You are on page 1of 10

Laporan Praktikum Ke-1

MK. Analisis Data Pangan dan Gizi

Tanggal Mulai : 12 Mei 2015
Tanggal Selesai : 12 Mei 2015

UJI HUBUNGAN DAN UJI BEDA

Oleh :
Latifah Zahroh
I14144020
Asisten Praktikum:
Anna Vipta Resti Mauludyani, S.P. M.Gizi
Agung Yudhistiwa

Koordinator Praktikum:
Prof. Dr. Ir. Dadang Sukandar, M.Sc

DEPARTEMEN GIZI MASYARAKAT
FAKULTAS EKOLOGI MANUSIA
INSTITUT PERTANIAN BOGOR
2015
A. Test Normalitas
Test normalitas berguna untuk menentukan data yang telah
dikumpulkan berdistribusi normal atau tidak. Menurut pakar statistik, data
yang banyaknya lebih dari 30 angka (n > 30), maka sudah dapat
diasumsikan berdistribusi normal. Test normalitas tidak digunakan pada
variabel dengan skala nominal. Kolom Kolmogorov-Smirnov digunakan

apabila banyaknya data lebih dari 50 data dan kolom Shapiro-Wilk untuk
data kurang dari 50 data. Variabel dinyatakan normal apabila Sig. (pvalue) ≥0.05 dan data memiliki Sig. (p-value) < 0.05 merupakan data yang
tidak normal.
Buka file SPSS yang berjudul “Data buat praktikum ADPG”
Tambahkan variabel jenis kelamin setelah kolom hhcode (household
code), klik kanan pada variabel hhcode  klik insert variabel  muncul
variabel baru, responden 1-18 diberi kode 1 (laki-laki) dan selainnya diberi
kode 2 yaitu perempuan.
Klik variabel view  ganti nama variabel menjadi JK, width 2, decimal 0,
label jenis kelamin dan measure diganti nominal.
Variabel hhcode pada kolom type diganti string dan otomatis measure
menjadi nominal. Jadi hhcode tidak ditest normalitas.
Klik Analyze  Desciptive Statistic  Explore  pindahkan variabel
yang diuji ke Dependent List (Household size [hhsize], body mass index
[bmi], nutrition knowledge [nut_know], energy adequency [ener_ade] dan
protein adequency [prot_ade])  klik Plots ...  ceklist Normality plots
with tests  continue  OK
Lihat tabel Test of Normality pada ouput
Tests of Normality
Kolmogorov-Smirnova
Statistic
jenis kelamin
household size
body mass index
nutrition knowledge
energy adequency
protein adequency

.358
.195
.111
.206
.090
.107

df

Shapiro-Wilk

Sig.
39
39
39
39
39
39

.000
.001
.200*
.000
.200*
.200*

Statistic
.635
.898
.976
.860
.969
.933

df

Sig.
39
39
39
39
39
39

.000
.002
.551
.000
.355
.023

a. Lilliefors Significance Correction
*. This is a lower bound of the true significance.

Data yang digunakan adalah Shapiro-Wilk karena jumlah data yang ada
pada “Data buat praktium ADPG” kurang dari 50 data
Kenormalan data dilihat pada kolom Sig.
Variabel yang ditest Normalitas yang merupakan data normal adalah
- body mass index [bmi]
- energy adequency [ener_ade], sedangkan
Variabel merupakan data tidak normal adalah
- jenis kelamin [jk]
- household size [hhsize]
- nutrition knowledge [nut_know]
- proteim adequency [prot_ade]
B. Uji Hubungan
1. Pearson
Digunakan pada variabel bersifat kontinus (interval maupun rasio) yang
memiliki sebaran normal.
Tidak menentukan variabel yang menjadi independent dan dependent.

Variabel dikatakan berhubungan signifikan apabila nilai Sig. (2-tailed)
<0.05 dan variabel tidak berhubungan signifikan apabila nilai Sig. (2tailed) ≥0.05
Kekuatan hubungan dilihat dari nilai Pearson Correlation
Kekuatan Hubungan
Nilai
Rendah
0.1-0.3
Sedang
>0.3-0.5
Tinggi
>0.5-1
Tanda + pada nilai Pearson Correlation menyatakan bahwa ada hubungan
yang lurus dan Tanda - pada nilai Pearson Correlation menyatakan bahwa
ada hubungan yang terbalik.
Variabel yang digunakan adalah energy adequency dan body mass index,
karena kedua variabel tersebut memiliki distribusi data normal.
Langkahnya:
Klik Analyze  Correlate  Bivariate ...  pindahkan variabel body
mass index [bmi] dan energy adequency [ener_ade] ke kolom Variables:
 klik Options ...  pada kolom Statistics ceklist Means and standard
deviations dan pada Missing Values bulatkan Exclude cases pairwise 
continue  continue  pada kolom Correlation Coefficients ceklist
Pearson dan pada Test of Significance bulatkan Two-tailed dan ceklist
Flag significant correlations  OK
Liat tabel Correlations
Correlations
body mass index
body mass index

Pearson Correlation

1

Sig. (2-tailed)
N
energy adequency

Pearson Correlation
Sig. (2-tailed)
N

energy
adequency
-.183
.266

39

39

-.183

1

.266
39

39

Liat uji hubungannya di baris Sig. (2-tailed),
Lihat nilai dan tanda(+/-) pada baris Pearson Correlation. Nilai Pearson
Correlation 0.226, hubungan variabel energy adequency dan body mass
index tidak signifikan karena nilai Sig. (2-tailed) ≥0.05 dan memiliki tanda
– menyatakan hubungan tersebut terbalik.
Interpretasi:
Hubungan antara energy adequency dan body mass index tidak
memiliki hubungan yang signifikan. Hal ini dilihat dari nilai p 0.266.
Selain itu, kedua variabel ini memiliki kekuatan hubungan yang lemah.
Jadi, dari hasil ini diketahui bahwa semakin rendah energy adequency
maka semakin tinggi body mass index seseorang.
2. Spearman
Digunakan pada variabel bersifat kontinus (interval maupun rasio) yang
memiliki sebaran tidak normal pada satu variabel atau kedua variabel juga
dapat digunakan pada dua variabel yang bersifat kategorik yaitu ordinal.
Tidak menentukan variabel yang menjadi independent dan dependent.

Variabel dikatakan berhubungan signifikan apabila nilai Sig. (2-tailed)
<0.05 dan variabel tidak berhubungan signifikan apabila nilai Sig. (2tailed) ≥0.05
Kekuatan hubungan dilihat dari nilai Correlation Coefficient
Kekuatan Hubungan
Nilai
Rendah
0.1-0.3
Sedang
>0.3-0.5
Tinggi
>0.5-1
Tanda + pada nilai Correlation Coefficient menyatakan bahwa ada
hubungan yang lurus dan Tanda - pada nilai Correlation Coefficient
menyatakan bahwa ada hubungan yang terbalik.
Variabel yang digunakan adalah protein adequency dan body mass index,
karena kedua variabel tersebut memiliki distribusi data normal.
Langkahnya:
Klik Analyze  Correlate  Bivariate ...  pindahkan variabel body
mass index [bmi] dan protein adequency [prot_ade] ke kolom Variables:
 klik Options ...  pada kolom Statistics ceklist Means and standard
deviations dan pada Missing Values bulatkan Exclude cases pairwise 
continue  continue  pada kolom Correlation Coefficients ceklist
Spearman dan pada Test of Significance bulatkan Two-tailed dan ceklist
Flag significant correlations  OK
Liat tabel Correlations
Correlations
body mass index
Spearman's rho

body mass index

Correlation Coefficient
Sig. (2-tailed)
N

protein adequency

Correlation Coefficient
Sig. (2-tailed)
N

protein
adequency

1.000

-.196

.

.231

39

39

-.196

1.000

.231

.

39

39

Liat uji hubungannya di baris Sig. (2-tailed),
Lihat nilai dan tanda(+/-) pada baris Correlation Coefficient. Nilai
Correlation Coefficient 0.231, hubungan variabel protein adequency dan
body mass index tidak signifikan karena nilai Sig. (2-tailed) ≥0.05 dan
memiliki tanda – menyatakan hubungan tersebut terbalik.
Interpretasi:
Hubungan antara protein adequency dan body mass index tidak memiliki
hubungan yang signifikan. Hal ini dilihat dari nilai p 0.231. Selain itu,
kedua variabel ini memiliki kekuatan hubungan yang lemah. Jadi, dari
hasil ini diketahui bahwa semakin rendah protein adequency maka
semakin tinggi body mass index seseorang.
3. Chi-square
Digunakan pada variabel bersifat kategorik yaitu nominal-ordinal,
nominal-scale dan ordinal-ordinal. Menentukan variabel yang menjadi
independent dan dependent sebelum dilakukan uji. Oleh karena itu,
variabel yang akan diuji diubah dulu menjadi data kategorik.

Variabel dikatakan berhubungan signifikan apabila nilai Sig. (2-tailed)
<0.05 dan variabel tidak berhubungan signifikan apabila nilai Sig. (2tailed) ≥0.05
a. Kategori household size
Variabel hhsize dikategorikan berdasarkan jumlah anggota rumah
tangga yaitu
Kategori hhsize
Jumlah Anggota Rumah Tangga
Kecil
1-4
Sedang
5-7
Besar
>8
Langkahnya:
Klik Transpose  Recode into Different Variables ...  pindahkan
variabel household size [hhsize] ke kolom InputVariables-> Output
Variable:  pada kolom Output Variable, ketik di Name: cat_hhsize
dan ketik di Label: category hhsize  klik Change  klik Old and
New Values ....  bulatkan Range, LOWEST through value: 4 dan
Value: 1 klik Add  bulatkan Range: 5 through: 7 dan Value: 2 klik
Add  bulatkan Range, HIGHEST through value: 8 dan Value: 3 klik
Add  klik Continue  OK
Dan akan muncul variabel baru
Klik Variabel View pindahkan cat_hhsize dibawah hhsize  ganti
Measure menjadi ordinal

b. Kategori body mass index
Variabel bmi dikategorikan berdasarkan perhitungan yaitu
Kategori bmi
bmi
Kurus
<18.4
Normal
18.5-25

Overweight
25.1-30
Obesitas
>30.1
Langkahnya:
Klik Transpose  Recode into Different Variables ...  pindahkan
variabel body mass index [bmi] ke kolom InputVariables-> Output
Variable:  pada kolom Output Variable, ketik di Name: cat_bmi dan
ketik di Label: category bmi  klik Change  klik Old and New
Values ....  bulatkan Range, LOWEST through value: 18.4 dan
Value: 1 klik Add  bulatkan Range: 18.5 through: 25.0 dan Value: 2
klik Add  bulatkan Range: 25.1 through: 30 dan Value: 3 klik Add
 bulatkan Range, HIGHEST through value: 30.1 dan Value: 4 klik
Add  klik Continue  OK
Dan akan muncul variabel baru
Klik Variabel View pindahkan cat_bmi dibawah bmi  ganti Measure
menjadi ordinal

c. Kategori nutrition knowladge
Variabel nutrition knowladge dikategorikan berdasarkan
pengetahuan gizi yaitu
Kategori nutknow
Nilai nutknow
Rendah
<59

nilai

Sedang
60-79
Tinggi
>80
Langkahnya:
Klik Transpose  Recode into Different Variables ...  pindahkan
variabel nutrition knowledge [nut_know] ke kolom InputVariables->
Output Variable:  pada kolom Output Variable, ketik di Name:
cat_nutknow dan ketik di Label: category nutrition knowladge  klik
Change  klik Old and New Values ....  bulatkan Range, LOWEST
through value: 59 dan Value: 1 klik Add  bulatkan Range: 60
through: 79 dan Value: 2 klik Add  bulatkan Range, HIGHEST
through value: 80 dan Value: 3 klik Add  klik Continue  OK
Dan akan muncul variabel baru
Klik Variabel View pindahkan cat_nutknow dibawah nut_know 
ganti Measure menjadi ordinal

Variabel yang akan digunakan adalah nutrition knowladge dan body mass
index
Hubungan antara kategori nutrition knowladge (variabel dependent)
dengan kategori body mass index (variabel independent)
Langkahnya:
Klik Analyze  Desciptive Statistic  Crosstabs ...  pindahkan variabel
nutrition knowladge [nut_know] ke Row(s): (untuk variable independent)
dan body mass index [bmi] ke Colomn(s): (untuk variable dependent) 
klik Statistics ...  ceklist Chi-square  Continue  OK

Lihat tabel Chi-Square Tests

Chi-Square Tests
Value
Pearson Chi-Square
Likelihood Ratio
Linear-by-Linear
Association
N of Valid Cases

Asymp. Sig. (2sided)

df

4.933a
7.085

3
3

.177
.069

1.393

1

.238

39

a. 6 cells (75,0%) have expected count less than 5. The minimum
expected count is ,31.

Liat uji hubungan di kolom Asymp. Sig. (2-sided) yaitu 0.117, karena
>0.05 maka tidak ada hubungan antar variabel tersebut.
Interpretasi:
Hubungan antara body mass index dan nutrition knowladge tidak memiliki
hubungan yang signifikan. Hal ini dilihat dari nilai p 0.117.
C. Uji Beda
Digunakan pada variabel kategorik (nominal maupun ordinal) dengan
kontinus (interval maupun rasio).
1. T-Test
Digunakan pada variabel yang berdistribusi normal dan variabel kategori
terdiri dari 2 group.
Variabel dikatakan berbeda nyata apabila nilai Sig. (2-tailed) <0.05 dan
variabel tidak berbeda nyata apabila nilai Sig. (2-tailed) ≥0.05.
Variabel yang digunakan adalah jenis kelamin dan body mass index
Langkahnya:
Klik Analyze  Compare Means  Independent-Samples T Test 
pindahkan variabel body mass index [bmi] ke kolom Test Variable(s):
(variabel yang akan diuji beda) dan jenis kelamin[JK] ke kolom Grouping
Variable: (variabel yang menjadi dasar pembeda variabel yang akan diuji
beda)  klik Define Groups ...  isi Group 1: 1 dan Group 2: 2 
Continue  OK
Lihat tabel Independent Samples Test
Independent Samples Test
Levene's Test for
Equality of
Variances

F
body mass index Equal variances
assumed
Equal variances
not assumed

1.979

Sig.

t-test for Equality of Means

t

.168 .631

95% Confidence
Interval of the
Difference
Sig. (2Mean
Std. Error
tailed) Difference Difference Lower Upper

df
37

.532

.7619

1.2078 -1.6853 3.2091

.650 35.206

.520

.7619

1.1726 -1.6182 3.1420

Liat uji beda di kolom Asymp. Sig. (2-sided) karena >0.05 maka tidak ada
hubungan antar variabel tersebut.
Lihat tabel Group Statistics
Group Statistics
jenis
kelamin

N

Mean Std. Deviation Std. Error Mean

body mass index 1

18 24.333

2.9306

.6907

2

21 23.571

4.3425

.9476

Lihat kolom Mean untuk melihat variabel yang paling banyak diantara
kedua group tersebut.
Interpretasi:
Hubungan antara jenis kelamin dan body mass index tidak berbeda nyata,
namun laki-laki memiliki body mass index yang lebih kecil daripada
perempuan.
2. Mann-Whitney
Digunakan pada variabel yang berdistribusi tidak normal dan variabel
kategori terdiri dari 2 group.
Variabel dikatakan berbeda nyata apabila nilai Sig. (2-tailed) <0.05 dan
variabel tidak berbeda nyata apabila nilai Sig. (2-tailed) ≥0.05.
Variabel yang digunakan adalah jenis kelamin dan protein adequency
Langkahnya:
Klik Analyze  Nonparametic Test  Two-Independent-Samples Test 
pindahkan variabel protein adequency [prot_ade] ke kolom Test
Variable(s): (variabel yang akan diuji beda) dan jenis kelamin[JK] ke
kolom Grouping Variable: (variabel yang menjadi dasar pembeda variabel
yang akan diuji beda)  klik Define Groups ...  isi Group 1: 1 dan
Group 2: 2  klik Options ...  pada kolom Statistics ceklist Descriptive
dan pada kolom Missing Values bulatkan Exclude cases test-by-test 
Continue  pada kolom Test Type ceklist Mann-Whitney U  OK
Lihat tabel Test Statistics
Test Statisticsb
protein
adequency
Mann-Whitney U
Wilcoxon W
Z
Asymp. Sig. (2-tailed)
Exact Sig. [2*(1-tailed Sig.)]

136.500
367.500
-1.480
.139
.140a

a. Not corrected for ties.
b. Grouping Variable: jenis kelamin

Liat uji beda di kolom Asymp. Sig. (2-sided) yaitu 0.139 karena >0.05
maka tidak ada hubungan antar variabel tersebut.

Lihat tabel Ranks
Ranks
jenis
kelamin
protein adequency

N

Mean Rank

Sum of Ranks

1

18

22.92

412.50

2

21

17.50

367.50

Total

39

Lihat kolom Mean Rank untuk melihat variabel yang paling banyak
diantara kedua group tersebut.
Interpretasi:
Hubungan antara jenis kelamin dan protein adequency tidak berbeda
nyata, namun laki-laki memiliki protein adequency yang lebih besar
daripada perempuan.