P. 1
Analisis Data Spss (Sutanto Fkm Ui 2006)

Analisis Data Spss (Sutanto Fkm Ui 2006)

4.5

|Views: 7,771|Likes:
Published by Ayu Indri

More info:

Published by: Ayu Indri on Sep 10, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

08/12/2015

pdf

text

original

SUTANTO PRIYO HASTONO: Analisis Data

ANALISIS DATA
SUTANTO PRIYO HASTONO FAKULTAS KESEHATAN MASYARAKAT UNIVERSITAS INDONESIA, 2006

1

SUTANTO PRIYO HASTONO: Analisis Data

1

PENDAHULUAN STATISTIK dan PENELITIAN

1. Statistik dan Penelitian Statistik dalam arti sempit berarti angka/data. Sedangkan dalam arti luas statistik sebagi suatu prosedur atau metode pengumpulan data, pengolahan data, analisis data dan penyajian data. Sedangkan penelitian adalah cara ilmiah untuk mendapatkan data dengan tujuan dan kegunaan tertentu. Data yang diperoleh melalui penelitian harus akurat, artinya data yang dihasilkan harus memenuhi kriteria: valid, reliabel artinya dan obyektif. Valid data artinya yang ketepatan/kecermatan pengukuran, ketepatan antara

sesungguhnya terjadi pada obyek dengan data yang dapat dikumpulkan oleh peneliti. Misalkan data dalam obyek berwarna merah, maka data yang terkumpul oleh peneliti juga berwarna merah. Contoh lain, kita akan mengukur waktu lomba lari cepat, kalau mengukurnya dengan jam tangan tentunya hasilnya tidak valid, untuk lomba lari cepat akan valid bila menggunakan alat Stop watch. Contoh lain, bila survei melakukan wawancara dengan orang pedesaan Cianjur tidak valid kalau wawancaranya menggunakan bahasa batak, akan valid bila menggunakan bahasa sunda. Reliabel menunjukkan kekonsistensian pengukuran, artinya pengukuran diulangulang akan mendapatkan hasil yang sama. Misalkan data yang terkumpul dari obyek kemarin berwarna hijau, maka sekarang atau besuk juga masih tetap berwarna hijau. 2

SUTANTO PRIYO HASTONO: Analisis Data Objektif menunjukkan derajat persamaan persepsi antar orang. Jadi misalkan orang tertentu melihat bahwa obyek itu bewarna putih, maka orang lainpun akan menyatakan sama, yaitu putih. 2. Peran Statistik dalam Penelitian Peran statistik dalam suatu penelitian dimulai dari tahap awal sampai dengan akhir penelitian. Adapun perannya: a. Alat untuk menghitung besarnya sampel yang akan diteliti b. Alat untuk menguji validitas dan reliabilitas instrumen c. Alat untuk pengolahan data d. Alat untuk analisis data e. Alat untuk penyajian data 3. Kegunaan statistik/penelitian di Bidang Kesehatan a. Mengukur status kesehatan masyarakat dan mengetahui permaslahan kesehatan b. Membandingkan status kesehatan di satu tempat dengan tempat lain, atau membandingkan status kesehatan waktu lampau dengan saat sekarang c. Evaluasi dan monitoring kegagalan dan keberhasilan program kesehatan yang sedang dilaksanakan d. Keperluan estimasi tentang kebutuhan pelayanan kesehatan e. Perencanaa program kesehatan d. keperluan Research dan publikasi masalah-maslash kesehatan 4. Jenis Data Dalam menggunakan statistik perlu dipahami benar mengenai definisi data dan jenis-jenis data. Data merupakan kumpulan angka/huruf hasil dari penelitian terhadap sfat/karakteristik yang kita teliti. Isi data pada umumnya bervariasi (misalnya data berat badan dalam suatu kelompok orang ada yang beratnya 60 kg, 50 kg, 75 kg dst) sehingga muncul istilah variabel. Jadi variabel merupakan 3

SUTANTO PRIYO HASTONO: Analisis Data karakteristik yang nilai datanya bervariasi dari suatu pengukuran ke pengukuran berikutnya. Menurut skala pengukurannya, variabel dibagi empat jenis, yaitu nominal, ordinal, interval dan rasio. a. Nominal, variabel yang hanya dapat membedakan nilai datanya dan tidak tahu nilai data mana yang lebih tinggi atau rendah. Contoh; jenis kelamin, suku dll. Jenis kelamin laki-laki tidak lebih tinggi dibandingkan perempuan . Suku Jawa tidak dapat dikatakan lebih baik/lebih buruk dari suku sunda. Dengan ilustrasi ini dapat dijelaskan bahwa variabel nominal, nilai datanya sederajat. b. Ordinal, variabel yang dapat membedakan nilai datanya dan juga sudah diketahui tingkatan lebih tinggi atau lebih rendah, tapi belum diketahui besar beda antar nilai datanya. Contoh pendidikan, pangkat, stadium penyakit dll. Pendidikan SD pengetahuannya lebih rendah dibandingkan SMP. Namun demikian, kita tidak dapat tahu besar perbedaan pengetahuan orang SD dengan SMP. c. Interval, variabel yang dapat dibedakan, diketahui tingkatannya dan diketahui juga besar beda antar nilainya, namun pada variabel interval belum diketahui kelipatan suatu nilai terhadap nilai yang lain dan pada skala interval tidak mempunyai titik nol mutlak. Contohnya variabel suhu, misalnya benda A suhunya 40 derajat dan benda B 10 derajat. Benda A lebih panas dari benda B dan beda panas anta benda A dan B 30 derajat, namun kita tidak bisa mengatakan bahwa benda A panasnya 4 kali dari benda B (ini berarti tidak ada kelipatannya!). Selanjutnya, kalau suatu benda suhunya 0 derajat, ini tidak berart bahwa benda tersebut tidak punya panas (tidak mempunyai nilai nol mutlak), d. Rasio, variabel yang paling tinggi skalanya, yaitu bisa dibedakan, ada tingkatan, ada besar beda dan ada kelipatannya serta ada nol mutlak. Contoh berat badan, tinggi badan dll. Misal A beratnya 30 kg dan B beratnya 60 kg. Dalam hal ini dapat dikatakan bahwa A lebih ringan dari B, selisih berat 4

jenis pekerjaan. pendidikan b. data katagorik dan data numerik. Numerik (kuantitatif). Dalam analisis seringkali digunakan pembagian data/variabel menjadi dua kelompok yaitu. berat 0 kg. Cirinya: isi variabel berbentuk angka-angka. namun bila dikelompokkan menjadi kurus (<50 kg). sex. Diskrit merupakan variabel hasil dari penghitungan. Hb dll. merupakan data hasil pengklasifikasian/penggolongan suatu data. Cirinya: isisnya berupa kata-kata. kontinyu merupakan hasol dari pengukuran. berat b dua kali lebih tinggi dari berat A. a. ini berarti tidak ada berat (tidak ada bendanya) sehingga ada nol mutlak. Variabel numerik dibagi menjadi dua macam: Diskrit dan Kontinyu. misalkan tekanan darah. Dalam analisis statistik. jumlah pasien tiap ruang. merupakan variabel hasil dari penghitungan dan pengukuran. 5 . seringkali data numerik diubah ke dalam data katagorik dengan cara dilakukan pengelompokan/pengklasifikasian. Contoh. Misalnya variabel berat badan data riilnya merupakan data numeric. Variabel katagorik pada umumnya berisi variabel yang berskala nominal dan ordinal. Katagorik (kualitatif).SUTANTO PRIYO HASTONO: Analisis Data antara A dan B adalah 30 kg. sedang (50-60 kg) dan gemuk (>60 kg) maka jenis variabelnya sudah berubah menjadi katagorik. Misalnya jumlah anak. Sedangkan variabel numerik berisi variabel yang berskala interval dan rasio.

3 = SMU dan 4 = PT. Jelas: jawaban pertanyaan apakah tulisannya cukup jelas terbaca. Untuk itu data yang masih mentah (raw data) perlu diolah sedemikian rupa sehingga menjadi informasi yang akhirnya dapat digunakan untuk menjawab tujuan penelitian. seringkali orang bingung “mau diapakan data yang telah terkumpul?. Jenis kelamin: 1 = laki-laki 6 . ini berarti tidak konsisten. Relevan: jawaban yang tertulis apakah relevan dengan pertanyaan d. misalnya antara pertanyaan usia dengan pertanyaan jumlah anak. 2 = SMP. paling tidak ada empat tahapan dalam pengolahan data yang harus dilalui. Bila dipertanyaan usia terisi 15 tahun dan di pertanyaan jumlah anak 9. Coding Coding merupakan kegiatan merubah data berbentuk huruf menjadi data berbentuk angka/bilangan. Pengantar Pengolahan Data Pengolahan data merupakan salah satu bagian rangkaian kegiatan penelitian setelah pengumpulan data. Agar analisis penelitian menghasilkan informasi yang benar. Setelah dilakukan pengumpulan data. yaitu: 1. Editing Merupakan kegiatan untuk melakukan pengecekan isian formulir atau kuesioner apakah jawaban yang ada di kuesioner sudah: a. c. Bagaimana menghubungkan data di kuesioner dengan tujuan penelitian?”.SUTANTO PRIYO HASTONO: Analisis Data 2 PENGOLAHAN DATA 1. 2. Konsisten: apakah antara beberapa pertanyaan yang berkaitan isi jawabannya konsisiten. Lengkap: semua pertanyaan sudah terisi jawabannya b. Misalnya untuk variabel pendidikan dilakukan koding 1 = SD.

Ada bermacammacam paket program yang dapat digunakan untuk pemrosesan data dengan masing-masing mempunyai kelebihan dan kekurangan. Kesalahan tersebut dimungkinkan terjadi pada saat kita meng-entry ke komputer Misalnya untuk variabel pendidikan ada data yang bernilai 7. maka langkah selanjutnya adalah memproses data agar data yang sudah di-entry dapat dianalisis. dsb. kemudoian dikeluarkan variabel jenis kelamin dan pendidikan. Salah satu paket program yang sudah umum digunakan untuk entry program SPSS for Window. Cleaning Cleaning (pembersihan data) merupakan kegiatan pengecekan kembali data yang sudah di-entry apakah ada kesalahan atau tidak. mestinya berdasarkan coding yang ada pendidikan kodenya hanya antara 1 s. Kegunaan dari coding adalah untuk mempermudah pada saat analisis data dan juga mempercepat pada saat entry data. 7 . Misalnya data yang diolah 100 responden. Pemrosesan data dilakukan dengan cara meng-entry data dari kuesioner ke paket program komputer. Mengetahui Missing Data Cara mendetekdi adanya missing data adalah dengan melakukan list (distribusi frekuensi) dari variabel yang ada.SUTANTO PRIYO HASTONO: Analisis Data dan 2 = perempuan. 4 (1=SD. ini berarti ada data yang salah (tidak konsisten) karena statusnya belum kawin tetapi mempunyai anak 5?. Berikut akan diuraikan cara meng-cleaning data: a.d. 2=SMP. serta sudah melewati pengkodean. Contoh lain misalnya dalam variabel status perkawinan terisi data 1 (misalnya 1=belum kawin) dan dalam variabel jumlah anak terisi nilai . Processing Setelah semua kuesioner terisi penuh dan benar. 3. 3=SMU dan 4=PT). data adalah paket 4.

sedangkan pada tabel pendidikan ada 5 pasien yang missing. Dalam entry data biasanya data dimasukkan dalam bentuk kode/coding.SUTANTO PRIYO HASTONO: Analisis Data Tabel 1 Jenis kelamin pasien Jenis Kelamin Laki-laki Perempuan Total Jumlah 40 60 100 Tabel 2 Jenis pendidikan pasien Pendidikan SD SMP SMU PT Total Jumlah 40 10 30 15 100 Dari kedua tabel di atas memperlihatkan bahwa tabel jenis kelamin tidak ada nilai yang hilang (missing). SMP kode 2. Cara mendeteksi dengan mengeluarkan distribusi frekuensi masing-masing variabel. dan PT kode 4. misalnya untuk variabel pendidikan SD kode 1. SMU kode 3. Mengetahui variasi data Dengan mengetahui variasi data akan diketahui apakah data yang di-entry benar atau salah. Untuk mengetahui kesalahan data berikut ilustrasi keluaran dari variabel pendidikan: 8 . karena total jumlahnya hanya 95 (seharusnya 100). b.

c. namun terlihat ada data yang salah.d. 4. Contoh: 1). yaitu munculnya kode pendidikan angka 7 yang berjumlah 4 pasien. Mengetahui konsistensi data Cara mendeteksi adanya ketidakkonsistensi data dengan menghubungkan dua variabel. Seharusnya variabel pendidikan variasi angkanya hanya dari angka 1 s. membandingkan dua tabel Tabel 4 Keikutsertaan KB KB Ya Tidak Total Jumlah 20 80 100 9 .SUTANTO PRIYO HASTONO: Analisis Data Tabel 3 Jenis pendidikan pasien Pendidikan 1 2 3 4 7 Total Jumlah 40 30 20 6 4 100 Dari tampilan di atas kendati jumlah total sudah benar 100.

SUTANTO PRIYO HASTONO: Analisis Data Tabel 5 Jenis Alat Kontrasepsi Yang Dipakai Pendidikan Suntik Pil Kondom IUD Total Jumlah 5 5 4 10 24 Dari kedua tabel tersebut terlihat bahwa ada ketidak konsistenan antara jumlah peserta KB (20 orang) dengan total jenis alat kontrasepsi yang dipakai (24 orang). 2). Seharusnya pada baris total jenis alat kontrasepsi jumlahnya 20 orang. Membuat tabel silang Contoh menghubungkan variabel umur dan jumlah anak Umur Jumlah Anak 0 15 16 19 20 24 25 35 40 1 1 2 3 1 2 2 4 2 2 3 4 5 6 7 8 9 10 2* Keterangan: * = ada 2 responden dengan umur 15 tahun dan anaknya ada 10 orang (ada kesalahan entry data!!!) 10 .

Untuk memanggil program SPSS dapat dilakukan dua cara : Pertama : Bila tampilan pertama komputer sudah muncul Icon SPSS. modifikasi data. dsb. Kemampuan yang dapat diperoleh dari SPSS meliputi pemrosesan segala bentuk file data. Kedua : Bila di layar belum ada icon SPSS. Perkembangan program SPSS sangat cepat dimulai dari program SPSS/PC+(masih under DOS) kemudian berkembang menjadi SPSS for Windows dari versi 6 dan berkembang terus sampai sekarang sudah memasuki versi 11. Di dalam operasionalnya. ENTRY DATA Setelah kita mengetahui langkah-langkah pengolahan data. analisis lanjut yang sederhana maupun komplek. maka klik “Start”. membuat tabulasi berbentuk distribusi frekuensi. SPSS Data Editor 11 . MEMANGGIL SPSS Pertama kali anda harus pastikan bahwa komputer sudah ter-install program SPSS for Windows.SUTANTO PRIYO HASTONO: Analisis Data 2. pembuatan grafik. Dan untuk latihan digunakan SPSS for Windows versi 10. pilih “File Program” dan sorot “SPSS” dan klik dua kali. analisis statistik deskriptif. SPSS merupakan paket program ststistik yang berguna untuk mengolah dan menganalisis data penelitian. Dengan SPSS semua kebutuhan pengolahan dan analisis data dapat diselesaikan dengan mudah dan cepat. SPSS mengenal 2 jenis jendela (Window) yang utama yaitu: a. Kepanjangan dari SPSS yaitu Statistical Program For Social Science. selanjutnya akan dibahas entry data menggunakan SPSS. a. maka klik dengan mouse icon tersebut dua kali.

Tiap kolom melambangkan satu variabel (dalam data base dikenal Field). Dalam SPSS (dan yang umum terjadi pada program lain). maka pada layar monitor akan didapati tampilan utama SPSS sebagai berikut: a. data harus mempunyai struktur. b. STRUKTUR DATA DI SPSS Agar dapat diolah dengan SPSS. format dan jenis tertentu. data yang diolah tersususn berdasarkan kolom dan baris. umur dan berat badan) dan 2 kasus/responden. misalnya tiap pertanyaan pada kuesioner menunjukkan satu variabel.SUTANTO PRIYO HASTONO: Analisis Data Jendela ini berisis tampilan data yang kita olah dan analisis dengan tampilan sejenis Spreadsheet (seperti tampilan Program Excel). Window ini merupakan teks editor. b. tunggulah sesaat hingga logo tersebut menghilang. TAMPILAN UTAMA SPSS FOR WINDOWS Setelah program SPSS dipanggil di layar akan muncul logo SPSS for Windows. Variabel Cases Nama Anita Bambang Umur 23 25 Berat 40 56 Dari contoh di atas menunjukkan ada 3 variabel (nama. artinya dapat mengedit hasil analisis yang ditampilkan. SPSS Output Hasil olahan (hasil analisis) yang anda lakukan akan ditampilkan pada Output window. tampilan data 12 . Tiap baris data dinamakan case (kasus/responden) sebagaimana istilah record di Data Base.

Window. mengcopy. View: digunakan untuk mengatur tampilan font. Transform: digunakan untuk transformasi/modifikasi pembuatan variabel data baru seperti dari pengelompokan variabel. Help. Graphs. Edit. Utilities. Analyze. tampilan kode/label Data: digunakan untuk membuat/mendefinisikan nama variabel./ Bar menu terletak di sebelah atas dengan urutan dari kiri ke kanan sbb: File. dan mengganti data. mengambil/ menganalisis sebagian data. Data. Transform. membuka file data yang telah tersimpan (ekstensi SAV).SUTANTO PRIYO HASTONO: Analisis Data b. File: digunakan untuk membuat file data baru. 13 . View. perkalian/penjumlahan variabel yang ada dll. menggabungkan data. Edit: digunakan untuk memodifikasi. tampilan variabel Sistem kerja SPSS for Windows dikendalikan oleh menu (bar menu). mencari. excell dll. menghapus. seperti dbase. atau membaca file data dari program lain.

SUTANTO PRIYO HASTONO: Analisis Data Analyze: digunakan untuk memilih berbagai prosedur statistik. Graphs: digunakan untuk membuat grafik meliputi grafik Bar. Memberi Nama Variabel Pertama kali yang harus dilakukan pada saat entry data adalah memberi nama variabel. Satu variabel mewakili/melambangkan satu pertanyaan. Pie. I. Help: memuat informasi bantuan bagaimana menggunakan berbagai fasilitas pada SPSS. MEMASUKKAN DATA Entry data dapat langsung dilakukan pada data editor. ada 4 hal yang harus dieperhatikan: a. scatter plot dsb. dari statistik sederhana (deskriptif) sampai dengan analisis statistik komplek (multivariat). misalnya dari jendela data ke jendela output. garis. untuk SPSS versi 13 jumalh karakter dapat lebih dari 8 huruf 14 . Ada tiga hal yang harus diperhatikan: Baris menunjukkan kasus/responden Kolom menunjukkan variabel Sel merupakan perpotongan antara kolom dan baris menunjukkan nilai/data Dalam memasukan data ke SPSS. Histogram. Utilities: digunakan untuk menampilkan berbagai informasi tentang isi file. Data editor memiliki bentuk tampilan sejenis spreadsheet (seperti Excel) yang digunakan sebagai fasilitas untuk memasukkan/engisikan data. berikut akan diuraikan ketentuan / persyaratan nama variabel: * Nama variabel maksimum berisi 8 huruf/karakter. Window: digunakan untuk berpindah-pindah antar jendela. Agar tidak menemui kesulitan dalam membuat nama variabel.

karena data yang akan kita olah biasanya berbentuk angka. adapun jenis tipenya antara laian: 1. Memberi Label Variabel Nama variabel biasanya tertulis dengan kata/huruf yang singkat. dll…. Numerik -----. Misalnya nama variabel BWT diberi label “Berat badan bayi pada saat lahir dalam satuan gram” untuk data berbentuk huruf 3. seperti kadar HB.> untuk data berbentuk angka/nomer 2. Kebanyakan data penelitian berbentuk tidak ada desimal. Mendefinisakan Adanya Desimal Bila data yang akan dimasukkan berbentuk dsimal. SPSS secara default/standar memberikan dua angka desimal untuk setiap data yang akan di entry. Note: yang sering digunakan adalah tipe Numerik. Date --------.SUTANTO PRIYO HASTONO: Analisis Data * Nama variabel tidak boleh ada spasi * Nama variabel tidak ada yang sama ( tidak boleh ada 2 atau lebih variabel yang memiliki nama sama) b.> untuk data berbentuk date/tanggal 15 . d. String -------4. Mendefinisikan Tipe Variabel Tipe data harus ditentukan kalau kita akan memasukan data di SPSS. c. pada bagian ini kita dapat menuliskan keterangan nama variabel sehingga dapat memperjelas arti dari masing-masing variabel. maka perlu ditentukan berapa desimal yang kita inginkan. oleh karena itu untuk data yang tidak ada desimal kita harus seting di SPSS isian jumlah desimal diberi angka 0 atau dikosongkan.

SS 4. SD 2. Tahun 2. STS 2. a.SS 16 . STS 2. S 5. Berapa berat badan ibu ? … kg 5. Bayi yang baru lahir diberi kolostrum 1. Apakah ibu menyusui secara Eksklusif (menyusui sampai usia bayi 4 bulan)? 0. STS 2. PT 3.SS 3. STS 2.KS 4.SUTANTO PRIYO HASTONO: Analisis Data e. gr% b. Bayi yang baru lahir sesegera mungkin diberi ASI? 1. S 5.SS 2. TS 3.Kadar Hb ibu pengukuran pertama : …. Apakah ibu bekerja? 0. SMU 4. ya 6. Berapa umur ibu? …. TS 3. misalnya untuk variabel Sex. S 5.KS 4. Bayi sejak lahir sampai usia 4 bulan hanya diberi ASI saja? 1. S 5. tidak 1. Tidak bekerja 4. pendidikan ibu yang telah ditamatkan? 1. SMP 3. ASI diberikan sampai bayi berusia 2 tahun? 1. Memberi Value Label Untuk variabel yang berbentuk koding kita harus memberi keterangan untuk setiap kode yang ada dalam kode tsb. Berikut ini instrumen yang digunakan dalam penelitian: POLA MENYUSUI Nomor Responden 1. Sekarang kita coba lakukan entry untuk data: Penelitian “Faktor-faktor yang berhubungan dengan perilaku menyusui eksklusif di Daerah X tahun 2001” .KS 4. Berat badan bayi ibu? ……. bekerja 1. gr% 7.Kadar Hb ibu pengukuran kedua : ….KS 4. 0 = pria dan 1 = wanita. TS 3. TS 3.gram PERTANYAAN SIKAP 1.

800 3.1 11.4 12.8 9.300 4.1 10.600 2.0 8.900 2.3 11.800 3.2 10.0 10.0 10.2 11.1 10.300 4.2 13.1 11.1 10.000 4.8 10.8 10.1 9.300 2.2 10.600 3.4 12.8 11.1 9.600 2.600 2.8 9.2 11.600 3.000 3.500 4.3 9.500 3.2 11.300 2.0 12.800 3.700 2.1 10.4 7.2 13.2 10.1 11.2 10.400 3.000 Segera 2 4 1 2 3 5 3 2 3 4 2 2 2 2 1 5 5 5 1 3 2 4 1 2 3 5 1 2 3 4 2 2 2 2 2 5 5 5 1 3 2 2 1 2 2 5 Kolos 1 3 2 3 2 4 4 1 2 4 1 4 1 3 1 4 4 4 1 2 1 3 2 1 4 4 2 1 2 4 1 1 3 3 3 4 4 4 1 2 1 1 1 3 3 4 Lahir 2 3 2 4 4 4 2 1 2 5 2 2 2 4 2 4 4 4 2 4 2 3 2 1 2 4 2 1 1 5 2 2 4 1 4 4 4 4 2 2 2 2 2 4 1 4 sampai 1 4 1 2 3 4 2 2 4 4 1 4 1 4 2 4 4 4 2 4 1 4 1 2 2 4 2 2 1 4 1 1 2 1 2 4 4 4 2 2 1 1 2 2 2 4 17 .2 11.4 11.2 11.000 3.3 12.100 3.1 10.000 3.2 11.1 8.0 10.1 11.1 7.1 9.9 11.8 9.600 3.2 10.600 3.000 3.500 2.800 3.2 10.2 Hb2 11.2 10.100 2.000 3.5 11.3 10.5 9.300 4.8 10.2 9.2 11.8 9.8 10.1 10.900 2.0 10.800 3.2 11.4 9.2 9.2 10.3 11.1 10.8 10.400 3.700 2.500 3.2 12.1 11.400 3.0 12.0 8.2 10.8 9.1 10.3 9.4 8. datanya sbb: no 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 umur 23 24 34 35 19 24 22 19 26 25 21 22 19 20 23 26 27 30 31 32 23 24 34 35 19 24 22 19 26 25 21 22 19 20 23 26 27 30 31 32 21 22 19 20 23 26 didik 1 4 4 3 3 2 1 1 3 4 3 4 2 3 1 3 4 2 4 2 2 3 4 3 3 1 2 1 3 3 4 4 2 3 1 2 4 2 4 1 3 4 2 3 1 3 kerja 0 0 1 0 1 1 1 0 0 1 1 0 1 0 1 0 1 1 0 0 0 0 1 0 1 1 1 0 0 1 1 0 1 0 1 0 1 1 0 0 1 0 1 0 1 0 bbibu 46 47 60 50 55 45 47 46 52 65 60 65 50 55 48 68 70 46 47 48 47 56 74 72 60 49 46 48 57 75 64 67 50 63 50 51 53 54 67 46 60 68 67 60 63 64 eksklu 0 1 0 0 1 1 1 0 1 0 0 1 1 0 1 0 1 1 0 0 0 1 0 0 1 1 1 0 1 0 0 1 1 0 1 0 1 1 0 0 0 1 1 0 1 0 Hb1 10.1 12.2 11.500 4.100 2.0 12.4 bbbayi 2.2 10.3 10.4 12.1 10.900 2.000 4.000 3.0 12.1 10.1 11.2 7.8 10.100 2.4 13.100 2.1 9.SUTANTO PRIYO HASTONO: Analisis Data Survei dilakukan dengan jumlah responden sebanyak 50 orang.5 9.3 12.900 2.500 2.

dst. Langkah pertama : Memberi/membuat nama variabel: Layar pada tampilan Workshet di menu data SPSS ada 2 jenis..2 11. Selanjutnya kita dapat membuat nama variabelnya dimulai dari No.SUTANTO PRIYO HASTONO: Analisis Data 47 48 49 50 27 30 31 32 4 2 3 1 1 1 0 0 72 49 58 50 1 1 0 1 11. umur.100 5 5 3 3 4 4 2 1 4 4 4 1 4 4 2 2 A. dst.2 11..900 2. Sekarang lakukan : klik “Variable View” di bagian kiri bawah.4 13.3 3. Decimals. didik. Width.2 10.sbb: a. layar/jendela posisikan pada “Variable View”.3 12. Membuat Variabel No Adapun tahapannya sbb: 18 .2 13. Untuk membuat nama variabel.300 2. yaitu jendela “Data View” dan “Variabel View”. Type.800 3. sehingga muncul tampilan layar “Variable View” Pada tampilan “Variable View” diatas terlihat kolom: Name.0 12.

Langkah selanjutnya harusnya kursor kita geser kekanan mengisi kolom Values. namun kolom Values ini diisi kalau variabel yang kita buat berbentuk variabel koding (atau variabel katagorik) misalnya variabel sex yang isinya ada koding 1=pria dan 2=wanita. Geser korsor kekanan ke kolom Label. Untuk variabel No bukan merupakan variabel koding. maka kolom Value tidak diisi/diabaikan saja. Secara standar lebar kolom sudah diatur SPSS lebar kolom (Width) 8 karakter. Jenis variabel yang tersedia ada beberapa jenis meliputi numeric untuk tipe angka. 5. dan tampilan lengkapnya menjadi sebagai berikut 19 . misalnya diketik “Nomor Responden” 6. Geser kursor ke kanan masuk ke kolom Decimal. pada bagian ini anda juga dapat mengatur lebar kolom dan desimal sesuai kebutuhan. Untuk varibel No karena datanya yang akan masuk berbentuk angka berarti anda pilih numeric (secara otomatis SPSS memberikan default Numeric) 3. untuk variabel No tentunya berbentuk bilangan bulat(tidak ada desimal) jadi kolom Decimal diberi angka 0 atau dikosongkan. Gerakkan kursor ke sebelah kanan ke bagian Width. sehingga proses pembuatan variabel No sudah selesai. kemudian 2. ketik/isikan keterangan untuk memperjelas variabel No. string untuk tipe karakter/huruf dll.SUTANTO PRIYO HASTONO: Analisis Data 1. Sekarang pada kolom name ketik nama variabel “No”. jadi abaikan saja untuk width nya 4. Pindahkan kursor ke kolom Type. SPSS secara otomatis memberi ruang untuk 2 desimal.

jadi abaikan/biarkan saja untuk width nya 4. Geser kursor kekanan ke kolom Label. untuk variabl Umur tentunya berbentuk bilangan bulat jadi kolom Decimal diberi angka 0 atau dikosongkan. Geser kursor ke kanan masuk ke kolom Decimal.SUTANTO PRIYO HASTONO: Analisis Data b. Untuk variabel Didik karena datanya yang akan masuk berbentuk angka berarti anda pilih numeric (secara otomatis SPSS memberikan default Numeric.. kemudian 2. Karena variabel umur berjenis numerik (bukan variabel yg isinya koding) maka kolom Values diabaikan saja. Sekarang pada kolom name ketik nama variabel Umur. isikan: Umur ibu menyusui 6. 5. ketik/isikan keterangan untuk memperjelas variabel Umur. Pindahkan kursor ke kolom Type. lebar kolom (Width) 8 karakter. dan dengan demikian proses pembuatan variabel umur telah selessai c. Sekarang pada kolom name ketik nama variabel Didik. Secara standar lebar kolom sudah diatur SPSS.. SPSS secara otomatis memberi ruang untuk 2 desimal. Secara 20 .Membuat Variabel Umur Proses pembuatannya sama dengan ketika membuat variabel No sbb: 1. jadi abaikan saja untuk isi kolom Type jangan diubah) 3. Untuk variabel Umur karena datanya yang akan masuk berbentuk angka berarti anda pilih numeric (secara otomatis SPSS memberikan default Numeric. jadi abaikan saja untuk isi kolom Type jangan diubah) 3. Pindahkan kursor ke kolom Type. Gerakkan kursor ke sebelah kanan ke bagian Width. kemudian 2. pada bagian ini anda juga dapat mengatur lebar kolom dan desimal sesuai kebutuhan. Gerakkan kursor ke sebelah kanan ke bagian Width. pada bagian ini anda juga dapat mengatur lebar kolom dan desimal sesuai kebutuhan. Variabel Pendidikan Proses pembuatannya sama dengan ketika membuat variabel No sbb: 1.

ketik/isikan keterangan untuk memperjelas variabel Didik. jadi abaikan/biarkan saja untuk width nya 4. lebar kolom (Width) 8 karakter. Klik kolom Value akan muncul menu: Klik disini Pada kotak Value isikan angka 1. untuk variabl Didik tentunya berbentuk bilangan bulat jadi kolom Decimal diberi angka 0 atau dikosongkan. Geser kursor ke kanan masuk ke kolom Decimal. 2=SMP. 5. SPSS secara otomatis memberi ruang untuk 2 desimal. lalu klik kotak Value Label isikan: SD. Geser kursor kekanan ke kolom Label. Langkah selanjutnya geser kekanan ke kolom Values. 4=PT. yaitu kode 1 = SD. 3=SMU.hasilnya nampak sbb: 21 . isikan: Pendidikan formal ibu menyusui 6.SUTANTO PRIYO HASTONO: Analisis Data standar lebar kolom sudah diatur SPSS. untuk variabel Didik kolom Values ada isinya oleh karena variabel Didik merupakan variabel yang berbentuk koding.

klik kotak Value Label dan isikan: PT. kemudian klik tombol Add sehingga kotak menu akan tertampil sbb: 22 . isikan angka 4. kemudian klik tombol Add Seterusnya klik kotak Value. isikan angka 2. klik kotak Value Label dan isikan: SMP. isikan angka 3. kemudian klik tombol Add Seterusnya klik kotak Value. klik kotak Value Label dan isikan: SMU.SUTANTO PRIYO HASTONO: Analisis Data Kemudian klik tombol Add sehinga di kotak bagian bawah akan muncul: Seterusnya klik kotak Value.

Geser ke kolom Label isikan: Berat badan ibu 4. isikan 0 3. Pada kolom Name isikan Eksklu 2. Geser ke kolom Label isikan: Status menyusui eksklusive 23 . Pada kolom Name isikan Kerja 2. Geser ke kolom Label isikan: Status pekerjaan ibu 4. Geser kekanan ke kolom Value. klik tombol OK sehingga selesailah pembuatan variabel Didik.SUTANTO PRIYO HASTONO: Analisis Data Kemudian. Pada kolom Name isikan Bbibu 2. Geser kekanan ke kolom Decimal. abaikan/biarkan aja karena variabel Bbibu berbentuk numerik Proses pembuatan variabel Bbibu selesai f. Geser kekanan ke kolom Decimal. Geser kekanan ke kolom Decimal. Variabel BBibu 1. isikan 0 3. Variabel Kerja 1. isikan 0 3. d. isikan koding 0=bekerja 1=tdk kerja Proses pembuatan variabel kerja selesai e. Kolom Value. Variabel Eksklu 1.

maka isikan angka 1 3. Kolos. Variabel Hb2 1. ada satu desimal. Pada kolom Name isikan BBbayi 2. Geser kekanan ke kolom Decimal. karena variabel HB1 berbentuk numerik h. Abaikan kolom Value. isikan 0 3. Geser kekanan ke kolom Decimal. Geser ke kolom Label isikan: Hb pengukuran pertama 4. Variabel BBbayi 1. maka isikan angka 1 3. Abaikan kolom Values. Geser kekanan ke kolom Decimal. Pada kolom Name isikan Hb2 2. untuk variabel HB2 sesuai dengan datanya. Sampai Akhirnya tampilan kseluruhannya sbb: 24 . Geser ke kolom Label isikan: Berat badan bayi 4.SUTANTO PRIYO HASTONO: Analisis Data 4. isikan koding 0=tdk eksklusive 1=eksklusive Proses pembuatan variabel Eksklu selesai g. Geser kekanan ke kolom Value. Lahir. Proses pembuatan variabel bbbayi selesai Dengan cara sama kemudian dapat dibuat untuk variabel: Segera. ada satu desimal. karena variabel HB2 berbentuk numerik i. Abaikan kolom Values. Pada kolom Name isikan Hb1 2. Variabel Hb1 1. Geser ke kolom Label isikan: Hb pengukuran kedua 4. untuk variabel HB1 sesuai dengan datanya.

Memasukkan/entry Data Setelah semua variabel sudah dibuat. Untuk memasukkan data anda harus berpindah ke layar/jendela Data View. atau bisa juga perkolom kearah bawah. Coba sekarang masukan data diatas sebanyak 10 responden . maka langkah selanjutnya adalah memasukkan data hasil survei kedalam format yang telah dibuat diatas.SUTANTO PRIYO HASTONO: Analisis Data B. yaitu dengan Klik tombol Data View. dan hasil tampilannya sbb: 25 . nampak tampilannya sbb: Memasukkan data bisa menyamping satu persatu responden di entry datanya.

klik Undo Untuk menghapus isi sejumlah sel sekaligus. 26 . Bila kita nggak jadi menghapus. Klik sel yang akan dihapus isinya b.SUTANTO PRIYO HASTONO: Analisis Data c. pilihlah sejumlah sel tersebut dengan drag (menyorot/memblok) dengan mouse. Dari tampilan di atas berarti kita membuat blok untuk variabel Kerja pada responden no 3 s/d 5 Tekan ‘delete’ untuk menghapusnya. Menghapus isi sel a. Tekan tombol ‘Delete’ (pada Keyboard)/clear pada edit. Mengedit Data 1.

Tekan tombol delete 27 . Tekan tombol delete Untuk menghapus isi sel sejumlah kolom sekaligus. misalkan akan dihapus variabel BBibu: klik heading BBibu seperi tampilan sbb: Klik disini b. klik baris yang akan dihapus. Menghapus baris (menghapus case/responden) a. contoh nomer responden 5 akan dihapus Klik disini b. 3.SUTANTO PRIYO HASTONO: Analisis Data 2. pilihlah sejumlah kolom tersebut dengan drag (menyorot dan memblok) dengan mouse pada bagian heading. Menghapus isi sel satu kolom (menghapus variabel) a. Klik heading kolom (nama variabel) yang akan dihapus isi-isi selnya.

dan sudah pasti tetap tidak merubah nama variabel. Mengcopy isi sel a. Pindahkan penunjuk sel ke baris pertama kolom yang dituju d. Pindahkan penunjuk sel ke sel yang akan dituju d. 5. Tekan ‘Ctrl+C’ c. Tekan ‘Ctrl+V’ Untuk mengcopy isi sel sejumlah kolom sekaligus. lebar kolom. yang dilakukan adalah: a.SUTANTO PRIYO HASTONO: Analisis Data Nomor responden akan terhapus Untuk menghapus beberapa case sekaligus. Tekan ‘Ctrl+C’ c. Klik heading kolom (nama variabel) yang akan dicopy isinya b. Tekan ‘Ctrl+V’ Hal yang perlu diperhatikan dalam mengcopy isi sel atau sejumlah sel adalah. Klik heading kolom (nama variabel) yang akan dicopy isinya b. Tekan ‘Ctrl+V’ Hasil dari instruksi di atas adalah mengcopy kolom sekaligus format variabelnya (type variabel. b. 4. Mengcopy isi satu kolom (mengcopy variabel) a. Pilih sel (sejumlah sel dengan mnyorot) yang akan dicopy isinya. pilihlah sejumlah kolom tsb dengan drag pada bagian heading 28 . Tekan ‘Ctrl+C’ c. Bila dikehendaki tidak ada perubahan format variabel kolom yang dituju. bahwa format hasil copy akan selalu menyesuaikan dengan format variabel dimana isi sel atau sejumlah sel itu dicopykan. Klik Heading kolom yang dituju d. value label dsb). pilihlah sejumlah case tersebut dengan drag (menyorot dan memblok) pada bagian nomor case.

SUTANTO PRIYO HASTONO: Analisis Data 6. Mengcopy isi satu baris (case/responden) a. Tekan ‘Ctrl+C’ b. Klik nomor case yang akan dituju atau pindahkan penunjuk sel ke kolom Klik nomer Case yang akan dicopy c. pertama baris yang dituju d. Tekan ‘Ctrl+V’ 7. Menyisipkan Kolom a. Pindahkan penunujuk sel pada kolom yang disisipi b. Klik ‘Data’, pilih ‘Insert Variable’, terlihat kolom baru muncul. 8. Menyisipkan Baris a. Pindahkan penunjuk sel pada baris yang akan disisipi b. Klik ’Data’, pilih ‘Insert Case’, terlihat kasus/ responden baru muncul

B. MENYIMPAN FILE DATA
Data yang telah dimasukkan dapat disimpan ke berbagai format data. Secara pengaturan dasar, SPSS for Window akan menyimpan data tersebut dengan format SPSS, bentuk formatnya dicirikan dengan ekstensi “.sav” (Nama file.sav). untuk menyimpan data yang telah anda masukkan: 1.Pilihlah “File”, bawa kursor ke “Save”, nampak tampilannya:

29

SUTANTO PRIYO HASTONO: Analisis Data

Pada tampilan di atas terdapat beberapa isian kotak: Save in : Anda dapat memilih direktori (drive A untuk disket) tempat menyimpan file. Bila pada kotak “Save in” tidak dirubah berarti data disimpan dalam direktori program SPSS. File name : Anda harus mengetikkan nama file di kotak ini. SPSS akan menambahkan ekstension “.sav”, sehingga anda cukup mengetikkan nama filenya saja dan tidak perlu mengetikkan ekstensionnya. Save as type : data dapat disimpan dalam berbagai format. Untuk data SPSS akan disimpan dengan format “sav”. 2. Misalkan kita akan menyimpan data di drive C direktori my document dan diberi nama “latihan”. tampilannya sbb: Klik kotak “file name” , isikan “latihan”. Terlihat

30

SUTANTO PRIYO HASTONO: Analisis Data

] 3. Klik “Save “, data akan tersimpan

C. MENGAKTIFKAN/MEMANGGIL FILE DATA
Untuk membuka/mengaktifkan file data yang telah ada: 1. Klik “File”, pilih “Open”, geser ke “Data” akan tampil sbb:

31

SUTANTO PRIYO HASTONO: Analisis Data

Terlihat ada beberapa kotak isian Look in : Anda dapat memilih/mengganti direktori tempat file disimpan. Secara otomatis tampilan pertama akan muncul direktori SPSS. File Name : tempat untuk mengetikkan nama file, atau dapat juga dilakukan dengan meng-klik nama file yang tertampil pada kotak bagian atas file name. File of type : data dapat disimpan dalam berbagai format yang dapat dipilih dalam kotak ini. Secara otomatis akan muncul file format SPSS (.sav) 2. Misalkan sekarang akan diaktifkan file data: “Latihan” dari drive c direktori My Documen, maka caranya klik kotak File name: ketik “latihan”, atau klik “latihan yang terlihat/tertampil pada kotak di atasnya.

32

33 . data akan muncul di layar. Kemudian klik Open.SUTANTO PRIYO HASTONO: Analisis Data 3.

Dari uraian di atas tentunya sekarang menjadi jelas ternyata seringkali kita tidak dapat langsung melakukan Perlu analisis. Beberapa data bisa jadi masih perlu dilakukan modifikasi/transformasi. tidaknya kita harus melakukan dapat modifikasi/transformasi data. maka kita harus melakukan aktifitas di SPSS untuk menggabungkan beberapa variabel tersebut. misalnya kita akan membuat variabel baru hasil dari gabungan beberapa variabel (misalnya variabel sikap diukur oleh 10 pertanyaan/variabel). TRANSFORMASI / MODIFIKASI DATA Setelah semua data di-entry pada dasarnya anda dapat langsung melakukan analisis untuk mengetahui informasi yang diinginkan. 20 – 35 th dan > 35 th. Misalkan dalam penelitian anda definisi variabelnya sbb: No Variabel 1 2 3 Lama tugas Umur Sikap Definisi Operasional Rentang waktu berkeja petugas puskesmas Lama waktu hidup yang diukur dari Muda ulang tahun terakhir Pernyataan terhadap pertanyaan setuju/tidak sistem pencatatan Ordinal setuju Baik dan Buruk/ dan Ordinal dan tua/ Hasil Ukur/Skala sebagai Tahun/Rasio pelaporan yang diukur melalui 10 Dari contoh definisis operasional di atas dapat diketahui bahwa variabel ‘Lama tugas” dapat langsung dianalisis. Variabel umur perlu dilakukan 34 . Kasus lain. sedangkan variabel umur dan sikap masih perlu dilakukan modifikasi/transformasi dengan SPSS. Namun seringkali data yang ada tidak semuanya dapat langsung dilakukan analisis. modifikasi dilakukan dilihat/dicek pada “Definisi Operasional Variabel” dari penelitian/tesis/skripsi kita.SUTANTO PRIYO HASTONO: Analisis Data 3. misalnya untuk keperluan analisis kita harus mengelompokkan umur menjadi tiga katagori misalnya < 20 th.

SUTANTO PRIYO HASTONO: Analisis Data pengelompokan menjadi umur muda (misalnya ≤ 30 th) dan tua (< 30 th). Variabel sikap perlu dibuat dengan cara menjumlahkan skor 10 pertanyaan sikap, kemudian variabel baru tersebut dilakukan pengelompkkan untuk membuat katagori baik dan buruk (misal menggunakan cut point: mean). Berikut akan diuraikan beberapa jenis modifikasi data yang dapat dilakukan di program SPSS for Window. 1. Mengelompokkan data

#perintah : RECODE
Pengelompokan biasanya digunakan untuk mengubah variabel numerik menjadi variabel katagorik. Pengelompokan dapat dilakukan pada variabel yang sama atau ke variabel baru yang berbeda. Dianjurkan kalau melakukan pengelompokan sebaiknya digunakan variabel baru sehingga masih dimiliki nilai yang asli pada file data. Coba aktifkan file data ASI.SAV (file ini berisi data penelitian menyusui eksklusive, yang telah di entry lengkap 50 rsponden) Sebagai contoh kita akan melakukan pengelompokan umur. Umur akan diklasifikasikan menjadi 3 kelompok yaitu: <20, 20-30 th, >30 th. Langkahnya: 1). Pilih “Transform”, sorot “Recode” sorot “Into different variables”

35

SUTANTO PRIYO HASTONO: Analisis Data

Kemudian Klik ‘Into different Variable’

4). Sorot variabel “umur”, lalu klik tanda panah ke kanan sehingga “umur” berpindah di kotak Input variable

Output Variable:

5). Pada kotak Output variable, pada bagian Name ketiklah umur1 (nama variabel baru untuk umur yang bentuknya sudah katagorik) 6). Klik change sehingga pada kotak Input Variable umur umur1 36

Output Variable terlihat

SUTANTO PRIYO HASTONO: Analisis Data

7). Klik Option “Old and New Value”, nampak kotak Old and New di monitor. Pada kotak dialog tersebut ada beberapa ada beberapa isian yang harus diisi. Secara garis besar ada 2 isian yang harus diisi, yaitu ‘Old Value’ (nilai lama yang akan direcode) dan New Value (nilai baru sebagai hasil ‘recode’ dari nilai lama). Me-recode dapat dilakukan per satu nilai lama atau jangkauan nilai (range). 8). Sekarang kita akan merecode nilai umur < 20 th menjadi kode 1. Umur dibawah 20 th, artinya umur terendah/paling muda sampai dengan umur 19 th. Pindahkan kursor ke kotak Range: ‘lowest through bawa kursor ke bagian kotak hasilnya sbb

, ketiklah 19 dan

‘new Value’, ketik 1 kemudian klik Add,

37

SUTANTO PRIYO HASTONO: Analisis Data

Langkah 3

Langkah 1 Langkah 4

Langkah 2

9). Pindahkan kursor ke kotak Range:

through

, kita akan

merecode umur 20 s.d 30 th menjadi 2. Pada 2 kotak tersebut isilah 20 dan 30. lalu pindahkan kursor ke kotak ‘New Value’, ketiklah 2, klik ‘Add’.

10). Kita akan melakukan pengkodean berat > 30 th menjadi kode 3. Pada kotak Range:

thrugh highest ketiklah 31. Lalu pindahkan kursor ke

kotak ‘New Value’, ketiklah 3, klik ‘Add’. Langkahnya seperti diatas, dan akhirnya setelah selesai hasilnya sbb:

38

39 . Klik “Continoue” 12). Klik “OK”. kemudian anda dapat juga memberi value label untuk kode 1= ≤ 20 th. anda dapat masuk ke “Variable View”. pada kolom decimal ketik “0”.SUTANTO PRIYO HASTONO: Analisis Data 11). 2 = 21 – 30 th dan 3= ≥ 31 th. terlihat variabel baru “umur1” sudah terbentuk berada dikolom paling kanan nampak variabel baru “umur1” masih menampilkan angka dengan 2 desimal.

SUTANTO PRIYO HASTONO: Analisis Data 2. misal melakukan penjumlahan. Pada kotak tersebut terdapat kotak: “Target Variable” : diisi nama variabel yang akan dibuat. Adapun caranya: 1).SAV ada data berat badan bayi dalam bentuk satuan gram. Sebagai contoh pada data ASI. pengurangan. Pastikan anda di posisi tampilan data editor 2). sebaiknya nama baru 40 . sekarang anda diminta untuk membuat variabel baru. Pilih “Compute”. fasilitas SPSS yang lain yaitu membuat variabel baru hasil dari operasi matematik dari beberapa variabel yang sudah dientry. pembagian dan perkalian dll. dapat merupakan variabel yang lama atau yang baru. Pilih “Transform” 3). kemudian muncul kotak dialog ”Compute Variable”. berat badan bayi dalam satuan kilogram. Membuat variabel baru hasil perhitungan matematik # perintah : COMPUTE Selain fasilitas me-recode yang sudahkita coba untuk mengelompokkan data.

) = kurung 4). dengan nama “bayikilo”. Kemudian klik kotak ‘Numeric Expression’. Misalkan akan membuat variabel baru berat bayi. tampilannya : bbbayi/1000. Rumus yang tertulis dapat mengandung nama variabel yang sudah ada. operasi matematik dan fungsi. sorot dan pindahkan variabel Bwt setelah itu bagilah 1000. maka pada kotak ‘Target Variable’.SUTANTO PRIYO HASTONO: Analisis Data “numeric Expression” : diisi rumus yang akan digunakan untuk menghitung nilai baru pada Target Variable. Adapun operasi matematik yang dapat dilakukan: + = penjumlahan / = pengurangan = pembagian * = perkalian ** = pangkat (. 41 . sesaat kemudian variabel “bayikilo” akan muncul dibagian paling kanan. ketiklah “bayikilo” 5). Klik “OK”. sehingga terlihat di layar: 6).

Pada kotak “Target Variable”. ketiklah “0” 42 . Misalnya dalam file “ASI. Selain kondisi tersebut dikelompokkan ke dalam risiko rendah. Bagaimana cara membuat variabel “Risk” tersebut? Ada dua langkah untuk menyelesaikan kasus ini: Langkah pertama: = membuat variabel RISK yang isinya semuanya 0 (risiko rendah)= 1). Dari kasus ini berarti kita diharapkan membuat variabel baru dengan kondisi variabel umur dan hipertensi.SAV” terdapat variabel “umur” dan variabel “berat ibu”. ketiklah “risk” 4). Membuat variabel baru dengan kondisi # perintah : IF Dalam pembuatan variabel baru seringkali dihasilkan dari kondisi beberapa variabel yang ada. Kemudian kita ingin membuat variabel baru yang berisi dua kelompok yaitu: risiko tinggi dan ririko rendah. Adapun kriteria risiko tinggi adalah bila responden berumur di atas 30 tahun dan berat badan dibawah 50 kg. Misalkan variabel tersebut diberi nama “Risk” dan untuk kelompok risiko rendah (kode 0) dan risiko tinggi (kode 1). Pilih “Compute” 3). Pada kotak “Numeric Expression”.SUTANTO PRIYO HASTONO: Analisis Data 3. Pilih “Transform” 2).

43 . Pilih kembali menu “Transform” 7). terlihat dilayar selnya berisi angka 0. Pilih kembali ‘Compute” 8). Pada kotak “Target Variable” biarkan tetap berisi “RISK”.SUTANTO PRIYO HASTONO: Analisis Data 5). Klik “OK”. variabel “risk” sudah terbentuk dengan semua Langkah kedua: =membuat kondisi risiko tinggi (kode 1) untuk umur >30 dan bb<50 6).

Pada kotak “Numeric Expression”. Pada kotak di bawah option include …. hapus angka 0 dan gantilah dengan angka 1.SUTANTO PRIYO HASTONO: Analisis Data 9). 12). : ketiklah: umur > 30 & bbibu < 50 44 . Klik tombol berbentuk lingkaran kecil: Include if case satisfies condition. Klik tombol “If ”. 10). sesaat kemudian muncul dialog “ComputeVariable: If Cases” 11).

kalau menemui data yang berisi umur diatas 30 tahun dan berat ibu dibawah 50 th. Klik “OK”. atau IF sebaiknya di croscek. maka isi variabel RISK akan berubah dari 0 menjadi 1. Klik “Continue” 14). maka terbentuklah variabel “RISK” pada kolom paling kanan dengan isi 0 dan 1 (0=risiko rendah dan 1= risiko tinggi). apakah hasilnya betul sesuai yang kita kehendaki 45 . Klik “OK”. coba dicek !!!! Note : setiap kita melakukan perintah : Compute.SUTANTO PRIYO HASTONO: Analisis Data 13). Recode. akan muncul pesan: 15).

Klik pada tombol : If Conditin is satisfied 4). hanya untuk ibu yang menyusui saja. caranya: 1). Di dalam data tentunya ada variabel yang menunjukkan wilayah tempat tinggal ibu hamil.(dalam contoh ini kita masih menggunakan file data ASI.SUTANTO PRIYO HASTONO: Analisis Data 4. tapi kita hanya ingin mengetahui distribusi aktifitas pada ibu hamil yang tinggal di Jakarta Selatan. Ketiklh/sorot dan pindah pada kotak dan tuliskan kondisinya yaitu: Eksklu=0 Ket: ibu yang menyusui eksklusive kodenya=0 46 . Klik “If “ 5).SAV). Pilih menu “Data” 2). Sebagai contoh kita ingin menganalisis data. Memilih sebagian data (SUBSET) # perintah : SELECT Dalam kondisi tertentu seringkali kita hanya menginginkan mengolah dan menganalisis hanya data dari kelompok tertentu saja. Pih “Select Cases” 3). Misalkan kita punya data seluruh DKI.

Perhatikan di bagian bawah pada kotak: Unselected cases are: filtered atau deleted. sedangkan yang tidak dicoret merupakan data yang aktif (ibu yang menyusui eksklusive) 47 . Pilihlah filtered artinya data yang tidak dianalisis hanya ditandai dengan pencoretan nomor kasus. artinya kasus yang tidak terpilih akan dihapus secara permanen. Nomor batang yang dicoret artinya dikeluarkan dari data. Sedangkan untuk Deleted. Klik “OK” sehingga anda kembali ke data editor. 8). yang ditandai dengan pencoretan nomor kasusnya. Biasanya digunakan option: filtered. Perhatikan pada data editor ada beberapa kasus yang tidak terpilih (dimatikan). Klik “Continue” 7).SUTANTO PRIYO HASTONO: Analisis Data 6).

melainkan beberapa file data yang tentunya harus digabung kalau kita akan melakukan analisis data. a. berisi : nomor rsponden 1 s/d 7 No 1 2 3 4 5 6 7 umur 20 23 19 21 23 20 24 Didik 1 3 2 1 4 2 3 48 . Penggabungan responden/case Misal: data file pertama. Teknik penggabungan data ada dua jenis yaitu penggabungan responden dan penggabungan variabel. berisi: No 4 5 6 7 Umur 20 23 19 nomor responden 4 s/d 7 Umur 21 23 20 24 Didik 1 4 2 3 Didik 1 3 2 Data hasil gabungan. berisi: nomor responden 1 s/d 3 No 1 2 3 Data file kedua.SUTANTO PRIYO HASTONO: Analisis Data 5. MENGGABUNG FILE DATA # perintah : MERGE Dalam pengolahan data seringkali kita mempunyai tidak satu file data.

Langkahnya: 1.SUTANTO PRIYO HASTONO: Analisis Data Aplikasi di SPSS: Pastikan anda sudah memasukkan data kedua file. Isikan pada kota file name : data2 49 . sorot Add Cases 3. klik data. sorot Merge Files.sav dan data kedua dengan nama Data2. klik Add Cases 4. misalnya data pertama dengan nama Data1.sav’ dalam kondisi aktif 2. File ‘data1.sav.

dan akhirnya tergabunglah kedua file data 7. sex. Klik OK.SUTANTO PRIYO HASTONO: Analisis Data 5. klik Save As isikan nama file baru. Penggabungan variabel Data pertama : berisi variabel : no. umur dan didik no 1 2 3 4 5 6 7 umur 20 23 19 21 23 20 24 Didik 1 3 2 1 4 2 3 Data kedua. klik Open 6. Untuk menyimpan file gabungan. berisi variabel : no. kerja dan berat badan 50 . misalnya data12 b.

kerja dan bb no 1 2 3 4 5 6 7 umur 20 23 19 21 23 20 24 Didik 1 3 2 1 4 2 3 sex 2 2 1 2 2 1 24 kerja 1 3 2 1 3 2 3 bb 60 45 56 76 56 60 55 Langkahnya: Aplikasi di SPSS: Pastikan anda sudah memasukkan data kedua file.sav.SUTANTO PRIYO HASTONO: Analisis Data no 1 2 3 4 5 6 7 sex 2 2 1 2 2 1 2 kerja 1 3 2 1 3 2 3 bb 60 45 56 76 56 60 55 Data gabungan.sav dan data kedua dengan nama Data4. sex. sorot Merge Files. umur. Langkahnya: 1. berisi : no. File ‘data3.sav’ dalam kondisi aktif 2. misalnya data pertama dengan nama Data3. sorot Add Variables 51 . didik. klik data.

Pilih “Save SPSS Output” 3). Ketik/isikan nama file-nya 4). klik Open. Klik “OK” 52 . Bila anda akan menyimpan hasil analisis: 1). Pilih “File” 2). Prosedur yang sering digunakan untuk edit teks. seperti Cut.SUTANTO PRIYO HASTONO: Analisis Data 3. Copy dan Paste juga dapat digunakan di jendela output ini. Anda dapat mengedit teks langsung pada windows tersebut. klik Add Variables 4. Klik OK 5. anda tinggal melakukan penyimpanan “ klik Save As” beri nama file misal namanya Data34 6. Tampilan sudah tergabung variabelnya. Menyimpan hasil olahan/hasil analisis Hasil analisis akan ditampung pada jendela output (output windows) seperti tampak pada gambar di bawah ini.

0 60.SUTANTO PRIYO HASTONO: Analisis Data Frequencies Statistics RISK N Valid Missing 5 0 RISK Cumulative Percent 40.0 100.0 53 .0 Valid Percent 40.0 100.0 Valid 1 2 Total Frequency 2 3 5 Percent 40.0 100.0 60.

maka dia harus menggunakan timbangan berat badan. Alat ukur pertama denganmeteran yang dibuatdari logam. maka dia harus menggunakan timbangan emas. Jadi dapat disimpulkan bahwa timbangan emas valid untuk mengukur berat cincin. RELIABILITAS Realibilitas adalah suatu ukuran yang menunjukkan sejauhmana hasil pengukuran tetap konsisten bila dilakukan pengukuran dua kali atau lebih terhadap gejala yang sama dan dengan alat ukur yang sama. tapi timbangan emas tidak valid untuk menimbang berat badan. Uji validitas dan Reliabilitas Kuesioner Salah satu masalah dalam suatu penelitian adalah bagaimana data yang diperoleh adalah akurat dan objektif. Data yang kita kumpulkan tidak akan berguna bilamana alat pengukur yang digunakan untuk mengumpulkan data penelitian tidak mempunyai validitas dan reliabilitas yang tinggi. sedangkan alat ukur kedua dengan menghitung langkah kaki. Dilain pihak bila seseorang ingin menimbang berat badan. Pengukuran 54 . Misalnya bila seseorang akan mengukur cincin. Misalkan seseorang ingin mengukur jarak dari satu tempat ke tempat lain dengan menggunakan dua jenis alat ukur. VALIDITAS Validitas berasal dari kata Validity yang mempunyai arti sejauhmana ketepatan suatu alat ukur dalam mengukur suatu data. Hal ini sangat penting dalam penelitian karena kesimpulan penelitian hanya akan dapat dipercaya (akurat).SUTANTO PRIYO HASTONO: Analisis Data 3 UJI INSTRUMEN A.

CARA MENGUKUR VALIDITAS Untuk mengetahui validitas suatu instrumen (dalam hal ini kuesioner) dilakukan dengan cara melakukan korelasi antar skor masing-masing variabel dengan skor totalnya. Jadi jika misalnya menjawab terhadap perilaku merokok mempertinggi kepercayaan diri. Teknik korelasi yang digunakan korelasi Pearson Product Moment: r= N (ΣXY).(ΣXΣY) V[NΣX2 – (ΣX)2][NΣY2 – (ΣY)2] Keputusan uji: Bila r hitung lebih besar dari r tabel Bila r hitung lebih kecil dari r tabel valid CARA MENGUKUR RELIABILITAS Pertanyaan responden dikatakan “tidak reliabel setuju” jika jawaban seseorang terhadap dapat pertanyaan adalah konsisten atau stabil dari waktu ke waktu. Pengukuran reliabilitas pada dasarnya dapat dilakukan dengan dua cara : Ho ditolak. artinya variabel tidak 55 . Sebaliknya pengukuran yang dilakukan dengan kaki. Suatu variabel (pertanyaan) dikatakan valid bila skor variabel tersebut berkorelasi secara signifikan dengan skor totalnya. maka seharusnya tetap konsisten pada jawabab semula yaitu tidak setuju. Dari ilustrasi ini berarti meteran logam lebih reliable dibandingkan langkah kaki untuk mengukur jarak. maka jika beberapa waktu kemudian ia ditanya lagi untuk hal yang sama.SUTANTO PRIYO HASTONO: Analisis Data dengan meteran logam akan mendapatkan hasil yang sama kalau pengukurannya diulang dua kali atau lebih. besar kemungkinan akan didapatkan hasil yang berbeda kalau pengukurannya diulang dua kali atau lebih. artinya variabel valid Ho gagal ditolak.

Jadi jika pertanyaan tidak valid. Pertanyaan ditanyakan pada reponden berulang pada waktu yang berbeda (misal sebulan kemudian). Pertanyaanpertanyaan yang sudah valid kemudian baru secara bersama-sama diukur reliabilitasnya. Repeated Measure atau ukur ulang. maka pertanyaan tersebut dibuang. dan kemudian dilihat apakah ia tetap konsistendengan jawabannya b. Pada umumnya pengukuran dilakukan dengan One Shot dengan beberapa pertanyaan Pengujian reliabilitas dimulai dengan menguji validitas terlebih dahulu. Disini pengukurannya hanya sekali dan kemudian hasilnya dibandingkan dengan pertanyaan lain. 56 . One Shot atau diukur sekali saja.SUTANTO PRIYO HASTONO: Analisis Data a.

kadang-kadang 3. sering 4. Apkah anda sering terpaksa bekerja lembur? 1. Ya 5. sering 5. jarang 2. apakah dalam hidup ini perlu bersaing? 4. tidak 1. Apakah anda sering terjadi konflik dengan teman kerja? Hasil pretest pada 15 responden. Apakah anda mudah marah? 4. sering 5. selalu 2. Untuk mengukur stress digunakan 5 pertanyaan. Ya 5. sangat perlu 4. jarang 2. kadang-kadang 3. jarang 3. tidak 2. kadang-kadang 3.kadang-kadang 3. perlu 5. sbb: No P1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 4 1 1 4 2 3 4 1 3 2 1 2 4 3 2 P2 3 1 2 4 4 3 1 1 3 3 1 2 2 1 3 P3 4 1 1 3 2 3 4 1 3 2 1 2 4 3 2 P4 4 1 1 4 2 3 4 1 3 2 1 2 3 3 2 P5 4 1 1 4 2 3 4 1 3 2 1 2 4 3 2 57 . Uji coba dilakukan pada 15 responden dengan bentuk pertanyaan sbb: 1. kadang-kadang 4. tidak pernah 1. sering 4. tidak pernah 1.SUTANTO PRIYO HASTONO: Analisis Data KASUS: UJI VALIDITAS DAN RELIABILITAS KUESIONER Lakukan uji validitas dan reliabilitas kuesioner untuk mengetahui tingkat stress pekerja industri. Menurut anda. tidak 1. jarang 2. jarang 2. Ya 3. Apakah anda sering terjadi konflik dengan keluarga? 5.

P3.SUTANTO PRIYO HASTONO: Analisis Data Ujilah kelima pertanyaan diatas apakah sudah valid dan reliabel Penyelesaian: Langkahnya: 1. Masukkan semua variabel ke dalam kotak ‘Items’ (ingat variabel yang masuk hanya variabel yang akan diuji saja. 4. 2. P2. Masukkan data tersebut ke SPSS Klik ‘Analyze’ Pilih ‘Scale’ Pilih ‘Reliability Analysis’ 5. 3. yaitu P1. P4 dan P5) bentuknya sbb: 58 .

Klik ‘Continue’ Klik ‘OK’. 9.47 2. 7. Deviation 1.121 1. 10. terlihat hasil outputnya sbb : Reliability Statistics Cronbach's Alpha . biarkan pilihan pada ‘Alpha’ Klik Option ‘Statistics’ 8.100 1.928 N of Items 5 Item Statistics sering terpaksa lembur Bersaing dlm hidup Mudah marah konflik keluarga konflik dgn teman Mean 2.47 Std.40 2.40 2. Pada bagian ‘Descriptives for’ klik pilihan ‘ítem’..SUTANTO PRIYO HASTONO: Analisis Data 6.121 1.187 1. Pada ‘Model’.187 N 15 15 15 15 15 59 . Scale if Item deleted.27 2.

maka pertanyaan tersebut valid.963 Cronbach's Alpha if Item Deleted . Kaidah yang berlaku bahwa pengujian dimulai dengan menguji validitas kuesioner baru dilanjutkan uji reliabilitas.53 9.328 .124 20. sedangkan untuk pertanyaan P1.60 9.924 15.971 15. Uji Validitas Untuk mengetahui validitas kuesioner dilakukan dengan membandingkan nilai r tabel dengan nilai r hitung. P4 dan P5 dinyatakan valid. didapat angka r tabel = 0.514 **) Menentukan nilai r hasil perhitungan Nilai r hasil dapat dilihat pada kolom “Corrected item-Total Correlation” ***) Keputusan Masing-masing pertanyaan/variabel dibandingkan nilai r hasil dengan nilai r tabel.955 . Sehingga pertanyaan P2 tidak valid.881 . a.892 .53 Scale Variance if Item Deleted 15. Kesimpulan: Terlihat dari 5 pertanyaan. ada satu pertanyaan yaitu P2 (r=0.60 9. P3. ketentuan: bila r hasil > r tabel.686 15.73 9. varian dll. Bagian utama menunjukkan hasil statistik deskriptif masing-masing variabel dalam bentuk mean. Pada tingkat kemaknaan 5%.993 .963 . *) Menentukan nilai r tabel Nilai r tabel dilihat dengan tabel r (pada lampiran) dengan menggunakan df = n2 15-2=13.124 Corrected Item-Total Correlation .881 sering terpaksa lembur Bersaing dlm hidup Mudah marah konflik keluarga konflik dgn teman Interpretasi: Hasil analisis reliability memperlihatkan dua bagian.514).915 .884 .SUTANTO PRIYO HASTONO: Analisis Data Item-Total Statistics Scale Mean if Item Deleted 9. 60 . Pada bagian kedua memperlihatkan hasil dari proses validitas dan reliabilitas.3275) yang nilainya lebih rendah dari r tabel (r=0.

495 Corrected Item-Total Correlation . Klik “OK” Kemudian muncul tampilan Output sbb: Reliability Statistics Cronbach's Alpha .33 7. semua mempunyai nilai r hasil (Corrected item-Total Correlation) berada di atas dari niali r tabel (r=0.988 sering terpaksa lembur Mudah marah konflik keluarga konflik dgn teman Interpretasi: Sekarang terlihat bahwa dari keempat pertanyaan.095 12.40 2. Masukkan keempat variabel ke dalam kotak ‘Items’ (variabel P2 tidak ikut dianalisis) 5.996 .514).47 2.27 7.27 Scale Variance if Item Deleted 11.994 . 61 .971 .121 1.47 Std.095 11.988 .994 .SUTANTO PRIYO HASTONO: Analisis Data Langkah selanjutnya melakukan analisis lagi dengan mengeluarkan pertanyaan yang tidak valid.187 N 15 15 15 15 Item-Total Statistics Scale Mean if Item Deleted 7. Lakukan prosedur/langkah seperti di atas yaitu: 1.33 7.996 Cronbach's Alpha if Item Deleted .495 12. Klik ‘Analyze’ 2.187 1. Pilih ‘Reliability Analysis’ 4. sehingga dapat disimpulkan keempat pertanyaan tersebut valid. Deviation 1.40 2.993 N of Items 4 Item Statistics sering terpaksa lembur Mudah marah konflik keluarga konflik dgn teman Mean 2. Pilih ‘Scale’ 3.971 .121 1.

sebaliknya bila hasil uji kappa tidak signifikan/bermakna. maka harus ada penyamaan persepsi antara peneliti dengan petugas pengumpul data (numerator).9935) lebih besar dibandingkan dengan nilai r tabel. maka pertanyaan tersebut reliabel Dari hasil uji di atas ternyata. Ketentuannya: bila r Alpha > r tabel. Prinsip ujinya: bila hasil uji Kappa signifikan/bermakna maka persepsi antara peneliti dengan numerator sama. Uji Interrater Reliability Dalam melakukan penelitian dengan metode observasi seringkali antara peneliti dengan numerator (pengumpul data) terjadi perbedaan persepsi terhadap kejadian yang diamati. Agar data yang dihasilkannya valid.dalam uji reliabilitas sebagai nilai r hasil adalah nilai “Alpha” (terletak di akhir output). maka persepsi antara peneliti dengan numerator terjadi perbedaan. membandingkan nialia r hasil dengan r tabel.SUTANTO PRIYO HASTONO: Analisis Data b. Pertanyaanya: 62 . Uji Reliabilitas setelah semua pertanyaan valid semua. Alat yang digunakan untuk uji Interrater adalah uji statistik Kappa. Contoh : Suatu penelitian praktek keperawatan keluarga terdapat instrumen yang berbentuk observasi terhadap perilaku perawat merawat pasien. B. nilai r Alpha (0. Uji interrater Reliability merupakan jenis uji yang digunakan untuk menyamakan persepsi antara peneliti dengan petugas pengumpul data. amnalisis dilanjutkan dengan uji reliabilitas. Untuk mengetahui reliabilitas caranya adalah. maka keempat pertanyaan di atas dinyatakan reliabel.

Klik analysis. 4. Masukkan variabel ‘peneliti’ ke bagian Row dan masukkan variabel ‘numerator’ ke bagian colom. tidak Kemudian dilakukan uji coba dengan pengamatan sebanyak 10 pasien. Klik tombol Statistic. ya 2.SUTANTO PRIYO HASTONO: Analisis Data Apakah dalam melakukan komunikasi dengan pasien bersifat ramah ? 1. adapun hasilnya sbb: No pasien 1 2 3 4 5 6 7 8 9 10 peneliti 1 2 1 2 1 2 1 2 2 2 numerator 2 2 1 1 1 2 1 2 2 2 Ujilah apakah ada kesepakatan antara peneliti dengan numerator: Langkah: 1. sorot Descriptif. dan hasilnya 63 . Klik Continue 6. klik Kappa 5. sorot dan klik Crostab 3. Klik OK. data di entry di SPSS 2.

Hasil uji didapatkan nilai koefisien kapaa sebesar 0. b. sehingga kesimpulannya: ada perbedaan persepsi mengenai aspek yang diamati antara peneliti dengan numerator.583 dan p valuenya sebesar 0. Error . a Std. T 1.065 a. 64 . Dengan hasil ini berarti p value > alpha berarti hasil uji kappa tidak signifikan/bermakna.845 b Measure of Agreement N of Valid Cases Kappa Approx. Not assuming the null hypothesis. .583 10 Asymp.SUTANTO PRIYO HASTONO: Analisis Data Symmetric Measures Value . Using the asymptotic standard error assuming the null hypothesis.065.262 Approx. Sig.

yaitu arti sempit dan arti luas. Menginterpretasi berarti kita menjelaskan hasil analisis guna memperoleh makna/arti.SUTANTO PRIYO HASTONO: Analisis Data 4 1. Pendahuluan PENGANTAR ANALISIS DATA Setelah kita selesai melakukan pengolahan data. Analisis data merupakan kegiatan yang sangat penting dalam suatu penelitian. untuk itu perlu diketahui bagaimana menginterpretasi hasil penelitian tersebut. Interpretasi dalam arti sempit (deskriptif) yaitu interpretasi data dilakukan hanya sebatas pada masalah penelitian yang diteliti berdasarkan data yang dikumpulkan dan diolah untuk keperluan penelitian tersebut. maka langkah selanjutnya adalah menganalisis data. Analisis mempunyai posisi strategis dalam suatu penelitian. Data mentah (raw data) yang sudah susah payah kita kumpulkan tidak akan ada artinya jika tidak dianalisis. Pada umumnya analisis data bertujuan untuk: a. Sedangkan interpretasi dalam arti luas (analitik) yaitu interpretasi guna mencari makna data hasil penelitian dengan jalan tidak hanya menjelaskan/menganalisis data hasil penelitian tersebut. karena dengan analisislah data dapat mempunyai arti/makna yang dapat berguna untuk memecahkan masalah penelitian. tetapi juga melakukan inferensi (generalisasi) dari data yang diperoleh dengan teori-teori yang relevan dengan hasil-hasil penelitian tersebut. Namun perlu dimengerti bahwa dengan melakukan analisis tidak dengan sendirinya dapat langsung memberi jawaban penelitian. Interpretasi mempunyai dua bentuk. Memperoleh gambaran/deskripsi masing-masing variabel 65 .

SUTANTO PRIYO HASTONO: Analisis Data b. Membandingkan dan menguji teori atau konsep dengan informasi yang ditemukan c. Menemukan adanya konsepbaru dari data yang dikumpulkan d. Mencari penjelasan apakah konsep baru yang diuji berlaku umum atau hanya berlaku pada kondisi tertentu Seberapa jauh analisis suatu penelitian akan dilakukan tergantung dari: a. Jenis penelitian b. Jenis sampel c. Jenis data/variabel d. Asumsi kenormalan distribusi data

a. Jenis Penelitian
Jika ingin mengeahui bagaimana pada umumnya (secara rata-rata) pendapat masyarakat akan suatu hal tertentu, maka pengumpulan data dilakukan dengan survei. Dari kasus ini maka dapat dilakukan analisis data dengan pendekatan kuantitatif. Namun bila kita menginginkan untuk mendapatkan pendapat/gambaran yang mendalam tentang suatu fenomena, maka data dapat dikumpulkan dengan fokus grup diskusi atau observasi, maka analisisnya menggunakan pendekatan analisis kualitatif.

c. Jenis Sampel
Analisis sangat tergantung pada jenis sampel yang dibandingkan, apakah kedua sampel independen atau dependen. Misalnya pada penelitian survei yang tidak menggunakan sampel yang sama, dapat digunakan uji statistik yang mengasumsikan sampel yang independen. Misalkan survei untuk mengetahui apakah ada perbedaan berat badan bayi antara bayi-bayi yang dilahirkan dari ibu perokok dengan bayi-bayi dari ibu yang tidak merokok. Disini berarti kelompok ibu perokok dan kelompok ibu bukan perokok bersifat independen.

66

SUTANTO PRIYO HASTONO: Analisis Data Sedangkan untuk penelitian eksperimen yang sifatnya pre dan post (sebelum dan sesudah adanya perlakuan tertentu dilakukan pengukuran) maka uji yang digunakanadalah uji statistik utnuk data yang dependen. Misalnya, suatu penelitian ingin mengetahui pengaruh penelitian manajemen terhadap kinerja petugas kesehatan. Pertanyaan penelitiannya “Apakah ada perbedaan kinerja petugas kesehatan antara sebelum dan sesudah mendapatkan pelatihan manajemen?”. Dalam penelitian ini sampel kelompok petugas kesehatan bersifat dependen, karena pada kelompok (orang) yang sama diukur dua kali yaitu pada saat sebelum pelatihan (pre test) dan sesudah dilakukan pelatihan (Post Test).

c. Jenis Data/Variabel
Data denganjenis katagori berbeda cara analisisnya dengan data jenis numerik. Beberapa pengukuran/uji statistik hanya cocok untuk jenis data tertentu. Sebagai contoh, nilai proporsi/persentase (pada analisis univariat) biasanya cocok untuk menjelaskan data berjenis katagorik, sedangkan untuk data jenis numerik biasanya dapat menggunakan nilai rata-rata untuk menjelaskan karakteristiknya. Untuk analisis hubungan dua variabel (analsis bivariat), uji kai kuadrat hanya dapat dipakai untuk mengetahui hubungan data katagori dengan data katagori. Sebaliknya untuk mengetahui hubungan numerik dengan numerik digunakan uji korelasi/regresi.

d. Asumsi Kenormalan
Jenis analisis yang akan dilakukan sangat tergantung dari bentuk distribusi datanya. Bila distribusi datanya tidak normal, maka sebaiknya digunakan prosedur uji statitik nonparametrik. Sedangkan bila asumsi kenormalan dapat dipenuhi maka dapat digunakan uji statistik parametrik. Berikut kuantitatif): 1. Analisis Deskriptif (Univariat). 67 ini akan dijelaskan langkah-langkah analisis (pendekatan

SUTANTO PRIYO HASTONO: Analisis Data Tujuan dari analisis ini adalah untuk menjelaskan/mendiskripsikan

karakteristik masing-masing variabel yang diteliti. Bentuknya tergantung dari jenis datanya. Untuk data numerik digunakan nilai mean (rata-rata), median, standard deviasi dan inter kuartil range, minimal maksimal. 2. Analisis Analitik (Bivariat) Setelah diketahui karakteristik masing-masing variabel dapat diteruskan analisis lebih lanjut. Apabila diinginkan analisis hubungan antar dua variabel, maka analisis dilanjutkan pada tingkat bivariat. Misalnya ingin diketahui hubungan antara berat badan dengan tekanan darah. Untuk mengetahui hubungan dua variabel tersebut biasanya digunakan pengujian statistik. Jenis uji statistik yang digunakan sangat tergantung jenis data/variabel yang dihubungkan. 3. Analisis Multivariat Merupakan analisis yang menghubungkan antara beberapa variabel independen dengan satu variabel dependen. Secara lebih khusus/detail analisis univariat, bivariat dan multivariat akan dipelajari pada bab tersendiri yaitu bab 5, 6 dan 7

68

SUTANTO PRIYO HASTONO: Analisis Data

5

ANALISIS UNIVARIAT
( DESKTIPTIF)

Tujuan dari analisis ini adalah untuk menjelaskan/mendeskriptifkan karakteristik masing-masing variabel yang diteliti. Dalam analisis data kuantitatif kita dihadapkan pada kumpulan data yang besar/banyak yang belum jelas maknanya. Fungsi analisis sebetulnya adalah menyederhanakan atau meringkas kumpulan data hasil pengukuran sedemikian rupa sehingga kumpulan data tersebut berubah menjadi informasi yang berguna. Peringkasan tersebut berupa ukuran-ukuran statistik, tabel dan juga grafik. Secara teknis pada dasarnya analisis merupakan kegiatan meringkas kumpulan data menjadi ukuran tengah dan ukuran variasi. Selanjutnya membandingkan gambaran-gambaran tersebut antara satu kelompok subyek dan kelompok subyek lain, sesuai dengan tujuan yang ingin dicapai dalam analisis. Berbicara peringkasan data (yang berwujud ukuran tengah dan ukuran variasi) jenis data (apakah numerik atau katagorik) akan sangat menentukan bentuk peringkasan datanya. Berikut akan diuraikan bentuk/cara peringkasan data untuk data numerik dan data katagorik. 1. Peringkasan Data Untuk Data Jenis Numerik a. Ukuran Tengah Ukuran tengah merupakan cerminan dari konsentrasi nilai-nilai hasil pengukuran. Berbagai ukuran dikembangkan utnuk mencerminkan ukuran tengah tersebut, dan yang paling sering dipakai adalah mean, median dan mode/modus. 1). Mean

69

sebenarnya sebagian besar orang pendapatannya di bawah Rp 10. Namun kelemahan dari nilai mean adalah sangat dipengaruhi oleh nilai ekstrim. Sebagai contoh data yang ada nilai ekstrimnya adalah data penghasilan. penghitungan median hanya mempertimbangkan urutan nilai dasil pengukuran. 90 hr.000.. Median Median adalah nilai dimana setengah banyaknya pengamatan mempunyai nialai di bawahnya dan setengahnya lagi mempunyai nilai di atasnya.. 2 hr.000. Mean sebesar Rp 10.SUTANTO PRIYO HASTONO: Analisis Data Mean/average adalah ukuran rata-rata yang merupakan hasil dari jumlah semua nilai pengukuran dibagioleh banyaknya pengukuran. ada 5 pasien diukur lama hari rawatnya : 1 hr.. baik ekstrim tinggi maupun rendah. Apabila mean perndapatan perbulan adalah Rp 10. 2). Oleh karena itu pada kelompok data yang ada nilai ekstrimnya (sering dikenal dengan ‘distribusi data yang menceng/miring’). 3 hr. hasil ini tendtunya tidak dapat mewakili karena secara visual datanya sebagian besar kurang dari 5 hari.. Berbeda dengan nilai mean. Contoh. Mean = (1+3+4+2+90)/5 = 20 hr.diperoleh karena tarikan sekelompok kecil orang (misalnya konglomerat) yang pendapatannya sangat tinggi. 4 hr. Mean tidak dapat mewakili rata-rata kumpulan nilai pengamatan.000. Keadaan ini bisa terjadi karena kumpulan data di atas ada nilai ekstrimnya.000.000..000. besar beda antar nilai di abaikan. Karena 70 . Dari hasil penghitungan didapatkan rata-rata lama hari rawat 20 hari. Secara sederhana perhitungan nilai mean dapat dituliskan dengan rumus : X = Σ Xi / n Keuntungan nilai mean adalah mudah menghitungnyadan sudah melibatkan seluruh data dalam penghitungannya. Dengan demikian penggunaan mean untuk data yang ada nilai ekstrimnya (data yang distribusinya menceng) kurang tepat.

24. Hitung posisi median dengan rumus (n+1)/2 c). 21 th.5 Mediannya adalah data yang urutannya ke 3. maka bentuk distribusi datanya menceng/miring ke kanan Bila nilai mean < median < mode. Prosedur penghitungan median melalui langkah a). 36. median dan mode akan menentukan bentuk distribusi data: Bila nilai mean.SUTANTO PRIYO HASTONO: Analisis Data mengabaikan besar beda. 30. 20 th. 20 th. 40 Posisi = (6+1)/2 = 3. 26. 40 th.5 yaitu (26 + 30)/2 = 28 Jadi 50% mahasiswa berumur dibawah 28 tahun dan 50% mahasiswa berumur di atas 28 tahun 3). maka median tidak dipengaruhi oleh nilai ekstrim. Data diurutkan/di-array dari nilai kecil ke besar b). 26 th. 23th. Hitung nilai mediannya Contoh ada usia 6 mahasiswa 20 th. Dari data tersebut berarti mode-nya adalah 20 tahun Bentuk Distribusi Data Hubungan nilai mean. 30 th. Mode/Modus Mode adalah nilai pengamatan yang mempunyai frekuensi/jumlah terbanyak. 24 th. 36 th Data diurutkan: 20. maka bentuk distribusi datanya menceng /miring ke kiri 71 . maka bentuk distribusi datanya normal Bila nilai mean > median > mode. Contoh mode data umur mahasiswa: 18 th. median dan mode sama. 22 th.

Jarak Inter Quartil Nilai observasi disusun berurutan dari nilai ke cil ke besar. Kuartil merupakan pembagiandata menjadi 4 bagian yang dibatasi oleh tiga ukuran kuartil. kuartil II dan kuartil III. Jarak inter kuartil adalah selisih anatar kuaril III dan kuaril I. jarak linier kuartil dan standard deviasi. Ukuran Variasi Nilai-nilai hasil pengamatan akan cenderung saling berbeda satu sama lain atau dengan kata lain hasil pengamatan akan bervariasi.SUTANTO PRIYO HASTONO: Analisis Data b. 1). Kelemahan range adalah dipengaruhi nilai ekstrim. Untuk menegtahui seberapa jauh data bervariasi digunakan ukuran variasi antara lain range. Standard Deviasi Variasi data yang diukur melalui penyimpangan/deviasi dari nilai-nilai pengamatan terhadap nilai mean-nya. Kuartil III mencakup 75% data berada di bawahnya dan 25% data berada di atasnya. dihitung dari selisih nilai terbesar dengan nilai terkecil. Rata-rata hitung dari kuadrat deviasi terhadap mean disebut varian. Varian = Σ(Xi – X)2 n 72 . yaitu kuartil I. Keuntungan penghitungan dapat dilakukan dengan cepat. kemudian ditentukan kuartil bawah dan atas. yang rumusnya. 2). terutama kalau frekuensi pengamatan banyak dan distribusi sangat menyebar. Ukuran ini lebih baik dari range. Kuartil I mencakup 25% data berada di bawahnya dan 75% data berada di atasnya. Range Range merupakan ukuran variasi yang paling dasar. 3). Kuartil II (median) mencakup 50% data berada di bawahnya dan 50% data berada di atasnya.

2. yang disajikan. Standard Deviasi merupakan akar dari varian: Standard deviasi (S atau SD = Σ(Xi – X)2 n Seperti halnya varian. median. Untuk ukuran variasi. tentunya informasi/peringkasan yang penting disampaikan tidak mungkin/tidak lazim menggunakan ukuran mean atau median. Bila data yang terkumpul tidak menunjukkan adanya nilai ekstrim (distribusi normal). Bila data berjenis katagorik. semakin besar SD semakin besar variasinya. Pada data katagorik peringkasan data hanya menggunakan distribusi frekuensi dengan ukuran persentase atau proporsi. Apabila tidak ada variasi. Seddangkan bila dijumpai nilai ekstrim 9distribusi data tidak normal). untuk data numerik digunakan niali mean (rata-rata). yaitu Standard Deviasi. maka nilai nedian dan inter quartil range (IQR) yang lebih tepat dibandingkan nilai mean. maka dikembangkan suatu ukuran variasi yang mempunyai satuan yang sama dengan satuan pengamatan. Peringkasan Data Katagorik Berbeda dengan data numerik. peringkasan.SUTANTO PRIYO HASTONO: Analisis Data Semakin besar nilai varian akan semakin bervariasi. standard deviasi dan inter quartil range. melainkan informasi jumlah dan persentase katagori sama. pada data katagorik variasi maksimal apabila jumlah antar 73 . karena satuan varian (kuadrat) yang tidak sama dengan satuan nilai pengamatan. (baik ukuran tengah maupun ukuran variasi) tidak beragam jenisnya. miinimal dan maksimal. maka SD=0 Dari uraian tersebut dapat disimpulkan. maka perhituungan nilai mean dan standard deviasi merupakan cara analisis univariat yang tepat.

3. jenis kelamin mahasiswa tidak bervariasi (homogen pada pria) karena pria 90% dan wanita hanya 10%.9 2 – 60 10. jenis kelamin mahasiswa bervariasi (heterogen) karena 50% pria dan 50% wanita. Pada kelas B.1 10. Bentuk Penyajian Data Bentuk penyajian analisis univariat dapat berupa tabel atau grafik. Umur 2. tidak diperkenankan secara sekaligus menggunakan tabel dan juga grafik dalam m. Lama hari rawat Mean Median 30.SUTANTO PRIYO HASTONO: Analisis Data Contoh: Kelas A: mahasiswa 50 dan mahasiswi 50 Kelas B: mahasiswa 90 dan mahasiswi 10 Pada kelas A. Namun perlu diingat bahwa kita dianjurkan hanya memilih salah satu. Contoh penyajian analisis deskriptif: a.1 17 – 60 SD Minimal.Maksimal 74 .3 31.enyampaikan informasi suatu data/variabel.1 7. Data numerik Tabel 1 Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun 1999 Variabel 1.0 8.

Data katagorik Tabel 2 Distribusi Responden Menurut Tingkat Pendidikan Pasien Rumah sakit X tahun 1999 Pendidikan SD SMP SMU Total Jumlah 60 30 10 100 Persentase 60.0 10.0 30.0 100. 75 . analisis univariat dapat juga sekaligus untuk mengeksplorasi variabel yang dapat berguna dalam mendiagnosis asumsi statistik lanjut (terutama untuk variabel jenis numerik). bila ada nilai ekstrim sangat menentukan analisis selanjutnya (bivariat) apakah nilainya akan berkurang. misalnya apakah variannya homogen atau heterogen. Eksplorasi data juga dapat untuk mendeteksi adanya nilai ekstrim/outlier. apakah distribusinya normal atau tidak.SUTANTO PRIYO HASTONO: Analisis Data b.0 Bagaimana menginterpretasi tabel di atas? “dilihat konsentrasi/jumlah yang terbesar data pada kelompok mana?” Selain untuk mendeskripsikan masing-masing variabel.

Berikut akan dipelajari cara mengeluarkan analisis deskriptif di SPAA. Sedangkan untuk data katagorik tentunya hanya dapat menjelaskan angka/nilai jumlah dan persentase masing-masing kelompok. Dari menu utama SPSS pilih ‘Analyze’. sehingga muncul tampilan: 2. kemudian ‘Descriptive Statistic’ dan pilih ‘Frequencies’.SAV’. a. Klik tanda panah dan masukkan ke kotak “Variable (s)” 76 . Untuk data numerik digunakan nialai mean (rata-rata).SUTANTO PRIYO HASTONO: Analisis Data KASUS : ANALISIS DESKRIPTIF (UNIVARIAT) Tujuan analisis ini adalah untuk mendeskripsikan karakteristik masingmasing variabel yang diteliti. Bentuknya tergantung dari jenis datanya. Sebagai contoh kita akan menampilkan tabel distribusi frekuensi untuk variabel pendidikan dari file ‘ASI. median. Data Katagorik Untuk menampilkan tabulasi data katagorik digunakan tampilan frekuensi. standard deviasi dll. dimulai untuk variabel katagorik (sebagai latihan digunakan variabel ‘pendidikan’) dan kemudian dilanjutkan variabel numerik (variabel umur). 1. Sorot variabel ‘didik’.

0 32.0 100. seperti sbb: Frequencies Statistics pendidikan formal ibu menyusui N Valid 50 Missing 0 pendidikan formal ibu menyusui Frequency 10 11 16 13 50 Percent 20.0 100.0 74.0 Valid 1 2 3 4 Total Kolom ‘Frequency’ menunjukkan jumlah kasus dengan nilai yang sesuai. pada contoh di atas ada 20% ibu yang berpendidikan SD. ‘Cumulative Percent’ 77 .0 26. Pada contoh di atas.0 Valid Percent 20. total responden 50 orang.0 Cumulative Percent 20.0 42.0 100. hasil dapat dilihat di jendela output. Kolom ‘Valid Percent’ memberi hasil yang sama karena pada data ini tidak ada ’missing cases’.0 22. proporsi dapat dilihat pada kolom ‘Percent’. dari jumlah tersebut 10 ibu yang berpendidikan SD.0 26.0 32.0 22. Klik ‘OK’.SUTANTO PRIYO HASTONO: Analisis Data 3.

median dan modus. Adapun penyajian dan interpretasinya sbb: Tabel … Distribusi Responden Menurut Tingkat Pendidikan Di ………… X tahun ….0 26. Sedangkan ukuran sebarannya (variasi) yang digunakan adalah range.0 22. Data Numerik Pada data numerik. peringkasan data dapat dilakukan dengan melaporkan ukuran tengah dan sebarannya. Pada SPSS ada dua cara untuk mengeluarkan atau analisis deskriptif ‘Expolre’.0%) sedangkan untuk pendidikan SD. Pendidikan SD SMP SMU PT Total Jumlah 10 11 16 13 50 Persentase 20. Penyajian dan Interpretasi di Laporan Penelitian Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan penelitian/laporan tesis.0 Distribusi tingkat pendidikan responden hampir merata untuk masing-masing tingkat pendidikan. yaitu dapat yang melalaui digunakan perintah adalah 78 ‘Frequencies’ perintah Biasanya .0%. b.0 100. standard deviasi. Pada contoh di atas ada 42.0%.0 32. minimal dan maksimal. Ukuran yang digunakan adalah rata-rata.0% dan 26. Dalam menginterpretasikan tabel katagorik dapat dilihat dari variasi dan konsentrasi datanya. Paling banyak responden berpendidikan SMU yaitu 16 orang (32. SMP dan PT masing-masing 20.SUTANTO PRIYO HASTONO: Analisis Data menjelaskan tentang persent kumulatif. 22.0% ibu yang tingkat pendidikannya SD dan SMP.

Pilih ‘Analyze’ 3. SE. dan klik tanda panahsehingga umur masuk ke kotak variable (s). 79 . Sorot variabel yang akan dianalisis. median. Klik tombol option ‘Statistics…’. Pilih ‘Frequencies’. standard seviasi.sav” 2. Aktifkan data “susu.SUTANTO PRIYO HASTONO: Analisis Data Frequencies oleh karena ukuran statistik yang dapat dihasilkan pada menu ‘Frequencies’ sangat lengkap (seperti mean. 1. terlihat kotak frequencies: 5. Pilih ‘Descriptive Statistic’ 4. Berikut akan dicoba mengeluarkan analisis deskriptif untuk variabel umur dengan menggunakan perintah frequencies. pilih ukuran yang anda minta misalnya mean. sorot umur. selain itu pada perintah ini juga dapat ditampilkan grafik histogram dan kurve normalnya. 6. maximum. median. minimum. varian dll).

Frequencies Statistics Umur ibu menyusui N Valid Missing 50 0 80 . Klik ‘OK’. Klik ‘Continue’ 10. Klik tombol option ‘Charts’ lalu muncul menu baru dan klik ‘Histogram’. lalu klik ‘With Normal Curve’ 9. Klik ‘Continue’ 8. dan pada layar terlihat distribusi frekuensi disertai ukuran statistik yang diminta dan dibawahnya tampak grafik histogram beserta curve normalnya.SUTANTO PRIYO HASTONO: Analisis Data 7.

0 26.0 10.0 8.0 10.SUTANTO PRIYO HASTONO: Analisis Data Statistics umur ibu menyusui N Valid Missing Mean Std.0 6.0 Valid 19 20 21 22 23 24 25 26 27 30 31 32 34 35 Total 81 .0 4.686 24.0 10.0 8.0 92.0 86.0 100.0 80.0 6.0 4.0 6.0 4.0 6.0 6.0 6.0 96.0 100.0 10.0 6. Deviation Minimum Maximum 50 0 25.850 19 35 umur ibu menyusui Frequency 7 3 3 5 5 4 2 5 3 3 3 3 2 2 50 Percent 14.0 36.0 68.10 . Error of Mean Median Mode Std.0 6.00 19 4.0 46.0 20.0 100.0 Cumulative Percent 14.0 4.0 58.0 6.0 4.0 10.0 74.0 6.0 6.0 54.0 10.0 Valid Percent 14.0 6.0 4.

rata-rata umur ibu adalah 25. = 4.0 tahun dan standard deviasi 4. Dev. Seviation.85 tahun dengan umur termuda 19 tahun dan yang tertua 35 tahun. kemudian pilih submenu ‘descriptive Statistics’. Adapun caranya sbb: 1. Dari menu utama SPSS. Dari tampilan grafik dapat dilihat bahwa distribusi variabel umur berbentuk normal Dari hasil di atas belum diperoleh informasi estimasi interval yang penting untuk melakukan estimasi parameter populasi. Bila anda ingin memperoleh estimasi interval lakukan analisis eksplorasi data dengan perintah ‘Explore’. nilai rata-rata dapat dilihat pada baris mean. pilih menu ‘Analyze’. Pada contoh di atas. Bentuk distribusi data dapat diketahui dari grafik histogram dan kurve normalnya. median 24. Distribusi frekuensi ditampilkan menurut umur termuda sampai dengan umur tertua dengan informasi tentang jumlah dan persentasenya.1 Std.SUTANTO PRIYO HASTONO: Analisis Data Histogram 7 6 5 Frequency 4 3 2 1 Mean = 25. lalu pilih ‘Explore’ 82 .85 N = 50 15 20 25 30 35 0 umur ibu menyusui Dari hasil di atas.10 tahun. sedangkan nilai standard deviasi dapat dilihat pada baris std.

Isikan kotak ‘Dependent List’ dengan variabel ‘umur’.SUTANTO PRIYO HASTONO: Analisis Data 2. Klik tombol ‘Plots’. hasilnya dapat dilihat di layar: Explore 83 . kotak ‘Factor List’ dan ‘Label Cases By’ biarkan kosong. dan pilih ‘Normality Plots With Test’ 4. sehingga tampilannya sbb: 3. Klik ‘Continue’ 5. Klik ‘OK’.

. .90 24. .547 -.812 Std.130 50 .00 20.00 23. Error .850 19 35 16 9 . .002 a. .00 2.10 23.686 .00 10.035 a Lower Bound Upper Bound Statistic 25. Leaf 9999999 00011122222333334444 5566666777 00011122244 55 10 1 case(s) 84 .SUTANTO PRIYO HASTONO: Analisis Data Descriptives umur ibu menyusui Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.337 .920 50 Sig. Lilliefors Significance Correction umur ibu menyusui umur ibu menyusui Stem-and-Leaf Plot Frequency 7.48 24. .72 26.520 4. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Tests of Normality Kolmogorov-Smirnov Statistic df Sig.662 umur ibu menyusui Shapiro-Wilk Statistic df .00 Stem width: Each leaf: Stem & 1 2 2 3 3 .00 11.

SUTANTO PRIYO HASTONO: Analisis Data Normal Q-Q Plot of umur ibu menyusui 2 1 Expected Normal 0 -1 -2 15 20 25 30 35 Observed Value 35 30 25 20 15 umur ibu menyusui 85 .

Kita dapat menghitung 95% confidence interval umur yaitu 23. bila hasil uji signifkan (p value < 0. median dan mode. bila nilai Skewness dibagi standar errornya menghasilkan angka ≤ 2.05) maka distribusi normal.72 s. Menggunakan nilai Skewness dan standar errornya. berarti distribusi normal 2. Atas dasar kelemahan ini dianjurkan untuk mengetahui kenormalan data lebih baik menggunakan angka skewness atau melihat grafik histogram dan kurve normal 86 .d. maksudnya : untuk jumlah sampel yang besar uji kolmogorov cenderung menghasilkan uji yang signifikan (yang artinya bentuk distribusinya tidak normal). Dari hasil tersebut kita dapat melakukan estimasi interval dari umur ibu.48 tahun.72 sampai 26. Namun uji kolmogorov sangat sensitif dengan jumlah sampel.48. ada 3 cara untuk mengetahuinya yaitu: 1. Namun yang paling penting dari tampilan explore munculnya angka estimasi interval. Dilihat dari grafik histogram dan kurve normal. Uji kenormalan data: Untuk mengetahui suatu data berdistribusi normal.SUTANTO PRIYO HASTONO: Analisis Data Dari hasil analisis ‘Explore’ terlihat juga nilai mean. maka distribusinya normal 3. jadi kita 95% yakin bahwa rata-rata umur ibu di populasi berada pada selang 23. bila bentuknya menyerupai bel shape. Uji kolmogorov smirnov. 26.

72 sampai dengan 26. 87 .85 Minimal. Dari hasil tersebut diatas dengan demikian variabel umur disimpulkan berdistribusi normal.72 – 26. Umujr termuda 19 tahun dan umur tertua 35 tahun. dilihat dari histogram dan kurve normal terlihat bentuk yang normal.62 .72 – 26.85 tahun. selain itu hasil dari perbandingan skwness dan standar error didapatkan: 0. Dari hasil estimasi interval dapat disimpulkan bahwa 95% diyakini bahwa rata-rata umur ibu adalah diantara 23.547/0.48).10 tahun (95% CI: 23. hasilnya masih dibawah 2. dengan standar deviasi 4.10 SD 4.48 Hasil analisis didapatkan rata-rata umur ibu adalah 25.Maksimal 19 . Penyajian dan Interpretasi di Laporan Penelitian Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan penelitian/laporan tesis.SUTANTO PRIYO HASTONO: Analisis Data Untuk variabel umur diatas. Adapun penyajian dan interpretasinya adalah sbb: Tabel 1 Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun x Variabel Umur Mean 25.337 =1.48 tahun.35 95% CI 23. berarti distribusi normal.

SUTANTO PRIYO HASTONO: Analisis Data 6 pembayaran berobat ANALISIS BIVARIAT Setelah diketahui karakteristik masing-masing variabel dapat diteruskan analisis lebih lanjut. Dengan sampel besar perbedaan-perbedaan sangat kecil. maka analisis dilanjutkan pada tingkat bivariat. Pada analisis univariat. Apabila diinginkan analisis hubungan antara dua variabel. Pada analisis bivariat kita dapat mengetahui apakah ada perbedaan kepuasan pasien antara pasien dengan membayar sendiri dengan pasien dengan biaya askes. Perbedaan Substansi/Klinis dan perbedaan Statistik Perlu dipahami/disadari bagi peneliti bahwa berbeda bermakna/signifikan secara statistik tidak berarti (belum tentu) bahwa perbedaan tersebut juga bermakna dipandang dari segi substansi/klinis. dalam contoh diatas berarti kita ingin mengetahui hubungan jenis pembayaran dengan kepuasan pasien. misalnya ada dua variabel : jenis dan kepuasan pasien. Seperti diketahui bahwa semakin besar sampel yang dianalisis akan semakin besar menghasilkan kemungkinan berbeda bermakna. Begitu juga untuk variabel kepuasan pasien. atau bisa juga digunakan untuk mengetahui apakah ada perbedaan yang signifikan antara dua atau lebih kelompok(sampel). yang sedikit atau bahkan tidak mempunyai manfaat secara substansi/klinis dapat 88 . akan diketahui berapa persen yang puas dan berapa persen yang tidak puas. Kegunaan analisis bivariat bisa untuk mengetahui apakah ada hubungan yang siginifikan antara dua variabel. Untuk variabel jenis pembayaran akan diketahui berapa persen yang berobat dengan biaya sendiri dan berapa persen yang dibiayai askes. kita hanya melakukan pendeskripsian sendiri-sendiri untuk variabel jenis pembayaran dan kepuasan pasien.

Sebagai contoh. Hasil eksperimen didapatkan bahwa rata-rata penurunan tekanan darah setelah minum obat A adalah 40 mmHg dan pada kelompok yang minum Obat B ratarata penurunannya 39 mmHg. oleh karena perbedaan mean penurunan tekanan darah antara obat A dan B hanya 1 mmHg. seperti perbesaan atau hubungan. semakin besar keyakinan bahwa hubungan tersebut memang ada. seorang peneliti masalah imunisasi diminta untuk memutuskan berdasarkan bukti-bukti hasil percobaan. namun secara substansi tidaklah mempunyai perbedaan yang berarti. cukup menyakinkan untuk ditolak atau tidak ditolak. Sebagai contoh ada studi eksperimen yang akan menguji dua obat (katakanlah obat A dan Obat B) untuk mengathui pengaruhnya terhadap penurunan tekanan darah. Kemudian dilakukan uji statistik dan hasilnya signifikan/bermakna (p value < alpha). Kemudian obat A dan B diujicobakan pada dua kelompok relawan penderita hipertensi.SUTANTO PRIYO HASTONO: Analisis Data berubah menjadi bermakna secara statitik. apa yang dapat disimpulkan dari temuan ini? Secara statistik memang terjadi perbedaan bermakna. namun harus juga dinilai/dilihat kegunaannya dari segi klinis/substansi. Dengan hasil ini dapat disimpulkan bahwa sebenarnya antara obat A dan B tidak ada perbedaan (sama saja) kasiatnya. Keyakinan ini didasarkan pada besarnya peluang untuk memperoleh hubungan tersebut secara kebetulan (by chance). UJI HIPOTESIS Pengujian hipotesis dapat berguna untuk membantu pengambilan keputusan tentang apakah suatu hipotesis yang diajukan. Dengan pengujian hipotesis akan diperoleh suatu kesimpulan secara probalistik apakah vaksin baru tersebut lebih baik dari yang sekarang beredar di pasaran atau malah sebaliknya. Oleh karena itu arti kegunaan dari setiap penemuan jangan hanya dilihat dari aspek statistik semata. Untuk menjawab pertanyaan ini maka perlu dilakukan pengujian hipotesis. Semakin kecil peluang tersebut (peluang adanya by chance). apakah suatu vaksin baru lebih baik daripada yang sekarang beraedar di pasaran. 89 .

kita coba analogkan proses persidangan kriminal di pengadilan. Hupo artinya sementara/lemah kebenarannya dan thesis artinya pernyataan/teopri. Hipotesis Hipotesis berasal dari kata hupo dan thesis. karena benar atau tidaknya suatui hipotesis hanya dapat dibuktikan dengan mengadakan observasi pada seluruh populasi. Jadi menerima hipotesis sebetulnya artinya adalah kita tidak cukup bukti untuk menolak hipotesis. Dengan 90 . maka peluang untuk menolak hipotesis menjadi kecil. Untuk memperjelas pengertian kebenaran bahwa “gagal menolak hipotesis berbeda dengan mengakui hipotesis (menerima hipotesis”. Perlu dipahami bahwa arti menerima hipotesis sebetulnya kurang tepat. maka peluang untuk menolak hipotesis besar pula. yang tepat adalah gagal menolak hipotesis. Dari uraian tersebut sangatlah jelas bahwa istilah yang tepat dalam kesimpulan uji hipotesis adalah gagal menolak hiopotesis. Kesimpulan yang didapat dari hasil pengujian hipotesis ada dua kemungkinan yaitu menolak hipotesis dan menerima hipotesis (gagal menolak hipotesis). dan hal ini sangat sulit bahkan tidak mungkin untuk dilakukan. makin besar perbedaan antara nilai sampel dengan nilai hipotesis. bukan berarti bahwa kita telah membuktikan hipotesis tersebut benar. kegagalan membuktikan kesalahan tertuduh bukan berarti si tertudauh tidak bersalah atau sitertuduh benar. Dalam uji hipotesis bila kesimpulannya menerima hipotesis. Jadi. sebaliknya bila perbedaan tersebut kecil. Pengadilan memutuskan bahwa si tertuduh tidak dapat dibuktikan bersalah. makin besar peluang untuk menolak hipotesis. Bila perbedaan tersebut cukup besar. dengan kata lain dapat diartikan kita gagal menolak hipotesis. dan bukan menerima hipotesis. Peluang untuk diterima atau ditolaknya suatu hipotesis tergantung besar kecilnyanya perbedaan antara nilai sampel dengan nilai hipotesis.SUTANTO PRIYO HASTONO: Analisis Data Prinsip uji hipotesis adalah melakukan perbandingan antara nilai sampel (data hasil penelitian) dengan nilai hipotesis (nilai populasi) yang diajukan. 1. Seperti dalam sidang pengadilan. bukan memutuskan tidak bersalah.

Hipotesis Alternatif (Ha) Hipotesis yang menyatakan ada perbedaan sesuatu kejadian antara kedua kelompok. Untuk menguji kebenaran sebuah hipotesis digunakan pengujian yang disebut pengujian hipotesis. Hipotesis Nol (Ho). Ada hubungan antara merokok dengan berat badan bayi 2. Dalam pengujian hipotesis dijumpai dua jenis hipotesis yaitu hipotesis nol (Ho) dan hipotesis alternatif (Ha). Tidak ada hubungan antara merokok dengan berat badan bayi b. a. Arah dan bentuk hipotesis Bentuk hipotesis alternatif akan menentukan arah uji statistik apakah satu arah (one tail) atau dua arah (twa tail) 91 . Hipotesis yang menyatakan tidak ada perbedaan sesuatu kejadian antara kedua kelompok.SUTANTO PRIYO HASTONO: Analisis Data demikian hipotesis berarti pernyataan yang perlu diuji kebenarannya. Tidak ada perbedaan berat badan bayi antara mereka yang dilahirkan dari ibu yang merokok dengan mereka yang dilahirkan dari ibu yang tidak merokok 2). Atau hipotesis yang menyatakan ada hubungan antara variabel satu dengan variabel lainnya Contoh: 1). Ada perbedaan berat badan bayi antara mereka yang dilahirkan dari ibu yang merokok dengan mereka yang dilahirkan dari ibu yang tidak merokok 2). Atau hipotesis yang menyatakan tidak ada hubungan antara variabel satu dengan variabel lainnya Contoh: 1). Berikut akan diuraikan lebih jelas tentang masing-masing hipotesis tersebut.

Langkah selanjutnya setelah ktriteria/batasan yang digunakan untuk memutuskan apakah hipotesis nol ditolak atau gagal ditolak yang disebut dengan tingkat kemaknaan (Level of 92 . One tail (satu sisi): bila hipotesis alternatifnya menyatakan adanya perbedaan dan ada pernyataan yang mengatakan hal satu lebih tinggi/rendah dari hal lain. Atau dengan kata lain: ada perbedaan berat badan bayi antara mereka yang dilahirkan dari ibu yang merokok dibandingkan dari ibu yang tidak merokok. atau Tidak ada hubungan antara jenis kelamin dengan tekanan darah. b.SUTANTO PRIYO HASTONO: Analisis Data a. Two tail (dua sisi) merupakan hipotesis alternatif yang hanya menyatakan perbedaan tanpa melihat apakah hal satu lebih tinggi/rendah dari hal lain. Seperti sudah diketahui bahwa tujuan dari pengujian hipotesis adalah untuk membuat suatu pertimbangan tentang perbedaan antara nilai sampel dengan keadaan populasi sebagai suatu hipotesis. Contoh: Berat badan bayi dari ibu yang merokok lebih kecil dibanding berat badan bayi dari ibu tidak merokok. Contoh penulisan hipotesis: Suatu penelitian ingin mengetahui hubungan antara jenis kelamin dengan tekanan darah. Contoh: Berat badan bayi dari ibu yang merokok Berbeda dibanding berat badan bayi dari ibu tidak merokok. atau Ada hubungan antara jenis kelamin dengan tekanan darah 3. Ho : μA ≠ μB Ada perbedaan mean tekanan darah antara laki-laki dan perempuan. maka hipotesisnya sbb: Ho : μA = μB Tidak ada perbedaan mean tekanan darah antara laki-laki dan perempuan. Menentukan Tingkat Kemaknaan (Level of Significance) Tingkat kemaknaan merupakan kesalahan tipe I suatu uji yang biasanya diberi notasi ‘α’.

merupakan nilai yang menunjukkan besarnya peluang salah dalam menolak hipotesis nol. Bila distribusi data populasi yang akan diuji berbentuk normal/simetris/Gauss. Untuk bidang kesehatan masyarakat biasanya digunakan nilai α sebesar 5%. nilai α merupakan batas toleransi peluang salah dalam menolak hipotesis nol. atau 1%. Penentuan nilai α (alpha) tergantung dari tujuan dan kondisi penelitian. Tingkat kemakanaan. 93 . Atau dengan kata lain. Bila kita menolak Ho berarti menyatakan adanya perbedaan/hubungan. nilai α merupakan batas maksimal kesalahan menolak Ho. Misalkan seorang peneliti yang akan menentukan apakah suatu obat bius berkhasiat akan menentukan nilai α yang kecil sekali. Sedangkan bila distribusi data populasinya tidak normal atau tidak diketahuidistribusinya maka dapat digunakan pendekatan uji statistik non parametrik. Sedangkan unutuk pengujian obat-obatan digunakan batas toleransi kesalahan yang lebih kecil misalnya 1%. Bila jenis variabelnya katagorik (kualitatif). maka proses pengujian dapat digunakan dengan pendekatan uji statistik parametrik. Sehingga nilai α dapat diartikan pula sebagai batas maksimal kita salah dalam menyatakan adanya perbedaan. 5%. sehingga uji non parametrik dapat digunakan.SUTANTO PRIYO HASTONO: Analisis Data Significance). maka bentuk distribusinya tidak normal. Nilai α yang sering digunakan adalah 10%. Kenormalan suatu distribusi data dapat juga dilihat dari jenis variabelnya. bila variabelnya berjenis numerik/kuantitatif biasanya distribusi datanya mendekati normal/simetris. Pemilihan Jenis Uji Parametrik atau Non Parametrik Dalam pengujian hipotesis sangat berhubungan dengan distribusi data populasi yang akan diuji. sehingga dapat digunakan uji statistik parametrik. 4. atau sering disebut dengan nilai α. peneliti tersebut tidak akan mau mengambil risiko bahwaketidak berhasilan obat bius besar karena akan berhubungan dengan nyawa seseorang yang akan dibius. karena mengandung risiko yang fatal. Dengan kata-kata yang lebih sederhana.

Hipotesis alternatif (Ha) Hipotesis yang menyatakan ada perbedaan sesuatu kejadian antara kedua kelompok. Dari hipotesis alternatif akan diketahui apakah uji statistik menggunakan satu arah (one tail) atau dua arah (two tail). 1). Oleh karena itu harus digunakan uji statistik yang tepat sesuai dengan data yang diuji. Hipotesis nol (Ho) Hipotesis yang menyatakan tidak ada perbedaan sesuatu kejadian antara kedua kelompok. Jenis variabel yang akan dianalisis 2). bila jumlah data kecil (<30) cenderung digunakan uji non parametrik. Setiap uji statistik mempunyai persyaratan tertentu yang harus dipenuhi. Penentuan Uji Statistik Yang Sesuai Ada beragam jenis uji statistik yang dapat digunakan. Jenis uji statistik sangat tergantung dari: 1). Contoh: Ada perbedaan berat badan bayi antara mereka yang dilahirkan dari ibu yang merokok dengan mereka yang dilahirkan dari ibu yang tidak merokok. Contoh: Tidak ada perbedaan berat badan bayi antara mereka yang dilahirkan dari ibu yang merokok dengan mereka yang dilahirkan dari ibu yang tidak merokok 2). PROSEDUR/LANGKAH UJI HIPOTESIS Menetapkan Hipotesis Hipotesis dalam statistik dikenal dua macam yaitu hipotesis nol (Ho) dan hipotesis alternatif (Ha).SUTANTO PRIYO HASTONO: Analisis Data Penentuan jenis uji juga ditentukan oleh jumlah data yang dianalisis. Jenis data apakah dependen atau independen 94 .

SAS dll. Dari hasil dengan nilai populasi untuk mengetahui apakah ada hipotesis ditolak atau gagal menolak hipotesis. Setiap kita melakukan uji statistik melalui program komputer maka yang akan kita cari adalalah nilai p (p value). sedangkan uji untuk mengetahui perbedaan proporsi digunakan uji Kai kuadrat. Uji beda mean menggunakan uji t atau inova. Jenis distribusi data populasinya apakah mengikuti distribusi normal atau tidak. Keputusan Uji Statistik Seperti telah disebutkan pada langkah D. sering juga disebut dengan nilai α. Penghitungan Uji Statitik Penghitungan uji statistik adalah menghitung data sampel ke dalam uji hipotesis yang sesuai. Seiring dengan kemajuan perkembangan komputer maka uji statistik dengan mudah dan cepat dapat dilakukan dengan program-program statistik yang tersedia di pasaran seperti Epi Info. bahwa hasil pengujian statistik akan menghasilkan dua kemungkinan keputusan yaitu menolak hipotesis nol (Ho) dan gagal menolak hipotesisi nol. untuk bidang kesehatan masyarakat biasanya menggunakan nilai alpha 5%. Penggunaan nilai alpha tergantung tujuan penelitian yang dilakukan. Dengan nilai p ini kita dapat menggunakan untuk keputusan uji statistik dengan cara membandingkan nilai p dengan α (alpha). maka data hasil pengukuran dimasukkan ke rumus uji t. Misalnya kalau ingin menguji perbedaan mean antara dua kelompok. Menentukan Batas atau Tingkat Kemaknaan (Level og Significance) Batas/tingkat kemaknaan. Sebagai gambaran. Ketentuan yang berlaku adalah: 95 . SPSS.SUTANTO PRIYO HASTONO: Analisis Data 3). jenis uji statistik untuk mengetahui perbedaan mean akan berbeda dengan uji statistik untuk mengetahui perbedaan proporsi/persentase.

Pertanyaan yang timbul adalah apakah perbedaan berat badan bayi tersebut juga berlaku untuk seluruh populasi yang diteliti atau hanya faktor kebetulan saja?. Dengan kata lain kalau nilai p-nya kecil maka perbedaan yang ada pada penelitian terjadi bukan karena faktor kebetulan (by chance). Pendekatan probabilistik ini sekarang sudah mulai digunakan oleh para ahli statistik dalam pengambilan keputusan uji statistik. dengan demikian dapat disederhanakan dengan rumus : nilai p two tail = 2 x nilai p one tail. Bila nilai p > α. Pengertian Nilai P Nilai p merupakan nilai yang menunjukkan besarnya peluang salah menolak Ho dari data penelitian. Perbedaan berat bayi antara ibu yang hipertensi dengan ibu yang tidak hipertensi sebesar 100 gram. Harapan kita nilai p adalah sekecil mungkin.SUTANTO PRIYO HASTONO: Analisis Data a). maka keputusannya adalah Ho gagal ditolak Perlu diketahui bahwa nilai p two tail adalah 2 kali nilai p one tail berarti kalau tabel yang digunakan adalah tabel one tail sedangkan uji statistik yang dilakukan adalah two tail maka nilai p dari tabel harus dikalikan 2. Untuk menjawab pertanyaan tersebut kemudian dilakukan uji statistik yang tepat yaitu uji t. Hasil penelitian melaporkan bahwa ratarata berat badan bayi dari ibu hipertensi 200 gram. sedangkan rata-rata berat badan bayi yang lahir dari ibu yang tidak hipertensi adalah 3000 gram.0110 96 . Nilai P dapat diartikan pula sebagai nilai besarnya peluang hasil penelitian (misal adanya perbedaan mean atau proporsi) terjadi karena faktor kebetulan (by chance). Bila nilai p ≤ α. Contoh: Suatu penelitian ingin mengetahui hubungan riwayat hipertensi ibu hamil dengan berat badan bayi yang dikandungnya. Miisalnya dihasilkan nilai p = 0. maka keputusannya adalah Ho ditolak b). Pada modul ini dalam memutuskan uji statistik menggunakan pendekatan ini. sebab bila nilai p-nya kecil maka kita yakin bahwa adanya perbedaan pada hasil penelitian menunjukkan pula adanya perbedaan di populasi.

0110.SUTANTO PRIYO HASTONO: Analisis Data maka berarti peluang adanya perbedaan berat bayi sebesar 1000 gram akibat dari faktor kebetulan (by chance) adalah sebesar 0. oleh karena peluangnya sangat kecil (p=0.0110). maka dapat diartikan bahwa adanya perbedaan tersebut bukan karena faktor kebetulan namun karena memang karena adanya riwayat hipetensi. Berikut adalah berbagai uji statistik yang dapat digunakan untuk analisis bivariat Variabel I Variabel II Jenis uji statistik yang digunakan Katagorik ↔ Katagorik Katagorik ↔ Numerik Numerik ↔ Numerik Kai kuadrat Fisher Exact Uji T ANOVA Korelasi Regresi 97 .

namun lebih sering digunakan uji t.SUTANTO PRIYO HASTONO: Analisis Data 7 Uji t ANALISIS BIVARIAT HUBUNGAN KATAGORIK DENGAN NUMERIK Di bidang kesehatan sering kali kita harus menarik kesimpulan apakah parameter dua populasi berbeda atau tidak. Misalnya. misalnya data berat badan sebelum dan sesudah mengikuti program diet berasal dari orang yang sama (data sesudah dependen/tergantung dengan data sebelum). Atau. Dikatakan kelompok independen tekanan darah kelompok bila data kelompok yang satu tidak tergantung dari kelopok kedua. sehingga pada uji beda dua mean bisa menggunakan uji Z atau uji t. apakah ada perbedaan berat badan antar sebelum mengikuti program diet dengan sesudahnya. Uji statistik yang membandingkan mean dua kelompok data ini disebut uji beda dua mean. apakah ada perbedaan tekanan darah penduduk dewasa orang kota dengan orang desa. Pendekatan ujinya dapat menggunakan pendekatan distribusi Z dan distribusi t . kedua data dikatakan dependen/pasangan bila kelompok data yang dibandingkan datanya saling mempunyai ketergantungan. Sebelum kita melakukan uji statistik dua kelompok data. misalnya membandingkan mean sistolik orang desa dengan orang kota. kita perlu mengetahui apakah dua kelompok data tersebut berasal dari dua kelompok yang independen atau berasal dari dua kelompok yang dependen/pasangan. Tekanan darah orang kota independen (tidak tergantung) dengan orang desa. 98 . Dilain pihak.

Prinsip pengujian dua mean dua mean adalah melihat perbedaan variasi kedua kelompok data. uji Z dapat digunakan bila standar deviasi populasi (σ) diketahui dan jumlah sampel besar (>30). Oleh karena itu dalam pengujian ini diperlukan informasi apakah varian kedua kelompok yang diuji sama atau tidak. Bentuk varian kedua kelompok data akan berpengaruh pada nilai standar error yang akhirnya akan membedakan rumus pengujiannya. Variabel yang dihubungkan berbentuk numerik dan katagorik (ket: variabel katagorik hanya dengan dua kelompok). Uji untuk varian sama Uji beda dua mean dapat dilakukan dengan menggunakan uji Z atau uji T. Kedua kelompok data independen. yaitu: uji beda mean independen (uji T independen) dan uji beda mean dependen (uji T dependen).2 99 . Data berdistribusi normal/simetris. syarat yang harus dipenuhi: a. sehingga uji beda dua mean biasanya menggunakan uji T (T Test).SUTANTO PRIYO HASTONO: Analisis Data Berdasarkan karakteristik data tersebut maka uji beda dua mean dibagi dalam dua kelompok. pada umumnya nilai σ sulit diketahui. a. Untuk varian yang sama maka bentuk ujinya sbb: X1 – X2 T= Sp (1/n1) + (1/n2) Sp2 = (n1-1) S12 + (n2 – 1) S22 n1 – n2 . 1. c. Apabila kedua syarat tersebut tidak terpenuhi maka dilakukan uji . Uji beda dua mean independen Tujuan: untuk mengetahui perbedaan mean dua dua kelompok data independen. b.

2. Uji untuk varian berbeda X1 – X2 T= (S12/n1) + (S22/n2) [(S12/n1) + (S22/n2)]2 df = [(S12/n1)2/(n1-1)] + [(S22/n2)2/(n2-1)] c. Contoh kasus: 100 . varian yang lebih besar sebagai pembilang dan varian yang lebih kecil sebagai penyebut.2 Ket : n1 atau n2 = jumlah sampel kelompok 1 atau 2 S1 atau S2 = standar deviasi sampel kelompok 1 atau 2 b. Uji homogenitas varian Tujuan dari uji ini adalah untuk mengetahui varian antara kelompok data satu apakah sama dengan kelompok data yang kedua. Uji beda dua mean dependen (Paired sample) Tujuan : Untuk menguji perbedaan mean anatara dua kelompok data yang dependen.SUTANTO PRIYO HASTONO: Analisis Data df = n1 – n2 . S12 F= S22 df1 = n1-1 dan df2 = n2-1 Pada perhitungan uji F.

Apakah ada perbedaan berat badan antara sebelum dan sesudah mengikuti program diet. Syarat : a. Jenis variabel: numerik dan katagorik (dua kelompok) Formula : d T= S_d / n d = rata-rata deviasi/selisih sampel 1 dengan sampel 2 S_d = standar deviasi dari deviasi/selisih sampel sampel 1 dan sampel 2 101 . Kedua kelompok data dependen/pair c.SUTANTO PRIYO HASTONO: Analisis Data Apakah ada perbedaan tingkat pengetahuan antara sebelum dan sesudah dilakukan pelatihan. Distribusi data normal b.

4. Aktifkan/bukalah file data “ASI. Dari menu utama SPSS. sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya. apakah ada perbedaan kadar Hb antara ibu yang menyusui eksklusif dengan ibu yang menyusuinya tidak eksklusif. kemudian pilih sub menu “Compare Means’.SAV” 2. lalu pilih “Independen-Samples T Test” 3. kemudian di layar nampak kotak isian. ingat jangan sampai terbalik. Anda diminta mengisi kode variabel ‘menyusui’ ke dalam kedua kotak. 6. Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable (s)’I dan ‘Grouping Variable’. Ket: kotak test varibles tempat memasukkan variabel numeriknya. Klik variabel ‘eksklu’ dan masukkan ke kotak‘Grouping Variable’.SAV” dengan melakukan uji hubungan perilaku menyusui dengan kadar Hb (misal digunakan variabel Hb1). caranya: 1. Klik ‘hb1’ dan msukkan ke kotak ‘Test variable’ 5. Pada contoh ini. kita 102 .SUTANTO PRIYO HASTONO: Analisis Data KASUS: UJI t INDEPENDEN DAN UJI t DEPENDEN 1. Klik ‘Define Group’. Uji t independen Sebagai contoh kita gunakan data “ASI. pilih menu ‘Analyze”.

dan hasilnya sbb: T-Test Group Statistics status menyusui asi tdk EKSKLUSIVE EKSKLUSIVE N 24 26 Mean 10.1439 -. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 7.2594 kadar hb pengukuran pertama Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Std.719 -.3003 .277 Std. Deviation 1.6505 F kadar hb pengukur an pertama Equal variances assumed Equal variances not assumed . Error Mean .363 46.9425 . Error Differe nce .4 . Klik “OK” untuk menjalankan prosedur perintahnya.364 df 48 Sig.4712 1.SUTANTO PRIYO HASTONO: Analisis Data tahu bahwa ‘0’ kode untuk yang tidak eksklusif dan kode ‘1’ untuk Yang eksklusif.421 10.790 t -.322 103 .3951 95% Confidence Interval of the Difference Lower Upper -.3968 -. (2-taile d) . .717 Mean Differen ce -.277 gr% dengan standar deviasi 1.6547 Pada tampilan di atas dapat dilihat nilai rata-rata. Rata-rata kadar Hb ibu yang menyusui ekslusif adalah 10. Klik “Continue” 8.1439 .3228 Std.072 Sig.9384 . standar deviasi dan standar error kadar Hb ibu untuk masing-masing kelompok.

nilai p < alpha (0.421 SD 1. rata-rata kadar Hb-nya adalah 10. memilih uji mana yang kita pakai. dapat dilihat uji kesamaan varian melalui uji Levene..05) maka varian berbeda dan bila nilai p > alpha (0. Adapun bentuk penyajian dan interpretasinya adlah sbb: Tabel … Distribusi Rata-Rata Kadar Hb Responden Menurut Perilaku Menyusui di.471 gr%. Selanjutnya dicari p value uji t pada bagian varian sama (equal variances) di kolom sig (2 tailed) .yaitu sebesar p=0. Penyajian dan Interpretasi di laporan penelitian: Seperti pada analisis deskriptif. print out di atas tidak boleh langsung di copy dan disajikan di laporan penelitian.05) maka varian sama (equal).471 gr%.th.300 P value 0.322 1. Hasil uji T dapat dilihat pada tabel bawah. Pada laporan penelitian kita harus membuat tabel baru untuk menyajikan hasil print out analisis di atas.717 artinya tidak ada perbedaan yang signifikan rata-rata kadar Hb antara ibu yang menyusui eksklusif dengan ibu yang menyusui non eksklusif. didapat tidak ada perbedaan varian (varian kedua kelompok sama). Untuk. sedangkan untuk ibu yang menyusui non eksklusif rata-rata kadar Hb-nya adalah 10..717 N 26 24 Rata-rata kadar Hb ibu yang menyusui eksklusif adalah 10.421 gr% dengan standar deviasi 1.277 10. 104 .277 gr% dengan standar deviasi 1.259 0. sedangkan untuk ibu yang menyusui non eksklusif. SPSS akan menampilkan dua uji T.471 SE 0. Lihat nilai p Levene test.SUTANTO PRIYO HASTONO: Analisis Data gr%. Menyusui Ya Eksklusif Tdk Eksklusif Mean 10. Pada uji Levene di atas menghasilkan nilai p = 0. yaitu uji T dengan asumsi varian kedua kelompok sama (equal variances assumed) dan uji T dengan asumsi varian kedua kelompok tidak sama (equal variances not assumed).421 gr% dengan standar deviasi 1.790 sehingga dapat disimpulkan bahwa pada alpha 5%.322 gr%.

Uji T dependen sering digunakan pada analisis data penelitian eksperimen. Seperti sudah dijelaskan di depan bahwa disebut kedua sampel bersifat dependen kalau kedua kelompok sampel yang dibandingkan mempunyai subyek yang sama. Dengan kata lain disebut dependen bila responden diukur dua kali/diteliti dua kali. Dari menu utama SPSS. Uji T Dependen Uji T dependen seringkali disebut uji T Paired/Related atau pasangan. pilih menu ‘Analyze”. Disini terlihat sampelnya dependen karena orangnya sama diukur dua kali.717.SUTANTO PRIYO HASTONO: Analisis Data Hasil uji statistik didapatkan nilai p=0. kemudian pilih sub menu “Compare Means’. lalu pilih “Paired-Samples T Test” 105 . berarti pada alpha 5% terlihat tidak ada perbedaan yang signifikan rata-rata kadar Hb antara ibu yang menyusui secara eksklusif dengan non eksklusif. Pastikan anda berada di file “ASI. jika belum aktifkan/bukalah file ini. 2. sering orang mengatakan penelitian pre dan post. Misalnya kita ingin membandingkan berat badan antara sebelum dan sesudah mengikuti program diet.SAV”. Adapun langkahnya: 1. Untuk contoh ini akan dilakukan uji beda rata-rata kadar Hb antara kadar Hb pengukuran pertama dengan kadar Hb pengukuran kedua. 2. ingin diketahui apakah ada perbedaan kadar Hb antara pengukuran pertama dengan pengukuran kedua.

(2-taile d) -.1493 Paired Samples Correlations N Pair 1 kadar hb pengukuran pertama & kadar hb pengukuran kedua 50 Correlation . 106 .05 gr%.860 N 50 50 Std. Klik ‘hb1’ 4.38 gr%. Pada pengukuran kedua (hb2) didapat rata-rata kadar Hb adalah 10. Klik tanda panah sehingga kedua variabel masuk kotak sebelah kanan 6.860 gr% dengan standar deviasi 1. .7931 -.0558 Std.1957 . Klik ‘hb2’ 5.9821 . Difference Deviati Error on Mean Lower Upper t df Sig.SUTANTO PRIYO HASTONO: Analisis Data 3. Std.kadar hb pengukuran kedua Paired Differences 95% Confidence Interval of the Std.346 gr% dengan standar deviasi 1.001 Pada tabel pertama terlihat statistik deskriptif berupa rata-rata dan standar deviasi kadar Hb antara pengukuran pertama dan pengukuran kedua.000 Paired Samples Test Mean Pair 1 kadar hb pengukuran pertama .1389 -.5140 .346 10.707 Sig. Deviation 1.701 49 .2349 -3. Klik ‘OK’ hasilnya tampak sbb T-Test Paired Samples Statistics Mean Pair 1 kadar hb pengukuran pertama kadar hb pengukuran kedua 10. Error Mean . Rata-rata kadar Hb pada pengukuran pertama (hb1) adalah 10.3835 1.

001 50 Mean SD SE P value N Rata-rata kadar Hb pada pengukuran pertama adalah 10.982.14 0.982. Penyajian dan Interpretasi di laporan penelitian: Dari hasil yang didapat di atas kemudian angka-angka disusun dalam tabel yang disajikan dalam laporan penelitian.860 1. Terlihat nilai mean perbedaan antara pengukuran pertama dan kedua adalah 0. Th…… Variabel Kadar Hb Pengukuran I Pengukuran II 10.860 gr% dengan standar deviasi 1.514 dengan standar deviasi 0.346 10.19 0. perbedaan ini diuji dengan uji T berpasangan menghasilkan nilai p yang dapat dilihat pada kolom “Sig (2-tailed)”.SUTANTO PRIYO HASTONO: Analisis Data Uji T berpasangan dilaporkan pada tabel kedua. terlihat nilai mean perbedaan antara pengukuran pertama dan kedua adalah 0.001.514 dengan standar deviasi 0. Pada pengukuran kedua didapat rata-rata kadar Hb adalah 10.38 gr%.346 gr% dengan standar deviasi 1. maka dapat disimpulkan ada perbedaan yang signifikan kadar hb antara pengukuran pertama dengan pengukuran kedua.05 gr%.38 1. Bentuk penyajian dan interpretasinya sbb: Tabel … Distribusi Rata-Rata Kadar Hb Responden Menurut Pengukuran pertama dan Kedua di …. hasil uji statistik didapatkan nilai 0. Pada contoh di atas didapatkan nilai p=0. 107 .001 maka dapat disimpulkan ada perbedaan yang signifikan antara kadar Hb pengukuran pertama dan kedua.05 0.

Bila variasi within dan between sama (nilai perbandingan kedua varian sama dengan 1) maka mean-mean yang dibandingkan tidak ada perbedaan. misalnya ingin mengetahui perbedaan mean berat badan bayi untuk daerah Bekasi. Bogor dan Tangerang. maka mean yang dibandingkan menunjuk ada perbedaan. Namun seringkali kita jumpai jumlah kelompok yang lebih dari dua. kedua. bila melakukan uji T berulang kali akan meningkatkan (inflasi) nilai α. Perubahan inflasi α sebesar = 1 – (1-α)n Untuk mengatasi masalah tersebut maka uji statistik yang dianjurkan (uji yang tepat) dalam menganalisis beda lebih dari dua mean adalah uji ANOVA atau uji F. 108 . pertama kita melakukan uji berulang kali sesuai kombinasi yang mungkin.SUTANTO PRIYO HASTONO: Analisis Data 8 ANALISIS HUBUNGAN KATEGORIK DENGAN NUMERIK UJI ANOVA Pada bab terdahulu telah dijelaskan uji beda mean dua kelompok data baik yang independen maupun dependen. Prinsip uji ANOVA adalah melakukan telaah variabilitas data menjadi dua sumber variasi yaitu variasi dalam kelompok (within) dan variasi antar kelompok (between). sebaliknya bila hasil perbandingan tersebut menghasilkan lebih dari 1. artinya akan meningkatkan peluang hasil yang keliru. Dalam menganalisis data seperti ini (> 2 kelompok) sangat tidak dianjurkan menggunakan uji T. kelemahan menggunakan uji T adalah.

Xk X= N Ket N = jumlah seluruh data (n1 + n2 + ….. + nk) Analisis Multi Comparison (POSTHOC TEST) Analisis ini bertujuam untuk mengetahui lebih lanjut kelompok mana saja yang berbeda mean-nya bilamana pada pengujian ANOVA dihasilkan ada 109 2 (n1-1)S12 + (n2-1)S22 + ……. + nk. Jenis data yang dihubungkan adalah : Numerik dengan katagori (untuk katagori yang lebih dari 2 kelompok. Varian homogen 2. Pada bab ini hanya akan dibahas analisis varian satu faktor (one way). Sampel/kelompok independen 3.+ (nk-1)Sk2 Sb2 = . Data berdistribusi normal 4. Perhitungan uji ANOVA sbb: Sb2 F= Sw 2 df = k-1 n-k untuk pembilang untuk penyebut Sw = N-k n1(X1-X)2 + n2(X2-X)2 + ………+ nk(Xk-X)2 k-1 n1.SUTANTO PRIYO HASTONO: Analisis Data Analisis varian (ANOVA) mempunyai dua jenis analisi varian satu faktor (one way) dan analisis faktor (two way).X1 + n2.X2 + …….. Beberapa asumsi yang harus dipenuhi pada uji ANOVA adalah: 1.

Honestly Significant different (HSD). Pada modul ini yang akan dibahas adalah metode Bonferroni. Ada berbagaijenis analisis multiple comparasion diantaranya adalah Bonferroni.Xj tij = Sw2[(1/ni) + (1/nj)] df = n – k Dengan level of significance (α) sbb: α (k2) α* = 110 . Perhitungan Bonfrroni adalah sbb Xi .SUTANTO PRIYO HASTONO: Analisis Data perbedaan yang bermakna (Ho ditolak). Scheffe dan lain-lain.

Variabel pendidikan merupakan variabel katagorik dengan 4 katagori. Klik tombol ‘Options” tandai dengan √ pada kotak “Descriptive” 111 . Dari menu utama SPSS. Aktifkan/bukalah file data “ASI. Pada contoh ini berarti pada kotak Dependen diisi variabel “bbbayi” pada kotak Factor diisi variabel “Didik”. Dari menu One way ANOVA. 5. Adapun caranya sbb: 1. terlihat bahwa kotak Dependent List dan kotak Factor perlu diisi variabel. pilih menu ‘Analyze”.SAV” 2. Kotak ‘dependent’ diisi variabel numerik dan kotak ‘factor’ diisi variabel katagoriknya. 4. lalu pilih “One-Way ANOVA” sesaat akan muncul menu One Way NOVA 3. Variabel berat bayi berbentuk numerik sehingga uji yang digunakan ANOVA. kemudian pilih sub menu “Compare Means’.SUTANTO PRIYO HASTONO: Analisis Data Kasus: UJI ANOVA Pada contoh ini aka dicoba dihubungkan antara tingkat pendidikan dengan berat badan bayi.

00 Std.141 82. Klik “OK” Oneway Descriptives berat badan bayi 95% Confidence Interval for Mean N 10 11 16 13 50 Mean 2470.623 Lower Bound 2291.232 Std.98 3336.04 Minim um 2100 2100 3000 3000 2100 Maxim um 2900 3000 4000 4100 4100 SD SMP SMU PT Total 112 . Error 78. Deviation 249.54 3170.40 2565.00 2727.SUTANTO PRIYO HASTONO: Analisis Data 6. Klik “Continue” 9.96 Upper Bound 2648. Klik tombol “Post Hoc”. Klik “Continue” 7.304 584.25 3761.27 3431.951 72. tandai dengan √ pada kotak “Bonferroni” 8.32 3528.727 67.10 3003.18 3994.60 2889.32 3575.23 3287.666 241.209 270.108 386.527 107.

250* -1291.294 119.315 .14 384. Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470.977* -1034.21 -1290.2 gram dengan standar deviasi 241. Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2727.000 .250* 703.294 115.02 632.027 95% Confidence Interval Lower Bound Upper Bound -613.000 .54 -634. .6 gram.506 df1 3 df2 46 Sig. .SUTANTO PRIYO HASTONO: Analisis Data Test of Homogeneity of Variances berat badan bayi Levene Statistic 2.902 121.468 121.492 124. .36 -1634.000 .72 700.64 634.266* 961.54 -384.000 .2 gram.538* 257.000 .000 .862 87564. Pada mereka yang berpendidikan SMU rata-rata berat 113 .902 110. Error 129.05 level.286 115.288* 1291.000 .288* SMP SMU PT Std.027 .72 -948.400 F 48.36 1290.977* -330.42 1023.51 25.51 -700.315 .21 613.273 -703.76 99.42 -1368.228 119.538* 1034.76 -1023.93 *.468 129.071 ANOVA berat badan bayi Sum of Squares 12697038 4027962 16725000 df 3 46 49 Mean Square 4232345.492 Sig.000 .02 1368.36 -99.93 -25.36 1634.000 Between Groups Within Groups Total Post Hoc Tests Multiple Comparisons Dependent Variable: berat badan bayi Bonferroni (I) (J) pendidika pendidikan Mean n formal formal ibu Difference ibu menyusui (I-J) i SD SMP -257.266* 330.228 110.0 gram dengan standar deviasi 249. Dari print out ini diperoleh rata-rata berat bayi dan stndar deviasi masing-masing kelompok.286 124.14 -632.64 948. The mean difference is significant at the .273 SMU PT SD SMU PT SD SMP PT SD SMP SMU -961.334 Sig.

dapat disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan.2 – 2889.3 3287. Pada hasil di atas nilai p uji ANOVA dapat diketahui pada kolom “F” dan “Sig”.SD .2 gram.SMP . Untuk mengetahui kelompok yang signifikan dapat terlihat dari kolom Sig. berarti pada alpha 5%.2 gram dengan standar deviasi 270.SMU .3 – 3575. SMP dengan PT dan SMU dengan PT.1 gram.3 gram. SMP dengan SMU.2 gram dengan standar deviasi 270. Ternyata kelompok signifikan adalah tingkat pendidikan SD dengan SMU. SD dengan PT.9 0. Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2727.0 2727.1 gram.PT 2470. Pada mereka yang berpendidikan PT rata-rata berat bayinya adalah 3761.5 gram dengan standar deviasi 386.5 249. terlihat p=0. Pada mereka yang berpendidikan SMU rata-rata berat bayinya adalah 3431.1 – 3994.2 3431.0 gram dengan standar deviasi 249. Pada mereka yang 114 .6 241. Penyajian dan Interpretasi di laporan Penelitian Tabel … Distribusi Rata-Rata berat Bayi Menurut Tingkat pendidikan Variabel Pendidikan .2 270.0005).3 2291.0005 Mean SD 95% CI P value Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470.000 (kalau desimalnya 0.2 3761.6 3565.6 gram.1 386.1 3528. Pada Box paling bawah terlihat hasil dari uji ‘Multiple Comparisons Bonferroni” yang berguna untuk menelusuri lebih lanjut kelompok mana saja yang berhubungan signifikan.4 – 2648.20 gram dengan standar deviasi 241.SUTANTO PRIYO HASTONO: Analisis Data bayinya adalah 3431. maka penulisannnya menjadi p=0.

SMP dengan 115 .3 gram. Hasil uji statistik didapat niali p=0. Analisis lebih lanjut membuktikan bahwa kelompok yang berbeda signifikan adalah tingkat pendidikan SD dengan SMU.SUTANTO PRIYO HASTONO: Analisis Data berpendidikan PT rata-rata berat bayinya adalah 3761. berarti pada alpha 5% dapat disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan.SMP dengan PT dan SMU dengan PT. SMU.5 gram dengan standar deviasi 386. SD dengan PT.0005.

kita menemui data yang tidak dapat dinyatakan dalam bentuk angka-angka pengukuran (data numerik). misalnya variabel sex. Dalam penelitian kesehatan seringkali peneliti perlu melakukan analisis hubungan variabel katagorik dengan variabel katagorik. Sebelum berlanjut lebih dalam tentang kai kuadrat terlebih dahulu kita pahami dengan benar apa itu variabel katagorik. pendidikan. status merokok yang mempunyai katagori. Sebaliknya justru yang kita jumpai adalah data hasil dari menghitung jumlah pengamatan yang diklasifikasikan atas beberapa katagori. dan variabel perilaku menyusui (eksklusif/non eksklusif) juga merupakan variabel katagorik. golongan darah.SUTANTO PRIYO HASTONO: Analisis Data 9 ANALISIS HUBUNGAN KATAGORIK DENGAN KATAGORIK UJI KAI KUADRAT Seringkali dalam suatu penelitian. jenis pekerjaan. Misalnya ingin diketahui hubungan jenis pekerjaan dengan perilaku menyusui ibu. perokok berat. Suatu variabel disebut katagorik bila isi variabel tersebut terbentuk dari hasil klasifikasi/penggolongan. apakah ada perbedaan proporsi kejadian menyusui eksklusif antara ibu yang bekerja dengan ibu yang tidak bekerja. Analisis ii bertujuan untuk menguji perbedaan proporsi dua atau lebih kelompok sampel. Dari contoh terlihat bahwa variabel jenis pekerjaan (bekerja/tidak bekerja) merupakan variabel katagorik. Uji statistik yang digunakan untuk menjawab kasus tersbut adalah UJI KAI KUADRAT (CHI SQUARE). Data seperti ini disebut data katagorik (kualitatif). misalnya jenis kelamin yang mempunyai katagori: laki-laki dan perempuan. perokok ringan dan tidak merokok. umur dll) dapat masuk/dapat 116 . Di lain pihakvariabel numerik (misalnya berat badan.

Kasus ii berarti akan menguji hubungan variabel hipertensi (katagori dengan klasifikasi ya dan tidak) dengan variabel jenis kelamin (katagori dengan klasisfikasi wanita dan pria) b. sedang dan rendah. namun bila sudah dilakukan pengelompokan menjadi (<50 kg (kurus). Apakah ada perbedaan kejadian hipertensi antara wanita dan pria. maka dikatakan ada perbedaan yang bermakna (signifikan). Sebaliknya. Pembuktian dengan uji kai kuadrat dengan menggunakan formula: (O – E)2 X =Σ 2 117 E . 2.SUTANTO PRIYO HASTONO: Analisis Data menjadi variabel katagorik bila variabel tersebut sudah mengalami pengelompokan. 1. Pada kasus ini akan menguji hubungan variabel anemia katagori dengan klasifikasi ya dan tidak) dengan variabel Sosek (katagori dengan klasifikasi rendah. Dilihat dari segi datanya uji kai kuadrat dapat digunakan untuk mengetahui hubungan antara variabel katagorik dengan variabel katagorik. sedang dan tinggi). Tujuan Uji kai Kuadrat Tujuan dari digunakannya uji kai kuadrat adalah untuk untuk menguji perbedaan proporsi/persentase antara beberapa kelompok data. Prinsip dasar Uji Kai Kuadrat Proses pengujian kai kuadrat adalah membandingkan frekuensi yang terjadi (observasi) dengan frekuensi harapan (ekspektasi). berat badan bila nilainyamasih riil (50 kg. Misalkan kita ambil satu contoh variabel berat badan. Bila nilai frekuensi observasi dengan nilai frekuensi harapan sama. 63 kg dst) maka masih termasuk variabel numerik. bila niali frekuensi observasi dan nilai frekuensi harapan berbeda. maka dikatakan tidak ada perbedaan yang bermakna (signifikan). 50-60 kg (sedang) dan > 60 (gemuk) maka variabel tersebut sudah berjenis katagorik. Contoh pertanyaan penelitian untuk kasus yang dapat dipecahkan oleh uji kai kuadrat misalnya: a. Apakah ada perbedaan kejadian anemia antara ibu yang kondisi soseknya tinggi.

Khususnya untuk tabel 2x2. sedangkan niali ekspektasi (harapan) masing-masing sel dicari dengan rumus: Total barisnya X total kolomnya E= Jumlah keseluruhan data misalkan untuk mencari nilai ekspektasi (E) untuk sel a adalah: Ea = (a+b) x (a+c) n Untuk Eb. c. dapat mencari nilai X2 dengan menggunakan rumus: N (ad-bc)2 X2 = (a+c)(b+d)(a+b)(c+d) 118 . nilai data kedua variabel disajikan dalam bentuk tabel silang: Variabel 1 Ya Tidak Jumlah Variabel 2 Tinggi a c a+c Rendah b d b+d Jumlah a+b c+d n a.SUTANTO PRIYO HASTONO: Analisis Data df = (k-1)(n-1) ket : O = nilai observasi E = nilai ekspektasi (harapan) k = jumlah kolom b = jumlah baris Untuk mempermudah analisis kai kuadrat. b. d merupakan nilai observasi. Ec dan Ed dapat dicari dengan cara yang sama.

119 .0. misalnya 3 x 2. Oleh karena itu dalam penggunaan kai kuadrat harus memperhatikan keterbatasanketerbatasan uji ini. 3 x 4 dsb). uji kai kuadrat menuntut frekuensi harapan/ekspektasi (E) dalam masing-masing sel tidak boleh terlampau kecil.SUTANTO PRIYO HASTONO: Analisis Data Uji kai kuadrat sangat baik untuk tabel dengan derajat kebebasan (df) yang besar. b. Tidak boleh ada sel yang mempunyai nilai harapan (nilai E) kurang dari 1.5)2 X = E atau N {|ad-bc|2 – (N/2)]2 X2 = (a+c)(b+d)(a+b)(c+d) 2 3. penggunaan uji ini mungkin kurang tepat. Sedangkan khusus untuk tabel 2 x 2 (df-nya adalah 1) sebaiknya digunakan uji kai kuadrat yang sudah dikoreksi (Yate Corrected atau Yate’s Correction). peneliti harus menggabungkan katagori-katagori yang berdekatan dalam rangka memperbesar frekuensi harapan dari sel-sel tersebut (penggabungan ini dapat dilakukan untuk analisis tabel silang lebih dari 2 x 2. Jika frekuensi sangat kecil. Formula kai kuadrat Yate’s Correction adalah sbb: (|O – E| . lebih dari 20% dari jumlah sel. Adapun keterbatasan uji kai kuadrat adalah sbb: a. Tidak boleh ada sel yang mempunyai nilai harapan (nilai E) kurang dari 5. Jika keterbatasan tersebut terjadi pada saat uji kai kuadrat. Penggabungan ini tentunya diharapkan tidak sampai membuat datanya kehilangan makna. Keterbatasan Kai Kuadrat Seperti kita ketahui.

dalam hal ini uji Chi Square tidak dapat mengetahui kelompok mana yang memiliki risiko lebioh besar dibanding kelompok lain. Sedangkan Odds Rasio membandingkan Odds pada kelompok ter-ekspose dengan Odds kelompok tidak ter-eksp[ose. Pemberian kode harus ada konsistensi antara variabel independen dengan variabel dependen. Ukuuran RR pada umumnya digunakan pada disain Kohort. maka dianjurkan menggunakan uji Fisher’s Exact. Dengan demikian uji Chi Square tidak dapat menjelaskan derajat hubungan. Pada variabel dependennya. ODDS RATIO (OR) dan RISIKO RELATIF (RR) Hasil uji Chi Square hanya dapat menyimpulkan ada tidaknya perbedaan proporsi antar kelompok atau dengan kata lain kita hanya dapat menyimpulkan ada/tidaknya hubungan du variabel katagorik. kelompok yang berisiko/expose diberi kode tinggi (kode 1) dan kode rendah (kode 0)untuk kelompok yang tidak berisiko/non expose. sedangkan ukuran OR biasanya digunakan pada desain kasus kontrol atau ptong lintang (Cross Sectional). Sebagai contoh data di atas pengkodeannya adalah sbb: Ibu tidak bekerja diberi kode 1 120 . Risiko relatif membandingkan risiko pada kelompok ter-ekspose dengan kelompok tidak terekspose. dikenal ukuran Risiko Relatif (RR) dan Odds Rasio (OR).SUTANTO PRIYO HASTONO: Analisis Data Andai saja keterbatasan tersebut terjadi pada tabel 2 x 2 (ini berarti tidak bisa menggabung katagori-katagorinya lagi). kode tinggi (kode 1) untuk kelompok kasus atau kelompok yang menjadi fokus pembahasan penelitian dan kode rendah (kode 0) untuk kelompok non kasus atau yang bukan menjadi fokus penelitian. Dalam bidang kesehatan untuk mengetahui derajat hubungan. Pengkodean Variabel : Perlu diketahui bahwa dalam mengeluarkan nilai OR dan RR harus hatihati jangan sampai terjadi kesalahan pengkodean. Untuk variabel independen.

variabel pendidikan sebagai variabel independen dan pengetahuan sebagai variabel dependen. Dan dari 25 pasien yang berpendidikan PT. ada sebanyak 25 (50.0 33.7%) yang berpengetahuan tinggi.4 27. ada sebanyak 20 (80.7 n 25 24 20 20 89 Tinggi % 50.3 20.0%) yang 121 . Contoh di atas dapat di interpretasikan sbb: Dari 50 pasien yang berpendidikan SD.7 80. tapi harus konsisten.0 38.0 60. tdk eksklusive =1.0 66. misalnya kodenya: tidak bekerja =0. Sebetulnya bisa juga kodenya dibalik. Tabel … Distribusi Responden menurut Tingkat Pendidikan dan Pengetahuan Pengetahuan Pendidikan N SD SMP SMU PT Jumlah 25 16 10 5 56 Rendah % 50.0 Pembuatan persentase pada analisis tabel silang harus diperhatikan agar tidak salah dalam menginterpretasi. Dari 40 pasien yang berpendidikan SMP.SUTANTO PRIYO HASTONO: Analisis Data dan bekerja kode 0 dan ibu yang menyusui secara eksklusif diberi kode 1 dan non eksklusif diberi kode 0. Dari 30 pasien yang berpendidikan SMU ada sebanyak 20 (66.7 17.0 61.0 40.6 20.3 100. Dapat dilihat di tabel persentasenya berdasarkan masing-masing kelompok tingkat pendidikan (persentase baris). bekerja =1 dan eksklusive =0.0%) yang berpengetahuan tinggi.3 n 50 40 30 25 145 Total % 34.0%) pasien mempunyai pengetahuan tinggi. Contoh di atas jenis penelitiannya Cross Sectional. ada sebanyak 24 (60. Pada jenis penelitian survei/Cross sectional atau Kohort. pembuatan persentasenya berdasarkan nilai variabel independen.

Pada penelitian yang berjenis kasus kontrol (Case Control) pembuatan persentasenya berdasarkan variabel dependennya.0 50. ada sebanyak (30%) responden yang berjenis kelamin laki-laki.0 N 30 70 100 Kontrol % 30.0 n 105 95 200 Total % 52. Sedangkan pada kelompok yang tidak menderita kanker paru.5 47.0 Interpretasinya: Dari mereka yang menderita kanker paru.0 25.0 50.0 70.SUTANTO PRIYO HASTONO: Analisis Data berpengetahuan tinggi.5 100. ada sebanyak 75 (75%) responden berjenis kelamin laki-laki. misalkan terlihat pada tabel berikut: Tabel … Distribusi Responden Menurut Kasus kanker paru dan Jenis Kelamin Jenis Kelamin Laki-laki Perempuan Jumlah n 75 25 100 Kanker Paru Kasus % 75. 122 . Dari data ini terlihat ada kecenderungan bahwa semakin tinggi tingkat pendidikan akan semakin tinggi tingkat pengetahuannya.

123 . 4. Dari menu SPSS. kemudian pilih “Descriptive statistic”. lalu pilih “Crosstab”.SAV 2. Untuk mengerjakan soal ini gunakan data “Susu. dan variabel menyusui berisi dua nilai yaitu eksklusif dan non eksklusif. sesaat akan muncul menu Crosstabs 3. pada kotak “Column(s)” diisi variabel dependennya. Dari menu crosstab. SAV”. Pastikan anda berada pada data editor ASI. dalam contoh ini variabel pekerjaan masuk ke kotak “Row(s)”. ada dua kotak yang harus diisi.SUTANTO PRIYO HASTONO: Analisis Data KASUS : UJI KAI KUADRAT Suatu penelitian ingin mengetahui hubngan pekerjaan dengan perilaku menyusui. klik “Analyze”. Variabel pekerjaan berisi dua nilai yaitu tidak bekerja dan bekerja. pada kotak “Row(s)’ diisi variabel independen (variabel bebas). Adapun prosedur di SPSS sbb: 1. dalam contoh ini variabel perilaku menyusui masuk ke kotak “Column(s)”.

”. Klik “OK” hasilnya tampak sbb: 124 . klik pilihan “Chi Square” dan klik pilihan “Risk” 6. Klik “Continue” 9. bawa bagian “Percentages” dan klik “Row” 8. Klik “Continue” 7. Klik option “Cells”. Klik option “Statistics..SUTANTO PRIYO HASTONO: Analisis Data 5.

0% 18 72.0%) have expected count less than 5.816 125 .853 50 1 .SUTANTO PRIYO HASTONO: Analisis Data Crosstabs status pekerjaan ibu * status menyusui asi Crosstabulation status menyusui asi tdk EKSKLUSIVE EKSKLUSIVE 17 8 68.0% Total 25 100.357 Value Odds Ratio for status pekerjaan ibu (TIDAK KERJA / KERJA) For cohort status menyusui asi = YA EKSKLUSIVE For cohort status menyusui asi = TIDAK EKSKLUS N of Valid Cases 5.627 18. Risk Estimate 95% Confidence Interval Lower Upper 1.0% 25 100. 0 cells (.0% status pekerjaan ibu KERJA tidak kerja Total Count % within status pekerjaan ibu Count % within status pekerjaan ibu Count % within status pekerjaan ibu Chi-Square Tests Value 8.0% 24 48. Sig.0% 32.208 .0% 26 52. The minimum expected count is 12.209 4.189 .005 .010 7. (2-sided) Exact Sig. 00.250 1.490 8.244 df 1 1 1 Asymp.0% 7 28.005 a.464 2.412 50 . (1-sided) Pearson Chi-Square Continuity Correctiona Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases .004 Exact Sig.005 .0% 50 100.011 . (2-sided) .013b 6. Computed only for a 2x2 table b.

0%) ibu yang tidak bekerja menyusui bayi secara eksklusif. Uji “Likelihood Ratio” dan “Linear-by-Linear Assciation”. dapat dilihat pada footnote b dibawah kotak Chi-Square Test. Hasil uji Chi Square dapat dilihat pada kotak “Chi Square Test”. Angka yang paling atas adalah jumlah kasus masing-masing sel. ada 8 (32. angka kedua adalah persentase menurut baris (data yang kita analisis “ASI. Bila tabelnya lebih dari 2 x 2.SUTANTO PRIYO HASTONO: Analisis Data Pada hasil di atas tertampil tabel silang antara pekerjaan dengan pola menyusui. misalnya analisis stratifikasi pada bidang epidemiologi dan juga untuk mengetahui hubungan linier dua variabel katagorik. Continuity Correction. Likelihood atau Fisher?” Aturan yang berlaku pada Chi Square adalah sbb: a. Bila pada 2 x 2 dijumpai nilai Expected (harapan) kurang dari 5. maka uji yang dipakai sebaiknya “Continuity Correction (a)” c. apakah Pearson. Dari print out muncul dengan beberapa bentuk/angka sehingga menimbulkan pertanyaan. 3 x 3 dsb. biasanya digunakan untuk keperluan lebih spesifik. Untuk mengetahui adanya nilai E kurang dari 5. Bila tabel 2 x 2. dengan angka di masing-masing selnya. misalnya 3 x 2. Sedangkan diantara ibu yang bekerja. berasal dari penelitian Cross Sectional sehingga persen yang ditampilkan adalah persentase baris.0%) yang menyusui secara eksklusif. sehingga kedua jenis ini jarang digunakan. dan tidak ada nilai E < 5. maka yang digunakan adalah “Fisher’s Exact Test” b. dan tertulis diatas nilainya 0 cell (0 %) berarti pada tabel silang diatas tidak ditemukan ada nilai E < 5 126 . maka digunakan uji “Pearson Chi Square” d. “Angka yang mana yang kita pakai?”. namun bila junis penelitiannya Case Control angka persentase yang digunakan adalah persentase kolom) Dari analisis data di atas maka interpretasinya: Ada sebanyak 18 (72.SAV.

Nilai OR digunakan untuk jenis penelitian Cross Sectional dan Case Control.46 kali untuk menyusui eksklusif dibandingkan ibu yang bekerja..627 – 18. misal untuk ilmu sosial dengan melihat koefisien Phi.464 (95% CI: 1. 4 x 2 dsb. bila tabel silang lebih dari 2 x 2. Dengan kata lain dapat disimpulkan bahwa ada hubungan status pekerjaan dengan perilaku menyusui eksklusif. Pada data ini berasal dari penelitian Cross Sectional maka kita dapat menginterpretasikan nialai OR=5. Untuk mengetahui besar/kekuatan hubungan banyak metodenya tergantung latar belakangdisiplin keilmuannya. koefisien Contingency dan cramer’s V.464 sbb: Ibu yang tidak bekerja mempunyai peluang 5.357). Pada perintah Crosstab nilai OR akan keluar bila tabel silang 2 x 2. Sedangkan nilai RR terlihat dari baris For Cohort yaitu bearnya 2. maka nilai OR dapat diperoleh dengan analisis regresi logistik sederhana dengan cara membuat “Dummy variable” 127 . sedangkan untuk bidang kesehatan terutama kesehatan masyarakat digunakan nilai OR atau RR. misalnya 3 x 2. sedangkan nilai RR digunakan bila jenis penelitiannya Kohort.189).SUTANTO PRIYO HASTONO: Analisis Data Dengan demikian kita menggunakan uji Chi Square yang sudah dilakukan koreksi (Continuity Correction) dengan p value dapat dilihat pada kolom “Asymp.250 (95% CI: 1. sehingga uji ini tidak dapat untuk mengetahui derajat/kekuatan hubungan dua variabel. Pada hasil di atas nilai OR terdapat pada baris Odds ratio yaitu 5.011.209 – 4. berarti kesimpulannya ada perbedaan perilaku menyusui eksklusif antara ibu yang bekerja dengan ibu yang tidak bekerja. Sig” dan terlihat p valuenya = 0. Uji Chi square hanya dapat digunakan untuk mengetahuiada/tidaknya hubungan dua variabel.

128 .0 28.011 Total OR (95% CI) P value Hasil analisis hubungan antara status pekerjaan dengan perilaku menyusui eksklusif diperoleh bahwa ada sebanyak 8 (32%) ibu yang bekerja menyusui bayi secara eksklusif.SUTANTO PRIYO HASTONO: Analisis Data Penyajian dan Interpretasi di Laporan Penelitian: Tabel … Distribusi Responden Menurut Jenis Pekerjaan dan Perilaku menyusui Jenis Pekerjaan n bekerja Tdk Bekerja Jumlah 17 7 26 Menyusui Tdk Eksklusif % 68. Sedangkan diantara ibu yang tidak bekerja.0 52.0 72.464.0 n 25 25 50 % 100 100 100 5.011 maka dapat disimpulkan ada perbedaan proporsi kejadian menyusui eksklusif antara ibu tidak bekerja dengan ibu yang bekerja (ada hubungan yang signifikan antara pekerjaan dengan perilaku menyusui).3 0. Hasil uji statistik diperoleh nilai p=0. artinya ibu tidak bekerja mempunyai peluang 5.464 1. ada 18 (72.0 48.0%) yang menyusui secara eksklusif. Dari hasil analisis diperoleh pula nilai OR=5.0 Eksklusif n 8 18 24 % 32.46 kali untuk menyusui eksklusif dibanding ibu yang bekerja.6 – 18.

Pada umumnya dalam grafik. Hubungan antara dua variabel numerik dapat dihasilkan dua jenis. yaitu derajat/keeratan hubungan. hubungan umur dengan kadar Hb. variabel independen (X) diletakkan pada garis horizontal sedangkan variabel dependen (Y) pada garis vertikal.SUTANTO PRIYO HASTONO: Analisis Data 10 ANALISIS HUBUNGAN NUMERIK DENGAN NUMERIK UJI KORELASI DAN REGRESI LINIER SEDERHANA Seringkali dalam suatu penelitian kita ingin mengetahui hubungan antara dua variabel yang berjenis numerik. selain memberi informasi pola hubungan dari kedua 129 . dan juga apakah kedua variabel tersebut berpola positif atau negatif. Dari diagram tebar dapat diperoleh informasi tentang pola hubungan antara dua variabel X dan Y. Misalnya. Korelasi Korelasi di samping dapat untuk mengetahui derajat/keeratan hubungan. korelasi dapat juga untuk mengetahui arah hubungan dua variabel numerik. 1. misalnya huubungan berat badan dengan tekanan darah. Diagram tebar adalah grafik yang menunjukkan titik-titik perpotongan nilai data dari dua variabel (X dan Y). Sedangkan bila ingin mengetahui bentuk hubungan antara dua variabel digunakan analisis regresi linier. dsb. digunakan korelasi. apakah huubungan berat badan dan tekanan darah mempunyai derajat yang kuat atau lemah. Secara sederhana atau secara visual hubungan dua variabel dapat dilihat dari diagram tebar/pencar (Scatter Plot).

d.d. Untuk mengetahui lebih tepat besar/ derajat hubungan dua variabel Linier Positif Linier Negatif Tak ada hubungan digunakan Koefisien Korelasi Pearson Product Moment. Derajat keeratan hubungan (kuat lemahnya hubungan) dapat dilihat dari tebaran datanya. Sedangkan hubungan negatif dapat terjadi bila kenaikan satu variabel diikuti penurunan variabel yang lain. r=0 r = -1 r = +1 tidak ada hubungan linier hubungan linier negatif sempurna hubungan linier positif sempurna Hubungan dua variabel dapat berpola positif maupun negatif. Hubungan positif terjadi bila kenaikan satu diikuti kenaikan variabel yang lain. Koefisien korelasi (r) dapat diperoleh dari formula berikut: N (Σ XY) – (ΣX ΣY) r= [NΣX2 – (ΣX)2] [NΣY – (ΣY)2 Nilai korelasi (r) berkisar 0 s. 1 atau bila dengan disertai arahnya nilainya antara –1 s. semakin rapat tebarannya semakin kuat hubungannya dan sebaliknya semakin melebar tebarannya menunjukkan hubungannya semakin lemah. +1.SUTANTO PRIYO HASTONO: Analisis Data variabel diagram tebar juga dapat menggambarkan keeratan hubungan dari kedua variabel tersebut. 130 . misalnya semakin bertambah berat badannya (semakin gemuk) semakin tinggi tekanan darahnya. Koefisien korelasi disimbbolkan dengan r (huruf r kecil). misalnya semakin bertambah umur (semakin tua) semakin rendah kadar Hb-nya.

Tujuan tidak ada hubungan/hubungan lemah hubungan sedang hubungan kuat hubungan sangat kuat / sempurna 131 .25 r = 0. Selanjutnya perlu dilakukan uji hipotesis untuk mengetahui apakah hubungan antara dua variabelteradi secara signifikan atau hanya karena faktor kebetulan dari random sample (by chance).25 r = 0.00 – 0. Uji hipotesis dapat dilakukan dengan dua cara. kekuatan hubungan dua variabel secara kualitatif dapat dibagi dalam 4 area.00 – 0.00 – 0. Pada modul ini kita gunakan pendekatan distribusi t.SUTANTO PRIYO HASTONO: Analisis Data Menurut Colton.25 Uji Hipotesis Koefisien korelasi yang telah dihasilkan merupakan langkah pertama untuk menjelaskan derajat hubungan derajat hubungan linier anatara dua variabel. Regresi Linier Sederhana Seperti sudah diuraikan di depan bahwa analisis hubungzn dua variabel dapat digunakan untuk mengetahui bentuk hubungan dua variabel. dengan formula: n–2 t=r 1 – r2 df = n – 2 n = jumlah sampel 2.00 – 0. yaitu dengan analisis regresi. kedua: menggunakan pengujian dengan pendekatan distribusi t.25 r = 0. Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk mengetahui bentuk hubungan antar dua atau lebih variabel. yaitu pertama: membandingkan nilai r hitung dengan r tabel. yaitu: r = 0.

yang ditemukan oleh Issac Newton adalah contoh model deterministik. Oleh karena hubungan X 132 Y = a + bx + e . Sebagai contoh kita ingin menghuubungkan dua variabel numerik berat badan dan tekanan darah. Variabel kecepatan benda jatuh (variabel dependen) pada keadaan yang ideal adalah fungsi matematik sempurna (bebas dari kesalahan) dari variabel independen berat beda dan gaya gravitasi. Ketika berhadapan pada kondisis ilmu sosial. Dalam kasus ini berarti berat badan sebagai variabel independen dan tekanan darah sebagai variabel dependen. variabel suhu Fahrenheit (Y) dapat dihitung/diprediksi secara sempurna/tepat (bebas kesalahan) bila suhu Celcius (X) diketahui.SUTANTO PRIYO HASTONO: Analisis Data analisis regresi adalah untuk membuat perkiraan (prediksi) nilai suatu variabel (variabel dependen) melalui variabel yang lain (variabel independen). Untuk melakukan prediksi digunakan persamaan garis yang dapat diperoleh dengan berbagai cara/metode. Metode least square merupakan suatu metode pembuatan garis regresi dengan cara meminimalkan jumlah kuadrat jarak antara nilai Y yang teramati dan Y yang diramalkan oleh garis regresi itu. misalnya hukum gravitasi bumi. Contoh lain misalnya hubungan antar suhu Fahrenheit dengan suhu Celcius dapat dibuat persamaan Y = 32 + 9/5X. sehingga dengan regresi kita dapat memperkirakan besarnya nilai tekanan darah bila diketahui data berat badan. Secara matematis persamaan garis sbb: Y = a + bx Persamaan di atas merupakan model deterministik yang secara sempurna/tepat dapat digunakan hanya untuk peristiwa alam. tidak setiap orang yang berat badannya sama memiliki tekanan darah yang sama. Salah satu cara yang sering digunakan oleh peneliti adalah dengan menggunakan metode kuadrat terkecil (least square). hubungan antar variabel ada kemungkinan kesalahan/penyimpangan (tidak eksak). aretinya untuk beberapa nilai X yang sama kemungkinan diperoleh nilai Y yang berbeda. Misalnya hubungan berat badan dengan tekanan darah.

SUTANTO PRIYO HASTONO: Analisis Data dan Y pada ilmu sosial/kesehatan masyarakat tidaklah eksak. Semakin kecil nilai Se.bX Kesalahan Standar Estimasi (Standard Error of Estimate/Se) Besarnya kesalahan standar estimasi (Se) menunjukkan ketepatan persamaan estimasi untuk menjelaskan nilai variabel dependen yang sesungguhnya. Dansebaliknya. Untuk mengetahhui besarnya Se dapat dihitung melalui formula sbb: 133 . perbedaan besarnya rata-rata variabel Y ketika variabel X = 0 b = Slope. maka persamaan garis yang dibentuk menjadi: Y = Variabel Dependen X = Variabel Independen a = Intercept. perkiraan besarnya perubahan nialia variabel Y bila nilai variabel X berubah satu unit pengukuran e = nilai kesalahan (error) yaitu selisih antara niali Y individual yang teramati dengan nilai Y yang sesungguhnya pada titik X tertentu ΣXY – (ΣXΣY)/n b= ΣX2 – (ΣX)2/n a = Y . makin rendah ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan nilai variabel dependen yang sesungguhnya. semakin besar nilai Se. makin tinggi ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan niali variabel dependen yang sesungguhnya.

SUTANTO PRIYO HASTONO: Analisis Data Se = ΣY2 . Koeifisien determinasi berguna untuk mengetahui seberapa besar variasi variabel dependen (Y) dapat dijelaskan oleh variabel independen (X).d. 100%.bΣXY n-2 Koefisien Determinasi (R2) Ukuran yang penting dan sering digunakan dalam analisisregresi adalah koefisien determinasi atau disimbolkan R2 (R Square).Semakin besar nilai R square semakin baik/semakin tepat variabel independen memprediksi variabel dependen.d. atau dengan formula R2=r2. Koefisien determinasi dapat dihitung dengan mengkuadratkan nilai r. Besarnya nialai R square antara 0 s. atau dengan kata lain R2 menunjukkan seberapa jauh variabel independen dapat memprediksi variabel dependen. 1 atau antara 0% s.aΣY . 134 .

dan muncullah menu Bivariate Correlations: 3. 4. Sorot variabel ‘Umur dan Hb1. A. kemudian pilih ‘Correlate’. dan lalu pilih ‘Bivariate’. lalu masukkan ke kotak sebelah kanan ‘variables’.SUTANTO PRIYO HASTONO: Analisis Data KASUS : KORELASI DAN REGRESI Sebagai contoh kita akan melakukan analisis korelasi dan regresi menggunakan data ‘ASI. klik ‘Analyze’.SAV’ dengan mengambil variabel yang bersifat numerik yaitu umur dengan kadar Hb (diambil Hb pengukuran pertama: Hb1). Klik ‘OK” dan terlihat hasilnya sbb: 135 . Korelasi Untuk mengeluarkan uji korelasi langkahnya adalah sbb: 1.SAV’ 2. Dari menu utama SPSS. Aktifkan data ‘ASI.

(2-tailed) N Pearson Correlation Sig.0005.684 dan nilai p = 0. baris pertama berisi nilai korelasi (r). Correlation is significant at the 0. baris kedua menapilkan nilai p (P value). (2-tailed) N **.SUTANTO PRIYO HASTONO: Analisis Data Correlations Correlations berat badan ibu 1 berat badan bayi . 2. Klik ‘Analysis’.SAV. B.684** 1 . Regresi Linier Sederhana Berikut akan dilakukan analisis regresi linier dengan menggunakan variabel ‘berat badan ibu’ dan ‘berat badan bayi’ dari data ASI. jika belum aktifkan data tersebut.01 level (2-tailed). Pada hasil di atas diperoleh nilai r = 0. Pada kotak ‘Dependen’ isikan variabel yang kita perlakukan sebagai dependen (dalam 136 . Dalam kasus ini berarti berat badan ibu sebagai variabel independen dan berat badan bayi sebagai variabel dependen. Pada tampilan di atas ada beberpa kotak yang harus diisi. pilih ‘Regression’.684** . Tampilan analisis korelasi berupa matrik antar variabel yang di korelasi. pilih ‘Linear’ 3.000 50 50 . informasi yang muncul terdapat tiga baris. Dari menu SPSS. Hasil uji statistik didapatkan ada hubungan yang signifikan antara berat badan ibu dengan berat badan bayi (p = 0. Kesimpulan dari hasil tersebut: hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan yang kuat dan berpola positif artinya semakin bertambah berat badannya semakin tinggi berat bayinya.SAV. dan baris ketiga menampilkan N (jumlah data).0005). dalam analisis regresi kita harus menentukan variabel dependen dan variabel independennya. Adapun caranya: 1.000 50 50 berat badan ibu berat badan bayi Pearson Correlation Sig. Pastikan tampilan berada pada data editor ASI.

berat badan ibu 137 . Predictors: (Constant). masukkan ke kotak Dependent 5.684a . Klik ‘berat badan ibu’.715 a. dan hasilnya sbb: Regression Model Summary Model 1 R R Square . caranya 4. masukkan ke kotak Independent 6.468 Adjusted R Square .456 Std. klik ‘berat badan bayi’. Klik ‘OK’. Error of the Estimate 430.SUTANTO PRIYO HASTONO: Analisis Data contoh ini berarti berat badan bayi) dan pada kotak Independent isikan variabel independennnya (dalam contoh ini berarti berat badan ibu).

000a Regression Residual Total a.965 185515.000 a.38.154 Sig. Dependent Variable: berat badan bayi Coefficientsa Unstandardized Coefficients B Std. Dependent Variable: berat badan bayi Dari hasil di atas dapat diinterpretasikan dengan mengkaji nilai-nilai yang penting dalam regresi linier diantaranya: koefisien determinasi.099 . berat badan bayi dapat diperkirakan jika kita tahu nilai berat badan ibu.383 6. sehingga persamaan regresinya: Y = a + bX Berat badan bayi = 657. Jadi pada alpha 5% kita menolak 138 .8% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi.376 F 42. Uji uji statistik untuk koefisien regresi dapat dilihat pada kolom Sig T.0005. diperoleh nilai p (di kolom Sig) sebesar 0.684 Model 1 (Constant) berat badan ibu t 1. dan menghasilkan nilai p=0. Selanjutnya pada tabel ANOVAb .676 44.38(berat badan ibu) Dengan persamaan tersebut. Nilai koefisien determinasi dapat dilihat dari nilai R Square (anda dapat lihat pada tabel ‘Model Summary’) yaitu besarnya 0. berarti pada alpha 5% kita dapat menyimpulkan bahwa regresi sederhana cocok (fit) dengan data yang ada persamaan garis regresi dapat dilihat pada tabel ‘Coefficienta’ yaitu pada kolom B. persamaan garis regresi yang kita peroleh dapat menerangkan 46.929 391. Predictors: (Constant).93 + 44.SUTANTO PRIYO HASTONO: Analisis Data ANOVAb Model 1 Sum of Squares 7820262 8904738 16725000 df 1 48 49 Mean Square 7820261.93 dan nilai b = 44.493 Sig. persamaan garis dan p value.680 6. Error 657. . Dari hasil diatas didapat nilai konstant (nilai ini merupakan nilai intercept atau nilai a) sebesar 657. .0005.468 artinya. berat badan ibu b.836 Standardized Coefficients Beta .

Dari nilai b=44.93 + 44.6% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi.8. maka: Berat badan bayi =657. berarti ada hubngan linier antara berat badan ibu dengan berat badan bayi. Nilai koefisien dengan determinasi 0.468 artinya . Hasil uji statistik didapatkan ada hubungan yang signifikan antara berat badan ibu dengan berat badan bayi (p=0.93 + 44.684) dan berpola positif artinya semakin bertambah berat badan ibu semakin besar berat badan bayinya.0005 Hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan kuat (r=0.93 + 44.38 berarti bahwa variabel berat badan bayi akan bertambah sebesar 44. Penyajian dan Interpretasi Tabel … Analisis Korelasi dan regresi berat badan ibu dengan berat badan bayi Variabel Umur R 0.SUTANTO PRIYO HASTONO: Analisis Data hipotesis nol.005). Misalkan kita ingin mengetahui berat badan bayi jika diketahui berat badan ibu sebesar 60 kg.38(60) 139 . Memprediksi variabel Dependen Dari persamaan garis yang didapat tersebut kita dapat memprediksi variabel dependen (berat badan bayi) dengan variabel independen (berat badan ibu). persamaan garis regresi yang kita peroleh dapat menerangkan 46.38 gr bila berat badan ibu bertambah setiap satu kilogram.684 R2 0.468 Persamaan garis bbayi =657.38(berat badan ibu) Berat badan bayi= 657.38*bbibu P value 0.

pada kotak ‘Fit Line. pilih ‘Scatter’ 2. klik grafiknya 2 kali 8.715 = ± 844. Nilai Z dihitung dari tabel Z dengan tingkat kepercyaan 95% dan didapat nilai Z = 1. Pada kotak Y Axis isikan variabel dependennya (masukkan veriabel dependennya (masukkan Hb1) 4.715 (lihat di kotak Model Summary). sehingga variasinya 1. klik’Chart’ 9. namun perkiraannya tergantung dari nilai ‘Std.d 4164. Untuk mengeluarkan garisnya.96 * 430. klik ‘OK’ maka muncul garis regresi 140 . Dengan demikianvariasi variabel dependen = Z*SEE. Terlihat di layar grafik scatter plot-nya (garis regresi belum ada?) 7. Klik ‘OK’ 6. Klik ‘Graphs.9 gr C. Membuat Grafik Prediksi Langkahnya: 1. Error of The estimate’(SEE) yang besarnya adalah 430. Pada kotak X Axis isikan variabel independennya (masukkan veriabel dependennya (masukkan Umur) 5.201 Jadi dengan tingkat kepercayaan 95%.kan angka yang tepat seperti di atas.73 Ingat prediksi regresi tidak dapat menghasil. untuk berat badan ibu 60 kg diprediksikan berat badan bayinya adalah diantara 2476. Klik Total 10.96. Klik Sampel klik ‘Define’ 3.SUTANTO PRIYO HASTONO: Analisis Data Berat badan bayi = 3320.5 gr s.

Berikut adalah gambaran secara garisbesar beberapa analisis statistik yang dapat digunakan untuk analisis multivariat: Variabel Independen Numerik (minimal 1 variabel numerik) Katagori Katagori (dapat dengan numerik) Kontinyu Numerik/Katgori Katagori Numerik waktu Uji Diskriminan Uji Regresi Cox Numerik Katagori ANOVA Uji Regresi Logistik Variabel Dependen Numerik Jenis Uji Uji Regresi Linier 141 . maka diperlukan jumlah sampel minimal = 10 x 10 responden = 100 responden. sebaiknya jangan terlalu sedikit. pedoman yang berlaku adalah setiap variabel minimal diperlukan 10 responden.SUTANTO PRIYO HASTONO: Analisis Data 11 ANALISIS MULTIVARIAT Proses analisis multivariat dengan menghubungkan beberapa variabel independen dengan satu variabel dependen pada waktu yang bersamaan. apakah berhubungan langsung atau pengeruh tidak langsung. Bentuk hubungan beberapa variabel independen dengan variabel dependen. Dari analisis multivariat kita dapat mengetahui: a. Variabel independen mana yang paling besar pengaruhnya terhadap variabel dependen? b. Jumlah sampel dalam analisis multivariat sangat penting diperhatikan. Prosedur pengujian tergantung dari jenis data yang diuji apakah katagori atau numerik. Apakah variabel independen berhubungan dengan variabel dependen dipengaruhi variabel lain atau tidak? c. Bila dalam penelitian terdapat 10 variabel.

Pada analisis multivariat. Artinya risiko terjadinya penyakit pada kedua kelompok itu berbeda meskipun expose dihilangkan pada kedua kelompok tersebut. jika ditemukan adanya interaksi antar variabel expose dengan variabel lainnya. misalnya OR. maka nilai koefisien. a.SUTANTO PRIYO HASTONO: Analisis Data Dalam melakukan analisis multivariat kita harus mengetahui terlebih dahulu mengenai konsep konfounding dan Interaksi. b. Tidak adanya modifikasi efek.Interaksi Interaksi atau efek modifikasi adalah heterogenitas efek dari satu expose Pada tingkat expose yang lain. Satu variabel disebut konfounding bila variabel tersebut merupakan faktor risiko terjadinya penyakit dan memiliki hubungan dengan expose. Seorang ahli statistik menyatkan bahwa suatu variabel dikatakan konfounding jika variabel tersebut merupakan faktor risiko untuk terjadinya penyakit(outcome) dan berhubungan dengan variabel independen tapi tidak merupakan hasil dari variabel independen. Jadi efek satu expose pada kejadian penyakit berbeda pada kelompok expose lainnya. akibat dari perbandingan yang tidak seimbang antara kelompok expose dengan kelompok non expose. Nilai OR yang tertera pada variabel menjadi tidak berlaku dan nilai OR untuk masing-masing strata harus dihitung 142 .Konfounding Konfounding merupakan kondisi bias dalam mengestimasi efek pajanan/expose terhadap kejadian penyakit/masalah kesehatan. Masalah ini terjadi dikarenakan pada dasarnya sudah ada perbedaan risiko terjadinya penyakit pada kelompok expose dengan kelompok non expose. harus dilaporkan secarfa terpisah menurut strata dari variabel tersebut. berarti efek expose homogen. Modisikasi efek merupakan konsep yang penting dalam analisis karena pada saat analisis kita harus menentukan apakah akan melaporkan efek bersama (yang terkontrol konfounder) atau efek yang terpisah untuk masing-masing strata.

Bagaimanakanh hubungan antara umur. berat badan. Kita tentu ingin menarik inferensi (menggeneralisasi) tentang hubungan variabel-variabel dalam populasi asal dari sampel diambil. Dalam regresi linier ganda variabel dependennya harus numerik sedangkan variabel independen boleh semuanya numerik dan boleh juga campuran numerik dan katagorik. Model persamaan regresi linier ganda merupakan perluasan regresi linier sederhana.. Misalkan untuk mengetahui faktor-faktor yang berhubungan dengan tekanan darah. Asumsi Regresi Linier Seperti pada umumnya pengujian statistik. dan jenis kelamin. + bkXk + e 1. dilakukan analisis dengan melibatkan variabel independen: umur. Sedangkan pada Multiple regression Linear merupakan analisis hubugan antara beberapa variabel independen dengan satu variabel dependen.SUTANTO PRIYO HASTONO: Analisis Data 12 ANALISIS REGRESI LINIER GANDA Analisis Multiple regression Linear atau sering disebut juga analisis regresi linier ganda merupakan perluasan analiss Simple Linear Regression (regresi linier sederhana). berat badan dan jenis kelamin ‘pada semua orang (populasi)’. setiap melakukan analisis Multiple regression 143 . Dengan kata lain. Oleh karena itu agar inferensi kita valid maka dalam analisis regresi dianjurkan untuk mengikuti kaidah-kaidah yang dipersyaratkan dalam analisis regresi. tidak hanya seperti yang teramati di sejumlah orang pada sampel?. Dalam analisis Simple Linear Regression hanya ada satu variabel independen (variabel bebas) dihubungkan dengan satu variabel dependen (terikat). yaitu: Y = a + b1X1 + b2X2 + …. dari analisis regresi linier ganda diharapkan dapat memberikan informasi yang lebih banyak bukan sekedar diskripsi data teramati.

X2. Untuk mengetahui asumsi linieritas dapat diketahui dari uji ANOVA (overall F test) bila hasilnya signifilan (p value<alpha) maka moodel berbentuk linier. sampel yang diambil harus dilakukan secara random. sebaliknya bila nilai Durbin < -2 atau > +2 berarti asumsi tidak terpenuhi c. Asumsi ini berkaitan dengan teknik pengambilan sampel. bila nilai Durbin –2 s. Homoscedasticity dapat diketahui dengan melakukan pembuatan plot residual. variabel Y (dependen) adalah variabel random yang mempunyai mean dan varian tertentu. Xk terletak pada garis/bidang linier yang dibentuk dari persamaan regresi. X3. Tidak diperbolehkan nilai observasi yang berbeda yang diukur dari satu individu diukur dua kali. bila residual menunjukkan adanya mean dan sebaran (varian ata satandar deviasi) maka asumsi eksistensi terpenuhi. d. Asumsi Homoscedascity Varian nilai variabel Y sama untuk semua nilai variabel X. Asumsi Linieritas Nilai mean dari variabel Y untuk suatu kombinasi X1. b. 144 . Adapun asumsi yang digunakan dalam Multiple regression Lineari sebagai berikut a. Bila titik tebaran tidak berpola tertentu dan menyebar merata disekitar garis titik nol maka dapat disebut varian homogen pada setiap nilai X dengan demikian asumsi homoscedasticity terpenuhi.d. Untuk mengetahui asuamsi ini dilakukan dengan cara mengeluarkan uji Durbin Watson. Untuk memenuhi asumsi ini. maka diduga variannya terjadi heteroscedasticity. +2 berarti asumsi independensi terpenuhi. Asumsi Independensi Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain. ….SUTANTO PRIYO HASTONO: Analisis Data Linear harus memenuhi asumsi/persyaratan yang ditetapkan. Asumsi Eksistensi (Variabel Random) Untuk tiap nilai dari variabel X (variabel independen). Jadi nilai dari tiap-tiap individu saling berdiri sendiri. Cara mengetahui asumsi eksistensi dengan cara melakukan analisis deskriptif vareiabel residual dari model. Sebaliknya bila titik tebaran membentuk pola tertentu misalnya mengelompok di bawah atau di atas garis tengah nol.

145 . Prediksi. bila data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal. berat badan dan jenis kelamin tertentu. Disini dapat diketahui secara probabilitas nilai variabel dependen bila seseorang/individu mempunyai suatu set variabel dengan independen tertentu. Misalnya kita melakukan analisis variabel independen umur. model regresi ganda dapat berguna untuk dua hal: a. BB dan jenis kelamin dihubungkan dengan variabel dependen tekanan darah. Estimasi. maka model regresi memenuhi asumsi model regresi tidak memenuhi asumsi normalitas.SUTANTO PRIYO HASTONO: Analisis Data e. Pada prinsipnya. Dari hasil regresi. 2. Selain itu kita juga dapat mengetahui seberapa besar hubungan masing-masing independen terhadap variabel independen lainnya. memperkirakan variabel dependen dengan menggunakan informasi yang ada pada sebuah atau beberapa variabel independen. b. menguantifikasihubungan sebuah atau beberapa variabel independen dengan sebuah variabel dependen. Pada fungsi ini regresi dapat digunakan untuk mengetahui variabel indepeden apa saja yang berhubungan dengan variabel dependen. seseorang iindividu dapat diperkirakantekanan darahnya pada umur. Asumsi Normalitas Variabel Y mempunyai distribusi normal untuk setiap pengamatan variabel X. yang ditunjukkan dari koefisien regresi (b) yang sudah distandardisasi yaitu nilai beta. dapat diketahui dari Normal P-P Plot residual. Dari analisis ini dapat diketahui variabel mana yang paling besar/dominan mempengaruhi variabel dependen. Kegunaan Analisis Regresi Ganda Tujuan analisis regresi linier ganda adalah untuk menemukan model regresi yang paling sesuai menggambarkan faktor-faktor yang berhubungan dengan variabel dependen.

dengan memasukkan sebanyak mungkin variabel independen ke dalam model. Berikut langkah-langkah dalam pemodelan regresi linier ganda: 1). sebab semakin banyak variabel independen (lebih-lebih variabel yang tidak relevan) mengakibatkan makin besarnya nilai standar error (Se). Namun penggunaan kriteria ini perlu hati-hati. maka variabel dependen diharapkan diprediksi dengan sempurna. disamping itu. Model yang dihasilkan diharapkan model yang PARSIMONI. namun cukup baik untuk menjelaskan faktor-faktor penting yang berhubngan dengan variabel dependen. karena setiap penambahan satu variabel independen akan meningkatkan R2 walaupun variabel tersebuttidak cukup penting. Melakukan analisis bivariat untuk menentukan variabel yang menjadi kandidat model. model dengan banyak variabel seringkali malah menyulitkan dalam interpretasi. Masing-masing variabel independen dihubungkan dengan variabel 146 . Banyak Kriteria yang dapat digunakan untuk memilih variabel masuk dalam model. artinya variabel yang masuk dalam model sebaiknya yang sedikit jumlahnya. salah satu kriteria yang sering digunakan adalah melihat perubahan R2 (R Square). Berdasarkanpertimbangan tersebut pemilihan variabel independen hendaknya dengan memperhatikan aspek statistik dan substansi. Alasannya. Dalam pembuatan model seringkali dijumpai pandangan yang kurang tepat yaitu “memasukkan semua/sebanyak mungkin variabel independen ke dalam model”. Perlu diketahui bahwa penambahan variabel independen tidak selalu meningkatkan kemampuan prediksi variabel independen terhadap variabel dependen. Pemodelan Satu hal yang penting dalam regresi ganda adalah bagaimana memilih variabel independen sehingga terbentuk sebuah model yang paling sesuai menjelaskan/ mengambarkan variabel dependen yang sesungguhnya dalam alam (populasi). Oleh karena itu model yang digunakan adalah model dengan nilai R2 yang besar namun variabel independennya dengan jumlah sedikit.SUTANTO PRIYO HASTONO: Analisis Data 3.

tetapi kemudian satu persatu variabel independen dikeluarkan dari model berdasarkan kriteria kemaknaan tertentu. metode Stepwise dimulai dari tanpa 147 ini yang tepat/sering digunakan. BACKWARD. Ada beberapa metode untuk melakukan pemilihan variabel independen dalam analisis multivariat regresi linier ganda. Kriteria pengeluaran atau P-out (POUT) adalah 0. Untuk variabel yang p value-nya > 0. Variabel yang masuk pertama kali adalah variabel yang mempunyai korelasi parsial terbesar dengan variabel dependen dan yang memenuhi kriteria tertentu untuk dapat masuk model. maka variabel tersebut masuk dalam model multivariat. d). karena dalam pemodelan kita dapat . kriteria variabel yang dapat masuk P-in (PIN) adalah 0. meamasukkan semua variabel ke dalam model. variabel yang pertama kali dikeluarkan adalah variabel yang mempunyai korelasi parsial terkecil dengan variabel dependen. ENTER. Seperti halnya forward.10 dikeluarkan dari model. Korelasi parsial adalah adalah korelasi antara variabel independen dengan dependen.25 namun secara substansi penting.05. FORWARD. 2) Lakukan analisis secara bersamaan. memasukkan semua variabel independen dengan serentak satu langkah. maka variabel tersebut dapat masuk ke multivariat. measukkan satu persatu variabel dari hasil pengkorelasian variabel dan memenuhi kriteria kemaknaan statistik untuk masuk ke dalam model. bila hasil uji bivariat mempunyai nilai p<0. yaitu: a).005 artinya variabel yang dapat masuk model bila variabel tersebut mempunyai nilai P lebih kecil atau sama dengan 0. lakukan pemilihan variabel yang masuk dalam model. sampai semua variabel yang memenuhi kriteria tersebut masuk ke dalam model. b).10. Metode melakukan pertimbangan aspek substansi. c). artinya variabel yang mempunyai nilai P lebih besar atau sama dengan 0.25. tanpa melewati kriteria kemanaan statistik tertentu.SUTANTO PRIYO HASTONO: Analisis Data dependen (bivariat). STEPWISE. model ini merupakan kombinasi antara metode backward dan Forward.

5). Variabel yang pertama masuk sama dengan metode forward yakni variabel yang mempunyai korelasi parsial terbesar. Selain itu dapat diketahui dari nilai VIF atau tolerance. Melakukan pengujian adanya kolinearitas. Lalu satu variabel hasil dan pengkorelasian variabel dimasukkan ke dalam model.8 maka terjadi kolinearitas. maka langkah selanjutnya adalah memeriksa adanya interaksi antar variabel independen. Setelah memperoleh model yang memuat variabel-variabel penting. Interaksi merupakan keadaan dimana hubungan antara satu variabel independen dengan dependen berbeda menurut tingkat variabel independen yang lain. a). e). tanpa melewati kriteria kemaknaan statistik tertentu. Untuk mengetahui adanya kolinearitas dapat dilihat dai nilai koefisien korelasi ®. Selanjutnya setelah masuk. REMOVE. variabel pertama ini diperiksa lagi apakah harus dikeluarkan dari model menurut kriteria pengeluaran seperti metode backward. Melakukan pengujian terhadap kelima asumsi. mengeluarkan semua variabel independen dengan serentak satu langkah. Lalu satu persatu variabel hasil pengkorelasian dimasukkan ke dalam model dikeluartkan dari model dengan kriteria tertentu. 3) Melakukan diagnostik regresi linier. bila nilai VIF > 10. 4). Kolinearitas terjadi bila antar variabel independen terjadi saling hubungan yang kuat. Penilaian reliabilitas model. Melakukan analisis interaksi. bila nilai r lebih tinggi dari 0. 148 . atau tolerance sekitar 1 (satu) maka model terjadi kolinearitas.SUTANTO PRIYO HASTONO: Analisis Data variabel sama sekali di dalam model. Untuk masing-masing sampel dibuat model dengan variabel yang sama. Model regresi yang sudah terpilih perlu dicek reliabilitasnya dengan cara membagi (split) sampel ke dalam dua kelompok. b).

Bila model reliabel maka seluruh sampel dapat digunakan untuk pembuatan model.SUTANTO PRIYO HASTONO: Analisis Data kemudian bandingkan antara model 1 dan model 2. bila hasilnya sama/hampir sama maka model regresi reliabel. 149 .

frekuensi mengalami prematur (PTL) dan frekuensi melakukan ANC (FTV).1.SUTANTO PRIYO HASTONO: Analisis Data KASUS: REGRESI LINIER GANDA Sebagai latihan kita melakukan analisis penelitian “faktor-faktor yang berhubungan dengan berat badan bayi”. riwayat hipetensi(HT). riwayat merokok(SMOKE). 2 dst. umur ibu(AGE). Gunakan/aktifkan file data LBW. gram Hasil Ukur 150 .SAV Nama Id Low Age Lwt Race Definisi Operasional Nomor Identitas Kondisi bayi dalam klasifikasi BBLR Umur ibu Berat ibu pada saat menstruasi terakhir Suku bangsa/ras 0 = ≥ 2500 g 1 = < 2500 g tahun pounds 1= putih 2= hitam 3 = lainnya Smoke Ptl Ht Ui Ftv Bwt Kebiasaan merokok selama hamil Riwayat mengalami prematur Riwayat menderita hipertensi Terjadi/mengalami iritability Uterine Frekuensi periksa hamil pada trimester pertama Berat badan bayi 0 = tidak 1 = ya 0 = tidak 1 = ya 0 = tidak 1 = ya 0 = tidak 1 = ya 0 . Kode variabel pada file data : LBW. Variabel dependennya berat badan bayi (BWT). Variabel independennya meliputi berat badan ibu dlm pounds (BWT).SAV..

Variabel yang dapat masuk model multivariat adalah variabel yang pada analisis bivariatnya mempunyai nilai p (p value) < 0.25 karena secara substansi sangat penting berhubungan dengan variabel dependen. Namun ketentuan p value<0. maka variabel tersebut dapat diikutkan dalam model multivariat. umur ibu. Uji yang digunakan pada analisis bivariat tergantung dari variabel yang digunakan. bila : variabel independennya numerik -> uji korelasi. Muncul dilayar menu ‘Bivariate Correlations’ 3. Klik ‘Analysis’. Langkah pertama pemodelan: SELEKSI BIVARIAT Seleksi bivariat masing-masing variabel independen dengan variabel dependen. frekuensi anc : Langkahnya : 1. frekuensi prematur.SUTANTO PRIYO HASTONO: Analisis Data Data selengkapnya ada di lampiran: A. Pada kotak Variables.25. bila independennya katagorik -> uji t atau uji anova. sorot ke ‘Correlate’. isikan semua variabel numerik baik untuk variabel independen (age.25 ini tidaklah harus dipenuhi manakala dijumpai ada suatu variabel yang walaupun p value-nya > 0. sorot dan klik ‘Bivariate’ 2.lwt.ftv) dan dependen (bwt) 151 .ptl. Bivariat uji korelasi : melakukan analisis bivariat untuk variabel independen berjenis numerik: variabel berat badan ibu. a.

072 .186* .01 level (2-tailed).140 .141 .055 189 . (2-tailed) N Pearson Correlation Sig.544 189 -.155* .215** . (2-tailed) N Pearson Correlation Sig.141 -.215** .328 189 189 . (2-tailed) N Pearson Correlation Sig.034 189 Birth weight (gram) .058 .219 189 History of premature labor Birth weight (gram) *.003 . (2-tailed) N Pearson Correlation Sig.180* .219 189 .072 .003 189 .013 189 .058 .05 level (2-tailed). Correlation is significant at the 0. 152 .180* . **.328 189 .034 189 1 189 Age of mother Weight of mother (pounds) No physician visits in first trimester Pearson Correlation Sig.140 . Correlation is significant at the 0.013 189 1 189 .044 .SUTANTO PRIYO HASTONO: Analisis Data 4.055 189 189 1 -.426 189 -.155* .054 .544 189 .010 189 No History of physician prematur visits in first e labor trimester .090 .426 189 189 1 189 -. Klik tombol ‘OK’ Muncul dilayar hasil sbb: Correlations Correlations Weight of mother (pounds) . (2-tailed) N Age of mother 1 189 .186* .090 .054 189 -.044 .010 189 .

Dari menu utama SPSS. namun demikian oleh karena secara substansi frekuensi anc merupakan faktor yang sangat penting mempengaruhi berat badan bayi. ingat jangan sampai terbalik.25 (yaitu p=0. Merokok Langkahnya: 1. berat badan (p=0. lalu pilih “Independen-Samples T Test” 2. berat badan dan frekuensi prematur mempunayi p value < 0.426). Dari hasil ini dapat kita simpulkan bahwa variabel umur.034).426) sehingga tidak bisa masuk ke multivariat. b. frekuensi prematur (p=0.Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’. dengan demikian ketiga variabel tersebut dapat lanjut masuk ke pemodelan multivariat. 3. Bivariat uji t: melakukan analisis bivariat untuk variabel independen berjenis katagorik: merokok dan riwayat hipertensi 1. frekuensi anc (p=0. kemudian pilih sub menu “Compare Means’. sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya. 153 . Ket: kotak test varibles tempat memasukkan variabel numeriknya.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4.Klik variabel ‘smoke’ dan masukkan ke kotak‘Grouping Variable’. maka variabel frekuensi anc tetap diikutkan dalam analisis multivariat. Sedangkan untuk variabel frekuensi anc mempunyai p value > 0.010).25.SUTANTO PRIYO HASTONO: Analisis Data Hasil dari analisis bivariat dengan korelasi didapatkan nilai p value untuk variabel umur (p=219). pilih menu ‘Analyze”.

Klik ‘Define Group’. Klik “OK” untuk menjalankan prosedur perintahnya.075 Std. kita tahu bahwa ‘0’ tidak merokok dan kode ‘1’ untuk Yang merokok.732 Birth weight (gram) 154 .163 76. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 9. Deviation 752.409 660. dan hasilnya sbb: T-Test Group Statistics Smoking status No Yes N 115 74 Mean 3054.96 2773. Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak. kemudian di layar nampak kotak isian.SUTANTO PRIYO HASTONO: Analisis Data 5.24 Std. Pada contoh ini. Klik “Continue” 10. Error Mean 70.

(2-tail ed) .25 maka variabel merokok dapat lanjut ke multivariat. . ingat jangan sampai terbalik.Dari menu utama SPSS.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4.0 Hasil analisis hubungan merokok dengan berat bayi menghasilkan p value = 0.969 95% Confidence Interval of the Difference Lower Upper 70.0 .693 492. sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya.7 F Birth weight (gram) Equal variances assumed Equal variances not assumed 1. kemudian pilih sub menu “Compare Means’.634 df 187 2. (variabel yang sebelumnya (variabel smoke) dikeluarkan dahulu baru ‘ht’ dimasukkan 155 . dengan demikian p value yang dihasilkan < 0. Ket: kotak test varibles tempat memasukkan variabel numeriknya.009 Mean Differen ce 281. 2. Error Differenc e 106.Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’.713 Std. pilih menu ‘Analyze”. lalu pilih “Independen-Samples T Test” 2.221 t 2.467 487.709 170.Klik variabel ‘ht’ dan masukkan ke kotak‘Grouping Variable’.SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Sig.009.007 281.713 103. 3.974 76.508 Sig. Riwayat Hipertensi Langkahnya: 1.

813 Birth weight (gram) 156 . Error Mean 53. Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak. Deviation 709.75 Std.341 Std. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 6. kemudian di layar nampak kotak isian.Klik “OK” untuk menjalankan prosedur perintahnya. kita tahu bahwa ‘0’ tidak ada hipertensi dan kode ‘1’ ada hipertensi’.226 917. dan hasilnya sbb: Group Statistics History of hypertension No Yes N 177 12 Mean 2972.31 2536.SUTANTO PRIYO HASTONO: Analisis Data 5.Klik “Continue” 7.309 264. Pada contoh ini.Klik ‘Define Group’.

maka variabel tersebut harus dikeluarkan dalam model.56 270.612 11.05. melainkan bertahap satu per satu dikeluarkan dimulai dari p value yang terbesar.133 435. sorot dan klik ‘Linier’ lalu muncul menu regresi linier. smoke.235 t 2. (2-taile d) .908 .126 -153. .56 1. ptl.024 861.709 95% Confidence Interval of the Difference Lower Upper 10. Pada kotak ‘dependen isikan variabel dependen (dalam hal ini berarti bwt) dan kotak ‘independen’ isikan variabel independennya (dalam hal ini age. Variabel yang valid dalam model multivariat adalah variabel yang mempunyai p value < 0.25 sehiingga variabel riwayat adanya hipertensi dapat lanjut ke analisis multivariat Dengan demikian selesailah sudah seleksi semua variabel independen.045. Pengeluaran variabel dilakukan tidak serempak. berarti p valuenya < 0. ftv) 157 .05.019 df 187 Sig.5 1025 Dari hasil analisis bivariat uji t antara variabel riwayat adanya hipertensi dengan berat bayi didapatkan p value = 0. ht.1 F Birth weight (gram) Equal variances assumed Equal variances not assumed 1. sorot ‘Regression’. Error Differen ce 215.045 Mean Differe nce 435. B. lwt. Langkah Kedua : Pemodelan Multivariat Setelah tahap bivariat selesai. Adapun proses selengkapnya sbb: 1. Bila dalam model multivariat dijumpai variabel yang p value nya > 0. a.SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Std.419 Sig. Klik ‘Analyisis’. dari 6 variabel independen semuaanya masuk ke proses berikutnya yaitu ke analisis multivariat. tahap berikutnya melakukan analisis multivariat secara bersama-sama.

Weight of mother (pounds) 158 . Klik ‘OK’. Pada kotak ‘Method’. dan hasilnya Regression Model Summary Model 1 R R Square . Age of mother. History of hypertension. Predictors: (Constant).116 Adjusted R Square .086 Std. No physician visits in first trimester.340a .SUTANTO PRIYO HASTONO: Analisis Data 5.829 a. pilih Enter’ 6. History of premature labor. Error of the Estimate 696. Abaikan lainnya 7. Smoking status.

No physician visits in first trimester. yaitu umur (age) p=0.057 Sig. pengeluaran variabel dimulai dari p value yang terbesar.022 4.423 F 3.193 -. artinya keenamm variabel independen dapat menjelaskan variabel berat bayi sebesar 11. Namun demikian prinsip pemodelan harus yang sederhana variabelnya sehingga masing-masing variabel indepeden perlu di cek nilai p valuenya. riwayat prematur (history prematur) p=0.05. .442 7. Tahap berikutnya mengeluarkan variabel yang p valuenya > 0.476. variabel yang p valuenya > 0.862 299.002 -574.001 berarti persamaan garis regresi secara keseluruhan sudah signifikan.008 .445 -2.705 Standardized Coefficients Beta . Age of mother. History of hypertension.793 -232.253 -154.954.734 .052 .476 . Dengan demikian variabel yang kita coba keluarkan adalah frekuensi anc(No physician. Predictors: (Constant).665 -. Dependent Variable: Birth weight (gram) Coefficientsa Unstandardized Coefficients B Std.001a Regression Residual Total a.030 . .962 Sig. Smoking status.481 49.SUTANTO PRIYO HASTONO: Analisis Data ANOVAb Model 1 Sum of Squares 11543236 88373817 99917053 df 6 182 188 Mean Square 1923872.611 485570.05 dikeluarkan daari model.150 dan frekuensi anc (no physician) p=0.698 -2.574 215. Dependent Variable: Birth weight (gram) Dari kotak ‘Model Sumarry” didapatkan nilai R Square sebesar 0..6 % sedangkan sisanya dijelaskan oleh variabel lain. Dari hasil uji statistik (lihat kotak anova) didapatkan p value = 0.000 .201 -.150 .193 -1.008 .715 2. Error 2315.928 106. Ternyata dari 6 variabel indepeden (lihat kolom sig di kotak Coefficients) ada 3 variabel yang p valuenya > 0.230 -2.05.847 1.777 105.116.162 10. 159 .004 Model 1 (Constant) Age of mother Weight of mother (pounds) Smoking status History of premature labor History of hypertension No physician visits in first trimester t 7.954 a.156 -. Weight of mother (pounds) b.104 -. History of premature labor.).

149 . Error 2317.224 -153.747 -573.841 Standardized Coefficients Beta .759 105.008 a.198 -1. History of premature labor.000 . History of hypertension. namun sekarang anda harus keluarkan variabel ‘no physician’ dan masukkan ke kotak Variable di sebelah kiri. Sekarang kita bandingkan nilai coefisien B untuk variabel umur.340a .051 . ada perubahan besar( berubah lebih dari 10 %) untuk R Square dan Coef.029 .201 -.116 Adjusted R Square .473 .680 Sig. kita cek dulu apakah setelah dikeluarkan. 3.091 Std.448 -2.011 1. Untuk nilai R Square ternyata tidak ada perunbahan yaitu tetap 0. . Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja.781 -232.074 7.718 -2. Sedangkan untuk coefisian B.807 4.929 a.007 . Pada kotak Independen juga masih lengkap ada 6 variabel.104 -.608 297.SUTANTO PRIYO HASTONO: Analisis Data Langkahnya: 1. Dependent Variable: Birth weight (gram) Setelah variabel frekuensi anc dikeluarkan.638 106. Klik OK. Klik ‘Analysis’. Age of mother.116.192 Model 1 (Constant) Age of mother Weight of mother (pounds) Smoking status History of premature labor History of hypertension t 7. 160 . Bila ada perubahan yang besar maka variabel tersebut tidak jadi dikeluarkan dalam model (tetap dipertahankan di model). Predictors: (Constant).156 -. B.719 2.051 9. Weight of mother (pounds) Coefficientsa Unstandardized Coefficients B Std. Smoking status. Error of the Estimate 694. sorot dan klik ‘Linier’ 2. dan hasilnya sbb: Model Summary Model 1 R R Square . sorot ‘Regression’.191 213.801 .

namun sekarang anda harus keluarkan variabel ‘umur (age)’ dan masukkan ke kotak Variable di sebelah kiri.473). Selankutnya kita lihat kembali bahwa pada model masih ada variabel yang p value > 0.SUTANTO PRIYO HASTONO: Analisis Data berat ibu.2 -2. hasil perhitungannya sbb: Variabel Age bwt smoke ptl hi ftv Anc msih ada 7. Error of the Estimate 694. dengan demikian variabel frekuensi anc kita keluarkan dari model. sorot ‘Regression’.8 Anc dikeluarkan 7. History of hypertension. History of premature labor. Sekarang kita akan keluarkan variabel umur (p value =0.0 4.05.2 -154.1 % 0.2 153.336a . Weight of mother (pounds) 161 .0 -574.4 % 0% 0% 0. ternyata tidak ada yang berubah lebih dari 10 %.7 573. merokok.7 -232. Langkah/proses : 1. 3.1 4. Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja.094 Std. Klik ‘Analysis’.1 % Dari perhitungan perubahan nilai coefisien B pada masing-masing variabel. Predictors: (Constant). sorot dan klik ‘Linier’ 2. Pada kotak Independen juga masih terisi ada 5 variabel. Smoking status.016 a.7 -232.113 Adjusted R Square . 1. dan hasilnya sbb: Model Summary Model 1 R R Square . Klik OK. riwayat prematur dan riwayat hiperteni antara sebelum dan sesudah variabel frekuensi anc dikeluarkan.0 - perubahan Coef.

000 .379 -2.0 -236.721 105.113. dan hasilnya sbb: 162 . Pada kotak independen variabel riwayat mengalami prematur dikeluarkan dan dimasukkan ke kotak variable disebelah kiri.3 % 1. Ternyata tidak ada yang lebih dari 10 %.098 -. Error 2449.847 umur dikeluarkan 5.121 233.2 -154.338 105.566 1.004 .4 145.733 Sig.026 .148 Standardized Coefficients Beta .SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Unstandardized Coefficients B Std.8 % 6. Langkah selanjutnya mengeluarkan variabel Riwayat mengalami prematur.476 2. 6.2 -2. sorot Regression.412 -582.dst.779 5.417 213. hasil perunbahan yaitu menjadi 0.035 -236.7 -232.925 -2. sedangkan untuk Masih lengkap 7.3 % Dari hasil perhitungan perubahan coef.5 - perubahan Coef. Prosesnya/langkahnya sama dengan diatas.244 -1.420 -145.211 -. .4 582.1 4.159 -.007 a.169 . dengan demikian variabel umur kita keluarkan dari model. Klik Analysis.1 % 1..0 -574. .195 Model 1 (Constant) Weight of mother (pounds) Smoking status History of premature labor History of hypertension t 10. . Dependent Variable: Birth weight (gram) Setelah variabel umur perhitungannya sbb: Variabel Age bwt smoke ptl hi ftv dikeluarkan. nilai R Square ternyata ada sedikit coefisian B.

7 % 1. Error of the Estimate 695.707 a.105 230.002 .197 Model 1 (Constant) Weight of mother (pounds) Smoking status History of hypertension t 10. . Smoking status.5 perubahan Coef.000 .3 % dengan demikian variabel riwayat mengalami prematur tidak jadi dikeluarkan dan tetap dipertahankan dalam model multivariat.3 % Hasil perhitungan setelah dikeluarkan variabel prematur.177 -.3 -236. Dari hasil analisis ternyata tidak ada lagi yang p valuenya > 0. B dapat dilihat sbb: Variabel Age bwt smoke ptl hi ftv Masih lengkap 7.SUTANTO PRIYO HASTONO: Analisis Data Model Summary Model 1 R R Square .007 a.05 dengan demikian proses pencarian variabel yang masuk dalam model telah selesai dan model yang terakhir adalah sbb: 163 .130 -2.089 Std. History of hypertension.646 Standardized Coefficients Beta .534 -2. ternyata coefisin B pada variabel beat badan ibu (bwt) beubah sebesar 12.1 4.104. Predictors: (Constant).352 -263.710 103. Error 2390.374 3.2 -2.722 1. Weight of mother (pounds) Coefficientsa Unstandardized Coefficients B Std.812 213.746 Sig. Dependent Variable: Birth weight (gram) Hasil R Square turun sedikit yaitu menjadi 0.391 5.224 -.104 Adjusted R Square .7 -232.322a . Sedangkan hasil perhitungan perubahan Coef.3 % 1.0 -574.4 582.009 -586. 12.847 Prematur keluar 5.012 .2 -154.

Adapun uji asumsinya sbb: Langkahnya: 1.Klik ‘Analysis’.338 213.566 -145.094 Std.222 a.417 Collinearity Statistics Tolera nce VIF . Error 233.016 DurbinWatson .925 -2.026 .035 -236.060 1.007 . riwayat hipertensi (hi) dan variabel riwayat prematur(ptl) 164 . Weight of mother (pounds) b.476 2. Smoking status.412 Std.211 -.733 -1. History of premature labor.925 .943 .SUTANTO PRIYO HASTONO: Analisis Data Model Summaryb Model 1 R R Square .000 . Dependent Variable: Birth weight (gram) Coefficientsa Stand ardize d Coeffi cients Beta . Masukan dalam kotak Independen variabel berat badan ibu (lwt).098 t 10.121 5.169 Mo de l 1 Unstandardized Coefficients B 2449.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a.244 -2. sorot dan klik ‘Linier’ 2.964 .379 Sig. Masukkan dalam kotak Dependen variabel ‘bwt’ 3.113 Adjusted R Square . .779 1. sorot ‘Regression’. Dependent Variable: Birth weight (gram) Langkah selanjutnya UJI ASUMSI Agar persaman garis yang digunkan untuk memprediksi menghasilkan angka yang valid.148 105. Predictors: (Constant).037 1. maka persamaan yang dihasilkan harus memenuhi asumsi-asumsi yang diersyaratkan uji regresi linier ganda.195 -.420 -582.004 .721 105.159 -. History of hypertension.081 1. merokok(smoke). Error of the Estimate 694.947 1.336a .

SUTANTO PRIYO HASTONO: Analisis Data 4. Klik kotak ‘Collinearity diagnostic’ dan klik kotak ‘Covariance matrix’ (perintah ini untuk uji asumsi multicoliniarity) 6. Klik kotak ‘Durbin-Watson’ (perintah ini untuk uji asumsi Independensi) 7. Klik Continue 165 .Klik tombol Statistics 5.

dan masukan ‘ZPRED’ ke kotak X (perintah ini untuk uji asumsi Homoscedasity) 10. Cara mengetahui asunsi eksistensi dengan cara melakukan analisis deskriptif vareiabel residual dari model. sampel yang diambil harus dilakukan secara random. Klik tombol ‘Plot” 9. Asumsi Eksistensi (Variabel Random) Untuk tiap nilai dari variabel X (variabel independen). Klik Continue Hasilnya : a. Klik kotak ‘histogram’ dan kotak ‘Normal probability plot” (perintah ini untuk uji asumsi Normality) 11. Untuk memenuhi asumsi ini. variabel Y (dependen) adalah variabel random yang mempunyai mean dan varian tertentu. Masukkan ‘SRESID’ ke kotak Y. Asumsi ini berkaitan dengan teknik pengambilan sampel.SUTANTO PRIYO HASTONO: Analisis Data 8. bila residual menunjukkan adanya mean mendekati nilai nol dan ada sebaran (varian ata satandar deviasi) maka asumsi eksistensi terpenuhi. Hasil analisis: 166 .

Predictors: (Constant). Smoking status.000 .000 3.769 2. berarti asumsi 167 .407 251.77 -2.015 -2102. Residual Deleted Residual Stud. Deleted Residual Mahal. bila nilai Durbin –2 s.SUTANTO PRIYO HASTONO: Analisis Data Residuals Statisticsa Predicted Value Std.193 1955.000 dan standar deviasi 686.094 Std. History of premature labor.73 .079 1. Dependent Variable: Birth weight (gram) Dari hasil uji didapatkan koefisien Durbin Watson independensi terpenuhi.97 1921.320 .399 2943.196 686.001 -3.423 2.682 292.593 .222 a.000 . Dengan demikian asumsi Eksistensi terpenuhi b.316 -3.001 .989 1.019 . Asumsi Independensi Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain.000 103.004 Maximum 3602. Untuk mengetahui asuamsi ini dilakukan dengan cara mengeluarkan uji Durbin Watson.610 -3.835 67.835 32. Residual Stud.804 3616. Distance Cook's Distance Centered Leverage Value Minimum 2249.923 .005 708.d. Dependent Variable: Birth weight (gram) Hasil dari output diatas menunjukkan angka residual dengan mean 0.03 2. Deviation 245.43 -2082.469 .010 5.979 .000 .222.000 45.028 N 189 189 189 189 189 189 189 189 189 189 189 189 a. +2 berarti asumsi independensi terpenuhi. sebaliknya bila nilai Durbin < -2 atau > +2 berarti asumsi tidak terpenuhi Model Summaryb Model 1 R R Square .631 2. Weight of mother (pounds) b.768 . History of hypertension.336a . Jadi nilai dari tiap-tiap individu saling berdiri sendiri. 0. Tidak diperbolehkan nilai observasi yang berbeda yang diukur dari satu individu diukur dua kali.084 .016 DurbinWatson .619 1.173 Mean 2944.021 Std.59.782 1940.007 .66 .209 . Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std.113 Adjusted R Square . Error of the Estimate 694.

778 481657. Hasil uji asumsi : ANOVAb Model 1 Sum of Squares 11291987 88625066 99917053 df 4 184 188 Mean Square 2822996. …. Predictors: (Constant). berarti asumsi linearitas terpenuhi d. 168 . Xk terletak pada garis/bidang linier yang dibentuk dari persamaan regresi. Smoking status. .000a Regression Residual Total a. Dependent Variable: Birth weight (gram) Dari output diatas menghasilkan uji anova 0. History of premature labor. Sebaliknya bila titik tebaran membentuk pola tertentu misalnya mengelompok di bawah atau di atas garis tengah nol.SUTANTO PRIYO HASTONO: Analisis Data c. Untuk mengetahui asumsi linieritas dapat diketahui dari uji ANOVA (overall F test) bila hasilnya signifilan (p value<alpha) maka moodel berbentuk linier.0005. Weight of mother (pounds) b. X3. Bila titik tebaran tidak berpola tertentu dan menyebar merata disekitar garis titik nol maka dapat disebut varian homogen pada setiap nilai X dengan demikian asumsi homoscedasticity terpenuhi. Homoscedasticity dapat diketahui dengan melakukan pembuatan plot residual. maka diduga variannya terjadi heteroscedasticity.965 F 5. History of hypertension. Asumsi Linieritas Nilai mean dari variabel Y untuk suatu kombinasi X1.861 Sig. Asumsi Homoscedascity Varian nilai variabel Y sama untuk semua nilai variabel X. X2.

bila data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal. dapat diketahui dari Normal P-P Plot residual. Dengan demikian asumsi homoscedasity terpenuhi e. maka model regresi memenuhi asumsi model regresi tidak memenuhi asumsi normalitas. 169 . Asumsi Normalitas Variabel Y mempunyai distribusi normal untuk setiap pengamatan variabel X.SUTANTO PRIYO HASTONO: Analisis Data Scatterplot Dependent Variable: Birth weight (gram) 3 Regression Studentized Residual 2 1 0 -1 -2 -3 -4 -3 -2 -1 0 1 2 3 Regression Standardized Predicted Value Dari hasil plot diatas terlihat tebaran titik mempunyai pola yang sama antara titik-titik diatas dan dibawah garis diagonal 0.

SUTANTO PRIYO HASTONO: Analisis Data Histogram Dependent Variable: Birth weight (gram) 40 30 Frequency 20 10 0 -4 -3 -2 -1 0 1 2 3 Mean = -2. = 0.53E-16 Std.989 N = 189 Regression Standardized Residual 170 . Dev.

0 Observed Cum Prob Dari grafik histogram dan grafik normal P-P plot terbukti bahwa bentuk distribusinya normal.0 0. f.4 0.6 0.8 1.8 Expected Cum Prob 0. berarti asumsi normality terpenuhi.2 0. Untuk mendeteksi collinearity dapat diketahui dari nilai VIF (variance inflation factor).4 0. 171 .Diagostik Multicollinearity Dalam regresi linier tidak boleh terjadi sesama variabel independen berkorelasi secara kuat (multicollinearity).0 0.SUTANTO PRIYO HASTONO: Analisis Data Normal P-P Plot of Regression Standardized Residual Dependent Variable: Birth weight (gram) 1.0 0.2 0. bila nilai VIF lebih dari 10 maka mengindikasikan telah terjadi collinearity.6 0.

943 .964 .081 1.195 -.169 Mo de l 1 Unstandardized Coefficients B 2449. Sehingga model yang terakhir adalah sbb: Model Summaryb Model 1 R R Square .733 -1.566 -145.037 1.035 -236.098 t 10. Langkah sekanjutnya adalah UJI INTERAKSI. Predictors: (Constant).094 Std.211 -.060 1.925 -2.925 .476 2.947 1.121 5. Error 233.338 213.721 105. Smoking status. Error of the Estimate 694. dengan demikian tidak ada Multicollinearity antara sesama variabel indepeden Dari hasil uji asumsi dan uji kolinearitas ternyata semua asumsi terpenuhi sehingga model dapat digunakan untuk memprediksi berat badan bayi.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a. Weight of mother (pounds) b.779 1.148 105. History of hypertension.113 Adjusted R Square . Dependent Variable: Birth weight (gram) Dari hasil uji asumsi didapatkan nilai VIF tidak lebih dari 10. History of premature labor. Dependent Variable: Birth weight (gram) 172 .244 -2.026 .SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Stand ardize d Coeffi cients Beta .007 . Namun karena secara substansi antar variabel dipandang tidak interaksi maka uji interaksi tidak dilakukan.420 -582.159 -.004 .336a .412 Std.000 .417 Collinearity Statistics Tolera nce VIF .379 Sig.222 a.016 DurbinWatson . .

Dependent Variable: Birth weight (gram) Interpretasi model: Setelah dilakuikan analisis .211 -.0 Lwt – 236.037 1. Dari hasil di atas.412 Std.925 -2.081 1.121 5. dan riwayat prematur.733 -1.035 -236.721 105.ternyata variabel independen yang masuk model regresi adalah berat badan ibu.338 213.159 -.379 Sig.169 Mo de l 1 Unstandardized Coefficients B 2449. Pada tabel ‘Model Summary’ terlihat koefisien determinasi (R square) menunjukkan nilai 0. kita lihat hasil uji F yang menunjukkan nilai P (sig) = 0.113 artinya bahwa model regresi yang diperoleh dapat menjelaskan 11.244 -2. Kemudian pada kotak ‘ANOVA’.779 1.195 -.148 105.4 Ptl 173 ..007 . riwayat hipertensi.964 .060 1.000 .566 -145. pada kolom B (di bagian Variabel In Equation) di atas.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a. berarti pada alpha 5% kita dapat menyatakan bahwa model regresi cocok (fit) dengan data yang ada. Atau dengan kata lain keempat variabel independen tsb dapat menjelaskan variasi variabel berat bayi sebesar 11. Atau dapat diartikan kedua variabel tersebut secara signifikan dapat utnuk memprediksi variabel berat bayi.417 Collinearity Statistics Tolera nce VIF .476 2.3 % variasi variabel dependen berat bayi. ibu merokok.4 smoke .582Hi – 145.1+5.3 %.000.026 . .SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Stand ardize d Coeffi cients Beta .098 t 10.943 .947 1.925 .420 -582. Pada kotak ‘Coefficient’ kita dapat memperoleh persamaaan garisnya. peresamaat regresi yang diperoleh adalah Berat Bayi = 2449. Error 233. kita dapat mengetahui koefisien regresi masing-masing variabel.004 .

Pada hasil di atas berarti variabel yang paling besar pengaruhnya terhadap penentuan berat badan bayi adalah berat badan ibu. B untuk masing-masing variabel adalah sbb: Setiap kenaikan berat badan ibu sebesar 1 kg. merokok dan hipertensi.SUTANTO PRIYO HASTONO: Analisis Data Dengan model persamaan ini.. 174 . Kolom Beta dapat digunakan untuk mengetahui variabel mana yang paling besar peranannya (pengaruhnya) dalam menentukan variabel dependennya (berat badan bayi). maka berat badan bayi akan naik sebesar 5.4 gram setelah dikontrol variabel berat badan. Adapun arti koef. Pada ibu yang menderita hipertensi. kita dapat memperkirakan berat badan bayi dengan menggunakan variabel berat badan ibu.0 gram setelah dikontrol variabel merokok.berat bayinya akan lebih rendah sebesar 582.5 gram setelah dikontrol variabel berat badan ibu. hipertensi dan prematur. hipertensi dan prematur Pada ibu yang merokok berat bayinya akan lebih rendah sebesar 236. merokok dan prematur. Semakin besar nilai beta semakin besar pengaruh nya terhadap variabel dependennya.

yaitu variabel dependennya berbentuk variabel katagorik (terutama yang dikotomus. artinya katagorik yang terdiri dari dua kelompok. didapatkan hasil : No PJK 1 0 2 22 0 3 23 1 4 24 0 5 25 0 6 27 1 7 28 0 8 29 1 9 30 1 10 32 0 11 33 0 … … … … … … 100 70 1 Umur 20 175 . REGRESI LOGISTIK Berbeda dengan regresi linier yang variabel dependennya numerik. regreesi logistik merupakan jenis regresi yang mempunyai ciri khusus. misalnya sakit-tidak Sakit. merokok dan tidak merokok.SUTANTO PRIYO HASTONO: Analisis Data 13 puas dll). bayi BBLR dan Normal. Untuk memahami lebih jelas tentang regresi logistik coba kita lihat contoh analisis penelitian yang mempelajari hubungan antara variabel umur dengan kejadian penyakit jantung koroner. dan lain-lain Perbedaan antara regresi linear dengan regresi logistik terletak pada jenis variabel dependennya. Pengamatan dilakukan pada 100 orang sampel. puas/tidak A. Regresi linear digunakan apabila variabel dependennya numerik . Variabel katagorik yang dikotom adalah variabel yang mempunyai dua nilai variasi. misalnya hidup/mati. sedangkan regresi logistik diogunakan pada data yang dependennya berbentuk katagorik yang dikotom. REGRESI LOGISTIK SEDERHANA 1. Pendahuluan Analisis regresi logistik adalah salah satu pendekatan model matematis yang digunakan untuk menganalisis hubungan satu atau beberapa variabel independen dengan sebuah variabel dependen katagorik yang bersifat dikotom/binary.

maka hubungannya tidak jelas terlihattebaran data pada Scatter Plot membentuk dua garis yang sejajar. namun grafik tersebut tidak mampu menggambarkan dengan lebih tajam/jelas hubungan antara umur dangan kejadian PJK. misalnya dibuat penyajian dalam bentuk diagram tebar (Scatter Plot). sekarang dicoba untuk mengelompokkan variabel independen (variabel umur) dan menhitung nilai tengah (dalam hal ini menghitung proporsi) variabel dependen (variabel PJK) untuk setiap kelompok variabel umur dan kejadian jantung dapat dilihat pada tabel berikut: 176 .SUTANTO PRIYO HASTONO: Analisis Data Nomor merupakan nomor urut responden dan PJK merupakan variabel kejadian jantung koroner. Bila data tersebut kita perlakukan analisisnya menggunakan regresi linier. Walaupun grafik tersebut telah dapat menggambarkan/menjelaskan variabel dependen (kejadiab PJK) yang cukup jelas. Diagram tebat menunjukkan adanya kecenderungan kejadian penyakit jantung koroner yang lebih sedikit pada responden yang berusia muda. Variabel PJK diberi kode 1 bila responden menderita PJK dan diberi kode 0 bila mereka tiodak menderita PJK. Untuk mempertajam analisis kita.

1 0 20 .2 0. namun ada 177 . Kalau kita cermati.33 0.5 0.63 0.6 0. Diawali peningkatan yang landai.46 0.25 0. kemudian meningkat tajam dan kemudian landai kembali.80 0.lihat jelas adanya peningkatan yang tidak linear antara proporsi kejadian PJK dengan peningkatan umur.9 0.76 0.10 0.29 30 – 34 35 – 39 40 – 44 45 – 49 50 – 54 55 – 59 60 – 69 Pada grafik tyer.3 0. pembuatan diagram tebar tersebut merupakan cara untuk mendeteksi/mengetahui hubungan pada analisis regresi linier.8 0.4 0.7 0. garis tersebut menyerupai huruf S.13 0.43 Umur 20 – 29 30 – 34 35 – 39 40 – 44 45 – 49 50 – 54 55 – 59 60 – 69 Total Jumlah 10 15 12 15 13 8 17 10 100 Pada tabel terlihat bahwa ada peningkatan proporsi kejadian jantung pada kelompok umur semakin tua/lanjut.SUTANTO PRIYO HASTONO: Analisis Data PJK Tidak 9 13 9 10 7 3 4 2 57 Ya 1 2 3 5 6 5 13 8 43 Proporsi Kejadian 0. Kemudian kita coba sajikan data tersebut dengan grafik dan hasilnya dapat dilihat pada grafik berikut: 0.

Nilai Z merupakan nilai indeks variabel independen. 2. nilai E(Y/x) akan selalu berada antara nol dan satu (0 ≤ E(Y/x) ≤ 1). maka untuk mengetahui estimasi tekanan darah berdasarkan umu. Bila nilai Z mendekati – ∞ maka f(– ∞) = 1 . Seperti pada data di atas variabel Y kejadia PJK dan x variabel umur. dihitung rata-rata (mean) tekanan darah pada masing-masing nilai umur. Model Logistik f(z) = 1 . Nilai tersebut disebut sebagai mean kondisional yang dinyatakan dengan E(Y/x).d ∞ (0 ≤ E(Y/x) ≤ ∞). Pada regresi linier nilai E(Y/x) akan berkisar antara 0 s. =0 1 + e-(– ∞) 178 . dengan Y sebagai dependen dan x sebagi independen. Nilai Z bervariasi antara -∞ sampai +∞. Misalnya probabilitas kejadian jantung pada umur tertentu. oleh karena pada regresi logistik dependennya adalah dikotom maka variabel dependen dihitung bukan dengan mean namun menggunakan proporsi. misal Y variabel tekanan darah dan x variabel umur. maka untuk mengetahui estimasi kejadian PJK berdasarkan umur. Pada regresi logistik dapat juga diperlakukan hal tersebut namun ada sedikit perbedaan dalam menghitung rata-rata variabel dependennya (Y). 1 + e-z f(Z) merupakan propbabilitas kejadian suatu penyakit berdasarkan faktor risiko tertentu. dihitung proporsi kejadian PJK pada tiap kelompok umur. Pada regresi logistik.SUTANTO PRIYO HASTONO: Analisis Data sedikit perbedaan hal dalam hal meringkas variabel dependennya. E(Y/x) adalah nilai Y yang diharapkan berdasarkan nilai x. Seperti kita ketahui bahwa pada regresi linier kita ingin mengestimasi nilai mean variabel dependen berdasarkan setiap nilai variabel independen.

Model Logistik Model logistik dikembangkan dari funsi logistik dengan nilai Z merupakan penjumlahan linear konstanta (α) ditambah dengan β1X1. Variabel X adalah variabel Independen. 179 . =1 1 + e-(+ ∞) 1 -∞ 0 +∞ Terlihat bahwa fungsi f(Z) nilai berkisar 0 dan 1 berapapun nilai Z. Grafik f(Z) membentuk garis yang berbentuk huruf S. ini berarti sesuai dengan contoh plot hubungan antara PJK dengan umur pada kasus yang telah kita bahas di atas. Bentuk S ini mencerminkan tentang pengaruh nilai Z pada risiko individu yang minimal pada nilai Z rendah kemudian seiring dengan meningkatnya nilai Z risiko juga semakin meningkat. kisaran pada regresi logistik ini berari cocok/sesuai digunakan untuk model hubungan yang variabel dependennya dikotom. ditambah β2X2 dan seterusnya sampai βiXi.SUTANTO PRIYO HASTONO: Analisis Data Bila nilai Z mendekati + ∞ maka f(+ ∞) = Fungsi Logistik dapat digambarkan sbb: 1 . Berdasarkan uaraian tersebut maka bila ingin mengestimasi suatu probabilitas kejadian pada dependen yang dikotom maka model regresi logistik adalah pilihan yang tepat. dan pada ketinggian tertentu garisnya akan mendatar mendekati nilai 1. 3.

Pemberian kode nilai variabel adalah sbb: Untuk variabel PJK Untuk variabel KAT Pertanyaan: a. Dalam studi ini dipelajari mengenai hubungan antara kejadian penyakit jantung koroner (dengan nama vaiabel PJK) dengan tinggi rendahnya kadar katekolamin dalam darah (nama variabel KAT). Berapa peluang mereka yang kadar katekolaminnya tinggi mempunyai risiko untuk terjadi PJK? b.SUTANTO PRIYO HASTONO: Analisis Data Z = α + β1X1 Z = α + β1X1 + β2X2 + … + βiXi (Regresi logistik sederhana) (Regresi logistik berganda) Bila nilai Z dimasukkan pada fungsi Z. maka rumus fungsi Z adalah f(z) = 1 . 1 + e-z 180 1 = timbul penyakit jantung koroner 0 = tidak ada penyakit jantung koroner 1 = kadar katekolamin darah tinggi 0 = kadar katekolamin darah rendah . 1 + e-(α + β1X1 + β2X2 + … + βiXi) 4. Berapa peluang mereka yang kadar katekolaminnya rendah mempunyai risiko untuk terjadi PJK? c. Contoh Kasus Contoh studi follow up selama 9 tahun. Bandingkan risiko terjadi PJK antara mereka yang kadar katekolaminnya tinggi dengan yang kadar katekolaminnya rendah? Jawab: Dengan model regresi logistik maka pada soal tersebut modelnya adalah: f(z) = 1 .

037 atau sekitar 4% 1 + e-(-3.947 = 2.037 = 1. maka modelnya : P(X) = 1 . Besar risiko kedua kelompok tersebut P1(X) = 0. maka: P(X) = 1 .911 + 0.652. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya tinggi.SUTANTO PRIYO HASTONO: Analisis Data Nilai f(z) dapat diganti dengan P(X). Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya rendah Oleh karena kadar katekolamin rendah diberi angka 0. maka rumusnya: P(X) = 1 . maka masukkan nilai KAT=0 pada model di atas. 1 + e-z Bila Z = α + β1KAT.911 dan β1 = 0.019 atau sekitar 2% 1 + e-(-3. = 0. c.019 Angka tersebut di atas sebenarnya adalah risiko relatif (RR)yang diperoleh secara direk. b.652*0) jadi mereka/individu yang kadar katekolaminnya rendah dalam darah mempunyai risiko untuk terjadinya PJK sebesar 2% selama periode follow up. Arti dari angka di atas adalah mereka yang kaadar 181 . hasilnya: P(X) = 1 . 1 + e-α + β1KAT Misdalkan didapatkan hasil analisis dengan paket program statistik sbb: α = -3.911 + 0. maka masukkan nilai KAT=1 pada model di atas.652*1) jadi mereka/individu yang kadar katekolaminnya tinggi dalam darah mempunyai risiko untuk terjadinya PJK sebesar 4% selama periode follow up.911 + 0. hasilnya: P(X) = 1 .0 P0(X) 0. = 0. 1 + e-(-3. Oleh karena kadar katekolamin tinggi diberi angka 1.652KAT) Dari model tersebut coba kita jawab pertanyaan di atas: a.

Pada rancangan kohort prospektif regresi logistik dapat digunakan untuk memprediksi/menaksir probabilitas individu untuk sakit (atau meninggal) berdasarkan nilai-nilai sejumlah variabel yang diukur padanya. Namun dengan memperlakukan rancangan case control dan cross sectional sebagai studi follow up. Prediksi dapat digunakan dengan model: P(X) = 1+e -(α + β1X1 + β2X2 + … + βiXi 1 . yang merupakan perhitungan RR indirek. Pada rancangan kohort prospektif dapat digunakan untuk memperkirakan risiko individual. Nilai β0 dapat dihitung/diestimasi bila sampling fraction populasi yang disampel diketahui-kondisis ini hanya terjadi pada rancangan kohort (ket: sampling fraction adalah proporsi terpapar yang menjadi sakit atau tidak sakit). cross sectional tidak dapat melakukan prediskis risiko individual.SUTANTO PRIYO HASTONO: Analisis Data katekolaminnya tinggi mempunyai risiko terjadi PJK dua (2) kali lebih tinggi dibandingkan mereka yang kadar katekolaminnya rendah. maka dapat dihitung OR (Odds Ratio). case control maupun cross sectional. 182 . Model regresi logistik dapat digunakan pada data yang dikumpulkan melalui rancangan kohort. Odds Ratio (OR) = exp(β) atau dapat ditulis OR = e(β) Dengan demikian dapat disimpulkan bahwa Individual Risk (ririko individu) hanya dapat diperoleh dari rancangan kohor prospektif. Pada rancangan case control dan cross sectional dan cohort dapat dihitung nilai Odds Ratio (OR). Nilai OR yang merupakan yang merupakan perhitungan eksponensial β dari persamaan garis regresi logistik. yang merupakan perhitungan RR yang indirek. Sedangkan pada rancangan case control. Sedangkan pada rancangan case control dan cross sectional tidak dapat digunakan untuk menghitung risiko individual karena β0 pada rancangan ini tidak sahih.

diperlukan prosedur pemilihan variabel sbb: 1). Y 183 . Pada regresi logistik. Melakukan analisis bivariat antara masing-masing variabel independen dengan variabel dependennya. Model Prediksi Pemodelan dengan tujuan untuk memperoleh model yang tediri dari beberapa variabel independen yang dianggap terbaik untuk memprediksi kejadian variabel dependen. Seperti juga pada regresi linier. Namun sebaiknya variabel independennya berupa katagorik karena dalam menginterpretasi hasil analisis akan lebih mudah. Kegunaan analisis regresi logistik ganda mencakup dua hal. yaitu: a. variabel independennya boleh campuran antara variabel katagorik dan numerik.25. Bentuk kerangka konsep model regresi : X1 X2 X3 X4 Prosedur pemodelan: Agar diperoleh model regresi yang hemat dan mampu menjelaskan hubungan variabel independen dan independen dalam populasi. REGRESI LOGISTIK GANDA Pada pembahasan di atas sudah diperkenalkan mengenai regresi logistik sederhana. Namun bisa saja p value > 0.25 tetap diikutkan ke multivariat bila variabel tsb secara substansi penting. Pada pemodelan ini semua variabel dianggap penting sehingga estimasi dapat dilakukan estimasi beberapa koefisien regresi logistik sekaligus. maka variabel tersebut dapat masuk model multivariat.SUTANTO PRIYO HASTONO: Analisis Data B. keuntunngan regresi logistik ganda adalah kemampuannya untuk memasukkan beberapa variabel dalam satu model. Bila hasil uji bivariat mempunyai nilai p < 0.

4). Bila nilai OR masing-masing kelompok menunjukkan bentuk garis lurus. Pengukian interaksi dilihat dari kemaknaan uji statistik. Setelah memperoleh model yang memuat variabel-variabel penting.05. dengan cara mempertahankan variabel yang mempunyai p value < 0. Model Faktor Risiko Pemodelan dengan tujuan mengestimasi secara valid hubungan satu variabel utama dengan variabel dependen dengan mengontrol beberapa variabel konfonding. Bentuk kerangka konsep model faktor risiko: X1 Y X2 X3 X4 184 . maka dapat dipertimbangkan dirubah dalam bentuk katagorik. Memilih variabel yang dianggap penting yang masuk dalam model. maka variabel interaksi penting dimasukkan dalam model. maka langkah terakhir adalah memeriksa kemungkinan interaksi variabel ke dalam model. Pengeluaran variabel tidak serentak semua yang p valuenya > 0.05 dan mengeluarkan variabel yang p valuenya > 0.05. Identifikasi linearitas variabel numerik dengan tujuan untuk menentukan apakah variabel numerik dijadikan variabel katagorik atau tetap variabel numerik. b. Kemudian lakukan analisis logistik dan dihitung nilai OR-nya. namun dilakukan secara bertahap dimulai dari variabel yang mempunyai p value terbesar. Penentuan variabel interaksi sebiknya melalui pertimbangan logika substantif. Caranya dengan mengelompokkan variabel numerik ke dalam 4 kelompok berdasarkan nilai kuartilnya. Bila variabel mempunyai nilai bermakna. maka variabel numerik dapat dipertahankan.SUTANTO PRIYO HASTONO: Analisis Data 2). Namun bila hasilnya menunjukkan adanya patahan. 3).

dengan cara mengeluarkan variabel interaksi yang nilai p Wald-nya tidak signifikan dikeluarkan dari model secara berurutan satu per satu dari nilai p Wald yang terbesar. Lakukan penilaian konfonding. dengan cara mengeluarkan variabel kovariat/ konfonding satu per satu dimuali dari yang memiliki nilai p Wald terbesar. maka variabel tersebut dinyatakan sebagai konfonding dan harus tetap berada dalam model. bila setelah dikeluarkan diperoleh selisih OR faktor/variabel utama antara sebelum dan sesudahvariabel kovariat (X1) dikeluarkan lebih besar dari 10%. 2). 3). Lakukan penilaian interaksi. 185 . mencakup variabel utama . Lakukan pemodelan lengkap.SUTANTO PRIYO HASTONO: Analisis Data Tahapan pemodelan: 1). semua kandidat konfonding dan kandidat interaksi (interaksi diabuat antara variabel utama dengan semua variabel konfonding).

gunakan file data “LBW. maka variabel tersebut dapat dimasukkan dalam model multivariat. Untuk variabel independen yang hasil bivariatnya menghasilkan p value > 0.Analisis bivariat antara “umur” dengan”bblr” 1. RAS (race). 1. Pilih “Analyze” 2. Klik “Binary Logistic”. SELEKSI BIVARIAT Masing-masing variabel independen dilakukan analisis bivariat dengan variabel dependen.25. ADA KELAINAN UTERUS (ui) dan PERIKSA HAMIL (ftv) dengan BBLR (low).SAV” Suatu penelitian ingin mengetahui hubungan antara UMUR IBU (age) .25 namun secara substansi penting.SUTANTO PRIYO HASTONO: Analisis Data KASUS I : REGRESI LOGISTIK MODEL PREDIKSI Untuk latihan. Pada kotak Dependen isikan variabel yang kita perlakukan sebagai dependen (dalam hal ini berarti masukkan “low”) dan pada kotak independen isikan variabel independennya (dalam hal ini berarti masukkan “age”). Seleksi bivariat menggunakan uji regresi logistik sederhana. Adapun langkahnya: A. maka variabel tersebut langsung masuk tahap multivariat. Pilih “Regression” 3. Bila hasil bivariat menghasilkan p value < 0. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. Sehingga tampilannya sbb: 186 . 4. MENDERITA HIPERTENSI (ht).

385 S.276 df 1 1 Sig.599 Exp(B) .760 df 1 1 1 Sig.097 .SUTANTO PRIYO HASTONO: Analisis Data 5.635 . . Klik ‘Continue’ 7.760 2. .760 2.032 .051 . Klik tombol ‘Options’ . Klik “OK”.E.732 Wald 2. Variable(s) entered on step 1: age. .893 1.I.0% C. dan hasilnya sbb: Block 1: Method = Enter Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 2.469 a.011 Step a 1 age Const ant B -.950 1.105 . klik ‘CI for Exp(B)’ 6.097 . 187 .097 Variables in the Equation 95.for EXP(B) Lower Upper .

pada tampilan Block 1 didapatkan hasil omnibus test pada bagian Bloc dengan p value 0. Tampilannya sbb: 5.SUTANTO PRIYO HASTONO: Analisis Data Dari hasil output. 4. Pilih “Analyze” 2. Pilih “Regression” 3. Pada variabel ras perlu dilakukan dummy oleh karena variabel ras berjenis katagorik dengan isi lebih dari 2 nilai. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.25 sehingga variabel umur dapat dilanjutkan ke analisis multivariat.01) 2. Klik “Binary Logistic”. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates variabel ‘age’ dikeluarkan dan gantilah dengan mengisikan variabel ‘race’.Analisis bivariat antara “ras” dengan “bblr” 1. tepatnya 3 kelompok(yaitu :ras 188 .950 (95% CI: 0.097 berarti variabel umur p value nya <0.89-1. Dari tampilan SPSS nilai OR dapat diketahui dari kolom Exp(B) yaitu sebesar 0.

010 5. dan tampilannya: 6.000 1. Klik Continue. Klik tombol Categorical.000 . .082 .000 .SUTANTO PRIYO HASTONO: Analisis Data putih.000 .010 df 2 2 2 Sig.000 1.082 . klik pilihan ‘first’ pada bagian Reference category.010 5. lalu klik Change.000 Race White Black Other Frequency 96 26 67 Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 5. Klik OK Categorical Variables Codings Parameter coding (1) (2) . pindahkan ‘race’ dari kotak covariates ke kotak categorical covariates. layar ke menu logistic 7. hitam dan lainnya).082 189 .

155 S.328 artinya ras kuliat hitam akan berisiko bayinya bblr sebesar 2.087 berarti p value < 0.022 4.328 1. Pilih “Regression” 3.345 23.for EXP(B) Lower Upper . Analisis bivariat antara “hipertensi” dengan “bblr” 1. Dari output dapat diketahui juga nilai OR dummy. Klik “Binary Logistic”.0% C. OR untuk race(2) besarnya 1.045 . .922 3. Variable(s) entered on step 1: race. .636 -1.085 .348 . terlihat ada dua nilai OR yaitu OR untuk race(1) 2.89 kali lebi tinggi dibandingkan ras kulit putih.067 . Hasil uji didapatkan p value 0.955 5.045 .939 . . Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4.889 .068 .239 Wald 4.3 kali lebih tinggi dibandingkan ras kulit putih.89 artinya ras kelompok lainnya mempunyai risiko bayinya bblr sebesar 1.330 df 2 1 1 1 Sig.022 4.25. Klik OK.315 a. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.845 . Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ht”.772 3.045 190 .323 3. sehingga variabel ras dapt lanjut ke multivariat.I. 4.E. Pilih “Analyze” 2.463 .736 B Stea p1 race race(1) race(2) Constant .SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95. 3.022 df 1 1 1 Sig.000 Exp(B) 2.

076 5.365 .021 11.388 a. . maka variabel kelainan uterus dapat lanjut ke multivariat 191 .25) berarti masuk dalam multivariat 4. Hasil uji didapatkan p value = 0. Variable(s) entered on step 1: ui. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.072 df 1 1 Sig.979 28. .for EXP(B) Lower Upper 1.000 Exp(B) 2.000 Exp(B) 3.045 (p value < 0.165 Wald 3.877 S. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ui”.947 S.076 df 1 1 1 Sig. Klik “Binary Logistic”.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.023 . Klik OK.947 -.0% C. Hasil p value 0.608 . .139 5.249 df 1 1 Sig.417 .088 Step a 1 ht Constant B 1. .E. Pilih “Regression” 9.834 Step a 1 ui Constant B .024 Variables in the Equation 95.024 .I. Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 5.0% C. Pilih “Analyze” 8. Analisis bivariat antara “kelainan uterus” dengan “bblr” 7.024 (p value < 0.176 Wald 5.578 . .162 29.416 a. Variable(s) entered on step 1: ht.for EXP(B) Lower Upper 1.076 5.E.25).046 .I. 10.214 -.024 .

.379 Variables in the Equation 95.Analisis bivariat antara “periksa hamil” dengan “bblr” 1.773 df 1 1 1 Sig.744 12.Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ftv”.SUTANTO PRIYO HASTONO: Analisis Data 5.027 192 .867 df 1 1 1 Sig. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. namun karena secara substansi variabel periksa hamil sangat penting.135 -.Pilih “Regression” 3.for EXP(B) Lower Upper .773 . Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square .379 .Klik “Binary Logistic”.687 S.E.643 1.000 Exp(B) .027 .389 .0% C. 4.195 Wald .Analisis bivariat antara “merokok” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4.379 . Hasil uji p value = 0. 6.027 . .427 df 1 1 Sig.379 (p value > 0.157 .I.188 Step a 1 ftv Constant B -.867 4.Pilih “Analyze” 2. Variable(s) entered on step 1: ftv. Klik OK. maka variabel ini dapat dianalisis multivariat.874 .867 4.503 a.25) sehingga secara statistik tidak dapat lanjut ke multivariat. .773 . .

337 a.027 ( < 0.027 0.E.Analisis bivariat antara “prematur” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 6.028 . Variable(s) entered on step 1: ptl.151 Step a 1 ptl Constant B .802 -.for EXP(B) Lower Upper 1.704 -1.I.009 193 .320 .783 Step a 1 smoke Constant B .081 3.000 Exp(B) 2.230 .022 .25 sehingga variabel riwayat adanya prematur dapat masuk ke multivariat Hasil seleksi bivariat : Variabel Umur Ras Hipertensi Kelainan uterus Periksa hamil Merokok Prematur P value 0.045 0.964 S.317 .024 0.370 df 1 1 Sig.000 Exp(B) 2. 7.779 6.779 df 1 1 1 Sig.087 S.779 6.627 df 1 1 Sig.197 4.25) dengan demikian variabel merokok dapat masuk ke multivariat.009 . Hasil analisis didapatkan p value sebesar 0.381 a. Hasil analisis bivariat didapatkan p value = 0. Variable(s) entered on step 1: smoke.175 Wald 6.009 .0% C.379 0.0% C.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95. .I.009 berarti < 0.097 0. . . . .852 25.E.for EXP(B) Lower Upper 1.215 Wald 4.082 0.011 .009 Variables in the Equation 95.391 30.

Pilih “Regression” 3. pilih ‘CI for exp(B)’ 6. B. Klik “Binary Logistic”.25. Ingat untuk Race dilakukan dummy. hanya periksa hamil yang p valuenya > 0. ht. 4. ui. ftv. ptl. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. smoke. Klik ‘Continue’ 194 . Pilih “Analyze” 2.25. namun variabel periksa hamil tetap dianalisis multivariat oleh karena secara substansi periksa hamil merupakan variabel yang sangat penting berhubungan dengan kejadian bblr. 1. Lakukan pemilihan variabel yang berhubungan signifikan dengan variabel dependen.. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan variabel age. 5.SUTANTO PRIYO HASTONO: Analisis Data Hasil seleksi bivariat semua variabel menghasilkan p value < 0. race. 1. PEMODELAN MULTIVARIAT Selanjutnya dilakukan analisis multivariat keenam variabel tersebut dengan kejadian bblr. Klik Option.

SUTANTO PRIYO HASTONO: Analisis Data

7. Kilik ‘OK’

Logistic Regression
Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper .894 1.031 1.025 1.185 1.219 .964 1.132 .909 .736 7.345 6.280 5.639 3.654 13.451 5.468 1.384

Step a 1

age race race(1) race(2) smoke ptl ht ui ftv Constant

B -.041 1.009 1.003 .964 .630 1.361 .802 .009 -1.183

S.E. .036 .502 .426 .391 .340 .631 .458 .161 .919

Wald 1.249 6.783 4.034 5.560 6.090 3.429 4.648 3.066 .003 1.659

df 1 2 1 1 1 1 1 1 1 1

Sig. .264 .034 .045 .018 .014 .064 .031 .080 .954 .198

Exp(B) .960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 .306

a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui, ftv.

Dari hasil analisis terlihat ada 4 variabel yang p valuenya > 0,05 yaitu age, ptl, ui dan ftv, yang terbesar adalah ftv, sehingga pemodelan selanjutnya variabel ftv dikeluarkan dari model. Dengan langkah yang sama akhirnya diperoleh hasil sbb. 195

SUTANTO PRIYO HASTONO: Analisis Data

Logistic Regression
Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper .896 1.030 1.025 1.184 1.219 .963 1.134 .908 7.347 6.262 5.632 3.651 13.341 5.454

Step a 1

age race race(1) race(2) smoke ptl ht ui Constant

B -.040 1.009 1.002 .963 .629 1.358 .800 -1.184

S.E. .036 .503 .425 .390 .340 .629 .457 .919

Wald 1.275 6.781 4.035 5.562 6.086 3.423 4.663 3.063 1.661

df 1 2 1 1 1 1 1 1 1

Sig. .259 .034 .045 .018 .014 .064 .031 .080 .197

Exp(B) .960 2.744 2.723 2.620 1.875 3.889 2.226 .306

a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui.

Setelah ftv dikeluarkan kita lihat perubahan nilai OR untuk variabel age, race, smoke, ptl, ht, dan ui. Variabel Age Race(1) Race(2) Smoke Ptl Ht ui ftv OR ftv ada 0.960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 OR ftv tak ada 0.960 2.744 2.723 2.620 1.875 3.889 2.226 perubahan OR 0% 0% 0% 0% 0,1 % 0.3 % 0,1 %

Dengan hasil perbandingan OR terlihat tidak ada yang > 10 % dengan demikian dikeluarkan dalam model. Selanjutnya variabel yang terbesar p valuenya adalah umur, dengan demikian dikelurkan dar model dan hasilnya Hasilnyanya :

196

SUTANTO PRIYO HASTONO: Analisis Data

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.113 1.271 1.263 .925 1.131 .970 7.916 6.538 5.747 3.422 13.537 5.692

B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.088 1.059 .991 .576 1.364 .855 -2.146

S.E. .501 .418 .387 .334 .633 .451 .386

Wald 7.968 4.723 6.422 6.569 2.975 4.640 3.585 30.917

df 2 1 1 1 1 1 1 1

Sig. .019 .030 .011 .010 .085 .031 .058 .000

Exp(B) 2.968 2.883 2.694 1.779 3.912 2.350 .117

a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.

Setelah variabel umur dikeluarkan, kita cek lagi perubahan OR untuk variabel yang masih aktif di model. Variabel Age Race(1) Race(2) Smoke Ptl Ht ui ftv OR age ada 0.960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 OR age tak ada 2.968 2.883 2.694 1.779 3.912 2.350 8,2 % 5,7 % 2,7 % 5,2 % 0.3 % 5,4 % perubahan OR

Dari analisis perbandingan OR, ternyata perubahannya < 10 %, dengan demikian variabel umur dikeluarkan dari model Langkah selanjutnya mengeluarkan variabel yang p valuenya > 0,05, variabel ptl dikeluarkan model, hasilnya

197

SUTANTO PRIYO HASTONO: Analisis Data

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.090 1.315 1.419 1.133 1.158 7.704 6.640 6.286 13.379 6.458

B Step a 1 race race(1) race(2) smoke ht ui Constant 1.064 1.083 1.094 1.359 1.006 -2.092

S.E. .499 .413 .380 .630 .438 .380

Wald 8.245 4.545 6.877 8.299 4.660 5.262 30.307

df 2 1 1 1 1 1 1

Sig. .016 .033 .009 .004 .031 .022 .000

Exp(B) 2.897 2.955 2.986 3.894 2.734 .123

a. Variable(s) entered on step 1: race, smoke, ht, ui.

Setelah ptl dikeluarkan, kita lihat perubahan OR nya: Variabel OR ptl ada OR ptl tak ada Age Race(1) Race(2) Smoke Ptl Ht ui ftv 0.960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 2.897 2.955 2.986 3.894 2.734 -

perubahan OR 5,6 % 8,3 % 13,8 % 0.2 % 22,6 %

Ternyata setelah ptl dikeluarkan, OR variabel merokok dan kelainan uterus berubah > 10 %, dengan demikian variabel ptl dimasukkan kembali dalam model. Kemudian variabel ui dikeluarkan dalam model karena p valuenya > 0,05, dan hasilnya sbb:

198

SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.902 2.032 .793 B Step a 1 race race(1) race(2) smoke ht ptl Constant 1.707 3.988 1.008 .007 3. ht.794 3.009 2.372 Wald 8.960 2.325 . .894 2.000 Exp(B) 2.500 .596 29.390 5.743 2.727 2.586 df 2 1 1 1 1 1 1 Sig. Kita lihat kembali perubahan nilai OR setelah variabel ui dikeluarkan : Variabel OR ui ada OR ui tak ada perubahan OR Age Race(1) Race(2) Smoke Ptl Ht ui ftv 0.052 .640 3.286 4. .025 S.034 .696 -2.4 % 3.229 1.221 .877 3.411 . Akhirnya model yang dihasilkan adalah sbb: 199 .009 .894 2. dengan demikian variabel ui masuk kembali dalam model.707 2.958 2. ptl.062 1.062 7.513 6.626 5.712 6.016 .132 a.2 % 6. ternyata variabel ht berubah > 10 %. Variable(s) entered on step 1: race.9 % 13.I. smoke.622 1.0% C.629 .007 .996 1.764 4.949 6.for EXP(B) Lower Upper 1.086 1.1 % - Setelah dilakukan perbandingan OR.321 1.958 2.085 .390 2.E.726 11.280 .5 % 8.382 .

088 1.for EXP(B) Lower Upper 1.387 .263 .I.350 . ht.0% C.030 . klik analysis.537 5. smoke. klik regression.968 4. ptl.113 1. C.000 26. Dalam kasus sekarang.916 6. .010 .E. Variable(s) entered on step 1: race.883 2. ui.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.019 .386 Wald 7.633 . .576 1.031 . misalkan kita duga merokok berinteraksi dengan hipertensi. Klik tombol Next 5.000 .560 df 1 1 7 Sig.422 6.723 6.585 30.569 2.640 3.747 3.991 . Kotak dependen isikan low 3.000 Step 1 Step Block Model 200 .364 .146 S. smoke. ptl.117 a.085 .059 . klik OK lihat hasilnya pada bagian Block 2 Block 2: Method = Enter Omnibus Tests of Model Coefficients Chisquare .451 . isikan : smoke*ht ke kotak kovariat 6.131 .975 4.994 .418 . klik binary ogistik 2. kalau memang tidak ada tidak perlu dilakukan uji interaksi.694 1. Langkahnya: 1. UJI INTERAKSI Uji interaksi dilakukan pada variabel yang diduga secara substansi ada interaksi.000 Exp(B) 2.011 .917 df 2 1 1 1 1 1 1 1 Sig.334 .538 5.925 1.422 13.271 1.855 -2. Kotak Kovariat isikan Race.994 .968 2.970 7. .058 .501 .692 B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.912 2.779 3. ht dan ui 4.

916 6.883 2.for EXP(B) Lower Upper 1.263 .970 .569 2.747 3.937 2. .0% C.088 1.102 .E.921 .386 Wald 7.576 1.387 .969 2.900 4. ht.082 7. Pada output bagian Block 2:Methode=Enter.852 5.059 .I.019 . terlihat hasil uji omnibusnya memperlihatkan p value = 0. Variable(s) entered on step 1: race.010 .013 .970 7.912 2.059 .for EXP(B) Lower Upper 1.271 1.946 6.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.I.336 .538 5.896 2.350 .030 .917 df 2 1 1 1 1 1 1 1 Sig. ui.010 -2.968 2.501 . model yang valid adalah model tanpa ada interaksi: MODEL TERAKHIR Variables in the Equation 95.994 (lihat bagian step) berarti lebih besar dari 0.537 5.692 1.584 .723 6.088 1.855 -2.692 B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.693 12.117 a.05.334 .555 5.236 .019 .113 1.865 3.765 .031 .694 1. . .975 4. berarti : tidak ada interaksi antara merokok dengan hipertensi.117 a.268 1.633 .000 Exp(B) 2.058 .968 4.883 2.360 . 201 .E. . ptl.109 1.585 30.994 .350 1.011 .386 Wald 7.990 .011 .491 B Step a 1 race race(1) race(2) smoke ptl ht ui ht by smoke Constant 1.000 30.925 1. Variable(s) entered on step 1: ht * smoke .146 S.422 6.0% C.576 1.422 13.131 .364 .451 .010 .211 2.397 .058 .451 1.692 6.875 df 2 1 1 1 1 1 1 1 1 Sig.502 .085 .779 3. smoke.779 3.854 .418 .030 .680 3. Dengan demikian pemodelan telah selesai.419 .387 6.438 19.087 .283 .831 .991 .000 Exp(B) 2.146 S.640 3.

9. Hasil analisis didapatkan Odds Ratio (OR) dari variabel hipertensi adalah 3. Oleh karena analisisnya multivariat/ganda maka nilai OR-nya sudah terkontrol (adjusted) oleh variabel lain yang ada pada model. Secara sama dapat diinterpretasikan untuk variabel yang lain. merokok. Untuk melihat variabel mana yang paling besar pengaruhnya terhadap variabel dependen. Sedangkan unutk penelitian yang bersifat cross sectional atau case control. artinya Ibu yang menderita hipertensi akan melahirkan bayi BBLR sebesar 4 kali lebih tinggi dibandingkan ibu yang tidak menderita hipertensi setelah dikontrol variabel race. Dari analisis multivariat ternyata variabel yang berhubungan bermakna dengan kejadian BBLR adalah variabel ras. 202 . merokok dan hipertensi. Sedangkan variabel riwayat prematur dan kelainan uterus sebagai variabel konfounding. prematur dan uterus. Dalam data ini berarti hipertensi yang paling besar pengaruhnya terhadap kejadian bayi BBLR. semakin besar nilai exp (B) berarti semakin besar pengaruhnya terhadap variabel dependen yang dianalisis.SUTANTO PRIYO HASTONO: Analisis Data Interpretasi: Model regresi logistik hanya dapat digunakan untuk penelitian yang bersifat Kohort. interpretasi yang dapat dilakukan hanya menjelaskan nilai OR (Exp B) pada masing-masing variabel. dilihat dari exp (B) untuk variabel yang signifikan.

432 Wald . kerja*sikap) 4.972 . Klik ‘OK’.999 .kerja*bbibu.648 .000 1.999 . .E.293 Exp(B) .681 -.148 -1. umur1.849 1. berat badan ibu dan sikap A.052 20.160 . kerja * sikap .000 5.505 S.000 . Pilih “Regression” 3.105 df 1 1 1 1 1 1 Sig. Variable(s) entered on step 1: kerja. Pilih “Analyze” 2.351 .583 Stea p1 kerja umur1 sikap kerja by umur1 kerja by sikap Constant B -20.I.222 a. sikap. bbibu.869 1.514 56.0% C.SUTANTO PRIYO HASTONO: Analisis Data KASUS KEDUA : REGRESI LOGISTIK MODEL FAKTOR RISIKO Tujuan analisis : Untuk mengetahui hubungan pekerjaan dengan menyusui eksklusive Variabel independen utama : Pkerjaan Variabel dependen : Eksklusive Variabel konfounding : umur.949 6E+008 1. Klik “Binary Logistic”. muncul menu dialog yang berisi kotak Dependent dan Covariat.197 .279 .208 . 28420. Langkah pertama: menyusun model mencakup semua variabel dan variabel interaksi Cara 1.275 1. Pada kotak Dependen isikan variabel yang kita perlakukan sebagai dependen (dalam contoh ini berarti eksklu) dan pada kotak Covariat isikan variabel independen utama beserta variabel konfounding dan interaksinya (dalam hal ini berarti: kerja.372 .722 . .for EXP(B) Lower Upper .186 . sikap.160 .000 . umur1. 203 . kerja*umur1. dan hasilnya sbb: Logistic Regression Variables in the Equation 95.114 28420. kerja * umur1 . .109 .722 1.000 .159 1.760 1.

601 .177 .020 Exp(B) 3.609 . variabel interaksi ‘kerja by sikap’ harus dikeluarkan dari model karana p valuenya > 0.557 .156 1.157 . Seleksinya dengan mengeluarkan secara bertahapVariabel interaksi yang tidak signifikan (p>0.212 5.039 .959 9.582 1.E.881 S.036 .264 1.051 .878 1. Dari hasil di atas variabel interaksi ”Pekerjaan by umur” mempunyai nilai p terbesar (p=0.384 df 1 1 1 1 Sig.053 . Variable(s) entered on step 1: kerja.05.035 -2.056 a.I.191 .074 14.152 a.666 1.445 2.261 .876 S.274 1.067 3.for EXP(B) Lower Upper . 1. sikap. Setelah dikeluarkan hasilnya: Variables in the Equation 95.971 86. kerja * sikap .178 .893 1.05).0% C.376 2.991 92. umur1.205 Exp(B) .05.942 1.795 .076 1.641 9.060 .SUTANTO PRIYO HASTONO: Analisis Data Dari output model penuh/lengkap ini kita lakukan uji interaksi.146 . pengeluaran dilakukan secara bertahap dari variabel interaksi yang p value-nya terbesar.273 3.749 . sikap. umur1.260 .645 .483 Wald . Variable(s) entered on step 1: kerja.for EXP(B) Lower Upper 1.217 -. Dari output diatas. langkah selanjutnya uji konfounding 204 . .175 -1.0% C.999) sehingga variabel tersebut dikeluarkan dari model.I. Dengan demikian hasil uji interaksi sudah selesai.812 . . . kesimpulannya tidak ada variabel interasksi.610 df 1 1 1 1 1 Sig.718 1.E.114 .592 . Dan model menjadi: Logistic Regression Variables in the Equation 95.202 Step a 1 kerja umur1 sikap Consta nt B 1.022 18.753 1.616 Stea p1 kerja umur1 sikap kerja by sikap Constant B -.239 Wald 4. variabel dikatakan berinteraksi bila p valuenya < 0.741 .

036 . setelah dikeluarkan dari model hasiilnya sbb:’ Variables in the Equation 95. dan harus dikeluarkan dari model Langkah selanjutnya mengeluarkan variabel umur.618 .389 5. Variable(s) entered on step 1: kerja.754 Stea p1 kerja umur1 Constant B 1. .698 -.9 % .0% C.111 =3.091 df 1 1 Sig. .471 a.127 14. Model terakhir : 205 . Setelah variabel umur dikeluarkan terlihat perubahan OR variabel utama: kerja sebesar : (5.135 1.464-4.073 a. maka varaibel tsb dianggap sebagai variabel konfounding.429 Wald 7.165 99. Dengan demikian variabel sikap bukan konfounding.111)/4.959)/4. umur1.I.006 .555 df 1 1 1 Sig.754 S.378 -2. Tahap pertama : akan dikeluarkan variabel Sikap. setelah dikeluarkan hasilnya: Variables in the Equation 95.985 1. .545 3.113 Wald 4.783 .for EXP(B) Lower Upper 1.0% C.6 % . Variable(s) entered on step 1: kerja.111 =32.660 1. .413 2.110 10.032 .I.627 18. Dengan demikian variabel umur merupakan variabel konfounding. bila perubahannya > 10 %. Setelah variabel sikap dikeluarkan terlihat perubahan OR variabel utama kerja sebesar : (4.111 – 3. Untuk itu variabel umur harus tetap ikut dalam model sebagai konfounding hubungan kerja dengan menyusui eksklusive.E.624 S.SUTANTO PRIYO HASTONO: Analisis Data UJI KONFOUNDING Uji konfounding dengan cara melihat perbedaan nilai OR untuk variabel utama dengan dikeluarkannya variabel kandidat konfounding.018 Exp(B) 4.357 Step a 1 kerja Const ant B 1.079 Exp(B) 5.585 4.for EXP(B) Lower Upper 1.E.464 .

018 Exp(B) 4.378 -2.555 df 1 1 1 Sig. Variable(s) entered on step 1: kerja.110 10. 206 .389 5.for EXP(B) Lower Upper 1.113 Wald 4.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.985 1. umur1.E.165 99.754 Stea p1 kerja umur1 Constant B 1. ternyata.036 .073 a. .127 14. maka modelnya adalah sbb: Dari model di atas dapat dijelaskan bahwa ibu yang tidak bekerja mempunyai peluang menyusui eksklusif 4 kali dibandingkan ibu yang tidak bekerja setelah dikontrol variabel ”umur”.135 1.585 4.660 1.413 2. Interpretasi: Setelah dilakukan analisis confounding. umur merupakan confounding hubungan pekerjaan dengan menyusui eksklusif.624 S.032 .I. .783 .0% C.

SUTANTO PRIYO HASTONO: Analisis Data Lampiran data LBW. Id 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Low 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 age 28 29 34 25 25 27 23 24 24 21 32 19 25 16 25 20 21 24 21 20 25 19 19 26 24 17 20 22 27 20 lwt 120 130 187 105 85 150 97 128 132 165 105 91 115 130 92 150 200 155 103 125 89 102 112 117 138 130 120 130 130 80 race 3 1 2 3 3 3 3 2 3 1 1 1 3 3 1 1 2 1 3 3 3 1 1 1 1 3 2 1 2 3 smoke 1 0 1 0 0 0 0 0 0 1 1 1 0 0 1 1 0 1 0 0 0 0 1 1 0 1 1 1 0 1 ptl 1 0 0 1 0 0 0 1 0 0 0 2 0 0 0 0 0 1 0 0 2 0 0 1 0 1 0 1 0 0 ht 0 0 1 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ui 1 1 0 0 1 0 1 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 0 1 0 1 1 1 ftv 0 2 0 0 0 0 1 1 0 1 0 0 0 1 0 2 2 0 0 0 1 2 0 0 0 0 3 1 0 0 bwt 709 1021 1135 1330 1474 1588 1588 1701 1729 1790 1818 1885 1893 1899 1928 1928 1928 1936 1970 2055 2055 2082 2084 2084 2100 2125 2126 2187 2187 2211 207 . SAV.

SUTANTO PRIYO HASTONO: Analisis Data 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 17 25 20 18 18 20 21 26 31 15 23 20 24 15 23 30 22 17 23 17 26 20 26 14 28 14 23 17 21 19 33 20 21 18 110 105 109 148 110 121 100 96 102 110 187 122 105 115 120 142 130 120 110 120 154 105 190 101 95 100 94 142 130 182 155 105 108 107 1 3 3 3 2 1 3 3 1 1 2 2 2 3 3 1 1 1 1 2 3 3 1 3 1 3 3 2 1 2 3 1 1 1 1 0 0 0 1 1 0 0 1 0 1 1 1 0 0 1 1 1 1 0 0 0 1 1 1 0 1 0 1 0 0 1 1 1 0 1 0 0 1 1 1 0 1 0 0 0 0 0 0 1 0 0 1 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 1 0 0 0 0 4 0 1 0 1 0 0 0 0 0 1 3 0 2 1 3 0 0 2 2 0 0 3 0 3 1 2 0 2225 2240 2240 2282 2296 2296 2301 2325 2353 2353 2367 2381 2381 2381 2395 2410 2410 2414 2424 2438 2442 2450 2466 2466 2466 2495 2495 2495 2495 2523 2551 2557 2594 2600 208 .

SUTANTO PRIYO HASTONO: Analisis Data 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 21 22 17 29 26 19 19 22 30 18 18 15 25 20 28 32 31 36 28 25 28 17 29 26 17 17 24 35 25 25 29 19 27 31 124 118 103 123 113 95 150 95 107 100 100 98 118 120 120 121 100 202 120 120 167 122 150 168 113 113 90 121 155 125 140 138 124 215 3 1 3 1 1 3 3 3 3 1 1 2 1 3 1 3 1 1 3 3 1 1 1 2 2 2 1 2 1 2 1 1 1 1 0 0 0 1 1 0 0 0 0 1 1 0 1 0 1 0 0 0 0 0 0 1 0 1 0 0 1 1 0 0 1 1 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 1 0 2 0 0 0 3 0 1 2 3 1 0 2 0 0 2 0 1 1 1 1 1 0 2 2 0 2 2622 2637 2637 2663 2665 2722 2733 2750 2750 2769 2769 2778 2782 2807 2821 2835 2835 2836 2863 2877 2877 2906 2920 2920 2920 2920 2948 2948 2977 2977 2977 2977 2992 3005 209 .

SUTANTO PRIYO HASTONO: Analisis Data 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 33 21 19 23 21 18 18 32 19 24 22 22 23 22 30 19 16 21 30 20 17 17 23 24 28 26 20 24 28 20 22 22 31 23 109 185 189 130 160 90 90 132 132 115 85 120 128 130 95 115 110 110 153 103 119 119 119 110 140 133 169 115 250 141 158 112 150 115 1 2 1 2 1 1 1 1 3 1 3 1 3 1 1 3 3 3 3 3 3 3 3 3 1 3 3 3 3 1 2 1 3 3 1 1 0 0 0 1 1 0 0 0 1 0 0 1 1 0 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 0 0 2 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 2 2 1 0 0 0 4 0 2 0 1 0 0 2 0 0 0 0 0 0 0 2 0 0 0 1 2 6 1 2 0 2 1 3033 3042 3062 3062 3062 3076 3076 3080 3090 3090 3090 3100 3104 3132 3147 3175 3175 3203 3203 3203 3225 3225 3232 3232 3234 3260 3274 3274 3303 3317 3317 3317 3321 3331 210 .

SUTANTO PRIYO HASTONO: Analisis Data 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 16 16 18 25 32 20 23 22 32 30 20 23 17 19 23 36 22 24 21 19 25 16 29 29 19 19 30 24 19 24 23 20 25 30 112 135 229 140 134 121 190 131 170 110 127 123 120 105 130 175 125 133 134 235 95 135 135 154 147 147 137 110 184 110 110 120 241 112 2 1 2 1 1 2 1 1 1 3 3 3 3 3 1 1 1 1 3 1 1 1 1 1 1 1 1 1 1 3 1 3 2 1 0 1 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 1 0 0 1 1 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 4 0 0 1 0 0 0 0 0 0 0 0 1 0 2 0 0 0 1 1 0 0 1 1 0 0 1 0 0 1 3374 3374 3402 3416 3430 3444 3459 3460 3473 3475 3487 3544 3572 3572 3586 3600 3614 3614 3629 3629 3637 3643 3651 3651 3651 3651 3699 3728 3756 3770 3770 3770 3790 3799 211 .

SUTANTO PRIYO HASTONO: Analisis Data 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 22 18 16 32 18 29 33 20 28 14 28 25 16 20 26 21 22 25 31 35 19 24 45 169 120 170 186 120 130 117 170 134 135 130 120 95 158 160 115 129 130 120 170 120 116 123 1 1 2 1 3 1 1 1 3 1 3 1 3 1 3 1 1 1 1 1 1 1 1 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 4 2 1 2 1 0 1 0 0 2 1 1 0 1 0 2 2 1 0 1 1 3827 3856 3860 3860 3884 3884 3912 3940 3941 3941 3969 3983 3997 3997 4054 4054 4111 4153 4167 4174 4238 4593 4990 212 .

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->