RSS

Persiapan Pengolahan data dengan SPSS

03 Mar

PERSIAPAN PENGOLAHAN DATA
Oleh: Isfarudi

Setelah model rancangan analisis dibuat dan alat analisis atau pemilihan alat statistik yang akan digunakan sudah ditentukan, maka langkah selanjutnya adalah menyiapkan data supaya siap untuk dilakukan pengolahan atau analisis. Penyiapan data supaya siap untuk diolah meliputi: kodifikasi (coding), pembersihan (cleaning), dan tabulasi (tabulating).
Proses pengolahan data dapat menggunakan cara manual, kalkulator, dan komputer. Pemilihan penggunaan cara ini sangat menentukan kebutuhan waktu yang diperlukan untuk menyelesaikan pengolahan data. Penggunaan komputer untuk memproses pengolahan data akan mempercepat waktu memroses dan memudahkan pengolahan data. Dengan komputer kita dapat melakukan analisis dengan cepat yang sebelumnya sangat sulit sekali kalau hanya menggunakan kalkulator biasa apalagi dengan cara manual. Hanya saja penggunaan komputer menuntut biaya yang tinggi dan investasi yang tinggi serta membutuhkan tenaga yang mampu mengoperasikannya. Selain perangkat keras yang harus disediakan (misalnya: CPU, monitor, printer, dan hard disk), perangkat lunak untuk pengolahan juga harus ada.
Perangkat lunak atau paket program pengolahan data statistik sederhana yang sekarang beredar dipasaran cukup banyak, misalnya Lotus, Qpro, dBase, Foxpro, dan sebagainya. Paket program khusus statistik yang dapat digunakan adalah Microstat, Minitab, BMDP, SPSS, SAS, dan sebagainya. Selain cukup mahal, paket program ini juga memerlukan kemampuan kita dalam mengoperasikannya. Meskipun demikian, penggunaan komputer saat ini cukup banyak karena harga perangkat keras komputer terus menurun, hanya saja penggunaannya masih terbatas untuk mentik surat atau sekadar untuk bermain game. Suatu saat komputer yang awalnya merupakan barang yang sangat langka dan barang mewah cenderung akan cepat berubah menjadi barang biasa yang dapat ditemui di rumah-rumah seperti halnya televisi berwarna. Oleh karena itu, pada modul ini pembahasan pengolahan akan didasarkan dengan cara komputer dan menggunakan paket program SPSS for Windows. Pembahasan ini juga masih sangat dimungkinkan bila kita hanya menggunakan kalkulator atau cara manual.

A. Kodifikasi dan Tabulasi Data

Kodifikasi data merupakan proses penyederhanaan data hasil monitoring dengan cara memberi kode terhadap data yang diperoleh. Tujuan utama kodifikasi adalah agar data dapat berbentuk ringkas dan padat. Data yang ringkas sangat diperlukan untuk memudahkan kita dalam mengelolanya, misalnya mudah menyimpan, dan mengambil kembali, mudah mengelola, mudah diakses dan di-ambil kembali, dan mudah untuk dianalisis. Cara kita melakukan kodifikasi biasanya sangat tergantung kepada jenis datanya atau ditentukan juga oleh instrumen yang digunakannnya.
Kodifikasi merupakan proses pemberian simbol untuk setiap data yang ada. Simbol itu dimaksudkan untuk menyederhanakan dan meringkas data. Misalnya saja seorang responden bernama Ali berumur 20 tahun, tamatan SMA jurusan A1 (Ilmu-ilmu Fisika), bekerja sebagai pegawai negeri sipil di Pemda Bandung, berpengha¬silan tiap bulan rata-rata sebesar Rp. 200.000,-. Responden yang lain bernama Budi lulusan D3 PMS-ITB Bandung jurusan Mekanika, berumur 25 tahun bekerja di sebuah perusahaan elektonika di Semarang, berpenghasilan rata-rata sebulan Rp. 700.000,-. Pema¬paran data pribadi responden ini dapat diringkas dengan membuat tabel responden. Responden ketiga bernama Cecep berusia 22 tahun, lulusan SMA jurusan A3 (Ilmu-ilmu Sosial) dan belum bekerja, dan seterusnya, sampai dengan responden ke-n.
Pemaparan data responden seperti ini cukup lengkap tetapi sangat tidak efektif terutama untuk jumlah responden yang cukup besar. Salah satu bentuk pema¬paran yang mungkin dapat dibuat adalah sebagai berikut :

No Nama Umur Pendidikan Jurusan Pekerjaan Penghasilan
1. Ali 20 SMA A1 PNS 200.000
2. Budi 25 D3 Mekanika Swasta 700.000
3. Cecep 22 SMA A3 – -
4. Dudit 29 Sarjana Pertanian Dosen IPB 600.000
5. Edi 35 SMA IPA Dagang 1.000.000

… . … .dst

Dari tabel di atas dapat diketahui bahwa ada 6 variabel, yaitu variabel nama, umur, pendidikan, jurusan, pekerjaan, dan penghasilan. Variabel nama, jurusan dan jenis pekerjaan merupakan variabel berskala pengukuran nominal. Variabel pendidikan berska¬la pengukuran ordinal, sedangkan variabel umur dan penghasilan berskala interval atau rasio.
Kodifikasi ini mencakup dua hal, yaitu kodifikasi terhadap nama variabel dan kodifikasi terhadap nilai variabel. Pemberian kode untuk setiap nama variabel dapat dilakukan dengan nama apa saja, bisa menggunakan singkatan, atau simbol lainnya. Misalnya variabel nama responden dapat diberi kode ‘NARES’, ‘NAMA’, atau ‘NAME’, atau apa saja. Variabel pendidikan tertinggi terakhir responden dapat diberi kode dengan ‘PEND’, ‘PENDIK’, atau ‘EDUC’, dan sebagainya. Meskipun kita bebas memberi kode pada suatu variabel, namun sebaiknya kita memperhatikan beberapa prinsip dalam memberikan kode, yaitu :
1. Pemberian kode suatu variabel hendaknya sependek mungkin dan tidak lebih dari 8 karakter (digit).
2. Bila kode variabel lebih dari satu digit, digit pertama harus menggunakan alphabetik dan digit berikutnya dapat menggunakan alphabetik maupun alphanumerik.
3. Kode yang digunakan hendaknya dapat memudahkan kita membaca atau mengartikannya.

Kodifikasi ini tidak hanya untuk nama variabel saja tetapi nilai dari variabel ini juga mungkin harus kita sederhanakan dengan memberi kode. Jawaban yang panjang dapat disederhanakan dengan suatu nilai atau kode tertentu yang lebih sederhana. Penyederhanaan ini dilakukan untuk kepentingan penghematan ruang penyimpanan dan memudahkan dalam pemrosesan dan analisis data. Misalnya variabel pendidikan terakhir responden seperti contoh di atas mempunyai nilai variabel SMA dan D3. Nilai dari variabel ini dapat disederhanakan, misalnya memberi kode 1 untuk responden yang berpendidikan SMA, dan kode 2 untuk yang berpendidikan terakhirnya D3.
Pemberian kode untuk nilai variabel ini tergantung dari model data atau asal datanya. Pemberian kode untuk nilai variabel yang berasal dari pertanyaan yang tertutup relatif lebih mudah daripada pertanyaan yang setengah terbuka ataupun pertanyaan terbuka.

Contoh:
Apakah pendidikan/ijazah terakhir Anda ? a. SMA A1/A2/eksakta
b. SMA A3/sosbud
c. SMTA kejuruan
d. D1/D2/D3/SM
e. S1/S2/S3

Pemberian kode terhadap nilai variabel dari pertanyaan tertutup ini dapat langsung dibuat. Misalnya responden yang pendidikan terakhirnya SMA A1/A2/eksakta dapat diberi kode ‘a’ atau ‘1’, yang berpendidikan terakhirnya SMA A3 diberi kode ‘b’ atau ‘2’, dan seterusnya.
Pemberian kode terhadap nilai variabel ini dapat digunakan numerik, alphabetik, ataupun alphanumerik. Meskipun demikian, sangat dianjurkan menggunakan numerik. Hal ini dapat mempermudah proses pengolahan dan analisis data selanjutnya serta menginterpretasi hasil analisis. Secara ringkas contoh pertanyaan di atas dapat disederhanakan menjadi ‘PENDIK’, yang berarti pendidikan atau ijazah terakhir yang dimiliki responden. Kode PENDIK ini mempunyai kemungkinan variasi nilai dari 1 sampai dengan 5, dengan rincian sebagai berikut:

Kodifikasi nilai variabel yang diturunkan dari pertanyaan terbuka lebih kompleks dan panjang daripada pertanyaan tertutup. Pada pertanyaan terbuka peneliti pertama kali harus membuat daftar (listing) dari seluruh jawaban yang masuk.
Kemudian dari semua jawaban yang masuk itu kita klasifikasikan, kategorisasi atau pengelompokkan dengan suatu kriteria atau pertimbangan tertentu.

Misalnya terhadap pertanyaan berikut:
 Apakah pekerjaan Anda sekarang ? …………………..

Jawaban yang mungkin akan kita peroleh dari responden adalah sebagai berikut :
 pegawai negeri, pegawai BRI, swasta, guru SMP, dosen PTS, pedagang, bekerja di pabrik, mengelola pabrik sepatu, TNI AD, dan TNI AU.

Salah satu alternatif klasifikasi terhadap jawaban tersebut adalah pegawai negeri yang mencakup jawaban pegawai negeri, pegawai BRI, guru SMP, TNI AD, TNI AU, dan sebagainya, nilai jawaban tersebut dapat diberi kode ‘1’. Kode ‘2’ untuk kelompok pegawai swasta, yang mencakup jawaban swasta, dosen PTS, bekerja di pabrik, dan sebagainya. Sedangkan untuk jawaban sebagai pedagang, pengelola pabrik sepatu, dan sebagainya diklasifikasikan sebagai wiraswasta dan diberi kode ‘3’. Mungkin dengan suatu pertimbangan tertentu, kita menganggap perlu membedakan pegawai negeri menjadi pegawai negeri sipil (PNS), TNI, dan BUMN sehingga kodenya berturut-turut menjadi ‘1’, ‘2’, dan ‘3’. Adapun untuk pegawai swasta menjadi berkode ‘4’, dan wiraswasta menjadi berkode ‘5’.
Kodifikasi jawaban yang berasal dari pertanyaan setengah terbuka merupakan perpaduan dari cara kodifikasi pertanyaan tertutup dan pertanyaan terbuka. Pertanyaan setengah terbuka adalah pertanyaan yang alternatif jawabannya sudah disediakan oleh peneliti, tetapi responden masih mempunyai kesempatan untuk memberikan kemungkinan jawaban yang lainnya yang belum disediakan oleh peneliti.

Contoh:
Jika Anda ikut KB, alat kontrasepsi atau cara apakah yang Anda gunakan?
a. IUD/spiral
b. Pil
c. Suntikan
d. …………. .

Kita peroleh kemungkinan jawaban sebagai berikut :
memilih a (IUD/spiral), b (Pil), atau c (Suntikan), atau d dengan jawaban
senggama terputus, sistem kalender atau siklus haid, sterilisasi, vasektomi,
dan sebagainya.

Kode alternatif jawaban yang dapat digunakan ‘1’ untuk IUD, ‘2’ untuk Pil, dan kode ‘3’ untuk suntikan, sedangkan untuk jawaban bagian d (yang terbuka) dibuat daftar terlebih dahulu tentang kemungkinan jawaban yang telah diisi oleh responden. Kemudian dari daftar tersebut dibuat klasifikasi, kategorisasi, atau pengelompokkan seperti yang dilakukan untuk pertanyaan terbuka. Seandainya peneliti hanya ingin melihat ketiga kemungki¬nan jawaban saja, maka untuk bagian d (apapun jawabannya) dikate¬gorikan sebagai jawaban lain-lain yang diberi kode ‘4’. Tetapi bila peneliti ingin mengetahui tidak hanya ketiga jawaban pertama saja, maka peneliti mungkin dapat memberi kode ‘4’ untuk jawaban senggama terputus, kode ‘5’ untuk sistem penanggalan, kode ‘6’ untuk sterilisasi, dan sebagainya.
Hal yang harus diperhatikan lagi dalam memberi kode terhadap nilai jawaban adalah adanya kode yang konsisten. Kode yang konsisten ini sangat diperlukan terutama terhadap nilai jawaban pertanyaan yang tidak hanya sekedar simbol tetapi juga mempunyai nilai arah, arah positif dan arah negatif. Bila menggunakan kode numerik, arah positif diberi kode dengan angka yang lebih besar daripada arah negatif. Penentuan arah positif ataupun negatif terhadap jawaban pertanyaan tergantung pada patokan atau kepentingan tertentu.

Contoh:
Apakah Anda setuju jika PEMILU dilaksanakan pada hari Minggu atau hari libur?
a. Setuju
b. Tidak setuju

Apabila kode hanya berupa simbol, maka nilai jawaban tersebut dapat diberi kode ‘0’ untuk setuju dan ‘1’ untuk tidak setu¬ju. Angka 0 dan 1 ini hanya merupakan simbol tidak mempunyai nilai positif atau negatif. Tetapi bila kita mempunyai alasan atau pertimbangan tertentu bahwa PEMILU lebih baik dilaksanakan pada hari Minggu atau hari libur daripada hari kerja, maka pem¬berian kode untuk jawaban setuju tentunya lebih positif daripada jawaban tidak setuju. Pemberian kode ‘0’ untuk jawaban tidak setuju dan kode ‘1’ untuk jawaban yang setuju tidak hanya merupa¬kan simbol tetapi juga mengandung unsur arah. Konsistensi terha¬dap pemberian kode nilai jawaban yang mengandung tendensi nilai (arah) positif dan negatif sangat diperlukan untuk kemudahan dalam:
1. Interpretasi hasil yang diperoleh.
2. Penyusunan indeks, skala, atau komposit variabel.
3. Interpretasi hasil analisis bila dikaitkan dengan pertanyaan lainnya atau variabel lainnya terutama dalam analisis korelasional.

B. Kodifikasi tanpa jawaban

Seorang responden adakalanya tidak mengisi untuk suatu pertanyaan. Ada beberapa kemungkinan hal ini dapat terjadi. Kemungkinan pertama pertanyaan itu tidak relevan dengan keadaan dirinya. Misalnya seorang responden tidak relevan untuk ditanyakan ‘Apa pekerjaan Anda?’, kalau responden itu tidak atau belum bekerja. Kemungkinan kedua responden tidak atau kurang memahami pertanyaan sehingga tidak memberi jawaban. Kemungkinan ketiga responden memang tidak mengetahui jawabannya. Kemungkinan keempat responden tidak mau memberikan jawaban atau tidak mau menjawab. Jawaban yang tidak diberikan oleh responden sering disebut seba¬gai missing response atau non-response.
Kode untuk nilai variabel atau tidak ada jawaban atas pertanyaan yang diajukan dapat dilakukan sembarang, asal saja kode itu belum digunakan jawaban yang sudah ada. Kode itu dapat saja berupa angka ‘0’, ‘9’, atau ’00’, ’99’, atau ‘000’, ‘999’, dan sebagainya. Pemberian kode ini tidak mutlak, artinya kode untuk nilai pertanyaan tanpa jawaban (missing response) ini dapat menggunakan kode apa saja selama kode itu belum digunakan untuk kode kemungkinan nilai jawaban yang lain. Kode untuk nilai pertanyaan tanpa jawaban ini dinamakan (missing value) atau nilai hilang.

C. Tabulasi data

Tabulasi data ini mencakup dua kegiatan utama, yaitu persiapan pemasukan data ke komputer dan pemasukan data ke computer untuk penyimpanan data. Meskipun demikian, pada akhir-akhir ini bila pada waktu awal sudah dirancang jawaban terhadap pertanyaan di kuesioner dengan menggunakan kertas yang dapat dibaca oleh scanner, maka tabulasi data dapat langsung dilakukan segera setelah lembar jawaban tersebut terkumpul dan programnya telah dibuat.
Persiapan pemasukan data ke komputer perlu dilakukan dan direncanakan dengan baik. Biasanya persiapan yang diperlukan adalah membuat buku kode (codebook). Hasil akhir dari kodifikasi adalah mengkonversi data kedalam bentuk kode numerik. Kode-kode ini harus didokumentasi ke dalam buku kode. Selain itu buku kode juga mencatat di lokasi mana atau kolom berapa suatu variabel atau butir pertanyaan itu (akan) diletakkan.
Untuk menentukan berapa kolom yang harus disediakan untuk suatu variabel sangat tergantung dari berapa kemungkinan atau klasifikasi dari jawaban yang ada. Variabel yang bernilai dari 0 sampai 9 hanya memerlukan 1 kolom atau 1 digit saja, variabel yang mempunyai nilai dari 00 sampai 99 memerlukan 2 kolom, dan seterusnya. Sebagai contoh variabel pendidikan (PENDIK) yang telah diuraikan di atas mempunyai 5 kemungkinan jawaban sehingga hanya memerlukan 1 kolom saja.
Bentuk dan model buku kode sangat beragam dan tidak ada standar tertentu. Meskipun demikian,dalam sebuah buku kode setidak-tidaknya memuat kode variabel, nama atau arti dari kode variabel, kode nilai jawaban atau kategorisasi, dan kolom atau digit yang digunakan.
Buku kode ini mempunyai dua fungsi penting. Pertama, buku kode digunakan untuk pedoman utama dalam melakukan tabulasi data ke dalam lembar koding (codesheet). Kedua, buku kode menjadi pedoman dalam melakukan analisis data dan interpretasi hasil analisis.

D. Data Entry

Pemasukan data ke komputer dan untuk disimpan di media penyimpanan (harddisk, disket, atau tape) dapat dilakukan dengan berbagai program. Paket program komputer untuk menghitung statistik umumnya telah menyediakan menu atau modul khusus untuk memasukkan data. Misalnya paket program SPSS/PC+ dengan program atau modul Data Entry (DE). Modul Data Entry dari SPSS ini merupakan program untuk memasukkan data sehingga siap untuk diolah dan dianalisis oleh modul program SPSS lainnya.
Selain menggunakan DE untuk memasukkan data, program SPSS ini
juga dapat dan mampu untuk membaca dan menterjemahkan data yang dimasukkan dengan beberapa program lainnya dengan bantuan modul Translate yang telah disediakan oleh SPSS. Modul Translate ini mampu menterjemahkan data yang dimasukkan lewat paket program Lotus, Qpro, dBase, Foxbase, Multiplan, Symphony, dan Excel.
Paket program SPSS ini dapat juga membaca data yang dimasukkan lewat program pengolah kata lainnya. Misalnya Notepad, Wordstar (WS), Word Perfect (WP), Microsoft Work, Microsoft Word, DOS Editor, dan sebagainya. Hanya saja data yang telah dimasukkan dengan program-program tersebut harus disimpan dalam bentuk ASCII atau non-dokumen.

E. Pembersihan Data (Data Cleaning)

Data yang terkumpul, baik yang berasal dari angket/kuesioner, wawancara, atau pengamatan, ataupun tes biasanya tidak begitu bersih. Artinya kemungkinan data itu masih mengandung kesalahan. Kesalahan itu dapat saja berupa salah tulis, kesalahan jawaban, jawaban tidak terisi, jawaban tidak jelas, jawaban meragukan, dan sebagainya. Terhadap semua kemungkinan kesalahan ini, data hasil pengumpulan di lapangan harus dibersihkan.
Pembersihan data ini sebenarnya harus dilakukan ketika pengumpulan dan pencatatan data di lapangan, ketika melakukan tabulasi data, dan selama pengolahan dan analisis data.
Pada saat petugas mengumpulkan data (pencacah) mewawancarai atau mengobservasi responden atau obyek penelitian, peneliti harus dapat melihat dengan jeli apa yang sebenarnya terjadi pada responden. Sebagai patokan untuk kebersihan data yang diperoleh dapat dikembangkan dari pertanyaan-pertanyaan pokok, misalnya:
 Apakah responden yang ditemui dan dijadikan sebagai sumber informasi sudah tepat?
 Apakah sudah setiap butir pertanyaan yang direncanakan sudah diajukan dan dijawab oleh responden dengan lengkap dan jelas?
 Apakah semua jawaban dan informasi dari responden sudah dicatat dan didokumentasi dengan baik?

Pada saat tabulasi data, petugas yang mentabulasi (tabula¬tor) hendaknya juga harus melakukannya dengan hati-hati dan teliti. Sebagai patokan untuk kebersihan data yang diperoleh, setiap tabulator harus berpedoman pada beberapa pertanyaan pokok, misalnya saja:
 Apakah jenis instrumen yang hendak ditabulasi sudah cocok dan lengkap?
 Apakah jawaban atau data pada instrumen dapat dibaca dan dipahami?
 Apakah data pada instrumen sudah dikodifikasi dan diletakkan pada kolom yang sesuai dengan buku kode?

Proses pembersihan data ini masih akan terus berlangsung selama pengolahan dan analisis data. Pada saat pengolahan data ini peneliti harus terlebih dahulu melakukan pembersihan data sebelum analisis lanjutan dilakukan. Hal ini diperlukan agar hasil analisis berasal dari data yang benar-benar bersih. Ada beberapa alat statistik yang dapat digunakan untuk membantu membersihkan data. Misalnya saja penggunaan tabel distribusi frekuensi dan/atau tabel silang.

Berikut ini adalah contoh hasil pengolahan tabel frekuensi untuk suatu variabel :

Dari contoh di atas terlihat bahwa variabel jenis kelamin, yang diberi kode SEX mempunyai data yang tidak bersih. Kode nilai variabel jenis kelamin ini ‘0’ untuk wanita dan ‘1’ untuk laki-laki, serta kode ‘9’ untuk yang tidak mengisi pertanyaan tentang jenis kelamin ini. Kalau data itu lengkap dan bersih tentunya hanya bernilai 0 atau 1 untuk kolom VALUE, tetapi dari tabel di atas terdapat juga nilai 4 dan 9. Hal ini memberikan indikasi bahwa ada 2 orang responden (kolom frequencies) yang data variabel jenis kelamin masih salah, sedangkan masih ada 3 orang responden yang tidak mau memberi jawaban untuk pertanyaan jenis kelamin ini.
Yang terutama dan terpenting yang harus ditelusuri adalah 2 responden yang mempunyai VALUE 4. Ada beberapa kemungkinan letak kesalahannya. Pertama orang yang memasukkan data dari lembar koding ke komputer (entry data) salah memasukkannya, untuk mengatasi hal ini kita perlu mencek data di lembar koding. Kemungkinan kedua terletak pada saat mentabulasi data dari instrumen atau angket ke lembar koding, untuk mengatasi masalah ini kita harus mencek ulang angket untuk responden yang bersangkutan.
Suatu tabel silang dapat digunakan untuk membersihkan data terutama mengetahui konsistensi data dari dua (atau lebih) variabel/pertanyaan yang saling berkaitan. Misalnya saja ada beberapa pertanyaan :

1. Apakah Anda bekerja ?
a. tidak bekerja —-> langsung ke pertanyaan nomor 4.
b. ya, bekerja —-> teruskan ke pertanyaan nomor 2.

2. Jika bekerja, berapa penghasilan rata-rata
per bulan ? Rp. ………..

3. Apakah Anda merasa puas dengan penghasilan tersebut ?
a. tidak puas
b. puas

Pertanyaan kedua dan ketiga seharusnya hanya relevan diisi oleh mereka yang telah bekerja saja atau pada pertanyaan pertama memilih jawaban b (ya, bekerja). Namun, pada kenyataannya terutama kalau kita menggunakan angket, responden kurang menyadari hal ini meskipun sudah ada petunjuknya, mereka masih banyak yang mengisi pertanyaan nomor 2 dan 3, padahal pada pertanyaan pertama dia memilih jawaban a (tidak bekerja).
Berikut ini adalah contoh penggunaan tabel silang untuk melihat kekonsistensian jawaban responden antara variabel status pekerjaan (STAKER) yang berasal dari pertanyaan nomor 1 dengan variabel tingkat kepuasan terhadap penghasilan yang diperolehnya (PUAS) yang berasal dari pertanyaan nomor 3.

Dari tabel silang di atas terlihat bahwa dari 330 orang responden yang menyatakan tidak bekerja sebanyak 163, bekerja 160 orang dan yang tidak memberikan jawaban ada 7 orang. Dari data ini seharusnya yang dapat menjawab pertanyaan tentang kepuasan kerja (pertanyaan nomor 3) adalah mereka yang bekerja saja (ada 160 responden). Tetapi tapi masih ada 3 orang responden yang menjawab pertanyaan nomor 3 dengan jawaban tidak puas padahal mereka menyatakan tidak bekerja. Seharusnya mereka tidak perlu menjawab. Ketiga orang responden ini harus ditelusuri dan dibersihkan datanya. Kemungkinan kekeliruan terjadi pada saat pemasukan data dari lembar koding, atau tabulasi data dari instrumen.
Bila dari penelusuran ini tidak diketemukan adanya kesalahan, maka mungkin kita dapat mengubahnya (recoding) menjadi data hilang. Mereka kita putuskan sebagai tidak bekerja (sesuai denga jawaban mereka pada butir pertanyaan 1) sehingga untuk pertanyaan ketiga dianggap tidak mengisi atau sebagai nilai hilang. Hal ini dilakukan karena untuk menjaga kebersihan data dan kekonsistensian jawaban yang diberikan oleh responden.

Dari tabel silang diatas ini juga ditemukan adanya seorang responden yang menjawab puas terhadap penghasilannya tetapi mereka tidak menjawab untuk butir pertanyaan pertama (bekerja atau tidak bekerja). Hal ini jelas ada ketidak konsistensian jawaban dan data inipun harus dibersihkan dan diperbaiki dengan menelusuri ke lembar koding atau ke instrumen. Bila tidak diketemukan adanya kesalahan, maka kita harus mengkonsistensikan jawaban tersebut. Ada dua kemungkinan untuk melakukan ini, pertama kita terima responden tadi untuk menjawab puas terhadap penghasilan yang mereka peroleh, yang berarti kita harus mengubah (recoding) jawaban pada pertanyaan pertama menjadi bekerja (berkode 1).

Kemungkinan kedua agar menjadi konsisten adalah dengan menerima jawaban pertanyaan pertama sebagai nilai hilang mising mengubah jawaban pertanyaan ketiga dengan nilai hilang (STAKER=9) dengan konsekuensi kita harus mengubah jawaban pertanyaan ketiga dengan nilai hilang juga (PUAS=9). Dari dua kemungkinan cara mengkonsistensikan jawaban responden tersebut, kemungkinan kedua tampaknya lebih baik dan aman daripada kemungkinan pertama. Kemungkinan kedua ini memberikan kepastian kepada kita bahwa data yang akan diolah dan dianalisis lebih lanjut benar-benar data yang bersih.

Dari tabel silang diatas ini juga terlihat ada seorang responden yang bekerja tetapi tidak memberikan respon atau jawaban untuk pertanyaan kepuasan terhadap penghasilannya. Begitu juga ada 6 responden yang tidak memberikan jawaban terhadap pertanyaan pertama maupun terhadap pertanyaan ketiga. Kedua keadaan ini tidak menggambarkan adanya data yang tidak bersih, sehingga tidak perlu ditelusuri lebih lanjut.

DAFTAR PUSTAKA

Borg, W.R. and Gall, M.D. (1979). Educational Research: An Introduction. 3rd Edition. Longman, Inc., New York.

Kerlinger, F.N. (1990). Asas-asas Penelitian Behavioral. Terjamahan. Gajah Mada University Press, Yogyakarta.

Masri Singarimbun, dan Sofian Effendi, (1989). Metode Penelitian Survei. LP3ES, Jakarta.

Norusis, M.J. (1990a). SPSS/PC+ Base Manual V4.0. SPSS Inc., Chicago.

_____________, (1990b). SPSS/PC+ Statistics V4.0. SPSS Inc., Chicago.

Nunnally, J.C. (1978). Psychometric Theory. 2nd Edition. McGraw-Hill Inc., New York.

Tuckman, B.W. (1972). Conducting Educational Research. Harcourt Brace Jovanovich, Inc., USA.

About these ads
 
5 Komentar

Ditulis oleh pada Maret 3, 2009 in Tak Berkategori

 

Tag:

5 responses to “Persiapan Pengolahan data dengan SPSS

  1. dedidwitagama

    Maret 6, 2009 at 2:59 am

    ditunggu posting lainnya bang haji

     
  2. fuddin

    Maret 13, 2009 at 6:07 am

    Wah…ma kasih ya…ente tertarik juga ya….ane selalu posting….orang kite banyak ringkasan kuliah dari dosen-dosen…..ane upload setiap minggu deh….

     
  3. Fuddin Van Batavia

    November 4, 2011 at 6:08 am

    ma’kasih pak dedi

     
  4. thethinker7

    Agustus 1, 2009 at 5:28 pm

    waduh bagus banget mas artikelnya, saat ini aku sedang belajar statistik, karena aku sedang belajar marketing research yang banyak menggunakan statistik

     
  5. Fuddin Van Batavia

    November 4, 2011 at 6:07 am

    maaf mas…ini cuma catatan/ringkasan kuliah…mungkin belum lengkap…

     

Tinggalkan Balasan

Please log in using one of these methods to post your comment:

WordPress.com Logo

You are commenting using your WordPress.com account. Logout / Ubah )

Twitter picture

You are commenting using your Twitter account. Logout / Ubah )

Facebook photo

You are commenting using your Facebook account. Logout / Ubah )

Google+ photo

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s

 
Ikuti

Get every new post delivered to your Inbox.

%d bloggers like this: