Statistik Deskriptif dan Karakteristik Responden

Anda baru selesai menyebar kuesioner. Seratus lembar jawaban menumpuk di meja: ada pria, ada wanita; ada yang lulusan SMA, ada yang S2; ada yang baru kerja setahun, ada yang sudah belasan tahun. Sebelum menguji satu pun hipotesis, dosen penguji akan bertanya hal paling sederhana lebih dulu: siapa sebenarnya seratus orang ini?

Jawabannya bukan cerita panjang, melainkan beberapa tabel ringkas. “Responden berjumlah 100 orang, terdiri dari 58 pria (58%) dan 42 wanita (42%).” Satu kalimat seperti itu membuka hampir setiap Bab 4 skripsi. Pertanyaannya: dari mana angka 58% itu, dan bagaimana menyusun tabelnya agar tidak salah?

Itulah pekerjaan statistik deskriptif: menggambarkan data apa adanya — menghitung berapa banyak, berapa persen, berapa rata-ratanya — sebelum menyimpulkan apa pun. Semua hanya penjumlahan dan pembagian sederhana, dilakukan angka per angka.

Dua Bagian yang Selalu Muncul

Bab hasil membuka dengan dua jenis tabel deskriptif, dan keduanya menjawab pertanyaan yang berbeda:

Bagian pertama menggambarkan orangnya, bagian kedua menggambarkan jawabannya. Kita bahas satu per satu, dari nol.

Bagian 1 — Tabel Frekuensi Karakteristik

Karakteristik responden umumnya berupa data kategorik: data yang nilainya berupa golongan, bukan angka yang bisa dirata-ratakan. “Pria” dan “wanita” adalah golongan; “SMA, D3, S1, S2” adalah golongan. Untuk data seperti ini, dua angka yang kita laporkan adalah:

• Frekuensi — berapa banyak orang di tiap golongan. Cukup dihitung satu per satu (atau lewat COUNTIF di Excel).
• Persentase — porsi golongan itu terhadap seluruh responden, supaya pembaca langsung tahu mana yang dominan tanpa membandingkan angka mentah.

Intuisi persentase

Persentase hanyalah cara menyatakan “berapa bagian dari seratus”. Kalau 58 dari 100 responden pria, maka per seratus orang ada 58 pria — itulah 58%. Kalau totalnya bukan 100, kita ubah dulu ke skala seratus dengan membagi lalu mengalikan 100. Rumusnya:

$$ \text{Persentase} = \frac{f}{n} \times 100\% $$

Penjelasan tiap lambang:

• $f$ = frekuensi satu kategori, yaitu banyak responden di golongan itu. Misalnya 58 pria → $f = 58$.
• $n$ = total responden, yaitu jumlah semua frekuensi dijumlahkan. Misalnya 100 orang → $n = 100$.
• $\dfrac{f}{n}$ = proporsi golongan itu (angka antara 0 dan 1); dikali $100\%$ supaya terbaca sebagai persen. Contoh: $\tfrac{58}{100} = 0{,}58$, dikali 100% jadi $58\%$.

Contoh hitung dari nol — jenis kelamin

Misalkan 100 responden: 58 pria, 42 wanita. Hitung persen masing-masing:

$$ \text{Pria} = \frac{58}{100} \times 100\% = 58\% \qquad \text{Wanita} = \frac{42}{100} \times 100\% = 42\% $$

Susun jadi tabel — selalu lengkap dengan baris total:

Perhatikan baris total: frekuensi berjumlah 100 (= $n$) dan persentase berjumlah 100,0%. Selalu cek dua hal ini — kalau frekuensi tidak menjumlah ke $n$, ada responden yang terlewat atau terhitung dua kali.

Contoh kedua — pendidikan

Pendidikan terakhir 100 responden: SMA 20, D3 15, S1 50, S2 15. Tiap baris dihitung dengan rumus yang sama, mis. S1: $\tfrac{50}{100}\times100\% = 50\%$.

Contoh ketiga — usia (kelompok)

Usia sebenarnya data numerik (rasio), tetapi di profil responden biasanya dikelompokkan menjadi rentang agar ringkas, lalu diperlakukan seperti kategorik. Misalnya 100 responden:

Dari sini kita langsung baca: kelompok terbesar adalah 25–34 tahun (45%), artinya responden didominasi pekerja usia produktif awal.

Bagian 2 — Deskripsi Variabel Penelitian

Variabel penelitian Anda (mis. Kepuasan Kerja, Motivasi) biasanya berupa skor numerik: hasil menjumlahkan jawaban beberapa butir pernyataan. Skor seperti ini tidak digolong-golongkan, tetapi diringkas dengan lima angka:

• N — banyak data (jumlah responden yang punya skor itu).
• Minimum dan Maksimum — skor terkecil dan terbesar yang muncul; memperlihatkan rentang jawaban.
• Mean (rata-rata) — pusat data, dihitung dengan rumus berikut:

$$ \bar{x} = \frac{\sum x}{n} $$

Penjelasan tiap lambang:

• $\bar{x}$ (dibaca “x-bar”) = rata-rata skor.

• $\sum x$ = jumlah semua skor (lambang $\sum$, “sigma”, artinya “jumlahkan semua”). Kalau skornya 20, 24, 15, maka $\sum x = 20+24+15 = 59$.

• $n$ = banyak data yang dijumlahkan.

• Simpangan baku (SD) — ukuran sebaran: seberapa jauh skor khasnya menyimpang dari rata-rata. Rumus lengkap dan penalarannya dibahas di Variabilitas; di sini kita memakai hasilnya untuk melengkapi tabel.

Contoh hitung mean dari nol

Misalkan skor Kepuasan Kerja lima responden: 20, 24, 15, 19, 22. Rata-ratanya:

$$ \bar{x} = \frac{20+24+15+19+22}{5} = \frac{100}{5} = 20 $$

Kalau skor maksimum instrumen adalah 25, rata-rata 20 berarti tingkat kepuasan tergolong tinggi.

Contoh tabel deskriptif lengkap

Sekarang dengan 10 responden, skor Kepuasan Kerja: 15, 18, 19, 20, 21, 21, 23, 24, 24, 25. Kita isi tabel deskriptifnya dari nol.

Mean: jumlahkan semua skor lalu bagi 10.

$$ \bar{x} = \frac{15+18+19+20+21+21+23+24+24+25}{10} = \frac{210}{10} = 21 $$

Minimum = 15, Maksimum = 25. Simpangan baku dihitung lewat langkah simpangan-kuadrat (rincian di Variabilitas); jumlah kuadrat simpangannya 88, sehingga varians sampel $= 88/(10-1) \approx 9{,}78$ dan $\text{SD} = \sqrt{9{,}78} \approx 3{,}13$.

Cara membacanya: rata-rata skor 21 (dari maksimum 25) menandakan kepuasan tinggi; SD 3,13 menunjukkan jawaban antar-responden cukup rapat — tidak ada yang jauh menyimpang. Min 15 dan Max 25 memberi tahu rentang jawaban sesungguhnya.

Kalau variabel numerik ingin digambarkan sebarannya

Tabel deskriptif meringkas variabel ke beberapa angka. Untuk melihat bentuk sebarannya, data numerik bisa digambar sebagai histogram: skor dikelompokkan ke interval, lalu tinggi tiap batang = berapa banyak responden masuk interval itu (= frekuensinya).

Histogram dan tabel frekuensi menampilkan informasi yang sama ($f$ tiap kelompok), hanya bentuknya beda: tabel untuk dibaca tepat, histogram untuk dilihat sekilas. Detail pembuatannya di Tabel Frekuensi dan Histogram.

Menyajikan dengan Benar

Beberapa aturan baku yang sering jadi catatan penguji:

• Tabel demografis punya tiga kolom: kategori, frekuensi, persentase — dan selalu baris total.
• Tabel deskripsi variabel memuat N, Minimum, Maksimum, Mean, SD untuk tiap variabel, satu baris per variabel.
• Persentase dibulatkan konsisten (mis. satu desimal untuk semua), bukan kadang nol kadang dua desimal.
• Setiap tabel dinarasikan. Di bawah tabel, tulis temuan pentingnya, mis. “Mayoritas responden berpendidikan S1 (50%)” atau “Responden didominasi kelompok usia 25–34 tahun (45%)”. Tabel tanpa narasi membuat pembaca menebak sendiri apa yang penting.

Visualisasi Interaktif

Geser angka frekuensi tiap kategori dan amati: persentase dihitung otomatis, totalnya tetap 100%, dan diagram langsung menyesuaikan proporsinya.

Coba lakukan:

1. Ubah frekuensi satu kategori; perhatikan semua persentase ikut berubah karena pembaginya ($n$) berubah.
2. Bandingkan diagram lingkaran (pie) dan diagram batang — keduanya menyajikan proporsi yang sama.
3. Buat satu kategori jauh lebih besar dari yang lain; kategori dominan langsung menonjol.

Cek Pemahaman

1. Survei terhadap 80 responden mencatat status perkawinan: 48 menikah, 32 belum menikah. Susun tabel frekuensinya lengkap dengan persentase dan baris total.

Lihat jawaban

Menikah: $\tfrac{48}{80}\times100\% = 60{,}0\%$. Belum menikah: $\tfrac{32}{80}\times100\% = 40{,}0\%$.

Status	Frekuensi	Persentase
Menikah	48	60,0%
Belum menikah	32	40,0%
Total	80	100,0%

Cek: frekuensi menjumlah ke $n = 80$, persentase ke 100,0%. Benar.

2. Skor Motivasi enam responden: 18, 22, 20, 24, 19, 23. Hitung N, minimum, maksimum, dan mean dari nol.

Lihat jawaban

N = 6. Minimum = 18, Maksimum = 24. Mean: $\bar{x} = \tfrac{18+22+20+24+19+23}{6} = \tfrac{126}{6} = 21$. Jadi rata-rata skor Motivasi adalah 21.

3. (Transfer.) Seorang mahasiswa melaporkan tabel pendidikan responden, tetapi totalnya 98 orang padahal di Bab 3 ia menulis sampelnya 100. Apa kemungkinan masalahnya, dan kenapa baris total membantu menangkapnya?

Lihat jawaban

Ada dua responden yang tidak terhitung — kemungkinan datanya kosong (missing), salah golong, atau terlewat saat memasukkan data. Baris total menangkapnya karena memaksa kita menjumlahkan frekuensi dan membandingkannya dengan $n$ yang dijanjikan ($100$); selisih $100 - 98 = 2$ langsung kelihatan. Tanpa baris total, ketimpangan ini mudah lolos. Langkah lanjutannya: telusuri dua responden hilang itu — lihat Outlier dan Missing Data.

Kesalahan Umum

Persentase tidak berjumlah 100%. Kalau memakai satu desimal, kadang totalnya jadi 99,9% atau 100,1% murni karena pembulatan — itu wajar; cukup beri catatan kaki “selisih akibat pembulatan”. Contoh: tiga kelompok pelatihan masing-masing 30 dari 90 orang menghasilkan $33{,}3\%$ tiga kali, totalnya $99{,}9\%$. Tetapi selisih besar (mis. total 95% atau 108%) berarti salah hitung — periksa ulang.

Lupa baris total. Tabel frekuensi tanpa total membuat pembaca tidak bisa cepat memverifikasi $n$. Selalu sertakan.

Menghitung rata-rata data kategorik. Jangan pernah menghitung “rata-rata pendidikan” atau “rata-rata jenis kelamin” — golongan tidak punya nilai numerik yang bisa dirata-ratakan. Untuk kategorik, laporkan frekuensi/persentase atau modus (golongan terbanyak). Lihat skala pengukuran.

Membandingkan frekuensi mentah antar kelompok beda ukuran. “Departemen A punya 30 responden puas, B punya 20” tidak adil kalau A memang berisi lebih banyak orang. Bandingkan persentasenya, bukan jumlahnya.

Tidak menarasikan tabel. Tabel yang dibiarkan berdiri sendiri memaksa pembaca menebak apa yang penting. Selalu sebutkan temuan utamanya dalam satu-dua kalimat di bawah tabel.

Dipakai di Dunia Nyata

• Bab 4 (Hasil) skripsi & tesis. Bagian pertama selalu deskripsi responden dan variabel, sebelum uji validitas, reliabilitas, dan hipotesis. Penguji hampir pasti menanyakan profil responden lebih dulu.
• Laporan survei & riset pasar. Profil responden (demografi, segmen) memberi konteks: pembaca perlu tahu “suara siapa” yang terangkum sebelum percaya pada simpulannya.
• Dashboard organisasi. Komposisi pelanggan, karyawan, atau peserta program disajikan sebagai frekuensi + persentase agar pengambil keputusan langsung melihat segmen dominan.
• Sensus & kebijakan publik. BPS dan lembaga pemerintah menyajikan jutaan baris data sebagai tabel frekuensi dan persentase — fondasi yang sama, hanya skalanya berbeda.

Lanjutan

Deskripsi responden dan variabel adalah pintu masuk Bab 4. Setelah profil terbaca, langkah berikutnya menggali variabel lebih dalam dan menyiapkan data untuk uji:

• Tingkat Capaian Responden (TCR) — mengubah skor variabel jadi persen capaian yang lebih mudah ditafsir.
• Outlier dan Missing Data — membereskan data ganjil dan kosong sebelum analisis.
• Uji Asumsi Klasik: Ringkasan — gerbang menuju analisis inferensial.

Perlu menyegarkan fondasinya?

• Tendensi Sentral (Mean, Median, Modus) — sumber rumus rata-rata di atas.
• Variabilitas dan Sebaran — asal-usul simpangan baku di tabel deskriptif.
• Tabel Frekuensi dan Histogram — versi visual dari tabel frekuensi.

Reference

• Sugiyono (2019), “Metode Penelitian Kuantitatif, Kualitatif, dan R&D”
• Ghozali, I. (2018), “Aplikasi Analisis Multivariate dengan Program IBM SPSS 25”