Analisa Data Pada

Riset Kuantitatif

Riset Keperawatan

Sumarsono, S.Si, M.MT

 Analisis data Kuantitatif
• Karena data kuantitatif adalah informasi yang
diungkapkan melalui angka-angka atau kata-kata
yang kemudian diangkakan, maka analisis data
kuantitatif selalu berkenaan dengan prosedur
statistik (statistical procedure).
• Oleh sebab itu, analisis data kuantitatif tidak lain
adalah prosedur statistik (statistical procedure) atau
analisis statistic (statistical analysis).

Sumarsono, S.Si, M.MT

 Analisis Data
Pada Penelitian Kuantitatif

• Dilakukan dengan perhitungan statistik

– Statistik Diskriptif (Descriptive Statistics)
– Statistitik Inferential (Inferential Statistics)
• Parametrik (untuk data interval dan rasio)
• Non-parametrik (untuk data nominal dan ordinal)

Sumarsono, S.Si, M.MT

 Why Collect Data ?

 Obtain Input to a Research Study

 Measure Performance
 Assist in Formulating Decision Alternatives
 Satisfy Curiosity

Informasi didahului dengan adanya

PENGUKURAN
Sumarsono, S.Si, M.MT
 Variabel, Data dan Informasi
Variabel:

Kumpulan karakteristik subjek yang memiliki variasi nilai. Contoh:

• Jenis kelamin: laki-laki, perempuan
• Kadar gula darah: 110, 111, 112, .....400, 401, 402 mg/dl

• Data:
• Kumpulan angka kuantitatif / kualitatif dari hasil pengukuran
variabel, biasanya belum memiliki makna. Contoh:
• Data pasien A: Seks= laki-laki, TB= 170cm, BB=90kg, TDS= 150
mmHg
• Data pasien B: Seks= perempuan, TB=165cm; BB=55kg,
TDS=120 mmHg
Sumarsono, S.Si, M.MT
• Informasi:

• Hasil analisis data sehingga memiliki makna yang berguna untuk

membuat keputusan, contoh:
• Rata-rata TDS populasi obesitas= 150mmHg, populasi overweight=
140mmHg, populasi normal= 120mmHg
• Rasio Laki:Wanita di Indonesia=0.95, sedangkan di India= 1.05

Variabel, Data Sumarsono, S.Si, M.MT Informasi

Sumber Data
 Data Primer:
Data yang diperoleh dari sumbernya langsung
(obyek/responden). Misal produsen AMDK
ingin mengetahui rata-rata konsumsi air
mineral suatu daerah, maka akan melakukan
wawancara dengan penduduk daerah tsb.

 Data Skunder:
Data yang diperoleh dalam bentuk sudah jadi,
sudah dikumpulkan dan diolah pihak lain,
biasanya sudah dalam bentuk publikasi.

Sumarsono, S.Si, M.MT

 Macam Data (Tipe Data)
•Menurut Tipe / Jenis:
•Data Kualitatif (Kategori)
Data yang tidak dinyatakan dalam bentuk
angka. Contoh:
Pelayanan pelanggan PT. A sangat
memuaskan.
Merek pasta gigi yang paling digemari di
Jombang adalah Pepsoden, Ciptaden.

Contoh pertanyaan kuesioner untuk jenis Data Kualitatif :

1. Apakah kamu sudah makan? __ Ya __ Tidak
2. Kamu setuju jika koneksi bandwidth diperbesar akan berpengaruh pada peningkatan penjualan ?
__Sangat tidak setuju __Setuju __Cukup __Setuju __Sangat Setuju

Sumarsono, S.Si, M.MT

 Macam Data (Tipe Data)
 Menurut Tipe / Jenis:
•Data Kuantitatif (Numerik)
Data dalam bentuk angka.
Contoh:
Jumlah pengunjung Rumah Sakit A perhari
adalah 1.500 orang.
Omset penjualan selama triwulan 1 tahun
2014 sebesar 500 M.

 Data Kuantitatif (Numerik):

1. Data Diskrit
Data yang didapat dengan cara menghitung. Misalnya jumlah konsumen suatu merek merupakan data
diskrit, karena nilai data yang diperoleh merupakan jumlah orang yang dihitung banyaknya.
Nilai data ini merupakan bilangan asli dan tidak mugkin dalam pecahan atau desimal.
2. Data Kontinyu
Data yang dapat mempunyai nilai terletak dalam suatu interval (pecahan, desimal).

Sumarsono, S.Si, M.MT

 Skala Pengukuran Data
I. DATA KUALITATIF
1. Nominal Scale
– Kategori yang Membedakan
• contoh., Gender: Pria-Wanita,.
Pekerjaan: Petani-Pegawai-Pedagang
– Tidak menunjukan urutan
– Besar – kecil nya angka, tidak menunjukan perbedaan nilai yang besar, tetapi
hanya membedakan dan tidak mengurutkan.
2. Ordinal Scale
– Kategori yang membedakan dan mengurutkan
• Contoh., Pendidikan:SD-SMP-SMA-PT.,
Pendapatan: Tinggi-Sedang-Rendah
– Besar – kecil nya angka, tidak menunjukan perbedaan nilai yang besar, tetapi
membedakan dan mengurutkan.

Sumarsono, S.Si, M.MT

 Skala Pengukuran Data
II. DATA KUANTITATIF
3. Interval Scale
– Skala yang memiliki nilai dengan intervalnya dapat dibandingkan dan tidak memiliki nilai nol
yang mutlak.
– Contoh.,
Nilai tingkat kepuasan: > 76% maka puas, antara 56%-75% maka cukup puas, kurang dari 55%
maka kurang puas.
Degrees Celsius: Suhu 360 Celcius jelas lebih panas daripada suhu 240 Celcius. Tetapi tidak bisa
dikatakan bahwa suhu 360 Celcius 1½ kali lebih panas daripada suhu 240 Celcius. Alasannya :
Penentuan skala nol Celcius Tidak Absolut ( nol Celcius tidak berarti Tidak Ada
Suhu/Temperatur sama sekali).
Contoh lainnya Tingkat Kecerdasan: IQ tinggi > 116; IQ normal antara 85 – 115; IQ rendah < 84.

4. Ratio Scale
– Skala yang memiliki nilai nol mutlak (absolute)
– Contoh,. Tinggi badan: Tinggi badan 180 Cm dapat dikatakan mempunyai selisih 60 Cm
terhadap tinggi badan 120 Cm, hal ini juga dapat dikatakan Bahwa : tinggi badan 180
adalah 1½ kali dari tinggi badan 120 Cm. Nol Cm berarti tidak memiliki tinggi badan.
Denyut nadi, Berat badan, Dosis obat.

Sumarsono, S.Si, M.MT

 Cara Pengumpulan Data

Untuk Data Untuk Data

Primer Sekunder
Melakukan Internal perusahaan/
Observasi Institusi

Membuat Eksternal -> Publikasi,

Eksperiment Komersial

Survey dengan
Kuesioner

Teknik Pengumpulan Data (Teknik Sampling)

Sumarsono, S.Si, M.MT
Langkah-Langkah dalam Analisis Data
Kuantitatif
1 .EDITING

2.CODING

3.DATA ENTRY

4.DATA Cleaning

5.DATA ANALYSIS

Sumarsono, S.Si, M.MT

 1. Editing
• Proses memastikan bahwa data yang terkumpul (dari
responden):
1) telah diisi lengkap;
2) diisi sesuai dengan petunjuk; dan
3) konsisten; sehingga siap untuk di-input dalam komputer
(siap diolah).
 Editing (lanjutan)

Kuesioner yang kembali mungkin tidak bisa terpakai

karena:
1. Sebagian kuisioner tidak lengkap terisi
2. Responden tidak memahami instruksi
3. Responden salah mengisi
4. Satu atau lebih halaman kuisioner hilang
5. Kuesioner diterima terlambat
6. Kuesioner diisi oleh orang yang salah
 Menangani Kuisioner yang “Bermasalah”

 Menghubungi kembali responden

 Dianggap sebagai tidak ada jawaban/ missing values
 Tidak digunakan sama sekali (di-drop)
 2. Coding
• Aktivitas pemberian angka pada alternatif
jawaban dari setiap pertanyaan yang diajukan.
• Contoh :
Variabel jenis kelamin:
1: laki-laki 2. Perempuan
Variabel jenis pekerjaan :
1. TNI 2. PNS 3.Karyawan 4. Dosen

Sumarsono, S.Si, M.MT

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

Sumarsono, S.Si, M.MT

 3. Data Entry
• Kegiatan memindahkan data yang telah
diubah menjadi kode ( data coding ) ke dalam
mesin pengolah data.

• Dipindahkan ke program pengolah data

seperti Ms.Excel, SPSS, Minitab, SAS, dsb.

Sumarsono, S.Si, M.MT

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

Sumarsono, S.Si, M.MT

 Contoh Kuesioner
1. Apakah anda menggunakan obat herbal ?
A. ya B. tidak (lanjut ke no 12 )
2. Apakah anda puas dengan khasiat obat herbal ?
A. Puas B. Tidak Puas
3. Bagaimana rasa varian obat herbal ?
A. Pahit B. Tidak pahit

Sumarsono, S.Si, M.MT

 Data Coding
Nama Nama label Kode
variabel variabel
Var001 Menggunakan 1= ya
obat herbal 2= tidak

Var002 Tingkat 1=puas

Kepuasan 2=tidak puas
Khasiat obat
herbal
var003 Rasa obat 1=Pahit
herbal 2=tidak pahit
Sumarsono, S.Si, M.MT
 5. Data Analysis

 Setelah data diinput ke dalam komputer,

maka data siap untuk diolah & dianalisa.

 Peneliti harus memilih teknik analisa data

yang sesuai dengan masalah yang diteliti
 Yang perlu diperhatikan dalam
analisa data:
1. Menjelaskan hasil, termasuk kalau hasilnya
tidak sesuai hipotesa, jelaskan mengapa
demikian?
2. Hasil dikaitkan dengan siapa objek penelitian
(responden)
3. Hasil dikaitkan dengan teori yang ada
 Teknik Analisis Data

APLIKASI ILMU STATISTIK dalam penelitian bisnis dapat

dibagi ke dalam 2 bagian:
1. Analisis Statistik DESKRIPTIF
2. Analisis Statistik INFERENSIAL
Dalam penelitian, kedua analisis statistik tersebut dapat
dipakai sekaligus.
Pada umumnya, DIMULAI dengan STATISTIK DESKRIPTIF,
lalu berdasarkan hasil tersebut DILANJUTKAN dengan
STATISTIK INFERENSI.

35
Sumarsono, S.Si, M.MT
 Tabel frekuensi
Kategori Frekuensi Persentase

Laki-laki 125 62,5%

Perempuan 75 37,5%

Jumlah 200 100%

Sumarsono, S.Si, M.MT

 Grafik
• Hubungan Grafik dengan Skala Pengukuran
– Nominal : Piechart, Bar graph (diagram batang)
– Ordinal : Pie chart, Bar graph (diagram batang)
– Interval : Histogram, Poligon, Ogive
– Rasio : Histogram, Poligon, Ogive, Diagram batang
daun dan scatter plot( diagram titik ) .

Sumarsono, S.Si, M.MT

 Contoh: Diagram Batang
Jenis Kelamin Responden
60

50

40

30

20

10
Percent

0
Laki-Laki Perempuan

Jenis Kelamin

Sumarsono, S.Si, M.MT

Contoh: Diagram Lingkaran
PIlihan Partai Politik

PDIP

PPP

PKB

Sumarsono, S.Si, M.MT

 Contoh: Diagram Garis
Tingkat Pendapatan
40

30

20

10
Percent

0
1 2 3 4 5 6 7 8 9

Pendapatan (jutaan)

Sumarsono, S.Si, M.MT

 Contoh: Diagram Titik
30

20

10
Tabungan

0
-1 0 1 2 3 4 5 6 7

Lama Kerja ( tahun )

Sumarsono, S.Si, M.MT

 Contoh: Nilai Deskriptif

Descriptive Statistics

N Mean Std. Dev iation Variance

VAR001 Pendapatan
70 3. 91 2. 749 7. 558
(jut aan)
VAR002 Lama Kerja (
70 2. 43 1. 470 2. 161
tahun )
VAR003 Tabungan 70 7. 63 5. 253 27. 599
VAR004 Jenis Kelamin 70 1. 44 .500 .250
VAR00001 Pilihan
70 2. 01 .789 .623
Part ai Politik
Valid N (listwise) 70

Sumarsono, S.Si, M.MT

Contoh: nilai deskriptif (lanjutan)

Descriptive Statistics

N Mean Skewness Kurt osis

Stat is tic Stat is tic Stat is tic Std. Error Stat is tic Std. Error
VAR001 Pendapatan
70 3. 91 .575 .287 -1.194 .566
(jut aan)
VAR002 Lam a Kerja (
70 2. 43 .426 .287 -. 632 .566
tahun )
VAR003 Tabungan 70 7. 63 .911 .287 -. 432 .566
VAR004 Jenis Kelam in 70 1. 44 .235 .287 -2.003 .566
VAR00001 Pilihan
70 2. 01 -. 026 .287 -1.384 .566
Part ai Politik
Valid N (listwise) 70

Sumarsono, S.Si, M.MT

Sumarsono, S.Si, M.MT
 A Classification of Statistical Techniques

Statistical Techniques

Non-metric
Metric Data (non parametric) Data

One Sample Two or More One Sample Two or More

Samples Samples
* t test * Frequency
* Z test * Chi-Square
* K-S
* Runs
* Binomial
Independent Related
Independent Related
* Two- Group test * Paired t-test
* Z test * Chi-Square * Sign
* One-Way ANOVA * Mann-Whitney * Wilcoxon
* Median * McNemar
* K-S * Chi-Square
* K-W ANOVA
 A Classification of Bivariate Techniques

Bivariate Techniques

Metric Data Non-metric Data

(interval, ratio) (nominal, ordinal)

Ada pemilahan Ada pemilahan

antara Dependen & antara Dependen &
Independen Independen

Ya Tidak Ya Tidak
• Regresi Sederhana Korelasi Pearson • Chi Square • Korelasi Rank
• Koefisien Phi Spearman
• Koef. Contingency
 Contoh: Tabulasi Silang

VAR004 Jenis Kelamin * VAR00001 Pilihan Partai Politik Crosstabulation

VAR00001 Pilihan Partai Politik

1 PDIP 2 PKB 3 PPP Total
VAR004 Jenis 1 Laki-Laki Count 20 14 5 39
Kelamin % of Total 28.6% 20.0% 7.1% 55.7%
2 Perempuan Count 1 13 17 31
% of Total 1.4% 18.6% 24.3% 44.3%
Total Count 21 27 22 70
% of Total 30.0% 38.6% 31.4% 100.0%

Sumarsono, S.Si, M.MT

 Contoh: UJI KORELASI

Correlati ons

VAR001 VAR002
VAR003 Pendapatan Lama Kerja (
Tabungan (jut aan) tahun )
VAR003 Tabungan Pears on C orrelation 1 .910** .698**
Sig. (2-t ailed) . .000 .000
N 70 70 70
VAR001 Pears on C orrelation .910** 1 .719**
Pendapatan (jutaan) Sig. (2-t ailed) .000 . .000
N 70 70 70
VAR002 Lama Kerja Pears on C orrelation .698** .719** 1
( tahun ) Sig. (2-t ailed) .000 .000 .
N
70 70 70

**. Correlat ion is signif icant at t he 0.01 lev el (2-tailed).

Sumarsono, S.Si, M.MT

 Contoh: uji chi Square

Chi-Square Tests

Asy mp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pears on C hi-Square .906b 1 .341
a
Continuity C orrection .711 1 .399
Likelihood Ratio .931 1 .335
Fisher's Exact Tes t .385 .201
Linear-by -Linear
.905 1 .341
Assoc iation
N of Valid Cas es 919
a. Comput ed only f or a 2x2 table
b. 0 cells (.0%) hav e ex pected count less than 5. The minimum ex pect ed count is
32. 37.

Sumarsono, S.Si, M.MT

 A Classification of Multivariate Techniques
Multivariate Techniques

Dependence Interdependence
Techniques Techniques

Satu Lebih dari Satu Variable Interobject

Dependent Dependent Interdependence Similarity
Variable Variable
• Analisis Faktor • Analisis Kluster
• Tabulasi silang (lebih • Multidimensional
• Anova dan Ancova
dari dua variabel) Scaling
multivariate
• Anova dan ancova • Korelasi Kanonikal
• Regresi Berganda • Analisis Diskriminan
• Analisis Diskriminat berganda
dua grup
• Analisis Conjoint
Contoh: Uji Regresi Berganda

Sumarsono, S.Si, M.MT

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

Sumarsono, S.Si, M.MT

Sumarsono, S.Si, M.MT