Program Studi Bisnis Digital • FEB

Statistika Bisnis

Pertemuan 6 — Praktikum Statistik: Mengolah Data dengan Software

Dari rumus di papan tulis ke klik di layar — mengubah data mentah menjadi angka deskriptif, tabulasi silang, uji normalitas, dan ANOVA dengan bantuan software.

RPS minggu 6 · 2x50 menit

Bagian 1 dari 3

Dari Rumus ke Klik: Kenapa Software?

Mengenal alasan, alat, dan anatomi software statistik sebelum kita mulai mengolah data sungguhan.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu mengolah data bisnis dengan software statistik, mulai dari input sampai interpretasi output. Secara rinci:

Input & Struktur

Menyusun dataset yang rapi dan menentukan skala pengukuran tiap variabel sebelum diolah.

Deskriptif & Distribusi

Menjalankan statistik deskriptif, crosstab, dan uji normalitas lewat software, lalu membaca outputnya.

ANOVA di Software

Menjalankan uji ANOVA satu arah dan menafsirkan tabel F beserta signifikansinya.

Siap Praktikum Mandiri

Mengerjakan latihan olah data sendiri sebagai bekal menuju uji hipotesis pertemuan depan.

Peta Perjalanan: dari Probabilitas ke Praktikum

Pertemuan ini adalah titik temu dari lima materi yang sudah Anda pelajari — hari ini semuanya dipraktikkan dengan software, bukan lagi kalkulator.

P1–P2

Probabilitas & statistik non-parametrik (tabulasi silang) → jadi menu Crosstabs di software.

P3–P4

Distribusi normal, nilai-z, ANOVA → jadi menu Explore dan One-Way ANOVA.

P5–P6

Estimasi univariat → hari ini kita praktikkan semuanya lewat software, satu dataset utuh.

Pertemuan 7 akan melanjutkan langsung ke uji hipotesis univariat — jadi kemahiran Anda mengoperasikan software hari ini akan langsung terpakai.

Manual vs Software: Kapan Pakai yang Mana?

Keduanya bukan pesaing — manual membangun logika, software membangun kecepatan dan skala.

Hitung Manual

Cocok untuk data kecil (di bawah ~20 baris) dan untuk belajar konsep.
Anda melihat setiap langkah rumus — bagus untuk ujian dan pemahaman dasar.
Rawan salah hitung kalau datanya besar, misalnya 500 transaksi harian toko online.

Software Statistik

Cocok untuk data besar — ribuan baris data penjualan atau data survei pelanggan.
Hasil konsisten & cepat, bisa diulang kalau ada data baru masuk.
Tetap butuh Anda paham logika di baliknya supaya tidak salah interpretasi output.

Software hanya secepat dan seakurat data yang Anda masukkan — garbage in, garbage out tetap berlaku.

Kenalan Software: Excel, SPSS, dan Sekilas Python/R

Kelas ini fokus pada Excel dan SPSS karena paling umum di dunia bisnis; Python/R sekadar dikenalkan sebagai gambaran jenjang lanjutan.

Software	Kelebihan Utama	Contoh Pemakaian di Bisnis
Microsoft Excel	Familiar, cepat untuk data kecil-menengah, langsung bisa bikin grafik	Laporan penjualan bulanan UMKM, rekap kas kecil
SPSS	Menu statistik lengkap & siap pakai, output tabel akademik standar	Riset pasar, survei kepuasan pelanggan e-commerce
Python / R	Fleksibel, bisa otomatisasi & data besar (big data)	Analisis data transaksi skala jutaan baris di fintech

Praktikum hari ini kita gunakan SPSS sebagai contoh utama karena tampilan menunya paling menuntun untuk pemula — logikanya sama saja bila nanti Anda pakai software lain.

Anatomi Software: Data View & Variable View

Sebelum input data, kenali dua "ruang kerja" utama di software statistik seperti SPSS.

Tipe Data & Skala Pengukuran

Software perlu tahu skala tiap variabel supaya analisis yang dijalankan tidak salah menu.

Nominal & Ordinal

Kategori tanpa/dengan urutan — contoh: jenis kelamin, tingkat kepuasan (puas/cukup/kurang). Dianalisis dengan crosstab.

Interval & Rasio

Angka sungguhan dengan jarak bermakna — contoh: nilai penjualan (Rp), jumlah unit terjual. Dianalisis dengan mean, ANOVA.

Contoh Variabel	Skala	Menu Analisis yang Cocok
Metode pembayaran (transfer/e-wallet/COD)	Nominal	Frequencies, Crosstabs
Kategori kepuasan pelanggan (1–5)	Ordinal	Crosstabs, median
Omzet harian (Rp)	Rasio	Descriptives, ANOVA

Bagian 2 dari 3

Input, Deskripsi, dan Distribusi Data

Praktik langsung: memasukkan data, menghitung statistik deskriptif, tabulasi silang, dan uji normalitas dengan software.

Langkah Input Data: dari Excel ke SPSS

Alur paling umum di dunia kerja: data dikumpulkan di Excel, lalu diimpor ke SPSS untuk analisis lebih dalam.

Rapikan data di ExcelSatu baris = satu unit data (mis. satu transaksi), satu kolom = satu variabel, tanpa sel kosong di tengah.

Beri nama kolom yang jelasContoh: "penjualan_unit", bukan "Sheet1!B2" — hindari spasi dan simbol aneh.

Impor ke SPSSFile → Open → Data, pilih tipe file Excel (.xlsx), centang "Read variable names".

Cek Variable ViewPastikan tipe data (numeric/string) dan skala pengukuran (nominal/ordinal/skala) sudah sesuai.

Cek ulang di Data ViewScroll sekilas, pastikan tidak ada angka yang "meleset baris" akibat proses impor.

Di banyak perusahaan, alur kerja nyatanya memang seperti ini: tim lapangan atau admin toko mengumpulkan data mentah di Excel karena paling mudah diisi, lalu analis memindahkannya ke SPSS untuk olah statistik yang lebih lengkap. Langkah paling krusial ada di nomor satu dan dua — kalau struktur data di Excel sudah berantakan, misalnya ada baris judul di tengah tabel atau kolom yang digabung, proses impor ke SPSS bisa gagal total atau menghasilkan data yang salah baca. Saya sering melihat mahasiswa terburu-buru langsung menganalisis tanpa mengecek ulang Variable View, akibatnya variabel kategori seperti "metode pembayaran" malah dibaca sebagai skala rasio. Karena itu, langkah empat dan lima yang terlihat sepele justru paling sering menyelamatkan Anda dari kesalahan analisis di kemudian hari.

Hitung dari Nol: Statistik Deskriptif

Data penjualan harian toko online (unit) selama 5 hari: 40, 45, 50, 55, 60. Mari verifikasi manual sebelum membandingkan dengan output software.

Langkah	Perhitungan	Nilai
Jumlah data (n)	cacah data	5
Total penjualan (Σx)	40+45+50+55+60	250
Rata-rata (mean)	250 ÷ 5	50 unit
Jumlah kuadrat selisih	10²+5²+0²+5²+10²	250
Variansi sampel (s²)	250 ÷ (5−1)	62,5
Standar deviasi (s)	√62,5	≈ 7,91 unit

Jalankan Analyze → Descriptive Statistics → Descriptives di SPSS — angka mean 50 dan std. deviation 7,91 akan muncul otomatis, persis hasil hitungan manual ini.

Membaca Output Descriptive Statistics

Tabel output SPSS memuat lebih banyak angka dari sekadar mean — ini cara membacanya.

Kolom Output	Artinya	Contoh (data kita)
N	Jumlah data yang diolah	5
Minimum / Maximum	Nilai terkecil & terbesar	40 / 60
Mean	Rata-rata	50,00
Std. Deviation	Sebaran data dari rata-rata	7,905

Kalau N di output tidak sama dengan jumlah baris data Anda, biasanya ada data kosong (missing) yang otomatis dikeluarkan software — ini sinyal untuk cek ulang input Anda.

Membaca output software itu keterampilan tersendiri yang perlu dilatih, karena angka-angka itu tidak akan berguna kalau Anda tidak paham artinya. N di output bukan sekadar formalitas — kalau Anda punya seratus baris data survei kepuasan pelanggan tapi N yang muncul hanya sembilan puluh lima, artinya ada lima responden dengan jawaban kosong yang otomatis tidak dihitung software. Minimum dan maximum berguna untuk mendeteksi data aneh, misalnya kalau ada angka penjualan minus atau angka yang jauh di luar kewajaran seperti sepuluh ribu unit padahal toko biasanya hanya menjual puluhan unit sehari. Kebiasaan mengecek keempat angka ini sebelum melangkah ke analisis lanjutan akan menyelamatkan Anda dari kesalahan interpretasi di kemudian hari, seperti yang sering terjadi pada laporan riset pasar yang terburu-buru.

Tabulasi Silang (Crosstab) dengan Software

Mengulang materi pertemuan 2 — kali ini lewat menu Analyze → Descriptive Statistics → Crosstabs.

Pilih dua variabel kategoriContoh: "metode pembayaran" (baris) dan "wilayah pelanggan" (kolom) dari data toko online.

Masukkan ke kotak Row(s) dan Column(s)SPSS otomatis menyusun tabel kontingensi seperti yang dulu Anda buat manual.

Centang Cell → PercentagesSupaya tabel menampilkan persentase, bukan hanya jumlah mentah — lebih mudah dibaca.

Baca pola di outputCari wilayah/metode mana yang paling dominan, bandingkan dengan dugaan awal Anda.

Contoh nyata: sebuah UMKM fesyen di Shopee ingin tahu apakah pelanggan di Jabodetabek lebih sering memakai e-wallet dibanding pelanggan luar Jawa — jawabannya langsung terlihat di satu tabel crosstab.

Hitung dari Nol: Cek Posisi Data dengan Skor-z

Memakai hasil pertemuan 3 (distribusi normal & nilai-z) untuk mengecek posisi hari penjualan tertinggi (60 unit) dalam distribusi.

Langkah	Perhitungan	Nilai
Nilai data (x)	hari penjualan tertinggi	60 unit
Rata-rata (μ)	dari slide sebelumnya	50 unit
Standar deviasi (σ)	dari slide sebelumnya	7,91 unit
Selisih (x − μ)	60 − 50	10
Skor-z	10 ÷ 7,91	≈ 1,26
Posisi di kurva normal	tabel-Z untuk z=1,26	≈ persentil ke-89,6

Membaca Grafik Normalitas: Histogram & Q-Q Plot

Software juga menampilkan grafik uji normalitas — dua yang paling sering dipakai adalah histogram dengan kurva normal, dan Q-Q plot.

Dua grafik ini adalah cara cepat "melihat dengan mata" apakah data Anda mendekati distribusi normal, sebelum nanti dikonfirmasi dengan angka uji seperti Kolmogorov-Smirnov atau Shapiro-Wilk yang akan disinggung sekilas di pertemuan mendatang. Pada histogram, kalau bentuknya menyerupai lonceng yang simetris seperti gambar di kiri, itu tanda data cenderung normal — bayangkan ini seperti sebaran tinggi badan mahasiswa di satu angkatan, kebanyakan di tengah, sedikit yang ekstrem tinggi atau pendek. Pada Q-Q plot di sebelah kanan, kalau titik-titik data menempel rapat pada garis diagonal, itu juga tanda data mendekati normal; semakin titik-titik menjauh dan melengkung dari garis, semakin data itu menyimpang dari normal. Software seperti SPSS menghasilkan kedua grafik ini otomatis lewat menu Analyze → Descriptive Statistics → Explore, dengan mencentang opsi Normality plots with tests.

Bagian 3 dari 3

Dari ANOVA ke Siap Uji Hipotesis

Menjalankan ANOVA satu arah dengan software, menghindari kesalahan umum, lalu latihan mandiri.

Menjalankan ANOVA Satu Arah di Software

Menguji apakah rata-rata penjualan berbeda signifikan antar tiga cabang toko — lewat Analyze → Compare Means → One-Way ANOVA.

Siapkan variabelVariabel dependen: penjualan (rasio). Variabel faktor: cabang toko (nominal, 3 kategori).

Masukkan ke kotak yang sesuaiPenjualan → Dependent List; Cabang → Factor.

Klik Options → DescriptiveSupaya output menampilkan mean tiap cabang, bukan hanya hasil uji F.

Klik OK dan tunggu outputSPSS menghitung sum of squares, F, dan Sig. dalam hitungan detik.

Membaca Output ANOVA: Tabel F & Sig.

Fokus pada dua kolom ini dulu sebelum menafsirkan tabel ANOVA yang lebih lengkap.

Sumber Varians	df	F	Sig.
Between Groups (antar cabang)	2	5,84	0,012
Within Groups (dalam cabang)	27	—	—
Total	29	—	—

Aturan cepat: kalau Sig. < 0,05, rata-rata antar kelompok berbeda signifikan. Pada contoh ini, Sig. = 0,012 < 0,05 → rata-rata penjualan ketiga cabang berbeda signifikan.

Di antara semua angka pada tabel ANOVA, kolom Sig. adalah yang paling langsung menjawab pertanyaan penelitian Anda — kalau nilainya di bawah 0,05, artinya perbedaan rata-rata yang terlihat bukan kebetulan, melainkan signifikan secara statistik. Pada contoh minimarket tadi, Sig. sebesar 0,012 berarti kita cukup yakin rata-rata penjualan cabang Semarang, Solo, dan Yogyakarta memang berbeda, bukan sekadar variasi acak harian. Nilai F sebesar 5,84 sendiri adalah rasio antara variasi antar cabang dan variasi dalam cabang — semakin besar nilai F, semakin besar perbedaan antar kelompok dibanding variasi di dalam kelompok itu sendiri. Perlu Anda catat, ANOVA hanya memberi tahu ada perbedaan atau tidak secara keseluruhan; uji lanjutan seperti post-hoc test diperlukan untuk tahu persis cabang mana yang berbeda dari cabang mana, tapi itu topik di luar cakupan hari ini.

Kesalahan Umum Saat Praktikum

Empat kesalahan yang paling sering membuat hasil olah data software jadi keliru.

Salah skala pengukuran
Variabel kategori (mis. metode bayar) diatur sebagai skala numerik — mean-nya jadi tidak bermakna.

Data kosong tak diperiksa
Baris kosong atau salah ketik (mis. "5O" bukan angka "50") membuat N di output tidak sesuai harapan.

Koma vs titik desimal
Pengaturan region berbeda (Indonesia pakai koma) bisa membuat software salah baca angka desimal.

Tidak cek Variable View
Lupa mengecek tipe data sebelum analisis — menu yang muncul jadi terbatas atau salah.

Keempat kesalahan ini bukan hipotesis saya, melainkan pola yang berulang setiap saya mendampingi praktikum, jadi anggap ini peringatan berdasarkan pengalaman nyata. Kesalahan koma versus titik desimal misalnya sering terjadi ketika data diambil dari sistem yang di-setting format Amerika, sehingga angka lima koma lima ditulis sebagai "5.5" tapi terbaca software Indonesia Anda sebagai lima ribu lima ratus. Data kosong yang tidak diperiksa juga rawan terjadi kalau Anda menyalin data dari laporan penjualan e-commerce yang punya baris ringkasan di tengah tabel, bukan hanya data transaksi murni. Kebiasaan baik yang saya sarankan: selalu scroll sekilas seluruh dataset dan cek Variable View sebelum menekan tombol analisis apa pun, seperti kebiasaan double-check yang dilakukan analis keuangan sebelum mengirim laporan ke atasan.

Latihan Praktikum Hari Ini

Kerjakan dengan dataset yang dibagikan dosen (data penjualan 3 cabang, 30 hari) — kumpulkan sebelum pertemuan berakhir.

Tugas Praktikum

Input data ke SPSS, atur Variable View dengan benar.
Jalankan Descriptives — catat mean & std. deviation.
Jalankan Crosstabs untuk variabel kategori yang tersedia.
Jalankan One-Way ANOVA antar 3 cabang, catat nilai Sig.

Jembatan ke Pertemuan 7

Nilai Sig. ANOVA hari ini akan langsung dipakai untuk uji hipotesis.
Bawa hasil praktikum Anda — jadi bahan latihan minggu depan.
Topik: menyusun H0/H1 dan menguji hipotesis univariat.

Kalau ada output yang terasa janggal (mis. mean negatif untuk data penjualan), kembali cek Variable View dan skala pengukuran — jangan langsung menyalahkan software.