A.

PENDAHULUAN Pengolahan data hasil penelitian jika respondenya cukup besar (lebih dari 100) dan diolah secara manual (menghitung dengan rumus-rumus yang digunakan) cukup melelahkan, bahkan keakuratan hasil penghitungannya lemah. Era teknologi, untuk mengurangi beban pengolahan data hasil penelitian dapat diselesaikan dengan bantuan Program Statistical Product and Service Solutions (SPSS), khususnya bidang kesehatan. Program ini akan membantu siapa saja yang membutuhkan, dari yang sederhana sampai pada yang cukup rumit. Yang sederhana misalnya untuk mengetahui, mean, media, modus, distribusi frekuensi, dan lain-lain. Yang lebih rumit dari melihat perbedaan, hubungan (positif atau negatif), seberapa kuat hubungannya, berapa resikonya, dan lain-lain sesuai dengan kebutuhan. Secara umum modul ini akan membahas alat ukur, reabilitas dan validitas, pengolahan dan analisa hasil. Termasuk juga menyinggung cara melakukan pembahasan. B. ALAT UKUR Umumnya mahasiswa/peneliti pemula dalam menyusun alat ukur, khususnya dalam bentuk kuesioner kurang memahami. Membauat alat ukur yang baik untuk sebuah variabel tidaklah mudah, kecuali alat ukurnya sudah ada (milik peneliti lain yang sudah di uji validitas dan riliabilitasnya dapat digunakan. Jika menggunakan alat ukur milik seseorang harus mencantumkan nama jelas pemilik dan tahunnya). Jika belum ada kuesioner yang baku, maka peneliti harus menyusun sendiri. Penelitian berangkat dari sebuh masalah, dan biasanya didukung oleh sebuah atau beberapa teori. Teori-teori tersebut diturunkan menjadi sebuah kerangka konsep, kemudian diturunkan lagi menjadi berbagai variabel. Alat ukur/pertanyaan yang baik harus berdasarkan isi dari variabel yang diukur. Jumlah pertanyaan dalam sebuah variabel sangat relative tergantung dari luas tidaknya variabel tersebut, bisa hanya satu, lima, bahkan ada 20 pertanyaan atau lebih. Contoh, untuk mengukur variabel umur cukup satu pertanyaan “Tanggal berapa Saudara dilahirkan?”. Tetapi jika akan mengukur kepuasan pasien rawat inap terhadap asuhan keperawatan / pelayanan keperawatan, memerlukan beberapa pertanyaaan. Pertanyaan harus mencakup hal-hal apa saja yang dilakukan oleh perawat. Kegiatan-kegiatan tersebut harus menjadi pertanyaan-pertanyaan. Tidak dibenarkan hanya mengajukan pertanyaan : Apakah Saudara puas dengan pelayanan keperawatan di sini? Ini bukan pertanyaan sebuah penelitian yang baik. Akurasi keilmiahannya sangat rendah. Hendaknya peneliti mengajukan beberapa pertanyaan misalnya : Apakah perawat bekerja sesuai jadual yang telah ditentukan? Apakah perawat ramah dalam memberikan asuhan keperawatan?, Apakah perawat selalu mengucapkan salam setiap mengunjungi Saudara? Apakah perawat cepat tanggap dalam memberikan asuhan keperawatan? Apakah perawat selalu memberi penjelasan setiap tindakan yang akan dilakukan?, Apakah perawat selalau memberi penjelasan tentang perkembangan penyakit yang Saudara derita?, Apakah perawat selalu menggunakan sarung tangan dalam melakukan asuhan keperawatan? Dan lain-lain. Untuk mengetahui alat ukur yang kita susun baik, perlu diuji validitas dan reliabilitasnya. C. VALIDITAS DAN RELIABILITAS 1

1. Validitas Validitas berasal dari kata validity yang berarti sejauh mana ketepatan dan kecermatan alat ukur yang kita susun untuk mengukur sebuah variabel. Alat ukur ini harus benar-benar sesuai, jika hal tersebut diabaikan, hasil pengukurannya tidak sesuai dengan harapan. Ketepatan disini apakah alat ukur tersebut sudah sesuai dengan hasil yang diinginkan. Sedangkan kecermatan mencakup apakah semua sisi sudah dibuat pertanyaannya. Contoh yang paling mudah alat ukur untuk mengukur tinggi badan, gunakan meteran, jangan menggunakan tali rapia. Mengukur berat badan balita gunakan timbagan gantung, jangan menggunakan timbangan injak. Untuk mengetahui alat ukur yang digunakan valid atau tidak, tergantung dari variabel yang akan diukur. Untuk mengukur berat badan balita dengan timbangan gantung, mudah dan jelas. Tetapi jika mengukur kepuasan pelanggan tidak semudah itu, perlu beberapa pertanyaan supaya hasilnya benar-benar sesuai yang diharapkan. Kesahihan alat ukur, perlu diujicobakan. Hasil uji coba dilakukan korelasi antar skor masing-masing pertanyaan dengan skor totalnya. Suatu pertanyaan dikatakan valid bila skor tersebut berkorelasi secara signifikan dengan skor totalnya. Nilai tersebut disebut r (Korelasi Pearson Product Moment). Mencari nilai r dapat secara manual (menggunakan rumus) maupun menggunakan Program SPSS. a. Menggunakan Rumus (Manual) Jika menghitung secara manual, rumusnya sebagai berikut : N(∑XY)-(∑X∑Y) r = --------------------------------------√ [N∑X2-(∑X)2] [N∑Y2-(∑Y)2] Penjelasan : r = Nilai r yang dicari, N = Jumlah sampel, X = Nilai per pertanyaan, Y = Jumlah nilai per responden, ∑= Penjumlahan. Ketentuan hasil uji : Jika r hitung pada masing-masing pertanyaan lebih besar dari r tabel, maka pertanyaan tersebut valid (dapat digunakan). Tetapi iika r hitung lebih kecil dari r tabel, maka pertanyaan tersebut tidak valid (tidak dapat digunakan). Pertanyaan yang tidak valid dapat dihapuskan atau diperbaiki. Contoh Kuesioner Mencari Nilai r : Seorang mahasiswa/peneliti ingin melakukan penelitian dengan judul “Faktor-faktor yang Berhubungan dengan Kepuasan Pasien Rawat Inap di RS X - Bandarlampung. Variabel independenya : tingkat pendidikan, usia, pelayanan keperawatan, pelayanan medis, kebersi2

han lingkungan. Sedangkan dependennya kepuasan. Pada contoh ini hanya akan membahas variabel pelayanan keperawatan. Variabel yang lain pola pengujiannya sama. Variabel pelayanan keperawatan diukur dengan sembilan pertanyaan, yaitu : 1. 2. 3. 4. 5. 6. 7. 8. 9. Apakah perawat bekerja sesuai jadual yang telah ditentukan? a. Tidak, b. Kadang-kadang, c. Ya Apakah perawat ramah dalam memberikan asuhan keperawatan?, a. Tidak ramah, b. Kadang-kadang, c. Ramah. Apakah perawat selalu mengucapkan salam setiap mengunjungi Saudara? a. Tidak pernah, b. Jarang, c. Sering. Apakah perawat cepat tanggap dalam memberikan asuhan keperawatan? a. Tidak tanggap, b. Kadang-kadang, c. Ya Apakah perawat selalu memberi penjelasan setiap tindakan yang akan dilakukan?, a. Jarang, b. Kadang-kadang, c. Ya Apakah perawat selalau memberi penjelasan tentang perkembangan penyakit yang Saudara derita?, a. Jarang, b. Kadang-kadang, c. Ya Apakah perawat selalu menggunakan sarung tangan dalam melakukan asuhan keperawatan? a. Tidak pernah, b. Jarang, c. selalu. Apakah petugas mempunyai anak kecil? a. Tidak tahu, b. Sepertinya punya, c. Mempunyai, Apakah petugas tersebut mempunyai tugas ganda? a. Tidak tahu, b. Kadang-kadang, c. Punya tugas.

Ada sembilan pertanyaan, masing-masing pertanyaan mempunyai tiga alternative jawaban. Jika jawaban a nilai 1, b nilai 2, dan c nilai 3. Jika uji coba terhadap 20 pasien, maka hasilnya sebagai berikut: No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 P1 3 2 2 3 2 3 2 2 3 3 2 3 2 3 3 Tabel 1 : Skor Masing-masing Pertanyaan P2 P3 P4 P5 P6 P7 P8 P9 3 3 3 3 3 3 1 1 2 3 2 3 3 2 1 1 3 3 3 3 3 3 2 2 3 3 3 3 3 3 2 2 2 3 2 3 3 3 2 2 3 3 3 3 3 3 2 2 3 2 3 2 2 2 1 1 2 2 3 2 3 3 1 1 3 3 3 2 3 3 1 1 3 3 3 2 3 3 1 1 2 3 2 2 2 2 1 1 3 3 3 3 3 3 2 2 3 3 3 3 3 3 1 1 3 3 2 3 3 3 1 1 3 3 3 3 3 3 2 2 ∑(Y) 23 19 24 25 22 25 18 19 22 22 17 25 22 22 25 3

16 17 18 19 20 ∑(X)

3 3 3 3 3 53

3 3 3 3 3 56

3 3 3 3 3 58

3 3 3 3 3 56

2 2 3 3 3 53

3 3 3 2 3 3 3 3 3 3 58 56

2 2 2 2 1 30

2 2 2 2 2 31

24 23 25 25 24 451

Untuk dapat menghitung hasil pengukuran tersebut (merujuk rumus di atas) harus menggunakan tabel penolong sebagai berikut (Menguji Pertanyaan no 1 (P1)): Tabel 2: Tabel Penolong Mencari Besaran Masing-masing Nilai Responden X(P1) Y X2 Y2 XY 1 3 23 9 529 69 2 2 19 4 361 38 3 2 24 4 576 48 4 3 25 9 625 75 5 2 22 4 484 44 6 3 25 9 625 75 7 2 18 4 324 36 8 2 19 4 361 38 9 3 22 9 484 66 10 3 22 9 484 66 11 2 17 4 289 34 12 3 25 9 625 75 13 2 22 4 484 44 14 3 22 9 484 66 15 3 25 9 625 75 16 3 24 9 576 72 17 3 23 9 529 69 18 3 25 9 625 75 19 3 25 9 625 75 20 3 24 9 576 72 N=20 ∑X=53 ∑Y=451 ∑X2=145 ∑Y2 = 10291 ∑XY=1212 Penjelasan : X = Nilai per pertanyaan, Y = Jumlah nilai per responden, XY = Nilai per pertanyaan dikali jumlah nilai.

Berdasarkan Tabel 2, selanjutnya nilai masing-masing komponen masukkan ke dalam rumus : N(∑XY)-(∑X)(∑Y) r = --------------------------------------√ [N∑X2-(∑X)2] [N∑Y2-(∑Y)2]

4

masukkan ke dalam program SPSS. pilih Scale.= ----------------------------------------√ [20.451) 24240 .= -------------.444 maka pertanyaan tersebut tidak valid dan perlu diperbaiki atau dikeluarkan dari daftar pertanyaan. Jika diantara nilai r hitung ternyata ada yang kurang dari 0. jika dibandingkan dengan nilai r Tabel (Lihat Tabel Product Moment dengan n=20 serta alpha 5%) adalah 0.145-(53)2] [20.= ---------------. Untuk mengetahui nilai r P2-P9. tidak perlu menggunakan rumus (pelajari dulu pada bagian MEMULAI DENGAN SPSS (Halaman 9) pada pedoman ini). b.444.Sehingga : 20(1212)-(53.23903 r = --------------------------------------------.10291-(451)2] √ [ 2900-2809] [205820-203401] 24240 – 23903 337 337 r = --------------------------------------------.718. maka P1(pertanyaan no 1) dinyatakan valid. hasilnya sebagai berikut : 5 . pilih Reliability Analysis. Menggunakan Program SPSS Mencari nilai r dengan Program SPSS sangat mudah. hasilnya sebagai berikut : Gambar 1 : Menu Data View untuk Uji Kuesioner Selanjutnya lakukan langkah-langkah sebagai berikut: Klik Analyze. sehingga r hitung lebih besar dari r tabel. menggunakan rumus dan cara seperti diatas.718 √ [2900-2809] [205820-203401] √ (91)(2419) √ 220129 Nilai r hitung 0. Berdasarkan contoh kuesioner dan hasil uji di atas.= 0.

klik Statistic. dan Scale if item deleted. Hasilnya berupa print out dapat dilihat sebagai berikut : Reliability (Print out 1) Scale: ALL VARIABLES 6 . kemudian klik OK. maka variabel berpindah.P9 ke kotak Items (Boleh satu per satu atau secara bersamaan). dengan cara mengeklik P1-P9. kemudian klik Item.Gambar 2 : Menu Nama-nama Pertanyaan (P1-P9) Langkah selanjutnya pindahkan semua variabel P1 . Scale. kemudian klik anak panah. Klik Continue. Perhatikan gambar berikut : Gambar 3 : Menu Nama Pertanyaan sudah dipindahkan ke kotak Items Setelah semua masuk ke kotak Items.

308 Pertanyaan7 2.389 .803 Pertanyaan8 21.611 .00 4.410 PertanyaaN3 2.461 .65 5.75 5.75 5. Yang penting adalah bagian kedua. 7 .787 .410 Pertanyaan8 1.586 . Deviation Pertanyaan1 2.565 .308 Pertanyaan4 2.489 Pertanyaan6 2.65 .455 .510 9 N 20 20 20 20 20 20 20 20 20 Item-Total Statistics Scale Corrected Cronbach's Scale Mean if Variance if Item-Total Alpha if Item Item Deleted Item Deleted Correlation Deleted Pertanyaan1 19. dan cases.608 .602 .65 .632 .Reliability Statistics Cronbach's Alpha N of Items .65 5.384 .565 .823 Pertanyaan5 19.253 .798 Pertanyaan2 19.90 .90 5.75 5.366 2.50 .80 .05 4.825 Item Statistics Mean Std.145 .523 9 Penjelasan: Berdasarkan Print out (1) tersebut terdapat dua pengertian. Deviation N of Items 22.513 Pertanyaan9 1.90 4.55 .80 .145 .816 Pertanyaan4 19.489 Pertanyaan2 2.410 Pertanyaan5 2.788 Scale Statistics Mean Variance Std.803 PertanyaaN3 19.80 .397 . Bagian pertama menunjukkan hasil statistic deskriptif masing-masing pertanyaan dalam mean.832 .804 Pertanyaan7 19.826 Pertanyaan6 19. memperlihatkan hasil proses validitas dan reliabilitas. std dev (standar deviasi).800 Pertanyaan9 21.90 .55 6.671 .

Sedangkan P1. P8. P3. P6. P9 dinyatakan valid. Seperti telah disinggung di atas. Uji validitas untuk mengetahui perbandingan nilai r hitung dengan r tabel. P8. Untuk mengetahui nilai r hitung perhatikan nilai yang berada di bawah penjelasan “Corrected Item-Total Correlation”. dengan demikian P4 dan P5 tidak valid. P2. P7. Berdasarkan hasil uji di atas ternyata nilai r P4 dan P5 lebih kecil dari r tabel (0. P2. n=20). yang dinyatakan valid perlu diuji kembali. selebihnya P1. berikutnya uji reliabilitas. pertanyaan dinyatakan valid apabila nilai r hitung lebih besar dibandingkan dengan r tabel.444. Langkah selanjutnya.Berdasarkan kaidah analisis. P7. Hasilnya sebagai berikut: Reliability (Print out 2) Scale: ALL VARIABLES 8 . lihat Tabel Product Moment. P3. pengujian dimulai dari validitas kuesioner. P6. P9. karena P4 dan P5 harus dikeluarkan dari daftar.

642 .802 14.510 20 Item-Total Statistics Scale Corrected Cronbach's Scale Mean if Variance if Item-Total Alpha if Item Item Deleted Item Deleted Correlation Deleted 14. Deviation N of Items 4.997 .537 . semua lebih dari 0.10 Item Statistics Mean Std.892 .20 3.484 .502 .718.379 .502 .90 .410 20 1.0 Excludeda 0 .788 15.90 .989 .80 .305 2. Deviation N 2. artinya ke tujuh pertanyaan tersebut valid (lihat Corrected Item-Total Correlation.308 20 2.513 20 1.795 14.780 14.593 .Case Processing Summary N % Cases Valid 20 100. Catatan : Perlu diingat bahwa terjadi perbedaan hasil penghitungan (P1) menggunakan rumus diperoleh 0.308 20 2.55 2.55 .817 7 Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9 Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9 Mean 17.802 15.65 . sedangkan jika menggunakan program SPSS diperoleh 0.773 Scale Statistics Variance Std. Reliability Statistics Cronbach's Alpha N of Items .379 . ternyata nilai r semua pertanyaan lebih besar dari nilai r tabel.30 3.444). Listwise deletion based on all variables in the procedure.20 3.0 a.410 20 2.582 . 9 .6018.631 .075 7 Setelah diuji kembali dengan tujuh pertanyaan.80 .45 2.0 Total 20 100.664 .489 20 2.50 .60 2.30 3.806 14.

hal ini mungkin terjadi pada pengolahan dengan rumus terjadi pembulatan. 2. pada kolom Cronbach’s Alpha).16. tetapi jika versi yang lain menyesuaikan). silahkan mencarinya. karena masing-masing pengguna menempatkannya berbeda-beda). Jika nila Alpha lebih besar dari nilai r tabel (0. D. sehingga dapat digunakan sebagai alat pengumpulan data penelitian. Perhatikan tampilan gambar 4 berikut ini : Gambar 4 : Menu Utama Untuk memulai Program SPSS klik dua kali pada simbol tersebut (dilingkari). Dapat disimpulkan ketujuh pertanyaan tersebut valid dan reliabel. klik dua kali pada ikon tersebut (Ikon dapat berada dimenu utama atau dapat pada sub menu.Terjadi perbedaan keduanya. Kemudian muncul menu pilihan : Klik Cancel apabila akan membatalkan pengaktifan SPSS. Untuk mengetahui rliabel atau tidak. maka pertanyaan tersebut reliabel. jika meneruskan klik Allow. MEMULAI DENGAN SPSS Mengoperasikan program SPSS tidak terlalu sulit.817. sedangkan dengan program tidak demikian. Reliabilitas Hasil pengujian validitas (Print out 2) menunjukkan ketujuh pertanyaan valid. Untuk membuka Program SPSS.0. sehingga terjadi selisih angka. maka akan muncul dialog sebagai berikut : Gambar 5 : Menu Pilihan Membuka Data (File) 10 . akan muncul SPSS for Windows. Selanjutnya akan muncul SPSS. Berdasarkan uji tersebut ternyata niai Alpha = 0. Setelah klik Allow. namun hasil akhirnya keduanya menyatakan valid. (Untuk versi 16.444). kaidahnya adalah membandingkan nilai r tabel dengan nilai Alpha ( Print out Reliability Statistics. Tahap berikutnya adalah mengetahui uji reliabilitasnya.

dengan mengklik sel pada baris nama variabel yang sedang dibuat. kemudian 11 . Jika akan membuka data yang telah disimpan sebelumnya maka klik OK (nama file di klik dulu).Ada dua pilihan dalam menu ini. maka klik numeric atau string (jika datanya berbentuk kategorik). Setelah klik Cancel. Pada Kolom Type. yaitu klik OK atau Cancel. jika jenis datanya berupa angka (bukan koding. diisi singkatan (inisial) nama variabel yang diteliti (hurup kecil dan tidak ada sepasi – maksimum 8 karakter). maka pilih klik Cancel. misalnya usia 70 tahun). maka akan muncul dialog sebagai berikut : Gambar 6 : Variable View (Menu untuk membuat nama variabel) Gambar 6 menunjukkan menu untuk membuat variabel-variabel penelitian yang akan dikerjakan. Ketentuan membuat nama variabel adalah : Kolom Name. Tetapi jika akan membuat yang baru. ada dua pilihan.

misalnya 0 (nul) atau 1 (satu). 8 dan lain-lain. dll. 6. Perilaku Menyusui.pilih OK. seperti pada Gambar 7 berikut ini : Gambar 7 : Nama-nama variabel Penelitian Setelah semua variabel dibuat dengan lengkap. Setelah selesai. Atau boleh juga tidak perlu diubah-ubah. Jika diisi. jika data numeric isi berapa angka di belakang koma. Untuk value isi dengan angka koding. maka lakukan klik dua kali pada sel tersebut. tetapi jika datanya kategorik tidak perlu diisi. Kolom Missing dan seterusnya tidak perlu diisi. isi nama variable yang sesungguhnya (yang tadinya disingkat pada kolom Name. Kolom Width diisi dengan jumlah karakter yang dibutuhkan : misalnya 4. maka akan muncul seperti pada gambar 8 Gambar 8 : Menu Nama Variabel telah siap untuk entri data 12 . jika tidak dikehendaki ketik 0 (nul). Sedangkan Kolom Decimals. Riwayat Hipertensi. Untuk variable yang lain prosesnya sama seperti yang sudah dilakukan. Untuk koding yang lain prosesnya sama. Kolom Label. Misalnya : Pola makan. maka akan kembali ke menu sebelumnya. atau koding yang lain. diisi jika datanya kategorik. selanjutnya pilih Data View. Sedangkan kolom Values. Berikut ini sebuah contoh membuat nama variabel penelitian dengan judul “Faktor-faktor yang Berhubungan dengan Perilaku Menyusui Secara Eksklusif” (Gunakan data Lampiran 2). Kemudian klik Add. silahkan klik OK. maka apa yang kita tulis tadi akan masuk ke sel yang sesuai. Kemudian kolom Label masukkan penjelasan angka koding yang sudah dimasukkan pada value di atas. jika numeric tidak perlu diisi.

pekerjaan. dll) Gambar 9. Variabel tersebut adalah usia.Pada Gambar 8 ini menunjukkan nama-nama variabel sesuai inisialnya masing-masing. 50.jika datanya katagorik) sesuai variabel masing-masing (ingat angka koding harus sesuai dengan definisi operasionalnya masing-masing). keturunan. Langkah selanjutnya memasukkan data (angka koding . juman (jumlah anak). Gambar 9 : Data Penelitian setelah dientry (Data lengkap lihat Lampiran 1. 67. pomak (pola makan). menunjukkan data telah dimasukkan dalan variabel masing-masing. pendidik (pendidikan). ANALISA DATA 13 . atau angka biasa (usia. juman). diatas memberikan gambaran data hasil penelitian yang telah dimasukkan ke dalam variabel masing-masing (sebagian angka murni (usia. E. 51 responden) Gambar 9. selebihnya angka koding). asieksklu (Status asi eksklusif). KB (pola KB yang digunakan).

maka akan muncul dialog Gambar 11. dan usia lanjut >55 tahun. Pada sel Name : (isikan nama variabel baru – dalam contoh umur1). Perhatikan gambar berikut ini: Gambar 10 : Menu Utama dalam Langkah Recode Selanjutnya klik Old and New Values. dan lakukan langkah-langkah sebagai berikut : Klik Transform-recode-pilih into deffernt variables (diubah menjadi vaiabel baru dan variabel lama tetap ada) – pindahkan variabel yang akan di recode ke kotak Numeric Variabel  Output Variable. dewasa 40-55 tahun. Kelompokkan usia dalam : Usia muda < 40 tahun. dan isi kotak Label dengan kata yang diinginkan (dalam hal ini umur dikelompokkan). 14 . bivariat maupun multivariat. terlebih dahulu perlu dipelajari mengenai bagaimana mengelompokkan data numerik menjadi katagorik (Recode). pada variabel usia.1. Sebelum membahas lebih lanjut mengenai analisa hasil penelitian baik secara univariat. Mengelompokkan data (recode) Sebagai bahan latihan mengenai hal ini gunakan data hasil penelitian (Lampiran 1). dan menggabungkan variabel (Compute) atau mengurangi data numerik menjadi satu variabel yang baru. a. kemudian klik Change. Langkah-langkahnya sebagai berikut: Aktifkan File data Latihan 1 pada program SPSS.

Jika data hanya dikelompokkan menjadi 2 kategori. berikan nama variabelnya (Label). isi pada sel Value dengan angka 0. maka muncul dialog. Menu Pilihan Pengelompokan Variabel Langkah selanjutnya jika variabel umur1 dikelompokkan menjadi 3 kategori. Setelah variabel umur1 muncul dalam Variable View. dan OK. isikan 40 dan though-nya 55 – isi Value dengan kode 1. isi Value 2. Gambar 12 : Dialog Utama dalam Compute 15 . Untuk mengisi batas bawah pilih Range Lowst trough (dalam hal ini 39. maka akan masuk ke sel Old  New. Ternyata data yang terkumpul tidak ada yang berusia di atas 55 tahun.Gambar : 11. Kemudan lihat pada Data View. Menggabungkan variabel (Compute) Program SPSS juga memberikan fasilitas untuk menggabungkan 2 variabel menjadi variabel yang baru. dan buat pengelompokan sesuai dengan Definisi Operasionalnya (DO). dan klik Add. Langkah selanjutnya klik Range isi selnya (dengan umur 55). Lambang-lambang matematika membantu kita untuk melakukan hal itu. b. maka lakukan : klik Range (kelompok umur dewasa). sehingga kode 2 tidak muncul dalam Data View. seperti gambar 12. gabungkan variabel sebelum dan sesudah diet menjadi variabel “berat1”. maupun mengurangi dengan variabel yang lain. langkah selanjutnya ubah status numerik menjadi string. maka yang harus di isi pada lembar dialog hanya batas bawah (pilih Range Lowst Trough) dan batas atas (Trough Highest). dan Add . maka langkahnya : Klik Transform – pilih Compute. maka variabel umur1 datanya menjadi kategorik sesuai dengan DO-nya. Langkah selanjutnya sama seperti di atas. dan terakhir Continue. dan klik Add maka akan masuk ke sel Old  New. Aktifkan Latihan 4 (mengukur berat badan sebelum dan sesudah diet).

modus. harus disesuaikan dengan jenis datanya masing-masing. kemudian klik variabel yang akan digabungkan (sel awal) – klik anak panah kekanan – maka variabel tersebut masuk ke Numeric Expression – pilih tanda plus (+) – klik variabel yang akan ditambahkan (sel awal) – pindahkan ke sel Numeric Expession. yang membedakan hanya simbul matematikanya.Selanjutnya isi sel Target Variabel dengan nama Variabel baru (misalnya berat1). maka variabel baru berat1 sudah muncul pada Variabel View urutan terakhir (perhatikan dengan baik). median. Untuk keperluan yang lain prosesnya sama. Untuk numerik carilah mean. 16 . Data Numerik (mean. dan modusnya. dll) Mengambil contoh hasil penelitian di atas (Lampiran 2). kelompokkan sesuai dengan DO-nya (biasanya %). berikut ini : Gambar 13 : Variabel yang digabungkan Kemudian klik OK. median. hasil analisis univariat. Tetapi untuk kategorik. Selanjutnya perbaiki Desimalnya dan nama Labelnya sesuai kehendak. Perhatikan Gambar 13. Univariat a. 1.

Mencari mean. dan Klik OK. kemudian klik anak panah (lakukan juga untuk variabel Jumlah anak). dengan langkah Klik variabel Umur Ibu. ikuti langkah-langkah berikut ini: Klik Analyze – Descriptive Statistics – Klik 123 Frequencies. Gambar 14 : Menu Uji Univariat (Frequencies) Gambar 15 : Uji Univariat (Variabel Siap Diuji) Langkah selanjutnya Klik Statistics – Klik Mean. dan Minimum. Langkah selanjutnya masukkan variabel umur ibu (usia) dan Jumlah Anak (juman) ke sel Variable(s). Perhatikan Gambar 15. Median. median. karena dianggap tidak perlu) : 17 . Modus. maka keduanya akan berpindah ke sel Variables(s). kemudian Klik Continues. maka akan muncul dialog seperti gambar 14. Maximum. dan modus. maka hasilnya sebagai berikut (ada bagian yang sudah dibuang.

hal ini terlihat bahwa mean. dapat dilaporkan bahwa variabel umur dan jumlah anak normal.1 : Mean.50 34 23 54 Jumlah Anak 40 0 2.1.50 34 Jumlah Anak 2.82 3. Rata-rata responden berusia 35.00 3 ____________________________________________________________ Berdasarkan Tabel 4. Print out 4 : Frequency Table (Variabel umur) 18 .8 dibulatkan (3) pada usia relatif muda.82 3.85 34. Sedangkan pada umumnya responden mempunyai anak rata-rata 2. dan modusnya hampir berimpitan.85 34. Median. median. dan Modus berdasarkan Umur Ibu dan Jumlah Anak _____________________________________________________________ Variabel Mean Median Modus _______ _______ _______ Umur Ibu 35.Print Out 03 : Frequencies Statistics Umur Ibu N Valid Missing Mean Median Mode Minimum Maximum 40 0 35. diman umur tersebut merupakan umur produktif.00 3 1 5 Berdasarkan print out 3.85 tahun. dapat dituangkan dalam laporan penelitian sebagai berikut : Tabel 4.

5 2.0 5.5 72.0 5.5 2.5 2. ini memberi informasi yang jelas mengenai modus (umur berapa) dan frekuensinya.5 5.5 92.5 7.5 87.0 37.0 Valid 23 24 25 26 27 28 30 32 33 34 35 36 37 40 41 42 43 44 45 54 Total Print out 4.5 92.0 5.0 7.0 5.0 17.5 12.5 32.5 7.0 5.5 15. Dalam hal ini modusnya umur 34 tahun 5 orang.5 100.Umur Ibu Frequency 1 1 1 2 1 1 2 3 3 5 2 1 2 2 2 2 4 2 2 1 40 Percent Valid Percent 2.0 5.5 7.0 55. Print out 5 : Variabel jumlah anak.0 5.0 5.5 2.0 5.5 77.5 2.5 15.5 2.5 2.5 7.5 30.0 Cumulative Percent 2.0 5.0 5.0 Valid 1 2 3 4 5 Total 19 .5 100.5 12.5 5.0 57.0 5.5 2.5 5.0 10.5 100. Jumlah Anak Frequency 3 13 15 6 3 40 Percent Valid Percent 7.0 100.0 15.0 77.5 2.0 100.0 5.5 22.5 100.0 5.5 7.5 12.5 40.0 Cumulative Percent 7.5 32.0 10.5 62.5 2.5 5.5 37.5 37.5 50.0 2.0 2.5 67.0 2.5 5.0 7.5 97.0 7.

Data Ketagorik Untuk mencari persentase masing-masing variable sesuai dengan hasil ukur. modusnya beranak 3. berdasarkan jumlah anak. hasilnya seperti pada gambar 16 berikut ini : Gambar 16 : Variabel yang akan dianalisis sudah masuk ke kotak Variable(s) Selanjunya klik OK. dapat ditemukan bahwa responden. Perlu diperhatikan bila terjadi kekeliruan dalam mengambil variabel (sudah berada pada kotak Variable(s). Maka akan muncul dialog frequencies. sebanyak 15 orang (37. Berikut ini hasil analisa data univariat pada masing-masing variabel. Print out 6 : Frequency Table (sebagian telah dihilangkan karena tidak diperlukan) 20 . Semua variable yang berada pada sel sebelah kiri. maka sorotlah variabel yang keliru dan klik anak panah yang mengarah ke kotak utama (Frequencies). sorotlah dan pindahkan ke sebelah kanan (Variabel(s)).5%). b. akan muncul besaran masing-masing variable termasuk persentasenya (%). pilih Analyze – Descriptif statistics – arahkan/sorot Frecuencies dan klik. maka variable tersebut berpindah ke kotak utama.Berdasarkan print out 5. Jadi modusnya adalah beranak 3. Print out 6 menunjukkan hasil analisa univariat.

1 56.1 100.1 100.0 Valid Percent Cumulative Percent 43.0 52.0 Cumulative Percent 70.1 100.0 Valid Percent Cumulative Percent 66.4 100.9 45.6 29.0 66.9 100.0 Valid Percent Cumulative Percent 31.0 Variabel : Keturunan dari Orang Tuanya Frequenc y Percent Valid Keturunan Asi Eksklusif Tidak Keturunan Asi Eksklusif Total 28 23 51 54.4 25.4 56.0 21 .6 21.7 33.0 Variabel : Pola makan Ibu Frequency Valid Baik Kurang Baik Total 27 24 51 Percent Valid Percent Cumulative Percent 52.6 100.5 21.6 21.5 21.6 29.1 56.6 100.0 Valid Percent 54.7 33.0 31.0 43.9 100.Variabel : Pola menyusui eksklusif Frequency Valid Eksklusif Non Eksklusif Total 22 29 51 Percent 43.6 100.0 Cumulative Percent 54.4 100.9 100.9 47.0 Variabel : Pola KB Ibu Frequency Valid Kalender Non Kalender Total 34 17 51 Percent 66.3 100.9 100.4 25.0 Variabel : Pendidikan Ibu Frequency Valid Tinggi Menegah Rendah Tidak sekolah Total 16 13 11 11 51 Percent 31.9 45.3 100.1 100.0 Valid Percent 70.0 52.0 Variabel : Pekerjaan Ibu Frequency Valid Tidak bekerja Bekerja Total 36 15 51 Percent 70.4 100.1 100.7 100.9 47.9 78.

dapat dilaporkan bahwa responden yang berperilaku menyusui secara eksklusif lebih sedikit (43.0 Cumulative Percent 5. salah satu saja.8 100.9 ___ ____ Jumlah 51 100.9 41.2 : Distribusi Perilaku Menyusui _________________________________________________ Pola menyusui Jumlah % _________________________________________________ Eksklusif 22 43.8 100. klik bentuk grafik yang diinginkan (Pie chart). pie chart.2. histograms.9 35. Sedangkan cara membacanya sama seperti contoh diatas. Jika menghendaki adanya grafik. dll).3 13. Pada contoh berikut variabel banyak anak.1%) dibandingkan dengan non eksklusif (65.7 9. kemudian klik Continue.0 _________________________________________________ Berdasarkan Tabel 4. 22 . tidak perlu menampilkan tabel dan grafik.0 Valid Percent 5.2 100.5 90.1 Non eksklusif 29 65.3 35.3 13.2 76.Print out 6 dapat disusun dalam sebuah laporan penelitian. maka cara menyusun dalam tabel dan membacanya sebagai berikut : Tabel 4.7 9.9%). selanjutnya klik OK.3 35. maka lakukan : Klik chart (pada Gambar 12) untuk menampilkan pilihan grafik (bar chart. hasilnya sebagai berikut : Print out 7 : Print out jumlah anak dan grafik lingkaran Variabel : Jumlah Anak Frequency Valid 1 2 3 4 5 Total 3 18 18 7 5 51 Percent 5.9 35. Sebagai contoh diambil variabel pola menyusui secara eksklusif.0 Catatan : Untuk keperluan penyusunan laporan.

Sedangkan variabel independenya tingkat pendidikan dikelompokkan menjadi tinggi dan rendah. 10%). (masing-masing variabel hanya dikelompokkan menjadi 2). dikelompokkan menjadi menyusui eksklusif dan non eksklusif. 5%. serta lebih baik bertabel 2x2. a. Langkah-langkah Uji Chi Square sebagai berikut : Pada posisi data sudah siap untuk dianalisis. dapat diketahui dari nilai OR (odds ratio) maupun RR (resiko relative). Uji Chi Square (Gunakan data Lampiran 2) Dapat digunakan untuk mengolah data jika datanya (variabel independen maupun dependen) berbentuk katagorik. atau numerik dengan numerik. Nilai peluang yang diperoleh (hitung) dibandingkan dengan nilai alpha yang ditetapkan (bisa : 1%. Untuk mengetahui apakah ada hubungan atau tidak kedua variable tersebut. sedangkan RR jika kohort. tergantung dari nilai peluang (p value). apakah berbentuk katagorik dengan katagorik.05). Analisa Bivariat Analisa bivariat artinya menguji dua variabel. ingin mengetahui hubungan perilaku menyusui dengan tingkat pendidikan. Untuk mengetahui dampak resiko yang terpapar dengan yang tidak. Variabel dependennya perilaku menyusui. OR digunakan jika desain Case control. Contoh diatas.2. katagorik dengan numerik. seperti pada gambar 17 sebagai berikut : Gambar 17 : View Data (Angka koding dan yang lain yang telah dientry) 23 . Pada contoh-contoh ini menggunakan alpha 5% (0. dan cocok untuk data besar.

Berikut dialognya : 24 . pilih / klik chi square. Kemudian pilih cells. row. langkah selanjutnya pindahkan variabel independen (pendidikan ibu) ke kotak Row(s) dengan cara klik variabel pendidikan ibu.Langkah selanjutnya pilih Analyze. Kemudian masukkan variabel dependen (Pola menyusui eksklusif) ke kotak Column(s) dengan cara klik variabelnya. correlations. maka variabel pendidikan ibu masuk ke kotak Row(s) tersebut. klik anak panah ke kotak Row(s). klik observed. Maka dialognya seperti pada Gambar berikut ini : Kemudian klik statistics. Berikut Langkah selanjutnya klik continoue. Crostabs. dialognya: risk. dan dialognya sebagai berikut : Gambar 18 : Variabel yang sudah siap diolah Pada Gambar 18. expected. klik anak panah ke arah kotak Column(s) tersebut.

Print out tersebut sudah dibuang sebagian yang tidak penting. Hanya tiga print out yang penting. Chi-Square. dan Tests Risk Estimate. yaitu “Pendidikan Ibu*Pola menyusui eksklusif Crosstabulation”.Kemudian klik continue dan OK. Berikut akan dijelaskan satu persatu : Print out 8 : Hubungan Tingkat pendidikan dengan Perilaku Menyusui 25 . Lihat hasilnya seperti pada print out 8.

Exact Sig.Exact Sig.422 1 .9% 100.0% 63.350 Ratio Fisher's Exact .0% Ibu Rendah Count 10 17 27 Expected Count 11.0% Ibu Total Count 22 29 51 Expected Count 22.872 1 . memberikan informasi nilai peluang (p value).0 29. Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b). The minimum expected count is 10. (b) Chi-Square Tests Asymp. Sig.351 Square Continuity .405 . Df sided) sided) (1-sided) Value Pearson Chi.(a) Pendidikan Ibu * Pola menyusui eksklusif Crosstabulation Pola menyusui eksklusif Non Eksklusif Eksklusif Total Pendidik Tinggi Count 12 12 24 an Ibu Expected Count 10.0% Ibu Print out 8 “Pendidikan Ibu*Pola menyusui eksklusif Crosstabulation” memberikan informasi perbandingan proporsi tingkat pendidikan antara yang tinggi dengan yang rendah terhadap perilaku menyusui secara eksklusif.4 13. b.0 51.0% 50. 0 cells (.258 Test N of Valid 51 Cases a. (2.0 % within Pendidikan 43. 0 cells (.0 % within Pendidikan 37.0% 100.35.0%) have expected count less than 5.6 15.0% 100.1% 56.6 24.516 Correctionb Likelihood .4 27. di bawah print out tersebut : a.0%) have expected count less than 5. The minimum expected 26 .0 % within Pendidikan 50.870a 1 . Computed only for a 2x2 table Print out Chi Square test. (2.

6 15.0 % within Pendidikan 50.0 51. Sig.Exact Sig. (2.1% 56.350 Ratio Fisher's Exact . 0 cells (.422 1 . Computed only for a 2x2 table Print out Chi Square test.0 % within Pendidikan 37. b. di bawah print out tersebut : a.0% 50. Df sided) sided) (1-sided) Value Pearson Chi. The minimum expected count is 10.0%) have expected count less than 5.4 13.0% 63.0 29.0% Ibu Total Count 22 29 51 Expected Count 22. Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).0% 100.(a) Pendidikan Ibu * Pola menyusui eksklusif Crosstabulation Pola menyusui eksklusif Non Eksklusif Eksklusif Total Pendidik Tinggi Count 12 12 24 an Ibu Expected Count 10.0% 100.0% Ibu Rendah Count 10 17 27 Expected Count 11. The minimum expected 27 .6 24.0% Ibu Print out 8 “Pendidikan Ibu*Pola menyusui eksklusif Crosstabulation” memberikan informasi perbandingan proporsi tingkat pendidikan antara yang tinggi dengan yang rendah terhadap perilaku menyusui secara eksklusif.516 Correctionb Likelihood . (2.0%) have expected count less than 5.258 Test N of Valid 51 Cases a.870a 1 .405 .872 1 .4 27.35. 0 cells (. memberikan informasi nilai peluang (p value).0 % within Pendidikan 43. (b) Chi-Square Tests Asymp.Exact Sig.351 Square Continuity .9% 100.

6 15.1% 56. (b) Chi-Square Tests Asymp.0%) have expected count less than 5.0% 100. 0 cells (.(a) Pendidikan Ibu * Pola menyusui eksklusif Crosstabulation Pola menyusui eksklusif Non Eksklusif Eksklusif Total Pendidik Tinggi Count 12 12 24 an Ibu Expected Count 10.0% 50.422 1 .0 % within Pendidikan 37.Exact Sig.405 . (2.0 51.0 29. memberikan informasi nilai peluang (p value).0% Ibu Rendah Count 10 17 27 Expected Count 11.9% 100.350 Ratio Fisher's Exact .258 Test N of Valid 51 Cases a. di bawah print out tersebut : a. The minimum expected count is 10.0% Ibu Total Count 22 29 51 Expected Count 22. Computed only for a 2x2 table Print out Chi Square test.35.0 % within Pendidikan 50. (2. Df sided) sided) (1-sided) Value Pearson Chi.351 Square Continuity . Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).0 % within Pendidikan 43.516 Correctionb Likelihood .0% 100. Sig.6 24.0% Ibu Print out 8 “Pendidikan Ibu*Pola menyusui eksklusif Crosstabulation” memberikan informasi perbandingan proporsi tingkat pendidikan antara yang tinggi dengan yang rendah terhadap perilaku menyusui secara eksklusif. b.4 27. The minimum expected 28 .872 1 . 0 cells (.Exact Sig.4 13.870a 1 .0%) have expected count less than 5.0% 63.

keturunan. dapat dilaporkan bahwa responden yang berperilaku menyusui secara eksklusif lebih banyak (50%) pada berpendidikan tinggi. dan (c). Berikut ini tampilan Variable View (nama-nama variabel). artinya lebih besar dibandingkan dengan nilai alpha (0.Pada Risk Estimate. Lower 0. (b). Gambar 19 : Variable View 29 .1%) 29 (56.700 kali untuk berperilaku ASI eksklusif dibandingkan dengan yang berpendidikan tinggi (lihat kolom Value pada Odds Ratio for Pendidikan Ibu (Tinggi / Rendah)).516 > 0. Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%. dan tingkat pendidikan. Tabel tersebut diberi judul : Hubungan Tingkat Pendidikan dengan Perilaku Menyusui Tabel 4. disusun menjadi satu tabel. dan independenya perilaku merokok. Contoh Analisa Penelitian yang Lain (Gunakan Data Lampiran 3) Berikut ini akan ditampilkan contoh hasil penelitian untuk mengetahui faktor-faktor yang berkaitan dengan kejadian kanker. memberi informasi tentang peluang variabel independen terhadap dependen.201. Kemudian CI 95%. dibandingkan dengan yang berpendidikan rendah (37%). maka risk estimate tidak perlu dibuat laporannya.3 : Hubungan Pendidikan dengan Perilaku Menyusui _______________________________________________________________________ Perilaku Menyusui Pendidikan Eksklusif Non Eksklusif Jumlah p value OR ______________________________________________________________________ Tinggi 12 (50%) 12 (50%) 24(100%) 0. Hasil uji Chi Square dilaporkan bahwa nilai p value 0.3.55-5. tidak terdapat hubungan antara tingkat pendidikan dengan perilaku menyusui secara eksklusif. status pekerjaan.05).556 dan Upper 5. Variabel dependennya kejadian kanker.516 1.516.9) 51(100%) _____________________________________________________________________ Berdasarkan Tabel 4.20) Rendah 10 (37%) 17 (63%) 27(100%) _______ _______ ________ Jumlah 22 (43. Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah seperti diatas termasuk pola penyusunan tabel dan cara membacanya. Pada contoh ini responden yang berpendidikan tinggi mempunyai peluang 1. Menuangkan dalam laporan penelitian Ketiga print out 8 (a). Pada contoh diatas secara statistik tidak berhubungan.7(0.

Berikut ini akan ditamplkan print out analisa haubungan perilaku merokok dengan kejadian kanker. sehingga tampilan pada layar (data view) seperti tampak pada Gambar 20 sebagai berikut: Gambar 20 : Tampilan data (angka koding) Pada dialog ini langkah-langkah untuk mengetahui hubungan kedua variabel. Print out 9 : Crosstabs 30 . lakukanlangkah seperti pada Gambar 20.Variabel-variabel tersebut kemudian dimasukkan datanya.

487 N of Valid Cases 51 Print out 9: (a). b.000 31 .000 5.0% 21 21.149 (Perokok berat / Kurang Baik) For cohort Kejadian kanker = Kanker 5.9 % within Perilaku 14.1 9.0%) have expected count less than 5. 0 cells (.112 .000 . dan (c).000 Correctionb Likelihood Ratio 23.412a 1 . Exact Sig. Exact Sig.000 Fisher's Exact Test .855 1 .935 16. (b) Chi-Square Tests Asymp.0 % within Perilaku 52.0 24.275 1 .0% 51 51. (b). (1Value Df (2-sided) (2-sided) sided) 21.3% 85.0 100.000 N of Valid Cases 51 a.9 14. diberi judul : Hubungan Perilaku Merokok dengan Kejadian Kanker.0% merokok Kurang Baik Count 3 18 Expected Count 11. The minimum expected count is 9.277 109.88.1% merokok Total 30 30.7% merokok Total Count 27 24 Expected Count 27.0 100.233 .0% 20. Sig.0% Pearson Chi-Square Continuity 18.600 1.9% 47. Computed only for a 2x2 table (c) Risk Estimate 95% Confidence Interval Value Lower Upper Odds Ratio for Perilaku merokok 24.0 100.Perilaku merokok (a) Perilaku merokok * Kejadian kanker Crosstabulation Kejadian kanker Kanker Non kanker Perokok Count 24 6 berat Expected Count 15. disusun menjadi satu tabel.209 For cohort Kejadian kanker = Non kanker .1 % within Perilaku 80.

3%).27109.9%) 24 (47. sedangkan kejadian hipertensi dan keturunan berupa katagorik dengan skala ordinal. dapat dilaporkan bahwa responden yang terkena kanker lebih banyak (80%) berperilaku merokok berat dibandingkan dengan yang merokok ringan (14. ingin mengetahui hubungan usia dan keturunan dengan kejadian hipertensi. Sedangkan hasil uji OR diperoleh nilai 24 (5. Katagorik dengan Numerik (Gunakan contoh Lampiran 4) Sebuah contoh penelitian dengan melibatkatkan 40 masyarakat di perkotaan.4 : Hubungan Perilaku Merokok dengan Kejadian Kanker _______________________________________________________________________ Kejadian Kanker Perilaku merokok Kanker Non Kanker Jumlah p value OR ________ __________ ________ ______ _____________ Berat 24 (80%) 6 (20%) 30(100%) 0. b.7%) 21(100%) ________ _______ ________ Jumlah 27 (52.1) 51(100%) _______________________________________________________________________ Berdasarkan Tabel 4. Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%. langkah ujinya sebagai berikut : Pilih Analyze – Compare mean – Independen samples T test.1.27-109. maka muncul dialog sebagai berikut: Gambar 21 : Independen samples T test 32 .14).000 < 0.14) Ringan 3 (14.Tabel 4.3%) 18 (85. diyakini terdapat hubungan antara perilaku merokok dengan kejadian kanker. Variabel usia merupakan numerik dengan skala ratio. Uji t Uji t dapat digunakan untuk mengukur variabel katagorik dan numerik. artinya lebih kecil dibandingkan dengan nilai alpha (0.05).4. maupun numerik dengan numerik. Hasil uji Chi Square dilaporkan bahwa nilai p value 0.000 24(5. Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah diatas. Setelah variabel dibuat dan data dimasukkan (Gunakan Data Lampiran 3). b. artinya respondengan yang merokok berat mempunyai peluang untuk terkena kanker 24 kali dibandingkan dengan yang merokok ringan.000.

Perhatikan gambar berikut ini.715 7. (2. klik variabel kejadian hipertensi. Maka akan muncul print out sebagai berikut: Print Out 10: T-Test (a) Group Statistics Kejadian hipertensi Umur Hipertensi responden Non hipertensi N 22 18 Std.588 2.707 . Difference Mean Error Sig.763 8. pilih OK. Setelah masuk. Klik Continoe. Pada contoh ini mean usia untuk hipertensi 48.806 F Sig.96 . kemudian klik anak panah arah kolom Test variable(s).45 dengan standar deviasi 33 . kemudian pilih Define Groups.Differ Differen Lowe tailed) ence ce r Upper . klik anak panah ke arah kolom Grouping variable.00 12.112 not 0 assumed . dan koding 1 masukkan ke kotak Group2.912 . t Df Umur Equal responden variances . masukkan angka koding yang pertama (misalnya 0) ke kotak Group1. Mean Deviation Std.064 (b) Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means 95% Confidence Interval of the Std.059 8. lihat print out (a) pada colum mean dan standart deviation. Error Mean 48.Kemudian klik variabel umur.45 12.998 3.455 4.684 48.073 Untuk mencari nilai mean kedua variable.112 38 assumed Equal variances 35.911 .455 4.143 . Setelah variabel umur masuk.672 7.

Hasil tersebut jika dituangkan dalam sebuah laporan dapat disusun sebagai berikut: Tabel 4.00 dengan standar deviasinya Kemudian untuk melihat apakah ada perbedaan mean umur. Sedangkan 12.45 12. terlebih dahulu mengetahui variannya.988 18 __________________________________________________________________ Berdasarkan Tabel 4.45 dengan standar deviasi 12.2. Responden yang hipertensi lebih banyak dibandingkan dengan non hipertensi. lakukan langkah sebagai berikut (Gunakan Data Lampiran 5): Pilih Analyze – Compare mean – Samples T test Paired.588. Sedangkan mean yang non hipertensi 48. maka dapat disimpulkan tidak terdapat perbedaan antara mean umur hipertensi dengan non hipertensi.00 dengan standar deviasi 12. Hasil uji t diperoleh p value 0. maka nilai p = 0.911 sehingga dapat disimpulkan dengan alpha 5% tidak terdapat perbedaan mean umur antara yang hipertensi dengan non hipertensi. Pada contoh di atas nilai varian 0. tetapi jika varian > alpha. maka varian sama. makan akan muncul dialog Gambar 22 : Dialog Uji t Dependen 34 . atau berat badan sebelum dan sesudah puasa (bagi yang berpuasa). Untuk mengetahui apakah ada perbedaan kedua kelompok tersebut.588 0.05.988. lihat print out (b). Jika nilai p < alpha.05) maka varian berbeda. apakah sama atau berbeda (lihat Levene's Test for Equality of Variances pada kolum Sig).998.588. dan lain-lain.911 sehingga > alpha 0. Numerik dengan Numerik Pada bagian ini akan menguji dua variabel numerik dengan numerik yang berasal dari satu sumber (bisa disebut pengukuran pre dan post).5 dapat dilaporkan bahwa mean umur responden yang hipertensi 48. Jika varian sama. Misalnya penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah diet.00 12.5 Perbedaan Varian Kejadian Hipertensi __________________________________________________________________ Kejadian hipertensi Mean Standar defiasi p value Jumlah Hipertensi 48. Tetapi jika varian berbeda.12. uji t gunakan Equal variances not assumed pada colums Sig (2-tailed). yang non hipertensi meanya 48. Setelah data dimasukan sesuai variabel yang dibuat. Jika nilai varian < alpha (0. maka ada perbedaan mean keduanya.911 22 Non hipertensi 48.707 sehingga > 0. Nilai tersebut bandingkan dengan nilai alpha. b. maka varian sama.05. Untuk penelitian lain tetapi dengan jenis variabel yang sama dapat menyesuaikan. Karena varian sama. Pada kesemapatan ini suatu penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah melakukan diet selama 3 bulan. maka uji t gunakan Equal variances assumed pada colums Sig (2-tailed).

Hasil print out sebagai berikut: Print Out 11: T-Test (Pre dan Post) (a) Paired Samples Statistics Mean Pair 1 Berat sebelum diet Berat setelah diet 64.256 1. Difference Mea Deviati Error n on Mean Lower Upper 1.421 (b) Paired Samples Test Paired Differences 95% Confidence Interval of the Std. Error Mean 1.Langkah selanjutnya klik variable berat badan sebelum diet.55 _____________________________________________________________________ Berdasarkan Tabel 4.Berat setelah diet 3. Sedangkan print out (b) untuk mencari nilai mean pengujian (kolom mean) dan nilai p value (kolom Sig (2-tailed)).341 t Sig.942 . kemudian klik anak panah (variabel tersebut masuk ke variable1).95 1.55 kg.945 Std.00 39 . kemudian klil berat setelah diet.005 9 Pada print out (a).459 2. (2taile df d) Pair Berat sebelum 1 diet . Std.40 0 2.6 dapat dilaporkan bahwa mean berat badan sebelum melakukan diet 64. Selanjutnya klik OK. klik anak panah (variabel tersebut masuk ke variable2). lihat niali mean variable yang dibandingkan serta Standar deviasinya. Menuangkan dalam laporan penelitian : Tabel 4.400 2.005 40 Sesudah diet 63.465 .95 kg. sedangkan setelah diet turun menjadi 63.95 N 40 Std. Hasil uji perbedaan mean 35 .173 63.6 Perbedaan Mean Sebelum dan Sesudah Diet ______________________________________________________________________ Pengukuran Diet Mean Mean Standar defiasi p value Jumlah Kelompok Pengujian Pengujian Sebelum diet 64.94 0.55 40 7. Deviation 7.

Sedangkan nilai p dalam pengujian 0. maka diikuti oleh variabel yang lain. atau bila diketaui arahnya maka : -1 sampai dengan +1. Perlu diketahui bahwa hubungan kedua variabel dapat berpola positif maupun negatif.51 – 0. dan numerik dengan numerik. secara manual dapat digunakan rumus Product Moment yang sudah dijelaskan di atas. misalnya hubungan umur dengan kadar Hb-nya. Untuk mempermudah pemahan derajat keeratan serta pola hubungan. hubungan linier negatif sempurna. Sedangkan untuk mengetahui bentuk hubungan antara dua variabel (positif atau negatif). juga dapat mengetahui arah hubungan dua variabel numerik. Nilai r = 0.76 – 1. Analisis Korelasi Hasil analisis korelasi dapat mengetahui derajat keeratan hubungan.94.005.75.1. Nilai korelasi (r). dan sebaliknya semakin jarang tebaranya berarti semakin lemah hubungannya. Jikan nilai r = +1. sehingga dapat disimpulkan dengan kepercayaan 95% diyakini terdapat perbedaan mean berat badan sebelum dan sesudah melakukan diet. Uji-uji tersebut tidak bisa mengetahui sejauh mana keeratan masing-masing variabel. Sedangkan yang berpola negatif. uji t numerik dengan kategorik. UJI KORELASI DAN REGRESI LINIER SEDERHANA Diatas telah dijelaskan uji Chi Square (kategorik dengan kategorik). artinya hubungannya sangat kuat atau sempurna.400 dengan standar deviasi 2. 1. artinya tidak ada hubungan linier keduanya. Jika nilai r = -1. Jika nilai r = 0.26 – 0. artinya lebih kecil dari nilai alpha.50. Contoh penelitian tentang hubungan berat badan dengan tekanan darah. F. Disini dapat dijelaskan setiap kenaikan umur akan menurunkan kadar Hb-nya.25. menggunakan analisis regresi.00. Nilai r = 0.00 – 0. artinya keduanya berhubungan kuat. hubungan linier positif sempurna. 36 . Hastono (2001) mengutif pendapat Calton. Apakah hubungan kedua variabel tersebut berpola positif atau sebaliknya. Kuat lemahnya hubungan dapat dilihat dari tebaran datanya. Nilai r = 0. dapat dilihat pada diagram tebar/pencar (scatter plot). Setiap penambahan berat badan diikuti kenaikan tekanan daranya. Nilai r (koefisien korelasi) berkisar dari 0 sampai dengan 1. Apakah hubungan berat badan dan tekanan darah mempunyai derajat yang kuat atau lemah. Untuk mengetahui derajat keeratan hubungan variabel yang diuji digunakan analisis korelasi. Hubungan berpola positif apabila terjadi kenaikan satu pada suatu variabel. menyebutkan kekuatan hubungan dua variabel secara kuantitatif dapat dibagi menjadi empat area: Nilai r = 0. artinya tidak ada hubungan atau hubungannya lemah. Semakin rapat tebarnya berarti semakin kuat hubungannya. artinya keduanya berhubungan sedang.

maka muncul menu : 37 . Dengan uji regresi ini jika diketahui berat badannya dapat diperkirakan tekanan darahnya. pilih Correlate.1. maka akan diketahui penurunan hari rawatnya. Suatu contoh. Berikut ini tampilan Data View pada Gambar 23 : Gambar 23 : Data View Hasil Penelitian Untuk menguji apakah ada hubungan lama olah raga permingga dengan penurunan berat badan per bulan. Berikut akan dijelaskan aplikasi Korelasi dan Regresi Sebuah penelitian ingin mengetahui hubungan frekuensi olah raga dengan penurunan berat badan. lakukan langkah-langkah berikut : Klik Analyze. klik Bivariate. Tujuannya untuk membuat perkiraan nilai suatu variabel (dependen) melalui variabel yang lain (independen). Dengan dinaikkan dosisnya. hubungan usia (independen) dengan tekanan darah (dependen). Regresi linier sederhana Uji regresi linier sederhana merupakan suatu model matematis yang dapat digunakan untuk mengetahui bentuk hubungan antar dua variabel atau lebih. Gunakan Data Lampiran 5. Contoh lain hubungan penggunaan dosis obat dengan lama kesembuhan (dengan catatan variabel yang lain dikendalikan).

556. Correlation is significant at the 0. sebagai berikut : 38 . Sehingga dapat disimpulkan terdapat pengaruh antara lama olah raga per minggu dengan penurunan berat badan per bulan.556).000. dengan cara klik variabel yang akan dipindah kemudian klik anak panah.000 40.000 Penurunan berat per Pearson . Tampilannya sebagai berikut : Pada posisi ini lakukan klik OK.000 Print out 11 memberi informasi hasil uji kedua variabel untuk mencari korelasinya. (2-tailed) N 40. Pada contoh ini diperoleh 0.000 Correlation Sig. Penurunan berat per bulan . maka akan pindah ke sebelah kanan. Nilai r dapat dilihat pada baris pertama kolom ke tiga. maka hasilnya sebagai berikut : Print out 11 : Uji Lama Olah Raga dengan Penurunan Berat Badan Correlations Frekuensi olah raga per mingg Frekuensi olah raga per minggu Pearson 1. Dalam contoh ini nilai p value diperoleh 0. Kekuatan hubungan keduanya kuat (0.556** bulan Correlation Sig.000 N 40 **. Lakukan untuk variabel yang lain dengan cara yang sama. Hasil tersebut jika dituangkan dalam laporan penelitian.01 level (2-tailed). sedangkan nilai p value pada baris kedua kolom kedua. (2-tailed) .000 40 1.Pada menu ini pindahkan variabel yang berada pada kotak sebelah kiri (yang akan diuji) ke kotak sebelah kanan.556** .

Gunakan Data Lampiran 5.000. dengan demikian dapat disimpulkan. pilih Regression. maka masuklah ke kotak tersebut. dapat dijelaskan bahwa hubungan lama olah raga dengan penurunan berat badan diperoleh nilai r 0. maka hasil sebagai berikut: 39 . Demikian variabel independen (lama olah raga per minggu) dengan cara yang sama masukkan ke kotak Independnt(s). __________________________________________________________________ Variabel r p value _____ _____ Lama olah raga dan penurunan berat badan 0.Tabel 4. Hubungan keduanya adalah kuat (r=0556).7. Untuk mengetahui derajat penurunan berat badan lakukan langkah sebagai berikut : Klik Analyze. masukkan variabel dependen (penurunan berat badan) ke kolom Dependent dengan mengeklik variabel tersebut kemudian klik anak panah. 2. pilih Linier.7 : Pengaruh Lama Olahraga dengan Penurunan Berat Badan. Tampilannya sebagai berikut : Langkah selanjutnya klik OK.556 dan p value 0.000 __________________________________________________________________ Berdasarkan Tabel 4. dengan keyakinan 95% terdapat hubungan antara lama olah raga perminggu dengan perurunan berat badan.556 0. Regresi Sederhana Pada contoh di atas variabel independennya lama olah raga perminggu sedangkan dependenya penurunan berat badan per bulan. maka timbul menu : Langkah selanjutnya.

556 .445 kali lama olah raga perminggu. sebesar 0. Rumus tersebut dapat dijelaskan.445.976 .9% variasi penurunan berat badan. Predictors: (Constant). 40 . persamaan garis.556 4.445 . dan (nilai b adalah koefisien penurunan berat badan) 0. Selanjutnya pada print out ANOVA.309 . Error of the Estimate . dan X adalah lama olah raga perminggu (variabel independen.309. memberi informasi tentang kesesuaian dari model terhadap data. artinya nilai Y tergantung dari nilai X). Pada contoh di atas dapat dijelaskan bahwa jika terjadi penambahan frekuensi olah raga satu jam perminggunya akan terjadi penambahan penurunan berat badan 0. Dependent Variable: Penurunan berat per bulan Hasil di atas yang lebih penting melihat koefisien determinasi. Sehingga rumus matematis tersebut Y = -0.651 Total 35. yang artinya pada alpha 0.803+0.047 16.000 per mingg a.000. artinya persamaan garis regresi yang kita peroleh dapat menerangkan 30. sehingga didapat nilai konstant (nilai a adalah koefisien lama olah raga per minggu) sebesar -0. 1 Regression 11.728 38 .497 .114 1. Predictors: (Constant). sebesar 0. sehingga persamaan regresinya : Y = a+bX. Print out ini diperoleh nilai p value (pada kolom Sig). Dependent Variable: Penurunan berat per bulan (c) Coefficientsa Standardize Unstandardized d Coefficients Coefficients Model B Std. Y = Penurunan berat badan (variabel dependen.807 (b) ANOVA Model Sum of Squares Df Mean Square F Sig.445 kg.05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh. Nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary). Frekuensi olah raga per mingg b.803 .617 Frekuensi olah raga .047 1 11.775 39 a. dan nilai p value.803. Frekuensi olah raga per minggu Std. Error Beta t Sig. artinya perubahan nilai X akan berpengaruh pada nilai Y). Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a).000a Residual 24.Print out 12 : Regression (a) Model Summary Model R R Square Adjusted R Square a 1 . yaitu pada kolom B.108 .291 a. Persamaan garis tersebut dapat diperkirakan penurunan berat badan jika diketahui penambahan lama olah raga per minggunya.120 . 1 (Constant) -.

Penyajian dalam Laporan Penelitian Tabel 4.309 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 30.55 0. Analisis Korelasi dan Regresi Lama Olah Raga dengan Berat Badan __________________________________________________________________ Variabel r R2 Persamaan garis p value __ _____ ______________________________ _____ Lama olah raga 0. Contoh lain : Hubungan Umur dengan Lama Hari Rawat Dengan cara yang sama.000). dan berpola positif.803+0. Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara lama olah raga perminggu dengan penurunan berat badan (p value 0.000 Dengan demikian dapat dijelaskan dengan alpha 0.Hasil uji statistik untuk koefisien regresi dapat dijelaskan pada kolom Sig.9% variasi penurunan berat badan.7. sehingga diperoleh nilai p value = 0. Nilai penurunan berat badan = 0.55). maka print out penelitian sebagai berikut : Print Out 13 : Regression (Hubungan Umur dengan Lama Hari Rawat) 41 . artinya semakin lama berolah raga setiap minggunya akan menurunkan berat badannya lebih rendah. Nilai koefisien determinasi 0.05 kita menolak hipotesis nol (Ho). yang berarti ada pengaruh linier antara lama olah raga perminggu dengan penurunan berat badan.000 __________________________________________________________________ Berdasarkan Tabel 4.445*olah raga 0.445 artinya jika terjadi penambahan frekuensi (jam) olah raga perminggunya akan terjadi penurunan berat badan sebesar =0.445.309 Berat badan= -0. View Data hasil penelitian sebagai berikut: Kemudian lakukan langkah yang sama pada contoh sebelumnya (Lama olah raga dengan penurunan berat badan).7 dapat dijelaskan bahwa hubungan lama olah raga dengan penurunan berat badan kuat (0.

jika terjadi penambahan umur pasien.133 4 F 48. Nilai penambahan tersebut = 0. sehingga didapat nilai konstant (nilai a adalah koefisien penambahan umur) sebesar 1. .970 T Sig.006. Persamaan garis tersebut dapat diperkirakan penambahan lama hari rawat jika diketahui penambahan umurnya.365 a. artinya persamaan garis regresi yang kita peroleh dapat menerangkan 94. umur (b) ANOVAb Sum of Model Squares 1 Regression 6.144 6. umur b.16.400 . 42 . 1. Dengan demikian dapat dijelaskan.160.400 Total 6. Y = Penambahan hari rawat (variabel dependen).160 .023 . Predictors: (Constant).928 . sehingga persamaan regresinya : Y = a+bX. Selanjutnya pada print out ANOVA.941. Error of the Estimate a 1 . Predictors: (Constant). Hasil uji statistik untuk koefisien regresi diperoleh nilai p value = 0.006.400 Residual .922 . Rumus tersebut dapat dijelaskan.05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh.1% variasi penambahan lama hari rawat. yaitu pada kolom B. sebesar 0.967 .941 .400. sebesar 0. Dependent Variable: lama rawat df Mean Square 1 6.16.000 Sig. Sehingga rumus matematis tersebut Y = -0.(a) Model Summary Adjusted R Model R R Square Square Std. nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary). Error Beta 1. dan (nilai b adalah koefisien penambahan lama hari rawat) 0. Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a).400 3 . pada alpha 0.712 .800 a.006a Model 1 (Constant) umur (c) Coefficientsa Unstandardized Standardized Coefficients Coefficients B Std. memberi informasi tentang kesesuaian dari model terhadap data.05 kita menolak hipotesis nol (Ho). Diperoleh nilai p value (pada kolom Sig).445 kali Umur. Dependent Variable: lama rawat Hasil penelitian (Print out 13). yang berarti ada hubungan linier antara usia dengan lama hari rawat.970 .006 a.16 artinya jika terjadi penambahan usia satu tahun akan terjadi penambahan hari rawat 0. yang artinya pada alpha 0.803+0. dan X adalah lama olah raga perminggu (variabel independen). Sehingga dapat dijelaskan jika terjadi penambahan usia satu tahun akan terjadi penambahan lama hari rawat 0.

Baik Jumlah p value OR ________ _________ ________ ______ ____________ Baik 22 (64. Contoh pembahasan : Sebuah penelitian ingin mengetahui hubungan pengetahuan dengan perilaku kontrol penderita hipertensi.3%) 34(100%) 0. dan berpola positif. Hasil penelitiannya sebagai berikut (Bagian hasil) : Tabel 4.4+0.9 dapat dilaporakan bahwa pengetahuan tentang hipertensi dengan kategori baik.970). artinya jika terjadi penambahan usia akan terjadi penambahan lama hari rawat. lebih banyak dibandingkan 43 .16*Umur 0.8. Terakhir adalah pendapat peneliti berdasarkan fakta-fakta maupun pengalaman yang dimiliki. dibandingkan dengan literatur yang ada (biasanya telah diuraikan pada bab II). Nilai koefisien determinasi 0.006 __________________________________________________________________ Berdasarkan Tabel 4. G.9 : Hubungan Pengetahuan dengan Perilaku Kontrol ______________________________________________________________________ Perilaku Kontrol Pengetahuan Baik Krg.7%).006). Penyajian dalam Laporan Penelitian Tabel 4.1% variasi penambahan lama hari rawat.7%) 12 (35.9) 71(100%) ______________________________________________________________________ Berdasarkan tabel 4. yang melakukan kontrol baik 22 orang (64.0%) 27 (73.003 4.970 0.941 Hari rawat = 1. Berikutnya dibandingkan dengan hasil penelitian terdahulu (sejenis).598) _______ _______ ________ Jumlah 32 (45.1%) 39 (54.0%) 37(100%) (1.941 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 94. jika terjadi penurunan usia satu tahun akan terjadi pengurangan lama hari rawat 0.950 Kurang baik 10 (27.Sebalinya.802-13.8 dapat dijelaskan bahwa hubungan Umur dengan lama hari rawat sangat kuat (0. yaitu paragraf pertama mengenai rangkuman hasil penelitian. Analisis Korelasi dan Regresi Umur dengan Lama Hari Rawat __________________________________________________________________ Variabel r R2 Persamaan garis p value ____ _____ _______________________ _____ Umur 0. CARA MELAKUKAN PEMBAHASAN Pembahasan yang baik untuk satu pokok bahasan (satu variabel) mencakup 4 hal. Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara umur dengan lama hari rawat (p value 0.16.

terbentuknya suatu perilaku baru terutama pada orang dewasa dimulai pada domain kognitif. dan lain-lain. gagal ginjal.05). dengan confidence interval (CI) 95% diperoleh nilai odds ratio (OR) = 4. Pengetahuan atau kognitif merupakan domain yang sangat penting untuk terbentuknya tindakan seseorang (overt behaviour). ginjal. 10 orang (27.003 artinya < nilai alfa (0. 2003). misalnya gagal jantung. Hasil penelitian juga melaporkan. menyebutkan bahwa ada hubungan yang signifikan antara pengetahuan dengan pengendalian hipertensi di wilayah kerja Puskesmas Sidorejo Kabupaten Lampung Timur.dengan yang berpengetahuan kurang baik. pengetahuan adalah sebuah tangga yang pertama bagi segala ilmu yang dipergunakan untuk mencari keterangan-keterangan lebih lanjut tentang suatu masalah dengan jalan mengembangkannya untuk mencari hubungan sebab akibat. Pengetahuan merupakan hasil dari tahu dan ini terjadi setelah orang melakukan pengindraan terhadap suatu objek tertentu. Hasil penelitian ini sesuai dengan pendapat Hatta (1996). akan mengalami kerusakan. stroke dan gangguan penglihatan adalah konsekuensi yang umum dari hipertensi. Peningkatan tekanan darah yang berkepanjangan akan merusak pembuluh darah yang ada disebagian besar tubuh.950.003 sehingga lebih kecil dari 0. Pada beberapa organ seperti jantung. jika dilakukan pembahasan seperti berikut : Hubungan pengetahuan dengan perilaku kontrol Hasil uji Chi Square diperoleh p value = 0. Hasil uji Chi Square diperoleh p value = 0.0%). sehingga dapat disimpulkan ada hubungan antara pengetahuan dengan perilaku kontrol responden ke puskesmas. otak dan mata. dari pengalaman dan penelitian perilaku yang didasari oleh pengetahuan akan lebih langgeng daripada perilaku yang tidak didasarkan oleh pengetahuan (Notoatmojo. Gagal jantung. Hasil ini juga didukung oleh nilai OR 4.598). Dengan melakukan kontrool secara rutin dapat mengurangi resiko penderita hipertensi pada tingkat yang lebih tinggi.05. Dengan demikian dapat disimpulkan bahwa pengetahuan seseorang mempunyai pengaruh terhadap perilaku individu dalam melakukan kontrol ke sarana pelayanan kesehatan. Hasil penelitian ini sesuai dengan penelitian Budiharto (2001). Berdasarkan hasil pada tabel 4. ginjal. 44 .950 kali dibandingkan dengan responden yang berpengetahuan kurang baik.802–13.8. artinya responden yang berpengetahuan baik mempunyai peluang berperilaku kontrol baik 4. dapat disimpulkan ada hubungan bermakna antara pengetahuan dengan perilaku kontrol responden ke puskesmas.950 (1. Dalam penelitian ini disebutkan bahwa seseorang dalam berpengetahuan baik mempunyai tindakan yang baik dalam pengendalian hipertensi dibandingkan dengan responden yang pengetahuan buruk.

2001 Hatta.Konsep dan Aplikasi dengan Excel dan SPSS.DAFTAR PUSTAKA Budiarto. Statistik Untuk Penelitian. Depok. 2005 Sabri. 2003 Sugiyono. Santoso. Rineka Cipta. Soekidjo. Bandung. Jakarta. Luknis. Pendidikan dan Perilaku Kesehatan. Andi. 2001 Depdiknas. Jakarta. 1999. CV. FKM UI. 10-13 April 2008. Yogyakarta. -------------------- 45 . Pengantar llmu Pengetahuan.. dan Sutanto Priya Hastono. Metodologi Kenelitian Kesehatan. Muhammad. Yayasan Bina Pustaka. Statistik Deskriptif. UI. 1996 Notoatmodjo. Karakteristik Penderita Hipertensi di Puskesmas Sidorejo Kabupaten Lampung Timur. Rineka Cipta. Soekidjo. Depok. Alfa Beta. Sutanto Priyo. 2007 Hastono. Singgih. Program Pascasarjana FKM UI. Materi Pelatihan Penulisan Artikel Ilmiah Regional. Biostatistik dan Statistik Kesehatan. Jakarta. Modul Analisa Data. 2003 Notoatmodjo.