Professional Documents
Culture Documents
Oleh:
DITA SULISTYOWATI
0906574801
Transformasi data atau dikenal juga dengan “Modifikasi Data” merupakan cara yang dapat
dilakukan pada beberapa data untuk di analisis sehingga informasi yang diinginkan dapat
diketahui. Perlu tidaknya modifikasi dilakukan dapat dilihat pada definisi operasional
variable dari penelitian/tesis/skripsi.
Transformasi data dapat dilakukan melalui berbagai macam perintah, seperti: recode,
compute, if, select, dan merge.
3
b. Kemudian klik “into different variables”
c. Sorot variable “umur”, lalu klik tanda panah ke kanan sehingga umur berpindah di
kotak Input Variable Output variable
d. Pada kotak output variable, pada bagian Name ketiklah umur1 (nama variable baru
untuk umur yang bentuknya sudah kategorik)
e. Klik change sehingga pada kotak Input variable output variable terlihat umur
umur1
4
f. Apabila akan merecode nilai umur <35 tahun menjadi kode1. Umur dibawah 35 tahun
artinya umur terendah/paling muda sampai dengan 34 tahun.
5
h. Untuk umur > 45 tahun menjadi kode 3. Pada kotak ‘Range: through highest ketiklah
46. Lalu pindahkan kursor ke kotak ‘New value’, ketiklah 3, klik ‘add’. Langkahnya
seperti diatas dan setelah selesai hasilnya sebagai berikut:
i. Klik continue
j. Klik OK, terlihat variable baru ‘umur1’ sudah terbentuk berada dikolom paling kanan
6
2. Compute (membuat variable baru hasil perhitungan matematik)
b. Pilih ‘transform’
7
Pada kotak tersebut terdapat kotak:
‘target variabel’: diisi nama variable yang akan dibuat, dapat merupakan variable
yang lama atau baru, sebaiknya menggunakan nama yang baru.
“Numeric Expression” : diisi rumus yang akan digunakan untuk menghitung nilai
baru pada target variable. Rumus yang tertulis dapat mengandung nama variable yang
sudah ada, operasi matematik dan fungsi, misalnya + (penjumlahan), - (pengurangan),
*(perkalian), / (pembagian), ** (pangkat), (.) kurung.
d. Bila akan membuat variable baru umur, dengan nama “umur2” (umur dalam bulan),
maka pada kotak ‘target variabel’, ketiklah “umur2”.
e. Klik kotak ‘Numeric Expression’, sorot dan pindahkan variable umur setelah itu
kalikan dengan 12, tampilannya : umur*12, sehingga terlihat di layar:
8
f. Klik “OK”, sesaat kemudian variable “umur2” akan muncul dibagian paling kanan.
Perintah If digunakan jika dalam transformasi data dibutuhkan himpunan bagian dari
kasus yang menggunakan ekspresi kondisi, misalnya symbol >, <, >=, <=, atau -=. Dalam
pengertian lain, perintah If digunakan dalam pembuatan variable baru dari kondisi
beberapa variable yang ada.
9
Langkah-langkah melakukan If pada SPSS adalah sebagai berikut:
a. Pilih “transform”
b. Pilih “compute”
e. Klik “OK”, terlihat dilayar variabel “risiko” sudah terbentuk dengan semua selnya
berisi angka nol.
10
f. Langkah kedua:
Membuat kondisi risiko tinggi (kode 1) untuk tekanan darah > 89 dan umur > 45
j. Pada kotak “numeric expression”, hapus angka 0 dan gantilah dengan angka 1.
11
k. Klik tombol “If”, sesaat kemudian akan muncul dialog “computevariable: If cases”
m. Pada kotak dibawah option include….: ketiklah tekdarah > 89 & umur > 45
n. Klik “Continue”
p. Klik “OK”, maka terbentuklah variable “risiko” pada kolom paling kanan dengan isi
0 dan 1 (0=risiko rendah dan 1=risiko tinggi), kalau menemui data yang berisi umur
diatas 45 tahun maka isi variable “risiko” akan berubah dari 0 menjadi 1 seperti
tampilan dibawah ini:
12
4. Select (memilih sebagian data)
Perintah select digunakan bila seorang peneliti hanya ingin mengetahui atau mengolah
dan menganalisis hanya data dari kelompok tertentu saja. Misalnya kita ingin
menganalisis data hanya responden dengan pendidikan SMA saja,
Langkah-langkah melakukan select variable pendidikan SMA pada SPSS adalah sebagai
berikut:
13
d. Klik “If”
e. Ketiklah/sorot dan pindah pada kotak dan tuliskan kondisinya yaitu risiko =0
f. Klik “continue”
g. Perhatikan di bagian bawah pada kotak: Unselected cases are: filtered atau deleted.
Pilihlah filtered artinya data yang tidak dianalisis hanya ditandai dengan pencoretan
nomor kasus. Sedangkan untuk deleted, artinya kasus akan dihapus secara permanen.
h. Klik “OK” sehingga kembali ke data editor. Akan terdapat nomor kasus yang dicoret
yang artinya dikeluarkan dari data, sedangkan yang tidak dicoret merupakan data
yang aktif (responden yang tidak berisiko tinggi)
14
5. Merge (menggabungkan data)
Perintah merge digunakan bila dalam pengolahan data terdapat lebih dari satu file data,
melainkan beberapa file data yang harus digabungkan untuk melakukan analisis data.
Terdapat dua jenis tehnik penggabungan data yaitu penggabungan responden dan
penggabungan variable.
15
a. Penggabungan responden/case
Langkahnya :
Misal:
Aplikasi di SPSS:
17
a.7. Untuk menyimpan file gabungan, klik save as isikan nama file baru, misalnya
data12
b. Penggabungan variabel
18
Data 2a: berisi variabel tek darah dan rokok
19
b.2. Klik Add Variables
b.3. Klik open, klik OK
b.4. Tampilan sudah tergabung variabelnya dan lakukan penyimpanan dengan klik
save as dan beri nama baru, misal: data12a.
20
ANALISIS DATA DESKRIPTIF
I. PENGERTIAN
Analisis data deskriptif atau statistic deskriptif merupakan gambaran keadaan suatu data
secara umum. Analisisnya merupakan analisis paling mendasar dari analisis deskriptif
itu sendiri. Analisis meliputi analisis frekuensi, statistic deskriptif, eksplorasi data, table
silang, analisis rasio, P-P Plots dan Q-Q Plots.
1. Mean (rata-rata)
Adalah ukuran rata-rata yang merupakan hasil dari jumlah semua nilai pengukuran
dibagi oleh banyaknya pengukuran.
4. Varian (variasi)
Adalah nilai-nilai hasil pengamatan yang saling berbeda satu sama lain (bervariasi).
Untuk mengetahui seberapa jauh variasi data digunakan ukuran variasi antara lain
range, jarak linier kuartil dan standar deviasi.
21
III.LANGKAH-LANGKAH
1. Data kategorik
b. Dari menu utama SPSS pilih “analyze”, kemudian ‘descriptive statistic’ dan pilih
‘frequencies’, sehingga akan seperti:
c. Sorot variable berupa data kategorik seperti ‘pendidikan’ dan riwayat merokok.
Klik tanda panah dan masukkan ke kotak “variable”
22
d. Klik ‘OK’, hasil dapat dilihat di jendela output, seperti dibawah ini:
Frequencies
Statistics
tingkat riwayat
pendidikan perokok
N Valid 30 30
Missing 0 0
Frequency Table
tingkat pendidikan
Cumulative
Frequency Percent Valid Percent Percent
Valid 1 16 53.3 53.3 53.3
2 6 20.0 20.0 73.3
3 8 26.7 26.7 100.0
Total 30 100.0 100.0
riwayat perokok
Cumulative
Frequency Percent Valid Percent Percent
Valid tidak perokok 16 53.3 53.3 53.3
perokok 14 46.7 46.7 100.0
Total 30 100.0 100.0
2. Data Numerik
23
a. Pilih Analyse pada menu, Pilih Descriptive Statistic dan Pilih
Frequencies
c. Klik Statistic, pilih ukuran yang diminta yaitu: Mean, Median, Standar
Deviasi, Minimum, Maximum, Standar Error
24
e. Klik Continue, kemudian Klik tombol option “ Charts” lalu muncul menu baru
dan klik “Histogram” lalu klik “With Normal Curve”.
Frequencies
Statistics
umur TD diastole
N Valid 30 30
Missing 0 0
Mean 39.27 81.50
Std. Error of Mean 1.164 1.828
Median 38.50 80.00
Mode 32 80
Std. Deviation 6.373 10.013
Minimum 30 60
25
Maximum 50 110
Frequency Table
umur
Cumulative
Frequency Percent Valid Percent Percent
Valid 30 1 3.3 3.3 3.3
31 2 6.7 6.7 10.0
32 3 10.0 10.0 20.0
33 2 6.7 6.7 26.7
34 1 3.3 3.3 30.0
35 1 3.3 3.3 33.3
36 2 6.7 6.7 40.0
37 2 6.7 6.7 46.7
38 1 3.3 3.3 50.0
39 1 3.3 3.3 53.3
40 1 3.3 3.3 56.7
41 1 3.3 3.3 60.0
42 2 6.7 6.7 66.7
43 2 6.7 6.7 73.3
44 1 3.3 3.3 76.7
45 1 3.3 3.3 80.0
47 1 3.3 3.3 83.3
48 2 6.7 6.7 90.0
49 1 3.3 3.3 93.3
50 2 6.7 6.7 100.0
Total 30 100.0 100.0
TD diastole
Cumulative
Frequency Percent Valid Percent Percent
Valid 60 1 3.3 3.3 3.3
70 4 13.3 13.3 16.7
75 3 10.0 10.0 26.7
80 12 40.0 40.0 66.7
85 3 10.0 10.0 76.7
90 5 16.7 16.7 93.3
105 1 3.3 3.3 96.7
110 1 3.3 3.3 100.0
Total 30 100.0 100.0
26
Histogram
umur
5
Frequency
M ean=39.27
Std. Dev. =6.373
N=30
0
30 35 40 45 50
umur
27
TD diastole
12
10
8
Frequency
Mean =81.5
Std. Dev. =10.013
N =30
0
60 80 100 120
TD diastole
3. Bentuk Grafik/Diagram
Jenis-jenis grafik :
28
a. Histogram, yaitu grafik yang digunakan untuk menyajikan data kontinyu.
b. Frekwensi Poligon, yaitu digunakan untuk data kontinyu seperti pada histogram
dengan menghubungkan puncak-puncak dari balok-balok histogram.
c. Ogive, yaitu grafik dari data kontinyu dan dalam bentuk frekwensi kumulatif.
Dari perpotongan ogive ”kurang dari” dan ”besar dari” akan mendapatkan nilai
yang tepat untuk letak dan besarnya nilai modus.
d. Diagram Garis, digunakan untuk menggambarkan data diskrit atau data dengan
skala nominal yang menggambarkan perubahan dari waktu ke waktu.
e. Diagram Batang, digunakan untuk menyajikan data diskrit atau dengan skala
nominal maupun ordinal. Bedanya dengan balok histogram, pada histogram
balok-baloknya menyambung sebab histogram menggambarkan data-data
kontinyu. Gambar balok, dapat vertikal atau horisontal. Cara menampilkan balok :
Single bar, multiple bar dan subdivided bar.
f. Diagram Pie, digunakan untuk menyajikan data diskrit atau data dengan skala
nominal dan ordinal atau disebut juga data kategorik.
g. Diagram Tebar, digunakan untuk menggambarkan hubungan 2 macam variabel
yang diperkirakan ada hubungan. Sumbu Y adalah variabel dependen, sedangkan
sumbu X adalah variabel independen.
h. Pictogram, yaitu diagram yang digambar sesuai dengan obejknya, misalnya
jumlah penduduk dengan menggunakan orang, penyakit jantung dengan
menggunakan gambar jantung.
i. Diagram Peta, menggambarkan peta dari suatu daerah. Permasalahan yang akan
digambarkan ditunjukkan langsung di peta tersebut.
j. Box-plot dan Whiskers-plot, digunakan untuk menyajikan data numerik, dipakai
juga untuk membandingkan beberapa pengamatan.
k. Diagram batang dan daun. Penyajian data dalam bentuk distrubusi frekwensi
akan menghilangkan nilai aslinya dari data tersebut. Untuk menghilangkan
kelemahan ini digunakan diagram batang dan daun.
l. Diagram Pareto, yaitu diagram batang yang disusun dengan susunan tinggi
rendahnya batang sehingga dengan demikian dapat diinterpretasi.
29
Data variable kategorik berupa tingkat pendidikan dan riwayat merokok dapat
disajikan dalam bentuk table di bawah ini.
Tabel 1
Distribusi Responden Menurut Tingkat Pendidikan
Di RT. 011 RW. 05 Kelurahan Jatijajar tahun 2010
Pendidikan Jumlah Presentase
SMA 16 53.3
SMP 6 20.0
SD 8 26.7
Total 30 100
Tabel 2
Distribusi Responden Menurut Riwayat Merokok
Di RT. 011 RW. 05 Kelurahan Jatijajar tahun 2010
Riwayat Merokok Jumlah Presentase
Tidak Merokok 16 53.3
Merokok 14 46.7
Total 30 100
Data variable numerik berupa umur dan tekanan darah dapat disajikan dalam bentuk
diagram di bawah ini.
Diagram 1
Distribusi Responden Menurut Umur
Di RT. 011 RW. 05 Kelurahan Jatijajar tahun 2010
10
8
frekuensi
6
4
2
0
30-34 35-39 40-45 45-49 50-55
umur
30
Diagram 2
Distribusi Responden Menurut Tekanan Darah Diastole
Di RT. 011 RW. 05 Kelurahan Jatijajar tahun 2010
16
14
12
frekuensi
10
8
6
4
2
0
0-60 61-70 71-80 81-90 91-100 101-110 111-120
tekanandarah
TD diastole
12
10
8
Frequency
umur
6
4
5
Frequency
4
2
Mean =81.5
3
Std. Dev. =10.013
N =30
0
2 60 80 100 120
TD diastole
1
Mean =39.27
Std. Dev. =6.373
N =30
0
30 35 40 45 50
umur
Pada grafik di atas, kurva tampak menyerupai bel shape yang berarti data variable umur dan
tekanan darah berdistribusi normal.
31
2. Menggunakan nilai Skewness dan standar errornya, bila nilai skweness di bagi standar
errornya menghasilkan angka ≤ 2, maka distribusinya normal.
Langkah-langkah untuk mencari nilai skewness, misal:
a. Variabel umur:
1) Klik Analyze, pilh descriptive statistic, pilih explore
2) Isi kotak “Dependent List” dengan variabel “ Umur”, kotak “ Faktor List” dan “Label
Cases By”, biarkan kosong, sehingga tampilannya sebagai berikut:
32
3) Klik tombol Plots
4) Pilih Normality plots with tests
5) Klik Continue, kemudian Klik OK, hasilnya sebagai berikut:
Explore
Descriptives
Tests of Normality
33
Kolmogorov-Smirnov(a) Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
umur .106 30 .200(*) .935 30 .065
* This is a lower bound of the true significance.
a Lilliefors Significance Correction
umur
umur Stem-and-Leaf Plot
9.00 3 . 011222334
7.00 3 . 5667789
7.00 4 . 0122334
5.00 4 . 57889
2.00 5 . 00
Stem width: 10
Each leaf: 1 case(s)
2
Expected Normal
-1
-2
25 30 35 40 45 50
ObservedValue
34
Detrended Normal Q-Q Plot of umur
0.4
0.2
Dev from Normal
0.0
-0.2
30 35 40 45 50
Observed Value
50
45
40
35
30
umur
35
Dari hasil analisis “Explore” didapatkan nilai skewness dan standar error. Hasil dari
perbandingan nilai skewness dan standar error pada variabel umur yaitu: 0,249/0,427 =
0,583, hasilnya nilai masih kurang dari 2, berarti dapat disimpulkan variabel umur
berdistribusi normal.
3. Uji Kolmogorov Smirnow, bila hasil uji significant (p value > 0.05) maka distribusi normal.
Namun uji kolmogrov sangat sensitif dengan jumlah sampel, maksudnya: untuk sampel yang
besar uji kolmogorov cenderung menghasilkan uji yang significant (yang artinya bentuk
distribusinya tidak normal). Atas dassar kelemahan ini dianjurkan untuk mengetahui
kenormalan data lebih baik menggunakan angka skewness atau melihat grafik hortogram
dan kurve normal.
Referensi:
Panduan Praktis: Pengolahan data statistic dengan SPSS 15.0. (2007), Editor: Agnes Heni
Triyuliana, Yogyakarta: Penerbit Andi (Wahana Komputer)
36