summary
.917
a
.842 .837 1.110
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
Predictors: (Constant), VAR002 Lama Kerja ( tahun ) ,
VAR003 Tabungan
a.

32. Pengujian Hipotesis KorelasiPengujian Hipotesis Korelasi
Ho : Tidak Terdapat hubungan Ho : Tidak Terdapat hubungan
antara variabel X dengan variabel Yantara variabel X dengan variabel Y
Ha : Terdapat hubungan antara Ha : Terdapat hubungan antara
variabel X dengan variabel Yvariabel X dengan variabel Y
Aturan Pengujian : jika nilai Aturan Pengujian : jika nilai
signifikansi yang dipilih < 0,05 maka signifikansi yang dipilih < 0,05 maka
Ho DITOLAK.Ho DITOLAK.

33. Kesalahan HipotesisKesalahan Hipotesis
Hipotesis Hipotesis
penelitipeneliti
Keadaan yang sebenarnyaKeadaan yang sebenarnya
Tidak Ada Tidak Ada
hubunganhubungan
Ada HubunganAda Hubungan
Tdk Ada Tdk Ada
HubunganHubungan
Keputusan Keputusan
TepatTepat
Kesalahan Tipe 2Kesalahan Tipe 2
Ada Ada
HubunganHubungan
Kesalahan Kesalahan
Tipe 1Tipe 1
Keputusan TepatKeputusan Tepat

34. Hal-Hal yang harus diperhatikan Hal-Hal yang harus diperhatikan
dalam penelitian Kuantitatifdalam penelitian Kuantitatif
Berikan interpretasi dari hasil ouput.Berikan interpretasi dari hasil ouput.
Analisa data tidak dapat dipisahkan Analisa data tidak dapat dipisahkan
dari kajian teoritis yang dari kajian teoritis yang
dipergunakan. Teori tetap digunakan dipergunakan. Teori tetap digunakan
sebagai alat analisis dari temuan sebagai alat analisis dari temuan
data kuesioner.data kuesioner.
Pola penelitian kuantitatif bersifat Pola penelitian kuantitatif bersifat
linear dan baku. linear dan baku.

35. Penelitian KuantitatifPenelitian Kuantitatif
BerpolaBerpola
Bebas nilai obyektifBebas nilai obyektif
Deduktif nomotetikDeduktif nomotetik
Ilmu adalah cara Ilmu adalah cara
terbaik terbaik
memperoleh memperoleh
pengetahuanpengetahuan
Mencari penjelasan Mencari penjelasan
Menemukan Menemukan
hukum universalhukum universal