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

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

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

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

misalnya untuk variabel pendidikan SD kode 1. b. Untuk mengetahui kesalahan data berikut ilustrasi keluaran dari variabel pendidikan: 8 . Mengetahui variasi data Dengan mengetahui variasi data akan diketahui apakah data yang di-entry benar atau salah. Cara mendeteksi dengan mengeluarkan distribusi frekuensi masing-masing variabel.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). Dalam entry data biasanya data dimasukkan dalam bentuk kode/coding. karena total jumlahnya hanya 95 (seharusnya 100). SMP kode 2. sedangkan pada tabel pendidikan ada 5 pasien yang missing. SMU kode 3. dan PT kode 4.

d. Seharusnya variabel pendidikan variasi angkanya hanya dari angka 1 s. Mengetahui konsistensi data Cara mendeteksi adanya ketidakkonsistensi data dengan menghubungkan dua variabel. membandingkan dua tabel Tabel 4 Keikutsertaan KB KB Ya Tidak Total Jumlah 20 80 100 9 . namun terlihat ada data yang salah.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. Contoh: 1). yaitu munculnya kode pendidikan angka 7 yang berjumlah 4 pasien. 4. c.

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 . 2). Seharusnya pada baris total jenis alat kontrasepsi jumlahnya 20 orang.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).

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

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

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

Help: memuat informasi bantuan bagaimana menggunakan berbagai fasilitas pada SPSS. Pie. garis. I. ada 4 hal yang harus dieperhatikan: a. Histogram. Memberi Nama Variabel Pertama kali yang harus dilakukan pada saat entry data adalah memberi nama variabel. Agar tidak menemui kesulitan dalam membuat nama variabel. berikut akan diuraikan ketentuan / persyaratan nama variabel: * Nama variabel maksimum berisi 8 huruf/karakter. scatter plot dsb.SUTANTO PRIYO HASTONO: Analisis Data Analyze: digunakan untuk memilih berbagai prosedur statistik. Graphs: digunakan untuk membuat grafik meliputi grafik Bar. MEMASUKKAN DATA Entry data dapat langsung dilakukan pada data editor. untuk SPSS versi 13 jumalh karakter dapat lebih dari 8 huruf 14 . 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. Satu variabel mewakili/melambangkan satu pertanyaan. dari statistik sederhana (deskriptif) sampai dengan analisis statistik komplek (multivariat). misalnya dari jendela data ke jendela output. Window: digunakan untuk berpindah-pindah antar jendela. 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.

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

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

3 12.800 3.000 3.4 bbbayi 2.1 10.300 4.3 10.0 8.1 11.600 2.600 3.1 11.8 10.300 4.2 9.2 11.8 10.400 3.900 2.900 2.4 13.700 2. 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 10.800 3.2 9.900 2.800 3.0 10.400 3.800 3.2 10.2 11.2 10.1 10.0 10.600 3.8 10.8 9.4 8.2 10.1 7.000 3.600 2.1 9.2 12.500 3.300 4.000 3.1 9.4 12.1 11.0 12.5 11.100 2.3 11.600 3.100 2.8 10.8 9.1 10.9 11.4 9.8 11.300 2.1 10.1 10.8 9.300 2.4 7.2 11.4 11.1 8.2 10.600 2.2 10.900 2.0 12.8 10.800 3.600 3.2 11.1 10.1 9.5 9.000 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 .100 2.0 12.2 10.2 10.2 Hb2 11.3 11.700 2.3 9.3 12.0 8.000 3.000 4.400 3.3 10.1 11.500 2.0 10.100 2.0 10.500 3.500 2.2 10.000 3.500 4.2 11.8 9.1 10.2 11.1 10.8 10.SUTANTO PRIYO HASTONO: Analisis Data Survei dilakukan dengan jumlah responden sebanyak 50 orang.2 11.2 11.1 10.2 7.1 12.000 4.4 12.4 12.1 10.2 13.100 3.2 10.2 13.1 11.8 9.1 11.0 12.1 9.2 11.3 9.2 10.500 4.000 3.5 9.

sbb: a.2 11. Langkah pertama : Memberi/membuat nama variabel: Layar pada tampilan Workshet di menu data SPSS ada 2 jenis.4 13.2 10. dst. yaitu jendela “Data View” dan “Variabel View”. Selanjutnya kita dapat membuat nama variabelnya dimulai dari No.2 11. umur. Width.100 5 5 3 3 4 4 2 1 4 4 4 1 4 4 2 2 A.2 13. didik.3 12. layar/jendela posisikan pada “Variable View”. sehingga muncul tampilan layar “Variable View” Pada tampilan “Variable View” diatas terlihat kolom: Name. Type. Untuk membuat nama variabel.800 3.0 12.300 2.3 3..900 2. Sekarang lakukan : klik “Variable View” di bagian kiri bawah.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. Membuat Variabel No Adapun tahapannya sbb: 18 . Decimals.. dst.

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

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

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

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

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

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

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

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

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

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

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

tidaknya kita harus melakukan dapat modifikasi/transformasi data. Beberapa data bisa jadi masih perlu dilakukan modifikasi/transformasi. TRANSFORMASI / MODIFIKASI DATA Setelah semua data di-entry pada dasarnya anda dapat langsung melakukan analisis untuk mengetahui informasi yang diinginkan. modifikasi dilakukan dilihat/dicek pada “Definisi Operasional Variabel” dari penelitian/tesis/skripsi kita. Dari uraian di atas tentunya sekarang menjadi jelas ternyata seringkali kita tidak dapat langsung melakukan Perlu analisis. Namun seringkali data yang ada tidak semuanya dapat langsung dilakukan analisis. 20 – 35 th dan > 35 th. Variabel umur perlu dilakukan 34 . 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). misalnya untuk keperluan analisis kita harus mengelompokkan umur menjadi tiga katagori misalnya < 20 th. sedangkan variabel umur dan sikap masih perlu dilakukan modifikasi/transformasi dengan SPSS. Kasus lain.SUTANTO PRIYO HASTONO: Analisis Data 3. 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.

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

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

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

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

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

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

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

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

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

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

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 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 . melainkan beberapa file data yang tentunya harus digabung kalau kita akan melakukan analisis data.SUTANTO PRIYO HASTONO: Analisis Data 5. Teknik penggabungan data ada dua jenis yaitu penggabungan responden dan penggabungan variabel. berisi: nomor responden 1 s/d 3 No 1 2 3 Data file kedua. Penggabungan responden/case Misal: data file pertama. MENGGABUNG FILE DATA # perintah : MERGE Dalam pengolahan data seringkali kita mempunyai tidak satu file data. a.

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

misalnya data12 b. klik Save As isikan nama file baru. 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. kerja dan berat badan 50 .SUTANTO PRIYO HASTONO: Analisis Data 5. sex. Untuk menyimpan file gabungan. Klik OK. klik Open 6. dan akhirnya tergabunglah kedua file data 7. berisi variabel : no. Penggabungan variabel Data pertama : berisi variabel : no.

Langkahnya: 1. sorot Merge Files. sex. didik.sav. klik data. misalnya data pertama dengan nama Data3.sav’ dalam kondisi aktif 2.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. umur. sorot Add Variables 51 . File ‘data3.sav dan data kedua dengan nama Data4. berisi : no. 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.

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

0 100.0 Valid Percent 40.0 53 .SUTANTO PRIYO HASTONO: Analisis Data Frequencies Statistics RISK N Valid Missing 5 0 RISK Cumulative Percent 40.0 100.0 60.0 100.0 Valid 1 2 Total Frequency 2 3 5 Percent 40.0 60.

tapi timbangan emas tidak valid untuk menimbang berat badan. Jadi dapat disimpulkan bahwa timbangan emas valid untuk mengukur berat cincin. Hal ini sangat penting dalam penelitian karena kesimpulan penelitian hanya akan dapat dipercaya (akurat). Data yang kita kumpulkan tidak akan berguna bilamana alat pengukur yang digunakan untuk mengumpulkan data penelitian tidak mempunyai validitas dan reliabilitas yang tinggi. 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. sedangkan alat ukur kedua dengan menghitung langkah kaki. maka dia harus menggunakan timbangan emas. VALIDITAS Validitas berasal dari kata Validity yang mempunyai arti sejauhmana ketepatan suatu alat ukur dalam mengukur suatu data. Uji validitas dan Reliabilitas Kuesioner Salah satu masalah dalam suatu penelitian adalah bagaimana data yang diperoleh adalah akurat dan objektif. Dilain pihak bila seseorang ingin menimbang berat badan.SUTANTO PRIYO HASTONO: Analisis Data 3 UJI INSTRUMEN A. maka dia harus menggunakan timbangan berat badan. Alat ukur pertama denganmeteran yang dibuatdari logam. 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.

artinya variabel valid Ho gagal ditolak. Pengukuran reliabilitas pada dasarnya dapat dilakukan dengan dua cara : Ho ditolak. Dari ilustrasi ini berarti meteran logam lebih reliable dibandingkan langkah kaki untuk mengukur jarak. Teknik korelasi yang digunakan korelasi Pearson Product Moment: r= N (ΣXY). 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. Sebaliknya pengukuran yang dilakukan dengan kaki. Jadi jika misalnya menjawab terhadap perilaku merokok mempertinggi kepercayaan diri.(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. besar kemungkinan akan didapatkan hasil yang berbeda kalau pengukurannya diulang dua kali atau lebih. maka seharusnya tetap konsisten pada jawabab semula yaitu tidak setuju.SUTANTO PRIYO HASTONO: Analisis Data dengan meteran logam akan mendapatkan hasil yang sama kalau pengukurannya diulang dua kali atau lebih. artinya variabel tidak 55 . Suatu variabel (pertanyaan) dikatakan valid bila skor variabel tersebut berkorelasi secara signifikan dengan skor totalnya. maka jika beberapa waktu kemudian ia ditanya lagi untuk hal yang sama.

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

jarang 2. Ya 5.kadang-kadang 3. Untuk mengukur stress digunakan 5 pertanyaan. 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 . Apkah anda sering terpaksa bekerja lembur? 1. kadang-kadang 3. tidak 2. jarang 2. Menurut anda. tidak 1. sering 4. perlu 5. sering 5. Ya 5. jarang 2. jarang 2. sangat perlu 4. tidak 1. tidak pernah 1. selalu 2. apakah dalam hidup ini perlu bersaing? 4. sering 5. Apakah anda mudah marah? 4. kadang-kadang 3. kadang-kadang 4. Uji coba dilakukan pada 15 responden dengan bentuk pertanyaan sbb: 1. jarang 3. Apakah anda sering terjadi konflik dengan keluarga? 5. sering 4. Ya 3. Apakah anda sering terjadi konflik dengan teman kerja? Hasil pretest pada 15 responden.SUTANTO PRIYO HASTONO: Analisis Data KASUS: UJI VALIDITAS DAN RELIABILITAS KUESIONER Lakukan uji validitas dan reliabilitas kuesioner untuk mengetahui tingkat stress pekerja industri. kadang-kadang 3. tidak pernah 1.

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

27 2.928 N of Items 5 Item Statistics sering terpaksa lembur Bersaing dlm hidup Mudah marah konflik keluarga konflik dgn teman Mean 2.40 2.121 1. biarkan pilihan pada ‘Alpha’ Klik Option ‘Statistics’ 8. Pada bagian ‘Descriptives for’ klik pilihan ‘ítem’.47 2. 10. 9. Klik ‘Continue’ Klik ‘OK’.100 1..40 2.121 1. Deviation 1. Pada ‘Model’. terlihat hasil outputnya sbb : Reliability Statistics Cronbach's Alpha . Scale if Item deleted.47 Std. 7.SUTANTO PRIYO HASTONO: Analisis Data 6.187 1.187 N 15 15 15 15 15 59 .

514). *) Menentukan nilai r tabel Nilai r tabel dilihat dengan tabel r (pada lampiran) dengan menggunakan df = n2 15-2=13. varian dll.881 .60 9.924 15. P3.881 sering terpaksa lembur Bersaing dlm hidup Mudah marah konflik keluarga konflik dgn teman Interpretasi: Hasil analisis reliability memperlihatkan dua bagian.686 15. Kesimpulan: Terlihat dari 5 pertanyaan. a.73 9.124 Corrected Item-Total Correlation .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.3275) yang nilainya lebih rendah dari r tabel (r=0.53 Scale Variance if Item Deleted 15. ada satu pertanyaan yaitu P2 (r=0. sedangkan untuk pertanyaan P1. Kaidah yang berlaku bahwa pengujian dimulai dengan menguji validitas kuesioner baru dilanjutkan uji reliabilitas.124 20. P4 dan P5 dinyatakan valid.993 .884 .963 .60 9.971 15. 60 .955 . Uji Validitas Untuk mengetahui validitas kuesioner dilakukan dengan membandingkan nilai r tabel dengan nilai r hitung.SUTANTO PRIYO HASTONO: Analisis Data Item-Total Statistics Scale Mean if Item Deleted 9.328 .915 . Pada tingkat kemaknaan 5%. Bagian utama menunjukkan hasil statistik deskriptif masing-masing variabel dalam bentuk mean. maka pertanyaan tersebut valid. ketentuan: bila r hasil > r tabel.892 .963 Cronbach's Alpha if Item Deleted . didapat angka r tabel = 0. Sehingga pertanyaan P2 tidak valid.53 9. Pada bagian kedua memperlihatkan hasil dari proses validitas dan reliabilitas.

121 1.27 7.47 2.095 11.495 Corrected Item-Total Correlation .971 .988 sering terpaksa lembur Mudah marah konflik keluarga konflik dgn teman Interpretasi: Sekarang terlihat bahwa dari keempat pertanyaan.27 Scale Variance if Item Deleted 11.33 7.971 .187 N 15 15 15 15 Item-Total Statistics Scale Mean if Item Deleted 7. Pilih ‘Scale’ 3. Lakukan prosedur/langkah seperti di atas yaitu: 1.40 2.40 2. Masukkan keempat variabel ke dalam kotak ‘Items’ (variabel P2 tidak ikut dianalisis) 5.121 1. semua mempunyai nilai r hasil (Corrected item-Total Correlation) berada di atas dari niali r tabel (r=0. 61 . Klik ‘Analyze’ 2.095 12.33 7.495 12. Klik “OK” Kemudian muncul tampilan Output sbb: Reliability Statistics Cronbach's Alpha . Pilih ‘Reliability Analysis’ 4.996 .993 N of Items 4 Item Statistics sering terpaksa lembur Mudah marah konflik keluarga konflik dgn teman Mean 2.SUTANTO PRIYO HASTONO: Analisis Data Langkah selanjutnya melakukan analisis lagi dengan mengeluarkan pertanyaan yang tidak valid.187 1.994 . Deviation 1. sehingga dapat disimpulkan keempat pertanyaan tersebut valid.988 .996 Cronbach's Alpha if Item Deleted .994 .514).47 Std.

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

klik Kappa 5. Klik OK. sorot Descriptif. tidak Kemudian dilakukan uji coba dengan pengamatan sebanyak 10 pasien. Klik Continue 6. dan hasilnya 63 . 4. Klik tombol Statistic. Masukkan variabel ‘peneliti’ ke bagian Row dan masukkan variabel ‘numerator’ ke bagian colom. 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.SUTANTO PRIYO HASTONO: Analisis Data Apakah dalam melakukan komunikasi dengan pasien bersifat ramah ? 1. ya 2. Klik analysis. sorot dan klik Crostab 3. data di entry di SPSS 2.

SUTANTO PRIYO HASTONO: Analisis Data Symmetric Measures Value . Dengan hasil ini berarti p value > alpha berarti hasil uji kappa tidak signifikan/bermakna. Using the asymptotic standard error assuming the null hypothesis.065. Error . Not assuming the null hypothesis. b.065 a. Hasil uji didapatkan nilai koefisien kapaa sebesar 0. . T 1.262 Approx. a Std.583 dan p valuenya sebesar 0. sehingga kesimpulannya: ada perbedaan persepsi mengenai aspek yang diamati antara peneliti dengan numerator.583 10 Asymp. Sig.845 b Measure of Agreement N of Valid Cases Kappa Approx. 64 .

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

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

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

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

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

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

3 31. 3. Umur 2.1 10.1 7. Lama hari rawat Mean Median 30. Namun perlu diingat bahwa kita dianjurkan hanya memilih salah satu.9 2 – 60 10.0 8.enyampaikan informasi suatu data/variabel. tidak diperkenankan secara sekaligus menggunakan tabel dan juga grafik dalam m. Bentuk Penyajian Data Bentuk penyajian analisis univariat dapat berupa tabel atau grafik. Data numerik Tabel 1 Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun 1999 Variabel 1. Contoh penyajian analisis deskriptif: a. jenis kelamin mahasiswa bervariasi (heterogen) karena 50% pria dan 50% wanita. Pada kelas B.Maksimal 74 .1 17 – 60 SD Minimal. jenis kelamin mahasiswa tidak bervariasi (homogen pada pria) karena pria 90% dan wanita hanya 10%.SUTANTO PRIYO HASTONO: Analisis Data Contoh: Kelas A: mahasiswa 50 dan mahasiswi 50 Kelas B: mahasiswa 90 dan mahasiswi 10 Pada kelas A.

0 30. Eksplorasi data juga dapat untuk mendeteksi adanya nilai ekstrim/outlier. apakah distribusinya normal atau tidak.0 Bagaimana menginterpretasi tabel di atas? “dilihat konsentrasi/jumlah yang terbesar data pada kelompok mana?” Selain untuk mendeskripsikan masing-masing variabel.0 10. 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. misalnya apakah variannya homogen atau heterogen. analisis univariat dapat juga sekaligus untuk mengeksplorasi variabel yang dapat berguna dalam mendiagnosis asumsi statistik lanjut (terutama untuk variabel jenis numerik). 75 . bila ada nilai ekstrim sangat menentukan analisis selanjutnya (bivariat) apakah nilainya akan berkurang.SUTANTO PRIYO HASTONO: Analisis Data b.0 100.

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

0 26.0 32.0 22. 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. proporsi dapat dilihat pada kolom ‘Percent’. Klik ‘OK’. dari jumlah tersebut 10 ibu yang berpendidikan SD.0 100. total responden 50 orang.0 100.0 42.0 32. pada contoh di atas ada 20% ibu yang berpendidikan SD. Kolom ‘Valid Percent’ memberi hasil yang sama karena pada data ini tidak ada ’missing cases’.0 26. ‘Cumulative Percent’ 77 .0 Cumulative Percent 20.0 74. hasil dapat dilihat di jendela output.0 Valid 1 2 3 4 Total Kolom ‘Frequency’ menunjukkan jumlah kasus dengan nilai yang sesuai. Pada contoh di atas.0 22.0 100.0 Valid Percent 20.SUTANTO PRIYO HASTONO: Analisis Data 3.

Adapun penyajian dan interpretasinya sbb: Tabel … Distribusi Responden Menurut Tingkat Pendidikan Di ………… X tahun …. 22. minimal dan maksimal.0%) sedangkan untuk pendidikan SD. Sedangkan ukuran sebarannya (variasi) yang digunakan adalah range. b. yaitu dapat yang melalaui digunakan perintah adalah 78 ‘Frequencies’ perintah Biasanya . Pada SPSS ada dua cara untuk mengeluarkan atau analisis deskriptif ‘Expolre’. Pendidikan SD SMP SMU PT Total Jumlah 10 11 16 13 50 Persentase 20. peringkasan data dapat dilakukan dengan melaporkan ukuran tengah dan sebarannya.0 Distribusi tingkat pendidikan responden hampir merata untuk masing-masing tingkat pendidikan. Paling banyak responden berpendidikan SMU yaitu 16 orang (32. Pada contoh di atas ada 42. Data Numerik Pada data numerik.0 32.0%.0 100.0% ibu yang tingkat pendidikannya SD dan SMP.SUTANTO PRIYO HASTONO: Analisis Data menjelaskan tentang persent kumulatif. median dan modus.0%.0 26.0 22. Dalam menginterpretasikan tabel katagorik dapat dilihat dari variasi dan konsentrasi datanya. Penyajian dan Interpretasi di Laporan Penelitian Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan penelitian/laporan tesis. Ukuran yang digunakan adalah rata-rata. SMP dan PT masing-masing 20.0% dan 26. standard deviasi.

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

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

0 4.0 74.0 10.0 10.0 6.0 6.0 4.0 20.0 10.0 6.00 19 4.0 96.0 100.0 68.10 .0 92.0 6.0 Valid Percent 14.0 6.0 6.0 Valid 19 20 21 22 23 24 25 26 27 30 31 32 34 35 Total 81 .0 4.0 10.0 6.0 58.0 100.686 24.0 26.0 46.0 6.0 6. Deviation Minimum Maximum 50 0 25.0 4.0 6.SUTANTO PRIYO HASTONO: Analisis Data Statistics umur ibu menyusui N Valid Missing Mean Std.0 80.0 54.0 4.0 8.0 8.0 6.850 19 35 umur ibu menyusui Frequency 7 3 3 5 5 4 2 5 3 3 3 3 2 2 50 Percent 14.0 86.0 10.0 4.0 Cumulative Percent 14.0 100.0 6.0 36.0 10. Error of Mean Median Mode Std.

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

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

00 10. .48 24. Error .90 24. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Tests of Normality Kolmogorov-Smirnov Statistic df Sig.00 11.812 Std. .00 Stem width: Each leaf: Stem & 1 2 2 3 3 .547 -.SUTANTO PRIYO HASTONO: Analisis Data Descriptives umur ibu menyusui Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.850 19 35 16 9 . .00 23. .72 26.337 .00 20. . Lilliefors Significance Correction umur ibu menyusui umur ibu menyusui Stem-and-Leaf Plot Frequency 7.520 4.130 50 . .920 50 Sig.002 a.662 umur ibu menyusui Shapiro-Wilk Statistic df .10 23.035 a Lower Bound Upper Bound Statistic 25.686 .00 2. Leaf 9999999 00011122222333334444 5566666777 00011122244 55 10 1 case(s) 84 .

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 .

d. jadi kita 95% yakin bahwa rata-rata umur ibu di populasi berada pada selang 23.72 s.48. maka distribusinya normal 3. Uji kenormalan data: Untuk mengetahui suatu data berdistribusi normal. Namun uji kolmogorov sangat sensitif dengan jumlah sampel. Atas dasar kelemahan ini dianjurkan untuk mengetahui kenormalan data lebih baik menggunakan angka skewness atau melihat grafik histogram dan kurve normal 86 .72 sampai 26. berarti distribusi normal 2.05) maka distribusi normal.48 tahun. maksudnya : untuk jumlah sampel yang besar uji kolmogorov cenderung menghasilkan uji yang signifikan (yang artinya bentuk distribusinya tidak normal). Kita dapat menghitung 95% confidence interval umur yaitu 23. Dari hasil tersebut kita dapat melakukan estimasi interval dari umur ibu. Dilihat dari grafik histogram dan kurve normal.SUTANTO PRIYO HASTONO: Analisis Data Dari hasil analisis ‘Explore’ terlihat juga nilai mean. Uji kolmogorov smirnov. ada 3 cara untuk mengetahuinya yaitu: 1. 26. median dan mode. bila bentuknya menyerupai bel shape. bila hasil uji signifkan (p value < 0. Menggunakan nilai Skewness dan standar errornya. Namun yang paling penting dari tampilan explore munculnya angka estimasi interval. bila nilai Skewness dibagi standar errornya menghasilkan angka ≤ 2.

dengan standar deviasi 4.Maksimal 19 . Adapun penyajian dan interpretasinya adalah sbb: Tabel 1 Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun x Variabel Umur Mean 25.48 Hasil analisis didapatkan rata-rata umur ibu adalah 25.72 – 26.547/0. berarti distribusi normal. Dari hasil tersebut diatas dengan demikian variabel umur disimpulkan berdistribusi normal.10 SD 4.48). Dari hasil estimasi interval dapat disimpulkan bahwa 95% diyakini bahwa rata-rata umur ibu adalah diantara 23.35 95% CI 23.85 Minimal. 87 . hasilnya masih dibawah 2.62 . dilihat dari histogram dan kurve normal terlihat bentuk yang normal.72 sampai dengan 26.85 tahun. selain itu hasil dari perbandingan skwness dan standar error didapatkan: 0.SUTANTO PRIYO HASTONO: Analisis Data Untuk variabel umur diatas.72 – 26.10 tahun (95% CI: 23. Penyajian dan Interpretasi di Laporan Penelitian Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan penelitian/laporan tesis.337 =1. Umujr termuda 19 tahun dan umur tertua 35 tahun.48 tahun.

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

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

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

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

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

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

Hipotesis nol (Ho) Hipotesis yang menyatakan tidak ada perbedaan sesuatu kejadian antara kedua kelompok. Setiap uji statistik mempunyai persyaratan tertentu yang harus dipenuhi. Jenis variabel yang akan dianalisis 2). 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). Jenis data apakah dependen atau independen 94 .SUTANTO PRIYO HASTONO: Analisis Data Penentuan jenis uji juga ditentukan oleh jumlah data yang dianalisis. Jenis uji statistik sangat tergantung dari: 1). 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). bila jumlah data kecil (<30) cenderung digunakan uji non parametrik. Oleh karena itu harus digunakan uji statistik yang tepat sesuai dengan data yang diuji. Penentuan Uji Statistik Yang Sesuai Ada beragam jenis uji statistik yang dapat digunakan.

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

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

maka dapat diartikan bahwa adanya perbedaan tersebut bukan karena faktor kebetulan namun karena memang karena adanya riwayat hipetensi. oleh karena peluangnya sangat kecil (p=0.0110. 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 .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.

apakah ada perbedaan berat badan antar sebelum mengikuti program diet dengan sesudahnya. kita perlu mengetahui apakah dua kelompok data tersebut berasal dari dua kelompok yang independen atau berasal dari dua kelompok yang dependen/pasangan. sehingga pada uji beda dua mean bisa menggunakan uji Z atau uji t. Dilain pihak. Pendekatan ujinya dapat menggunakan pendekatan distribusi Z dan distribusi t . Misalnya. kedua data dikatakan dependen/pasangan bila kelompok data yang dibandingkan datanya saling mempunyai ketergantungan. Uji statistik yang membandingkan mean dua kelompok data ini disebut uji beda dua mean.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 data berat badan sebelum dan sesudah mengikuti program diet berasal dari orang yang sama (data sesudah dependen/tergantung dengan data sebelum). apakah ada perbedaan tekanan darah penduduk dewasa orang kota dengan orang desa. Dikatakan kelompok independen tekanan darah kelompok bila data kelompok yang satu tidak tergantung dari kelopok kedua. 98 . misalnya membandingkan mean sistolik orang desa dengan orang kota. Sebelum kita melakukan uji statistik dua kelompok data. Tekanan darah orang kota independen (tidak tergantung) dengan orang desa. namun lebih sering digunakan uji t. Atau.

Bentuk varian kedua kelompok data akan berpengaruh pada nilai standar error yang akhirnya akan membedakan rumus pengujiannya. Apabila kedua syarat tersebut tidak terpenuhi maka dilakukan uji . yaitu: uji beda mean independen (uji T independen) dan uji beda mean dependen (uji T dependen). uji Z dapat digunakan bila standar deviasi populasi (σ) diketahui dan jumlah sampel besar (>30). a. c. Prinsip pengujian dua mean dua mean adalah melihat perbedaan variasi kedua kelompok data. Kedua kelompok data independen. Uji beda dua mean independen Tujuan: untuk mengetahui perbedaan mean dua dua kelompok data independen. syarat yang harus dipenuhi: a. b. sehingga uji beda dua mean biasanya menggunakan uji T (T Test). Oleh karena itu dalam pengujian ini diperlukan informasi apakah varian kedua kelompok yang diuji sama atau tidak. pada umumnya nilai σ sulit diketahui. 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 . Data berdistribusi normal/simetris. Variabel yang dihubungkan berbentuk numerik dan katagorik (ket: variabel katagorik hanya dengan dua kelompok). 1.2 99 .SUTANTO PRIYO HASTONO: Analisis Data Berdasarkan karakteristik data tersebut maka uji beda dua mean dibagi dalam dua kelompok. Uji untuk varian sama Uji beda dua mean dapat dilakukan dengan menggunakan uji Z atau uji T.

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

Kedua kelompok data dependen/pair c. Distribusi data normal b. 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 . Apakah ada perbedaan berat badan antara sebelum dan sesudah mengikuti program diet.SUTANTO PRIYO HASTONO: Analisis Data Apakah ada perbedaan tingkat pengetahuan antara sebelum dan sesudah dilakukan pelatihan. Syarat : a.

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

.421 10.364 df 48 Sig. standar deviasi dan standar error kadar Hb ibu untuk masing-masing kelompok.1439 .277 gr% dengan standar deviasi 1. Error Differe nce . Deviation 1.6547 Pada tampilan di atas dapat dilihat nilai rata-rata.277 Std.1439 -.790 t -.3003 . dan hasilnya sbb: T-Test Group Statistics status menyusui asi tdk EKSKLUSIVE EKSKLUSIVE N 24 26 Mean 10.717 Mean Differen ce -.SUTANTO PRIYO HASTONO: Analisis Data tahu bahwa ‘0’ kode untuk yang tidak eksklusif dan kode ‘1’ untuk Yang eksklusif.3951 95% Confidence Interval of the Difference Lower Upper -. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 7.9384 .072 Sig.2594 kadar hb pengukuran pertama Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Std. Rata-rata kadar Hb ibu yang menyusui ekslusif adalah 10. Error Mean .3968 -.363 46. Klik “Continue” 8.9425 .3228 Std.4712 1.6505 F kadar hb pengukur an pertama Equal variances assumed Equal variances not assumed .4 .719 -.322 103 . (2-taile d) . Klik “OK” untuk menjalankan prosedur perintahnya.

421 SD 1. Untuk. Penyajian dan Interpretasi di laporan penelitian: Seperti pada analisis deskriptif.717 artinya tidak ada perbedaan yang signifikan rata-rata kadar Hb antara ibu yang menyusui eksklusif dengan ibu yang menyusui non eksklusif.259 0.. SPSS akan menampilkan dua uji T. nilai p < alpha (0.322 gr%.322 1. Adapun bentuk penyajian dan interpretasinya adlah sbb: Tabel … Distribusi Rata-Rata Kadar Hb Responden Menurut Perilaku Menyusui di. Pada uji Levene di atas menghasilkan nilai p = 0. sedangkan untuk ibu yang menyusui non eksklusif.471 SE 0. sedangkan untuk ibu yang menyusui non eksklusif rata-rata kadar Hb-nya adalah 10. Menyusui Ya Eksklusif Tdk Eksklusif Mean 10. 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).. dapat dilihat uji kesamaan varian melalui uji Levene. Hasil uji T dapat dilihat pada tabel bawah.277 10.th.05) maka varian berbeda dan bila nilai p > alpha (0. memilih uji mana yang kita pakai.yaitu sebesar p=0.421 gr% dengan standar deviasi 1. print out di atas tidak boleh langsung di copy dan disajikan di laporan penelitian.471 gr%. didapat tidak ada perbedaan varian (varian kedua kelompok sama). rata-rata kadar Hb-nya adalah 10. Pada laporan penelitian kita harus membuat tabel baru untuk menyajikan hasil print out analisis di atas.300 P value 0.790 sehingga dapat disimpulkan bahwa pada alpha 5%.05) maka varian sama (equal). 104 .SUTANTO PRIYO HASTONO: Analisis Data gr%.421 gr% dengan standar deviasi 1.471 gr%.277 gr% dengan standar deviasi 1. Selanjutnya dicari p value uji t pada bagian varian sama (equal variances) di kolom sig (2 tailed) .717 N 26 24 Rata-rata kadar Hb ibu yang menyusui eksklusif adalah 10. Lihat nilai p Levene test.

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

1389 -.kadar hb pengukuran kedua Paired Differences 95% Confidence Interval of the Std.1957 .860 gr% dengan standar deviasi 1.7931 -. Error Mean .707 Sig. Pada pengukuran kedua (hb2) didapat rata-rata kadar Hb adalah 10. 106 .9821 .05 gr%. Klik ‘hb2’ 5.346 10. (2-taile d) -.0558 Std.346 gr% dengan standar deviasi 1. Rata-rata kadar Hb pada pengukuran pertama (hb1) adalah 10. .2349 -3. Klik ‘OK’ hasilnya tampak sbb T-Test Paired Samples Statistics Mean Pair 1 kadar hb pengukuran pertama kadar hb pengukuran kedua 10.3835 1.701 49 . Klik tanda panah sehingga kedua variabel masuk kotak sebelah kanan 6.000 Paired Samples Test Mean Pair 1 kadar hb pengukuran pertama .1493 Paired Samples Correlations N Pair 1 kadar hb pengukuran pertama & kadar hb pengukuran kedua 50 Correlation .38 gr%. Deviation 1.001 Pada tabel pertama terlihat statistik deskriptif berupa rata-rata dan standar deviasi kadar Hb antara pengukuran pertama dan pengukuran kedua. Klik ‘hb1’ 4.5140 . Std. Difference Deviati Error on Mean Lower Upper t df Sig.SUTANTO PRIYO HASTONO: Analisis Data 3.860 N 50 50 Std.

Penyajian dan Interpretasi di laporan penelitian: Dari hasil yang didapat di atas kemudian angka-angka disusun dalam tabel yang disajikan dalam laporan penelitian.514 dengan standar deviasi 0.346 10.SUTANTO PRIYO HASTONO: Analisis Data Uji T berpasangan dilaporkan pada tabel kedua.001 50 Mean SD SE P value N Rata-rata kadar Hb pada pengukuran pertama adalah 10. terlihat nilai mean perbedaan antara pengukuran pertama dan kedua adalah 0.19 0. Pada pengukuran kedua didapat rata-rata kadar Hb adalah 10.860 gr% dengan standar deviasi 1. maka dapat disimpulkan ada perbedaan yang signifikan kadar hb antara pengukuran pertama dengan pengukuran kedua.001.514 dengan standar deviasi 0.982.860 1.05 gr%.982.14 0.001 maka dapat disimpulkan ada perbedaan yang signifikan antara kadar Hb pengukuran pertama dan kedua. Th…… Variabel Kadar Hb Pengukuran I Pengukuran II 10. hasil uji statistik didapatkan nilai 0. Pada contoh di atas didapatkan nilai p=0. 107 .38 gr%. Bentuk penyajian dan interpretasinya sbb: Tabel … Distribusi Rata-Rata Kadar Hb Responden Menurut Pengukuran pertama dan Kedua di ….346 gr% dengan standar deviasi 1. Terlihat nilai mean perbedaan antara pengukuran pertama dan kedua adalah 0.38 1.05 0. perbedaan ini diuji dengan uji T berpasangan menghasilkan nilai p yang dapat dilihat pada kolom “Sig (2-tailed)”.

kedua. misalnya ingin mengetahui perbedaan mean berat badan bayi untuk daerah Bekasi. artinya akan meningkatkan peluang hasil yang keliru. 108 . Dalam menganalisis data seperti ini (> 2 kelompok) sangat tidak dianjurkan menggunakan uji T. sebaliknya bila hasil perbandingan tersebut menghasilkan lebih dari 1. Bila variasi within dan between sama (nilai perbandingan kedua varian sama dengan 1) maka mean-mean yang dibandingkan tidak ada perbedaan. Prinsip uji ANOVA adalah melakukan telaah variabilitas data menjadi dua sumber variasi yaitu variasi dalam kelompok (within) dan variasi antar kelompok (between). kelemahan menggunakan uji T adalah. Bogor dan Tangerang.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. maka mean yang dibandingkan menunjuk ada perbedaan. pertama kita melakukan uji berulang kali sesuai kombinasi yang mungkin. 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. Namun seringkali kita jumpai jumlah kelompok yang lebih dari dua.

Xk X= N Ket N = jumlah seluruh data (n1 + n2 + …. Pada bab ini hanya akan dibahas analisis varian satu faktor (one way). + 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. Data berdistribusi normal 4.+ (nk-1)Sk2 Sb2 = ..SUTANTO PRIYO HASTONO: Analisis Data Analisis varian (ANOVA) mempunyai dua jenis analisi varian satu faktor (one way) dan analisis faktor (two way). Beberapa asumsi yang harus dipenuhi pada uji ANOVA adalah: 1. Sampel/kelompok independen 3.X1 + n2.X2 + …….. 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. Jenis data yang dihubungkan adalah : Numerik dengan katagori (untuk katagori yang lebih dari 2 kelompok. Varian homogen 2.

Scheffe dan lain-lain. Pada modul ini yang akan dibahas adalah metode 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 . Honestly Significant different (HSD).SUTANTO PRIYO HASTONO: Analisis Data perbedaan yang bermakna (Ho ditolak). Ada berbagaijenis analisis multiple comparasion diantaranya adalah Bonferroni.

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

Klik “Continue” 9.32 3575.00 Std. Klik tombol “Post Hoc”.18 3994.04 Minim um 2100 2100 3000 3000 2100 Maxim um 2900 3000 4000 4100 4100 SD SMP SMU PT Total 112 .527 107.304 584.141 82.00 2727.SUTANTO PRIYO HASTONO: Analisis Data 6.951 72. Klik “OK” Oneway Descriptives berat badan bayi 95% Confidence Interval for Mean N 10 11 16 13 50 Mean 2470.27 3431.98 3336.666 241.108 386.60 2889.25 3761.209 270.232 Std. Deviation 249. Klik “Continue” 7.727 67.96 Upper Bound 2648.32 3528.40 2565.10 3003.23 3287.623 Lower Bound 2291. Error 78.54 3170. tandai dengan √ pada kotak “Bonferroni” 8.

SUTANTO PRIYO HASTONO: Analisis Data Test of Homogeneity of Variances berat badan bayi Levene Statistic 2.902 121.266* 330.294 115.506 df1 3 df2 46 Sig.027 .72 -948.51 25. Pada mereka yang berpendidikan SMU rata-rata berat 113 .228 119.93 -25.027 95% Confidence Interval Lower Bound Upper Bound -613. .468 121.000 .05 level. Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470.2 gram.294 119.000 .468 129. Error 129.286 124.14 384.0 gram dengan standar deviasi 249.76 99.977* -1034.538* 257.288* 1291.54 -634.02 1368.400 F 48.288* SMP SMU PT Std.64 948.36 1634.93 *.862 87564.228 110.315 .902 110.273 -703.250* -1291.42 1023.000 .76 -1023.250* 703.21 -1290.36 1290. Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2727.071 ANOVA berat badan bayi Sum of Squares 12697038 4027962 16725000 df 3 46 49 Mean Square 4232345.266* 961. Dari print out ini diperoleh rata-rata berat bayi dan stndar deviasi masing-masing kelompok.54 -384.000 .000 .14 -632.977* -330.000 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 -257.000 .2 gram dengan standar deviasi 241.538* 1034.6 gram.72 700.21 613.02 632.315 .273 SMU PT SD SMU PT SD SMP PT SD SMP SMU -961.51 -700.000 .42 -1368.36 -1634.000 . . .64 634.36 -99.334 Sig.492 Sig.492 124.286 115. The mean difference is significant at the .

1 3528.000 (kalau desimalnya 0.SMU .SUTANTO PRIYO HASTONO: Analisis Data bayinya adalah 3431. maka penulisannnya menjadi p=0.6 241.3 – 3575. Ternyata kelompok signifikan adalah tingkat pendidikan SD dengan SMU.1 gram.2 3761.2 gram dengan standar deviasi 270. Untuk mengetahui kelompok yang signifikan dapat terlihat dari kolom Sig.0 gram dengan standar deviasi 249. Pada mereka yang 114 . SMP dengan SMU.0005 Mean SD 95% CI P value Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470.3 gram.2 – 2889.2 gram.20 gram dengan standar deviasi 241.2 3431.5 249. Pada mereka yang berpendidikan SMU rata-rata berat bayinya adalah 3431. SD dengan PT. berarti pada alpha 5%.3 2291.9 0.1 386.1 gram.4 – 2648.0 2727.6 gram.0005).1 – 3994.2 270. Pada mereka yang berpendidikan PT rata-rata berat bayinya adalah 3761.PT 2470.6 3565.2 gram dengan standar deviasi 270.SMP . SMP dengan PT dan SMU dengan PT. terlihat p=0. Penyajian dan Interpretasi di laporan Penelitian Tabel … Distribusi Rata-Rata berat Bayi Menurut Tingkat pendidikan Variabel Pendidikan . Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2727. Pada Box paling bawah terlihat hasil dari uji ‘Multiple Comparisons Bonferroni” yang berguna untuk menelusuri lebih lanjut kelompok mana saja yang berhubungan signifikan. dapat disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan.SD . Pada hasil di atas nilai p uji ANOVA dapat diketahui pada kolom “F” dan “Sig”.3 3287.5 gram dengan standar deviasi 386.

5 gram dengan standar deviasi 386. SMP dengan 115 . Hasil uji statistik didapat niali p=0. SMU.SMP dengan PT dan SMU dengan PT. 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.3 gram.0005. SD dengan PT.

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

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

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. 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. d merupakan nilai observasi. c. b. 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. dapat mencari nilai X2 dengan menggunakan rumus: N (ad-bc)2 X2 = (a+c)(b+d)(a+b)(c+d) 118 . Ec dan Ed dapat dicari dengan cara yang sama.

SUTANTO PRIYO HASTONO: Analisis Data Uji kai kuadrat sangat baik untuk tabel dengan derajat kebebasan (df) yang besar. 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).0. Jika frekuensi sangat kecil. Adapun keterbatasan uji kai kuadrat adalah sbb: a. Penggabungan ini tentunya diharapkan tidak sampai membuat datanya kehilangan makna. Keterbatasan Kai Kuadrat Seperti kita ketahui. uji kai kuadrat menuntut frekuensi harapan/ekspektasi (E) dalam masing-masing sel tidak boleh terlampau kecil. Oleh karena itu dalam penggunaan kai kuadrat harus memperhatikan keterbatasanketerbatasan uji ini. lebih dari 20% dari jumlah sel. Formula kai kuadrat Yate’s Correction adalah sbb: (|O – E| . 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. Tidak boleh ada sel yang mempunyai nilai harapan (nilai E) kurang dari 1. Tidak boleh ada sel yang mempunyai nilai harapan (nilai E) kurang dari 5. b. 3 x 4 dsb). misalnya 3 x 2.5)2 X = E atau N {|ad-bc|2 – (N/2)]2 X2 = (a+c)(b+d)(a+b)(c+d) 2 3. 119 . Jika keterbatasan tersebut terjadi pada saat uji kai kuadrat.

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

0 Pembuatan persentase pada analisis tabel silang harus diperhatikan agar tidak salah dalam menginterpretasi. ada sebanyak 25 (50.0%) yang berpengetahuan tinggi.6 20. variabel pendidikan sebagai variabel independen dan pengetahuan sebagai variabel dependen.3 100.0 33. Sebetulnya bisa juga kodenya dibalik. Contoh di atas dapat di interpretasikan sbb: Dari 50 pasien yang berpendidikan SD.7 17.7%) yang berpengetahuan tinggi.7 80.0 61.0%) yang 121 . Contoh di atas jenis penelitiannya Cross Sectional.0 38.3 n 50 40 30 25 145 Total % 34.4 27.0 60. Tabel … Distribusi Responden menurut Tingkat Pendidikan dan Pengetahuan Pengetahuan Pendidikan N SD SMP SMU PT Jumlah 25 16 10 5 56 Rendah % 50.7 n 25 24 20 20 89 Tinggi % 50. Dari 40 pasien yang berpendidikan SMP. Dari 30 pasien yang berpendidikan SMU ada sebanyak 20 (66. ada sebanyak 24 (60.0 40.0 66. pembuatan persentasenya berdasarkan nilai variabel independen. bekerja =1 dan eksklusive =0. Dan dari 25 pasien yang berpendidikan PT. tapi harus konsisten. Dapat dilihat di tabel persentasenya berdasarkan masing-masing kelompok tingkat pendidikan (persentase baris). tdk eksklusive =1.3 20.SUTANTO PRIYO HASTONO: Analisis Data dan bekerja kode 0 dan ibu yang menyusui secara eksklusif diberi kode 1 dan non eksklusif diberi kode 0. misalnya kodenya: tidak bekerja =0. Pada jenis penelitian survei/Cross sectional atau Kohort. ada sebanyak 20 (80.0%) pasien mempunyai pengetahuan tinggi.

ada sebanyak (30%) responden yang berjenis kelamin laki-laki. Dari data ini terlihat ada kecenderungan bahwa semakin tinggi tingkat pendidikan akan semakin tinggi tingkat pengetahuannya.5 47.0 N 30 70 100 Kontrol % 30.0 Interpretasinya: Dari mereka yang menderita kanker paru.0 50. 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 % 75.0 25.0 70.0 50. Pada penelitian yang berjenis kasus kontrol (Case Control) pembuatan persentasenya berdasarkan variabel dependennya.5 100. 122 . ada sebanyak 75 (75%) responden berjenis kelamin laki-laki.0 n 105 95 200 Total % 52.SUTANTO PRIYO HASTONO: Analisis Data berpengetahuan tinggi. Sedangkan pada kelompok yang tidak menderita kanker paru.

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

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

853 50 1 .490 8. Sig. (2-sided) Exact Sig.013b 6.627 18.0% 7 28.189 .0% 25 100.209 4.0% 18 72. (1-sided) Pearson Chi-Square Continuity Correctiona Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases .816 125 .0%) have expected count less than 5.357 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 5.0% 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% 32.011 .0% 26 52.464 2. Computed only for a 2x2 table b.0% 24 48. Risk Estimate 95% Confidence Interval Lower Upper 1. The minimum expected count is 12.0% 50 100. (2-sided) .0% Total 25 100.412 50 .005 a.010 7.208 .004 Exact Sig.244 df 1 1 1 Asymp. 0 cells (.005 . 00.250 1.005 .SUTANTO PRIYO HASTONO: Analisis Data Crosstabs status pekerjaan ibu * status menyusui asi Crosstabulation status menyusui asi tdk EKSKLUSIVE EKSKLUSIVE 17 8 68.

biasanya digunakan untuk keperluan lebih spesifik. angka kedua adalah persentase menurut baris (data yang kita analisis “ASI. Bila tabel 2 x 2. sehingga kedua jenis ini jarang digunakan. Continuity Correction. dan tertulis diatas nilainya 0 cell (0 %) berarti pada tabel silang diatas tidak ditemukan ada nilai E < 5 126 . Hasil uji Chi Square dapat dilihat pada kotak “Chi Square Test”. dengan angka di masing-masing selnya.SAV. Angka yang paling atas adalah jumlah kasus masing-masing sel. Bila pada 2 x 2 dijumpai nilai Expected (harapan) kurang dari 5. maka digunakan uji “Pearson Chi Square” d.SUTANTO PRIYO HASTONO: Analisis Data Pada hasil di atas tertampil tabel silang antara pekerjaan dengan pola menyusui. ada 8 (32. maka uji yang dipakai sebaiknya “Continuity Correction (a)” c. Uji “Likelihood Ratio” dan “Linear-by-Linear Assciation”. berasal dari penelitian Cross Sectional sehingga persen yang ditampilkan adalah persentase baris. dan tidak ada nilai E < 5. Dari print out muncul dengan beberapa bentuk/angka sehingga menimbulkan pertanyaan. Sedangkan diantara ibu yang bekerja. apakah Pearson. Likelihood atau Fisher?” Aturan yang berlaku pada Chi Square adalah sbb: a. dapat dilihat pada footnote b dibawah kotak Chi-Square Test. misalnya analisis stratifikasi pada bidang epidemiologi dan juga untuk mengetahui hubungan linier dua variabel katagorik. namun bila junis penelitiannya Case Control angka persentase yang digunakan adalah persentase kolom) Dari analisis data di atas maka interpretasinya: Ada sebanyak 18 (72. Bila tabelnya lebih dari 2 x 2. 3 x 3 dsb. misalnya 3 x 2.0%) ibu yang tidak bekerja menyusui bayi secara eksklusif. “Angka yang mana yang kita pakai?”.0%) yang menyusui secara eksklusif. maka yang digunakan adalah “Fisher’s Exact Test” b. Untuk mengetahui adanya nilai E kurang dari 5.

Untuk mengetahui besar/kekuatan hubungan banyak metodenya tergantung latar belakangdisiplin keilmuannya. maka nilai OR dapat diperoleh dengan analisis regresi logistik sederhana dengan cara membuat “Dummy variable” 127 . Uji Chi square hanya dapat digunakan untuk mengetahuiada/tidaknya hubungan dua variabel. Sig” dan terlihat p valuenya = 0.209 – 4. Sedangkan nilai RR terlihat dari baris For Cohort yaitu bearnya 2.. Pada perintah Crosstab nilai OR akan keluar bila tabel silang 2 x 2. sehingga uji ini tidak dapat untuk mengetahui derajat/kekuatan hubungan dua variabel. Nilai OR digunakan untuk jenis penelitian Cross Sectional dan Case Control. Pada data ini berasal dari penelitian Cross Sectional maka kita dapat menginterpretasikan nialai OR=5.250 (95% CI: 1.464 (95% CI: 1. sedangkan nilai RR digunakan bila jenis penelitiannya Kohort. koefisien Contingency dan cramer’s V.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.357).189). bila tabel silang lebih dari 2 x 2. sedangkan untuk bidang kesehatan terutama kesehatan masyarakat digunakan nilai OR atau RR.011. Pada hasil di atas nilai OR terdapat pada baris Odds ratio yaitu 5.627 – 18. Dengan kata lain dapat disimpulkan bahwa ada hubungan status pekerjaan dengan perilaku menyusui eksklusif.46 kali untuk menyusui eksklusif dibandingkan ibu yang bekerja. misalnya 3 x 2. 4 x 2 dsb. berarti kesimpulannya ada perbedaan perilaku menyusui eksklusif antara ibu yang bekerja dengan ibu yang tidak bekerja. misal untuk ilmu sosial dengan melihat koefisien Phi.464 sbb: Ibu yang tidak bekerja mempunyai peluang 5.

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.464.0 52.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 % 68.0%) yang menyusui secara eksklusif. 128 .3 0. ada 18 (72.464 1.6 – 18. Sedangkan diantara ibu yang tidak bekerja.0 n 25 25 50 % 100 100 100 5.0 48.011 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).0 Eksklusif n 8 18 24 % 32.0 28. artinya ibu tidak bekerja mempunyai peluang 5. Dari hasil analisis diperoleh pula nilai OR=5. Hasil uji statistik diperoleh nilai p=0.46 kali untuk menyusui eksklusif dibanding ibu yang bekerja.0 72.

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

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

Regresi Linier Sederhana Seperti sudah diuraikan di depan bahwa analisis hubungzn dua variabel dapat digunakan untuk mengetahui bentuk hubungan dua variabel. Tujuan tidak ada hubungan/hubungan lemah hubungan sedang hubungan kuat hubungan sangat kuat / sempurna 131 . Uji hipotesis dapat dilakukan dengan dua cara.SUTANTO PRIYO HASTONO: Analisis Data Menurut Colton. Pada modul ini kita gunakan pendekatan distribusi t.00 – 0. dengan formula: n–2 t=r 1 – r2 df = n – 2 n = jumlah sampel 2.00 – 0. yaitu pertama: membandingkan nilai r hitung dengan r tabel.25 r = 0.25 r = 0. kedua: menggunakan pengujian dengan pendekatan distribusi t. 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 Uji Hipotesis Koefisien korelasi yang telah dihasilkan merupakan langkah pertama untuk menjelaskan derajat hubungan derajat hubungan linier anatara dua variabel. yaitu: r = 0. kekuatan hubungan dua variabel secara kualitatif dapat dibagi dalam 4 area.00 – 0.00 – 0. Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk mengetahui bentuk hubungan antar dua atau lebih variabel.25 r = 0. yaitu dengan analisis regresi.

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

Dansebaliknya. semakin besar nilai Se.SUTANTO PRIYO HASTONO: Analisis Data dan Y pada ilmu sosial/kesehatan masyarakat tidaklah eksak. Semakin kecil nilai Se. 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 . maka persamaan garis yang dibentuk menjadi: Y = Variabel Dependen X = Variabel Independen a = Intercept.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. Untuk mengetahhui besarnya Se dapat dihitung melalui formula sbb: 133 . makin tinggi ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan niali variabel dependen yang sesungguhnya. perbedaan besarnya rata-rata variabel Y ketika variabel X = 0 b = Slope. makin rendah ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan nilai variabel dependen yang sesungguhnya.

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

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

Pada kotak ‘Dependen’ isikan variabel yang kita perlakukan sebagai dependen (dalam 136 . Dari menu SPSS. dan baris ketiga menampilkan N (jumlah data). Pastikan tampilan berada pada data editor ASI. B. Hasil uji statistik didapatkan ada hubungan yang signifikan antara berat badan ibu dengan berat badan bayi (p = 0.684** . baris pertama berisi nilai korelasi (r).0005).SAV. dalam analisis regresi kita harus menentukan variabel dependen dan variabel independennya. pilih ‘Regression’. Pada hasil di atas diperoleh nilai r = 0.0005. Klik ‘Analysis’. Tampilan analisis korelasi berupa matrik antar variabel yang di korelasi.684 dan nilai p = 0.000 50 50 berat badan ibu berat badan bayi Pearson Correlation Sig. Pada tampilan di atas ada beberpa kotak yang harus diisi. Dalam kasus ini berarti berat badan ibu sebagai variabel independen dan berat badan bayi sebagai variabel dependen. jika belum aktifkan data tersebut.01 level (2-tailed).SUTANTO PRIYO HASTONO: Analisis Data Correlations Correlations berat badan ibu 1 berat badan bayi . (2-tailed) N **. Regresi Linier Sederhana Berikut akan dilakukan analisis regresi linier dengan menggunakan variabel ‘berat badan ibu’ dan ‘berat badan bayi’ dari data ASI. informasi yang muncul terdapat tiga baris. pilih ‘Linear’ 3.684** 1 .SAV. 2. baris kedua menapilkan nilai p (P value).000 50 50 . (2-tailed) N Pearson Correlation Sig. 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. Adapun caranya: 1. Correlation is significant at the 0.

684a .715 a. dan hasilnya sbb: Regression Model Summary Model 1 R R Square . klik ‘berat badan bayi’.468 Adjusted R Square .456 Std. Predictors: (Constant). Klik ‘OK’. Error of the Estimate 430. masukkan ke kotak Independent 6.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). caranya 4. Klik ‘berat badan ibu’. berat badan ibu 137 . masukkan ke kotak Dependent 5.

000a Regression Residual Total a.493 Sig. Dependent Variable: berat badan bayi Coefficientsa Unstandardized Coefficients B Std. sehingga persamaan regresinya: Y = a + bX Berat badan bayi = 657.680 6. .929 391.0005.SUTANTO PRIYO HASTONO: Analisis Data ANOVAb Model 1 Sum of Squares 7820262 8904738 16725000 df 1 48 49 Mean Square 7820261. berat badan bayi dapat diperkirakan jika kita tahu nilai berat badan ibu. . Selanjutnya pada tabel ANOVAb .000 a. 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.93 dan nilai b = 44.376 F 42.468 artinya.0005. Dependent Variable: berat badan bayi Dari hasil di atas dapat diinterpretasikan dengan mengkaji nilai-nilai yang penting dalam regresi linier diantaranya: koefisien determinasi.383 6. persamaan garis regresi yang kita peroleh dapat menerangkan 46. persamaan garis dan p value. Predictors: (Constant). diperoleh nilai p (di kolom Sig) sebesar 0.38. berat badan ibu b.684 Model 1 (Constant) berat badan ibu t 1. Jadi pada alpha 5% kita menolak 138 . Uji uji statistik untuk koefisien regresi dapat dilihat pada kolom Sig T.965 185515.154 Sig.8% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi. Error 657.93 + 44. Nilai koefisien determinasi dapat dilihat dari nilai R Square (anda dapat lihat pada tabel ‘Model Summary’) yaitu besarnya 0.676 44. dan menghasilkan nilai p=0.836 Standardized Coefficients Beta .38(berat badan ibu) Dengan persamaan tersebut. Dari hasil diatas didapat nilai konstant (nilai ini merupakan nilai intercept atau nilai a) sebesar 657.099 .

8. Penyajian dan Interpretasi Tabel … Analisis Korelasi dan regresi berat badan ibu dengan berat badan bayi Variabel Umur R 0.468 Persamaan garis bbayi =657.38 gr bila berat badan ibu bertambah setiap satu kilogram.93 + 44. Hasil uji statistik didapatkan ada hubungan yang signifikan antara berat badan ibu dengan berat badan bayi (p=0. persamaan garis regresi yang kita peroleh dapat menerangkan 46. Nilai koefisien dengan determinasi 0.684 R2 0. Memprediksi variabel Dependen Dari persamaan garis yang didapat tersebut kita dapat memprediksi variabel dependen (berat badan bayi) dengan variabel independen (berat badan ibu).38(berat badan ibu) Berat badan bayi= 657. Misalkan kita ingin mengetahui berat badan bayi jika diketahui berat badan ibu sebesar 60 kg.38 berarti bahwa variabel berat badan bayi akan bertambah sebesar 44.38(60) 139 .93 + 44.684) dan berpola positif artinya semakin bertambah berat badan ibu semakin besar berat badan bayinya.005). Dari nilai b=44. maka: Berat badan bayi =657.6% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi.468 artinya .SUTANTO PRIYO HASTONO: Analisis Data hipotesis nol.93 + 44. berarti ada hubngan linier antara berat badan ibu dengan berat badan bayi.0005 Hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan kuat (r=0.38*bbibu P value 0.

namun perkiraannya tergantung dari nilai ‘Std. Terlihat di layar grafik scatter plot-nya (garis regresi belum ada?) 7.96 * 430. Untuk mengeluarkan garisnya. Klik Total 10. Nilai Z dihitung dari tabel Z dengan tingkat kepercyaan 95% dan didapat nilai Z = 1.SUTANTO PRIYO HASTONO: Analisis Data Berat badan bayi = 3320. Dengan demikianvariasi variabel dependen = Z*SEE. sehingga variasinya 1. untuk berat badan ibu 60 kg diprediksikan berat badan bayinya adalah diantara 2476.96.715 (lihat di kotak Model Summary).201 Jadi dengan tingkat kepercayaan 95%.715 = ± 844. Pada kotak X Axis isikan variabel independennya (masukkan veriabel dependennya (masukkan Umur) 5. Error of The estimate’(SEE) yang besarnya adalah 430. Pada kotak Y Axis isikan variabel dependennya (masukkan veriabel dependennya (masukkan Hb1) 4. Membuat Grafik Prediksi Langkahnya: 1. klik ‘OK’ maka muncul garis regresi 140 . pada kotak ‘Fit Line. klik grafiknya 2 kali 8. Klik ‘OK’ 6.5 gr s.73 Ingat prediksi regresi tidak dapat menghasil.d 4164.9 gr C. Klik Sampel klik ‘Define’ 3. pilih ‘Scatter’ 2.kan angka yang tepat seperti di atas. Klik ‘Graphs. klik’Chart’ 9.

apakah berhubungan langsung atau pengeruh tidak langsung. Jumlah sampel dalam analisis multivariat sangat penting diperhatikan. maka diperlukan jumlah sampel minimal = 10 x 10 responden = 100 responden. Bentuk hubungan beberapa variabel independen dengan variabel dependen.SUTANTO PRIYO HASTONO: Analisis Data 11 ANALISIS MULTIVARIAT Proses analisis multivariat dengan menghubungkan beberapa variabel independen dengan satu variabel dependen pada waktu yang bersamaan. Bila dalam penelitian terdapat 10 variabel. Dari analisis multivariat kita dapat mengetahui: a. Variabel independen mana yang paling besar pengaruhnya terhadap variabel dependen? b. Prosedur pengujian tergantung dari jenis data yang diuji apakah katagori atau numerik. 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 . Apakah variabel independen berhubungan dengan variabel dependen dipengaruhi variabel lain atau tidak? c. sebaiknya jangan terlalu sedikit. pedoman yang berlaku adalah setiap variabel minimal diperlukan 10 responden.

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

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

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

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

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

sampai semua variabel yang memenuhi kriteria tersebut masuk ke dalam model.25. Metode melakukan pertimbangan aspek substansi. lakukan pemilihan variabel yang masuk dalam model. yaitu: a). c). meamasukkan semua variabel ke dalam model. maka variabel tersebut masuk dalam model multivariat. karena dalam pemodelan kita dapat . BACKWARD.SUTANTO PRIYO HASTONO: Analisis Data dependen (bivariat). Kriteria pengeluaran atau P-out (POUT) adalah 0. metode Stepwise dimulai dari tanpa 147 ini yang tepat/sering digunakan.005 artinya variabel yang dapat masuk model bila variabel tersebut mempunyai nilai P lebih kecil atau sama dengan 0. d).25 namun secara substansi penting. b). variabel yang pertama kali dikeluarkan adalah variabel yang mempunyai korelasi parsial terkecil dengan variabel dependen. Ada beberapa metode untuk melakukan pemilihan variabel independen dalam analisis multivariat regresi linier ganda.10 dikeluarkan dari model. Untuk variabel yang p value-nya > 0. bila hasil uji bivariat mempunyai nilai p<0. measukkan satu persatu variabel dari hasil pengkorelasian variabel dan memenuhi kriteria kemaknaan statistik untuk masuk ke dalam model.05.10. STEPWISE. memasukkan semua variabel independen dengan serentak satu langkah. model ini merupakan kombinasi antara metode backward dan Forward. kriteria variabel yang dapat masuk P-in (PIN) adalah 0. ENTER. Korelasi parsial adalah adalah korelasi antara variabel independen dengan dependen. tanpa melewati kriteria kemanaan statistik tertentu. Seperti halnya forward. maka variabel tersebut dapat masuk ke multivariat. tetapi kemudian satu persatu variabel independen dikeluarkan dari model berdasarkan kriteria kemaknaan tertentu. FORWARD. artinya variabel yang mempunyai nilai P lebih besar atau sama dengan 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. 2) Lakukan analisis secara bersamaan.

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

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

1.SUTANTO PRIYO HASTONO: Analisis Data KASUS: REGRESI LINIER GANDA Sebagai latihan kita melakukan analisis penelitian “faktor-faktor yang berhubungan dengan berat badan bayi”. Gunakan/aktifkan file data LBW. Variabel independennya meliputi berat badan ibu dlm pounds (BWT).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 . riwayat hipetensi(HT). frekuensi mengalami prematur (PTL) dan frekuensi melakukan ANC (FTV). umur ibu(AGE). gram Hasil Ukur 150 .SAV. 2 dst. riwayat merokok(SMOKE). Kode variabel pada file data : LBW. Variabel dependennya berat badan bayi (BWT)..

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

155* .055 189 189 1 -.544 189 -.044 .215** .044 .186* . Klik tombol ‘OK’ Muncul dilayar hasil sbb: Correlations Correlations Weight of mother (pounds) .215** .072 .155* .034 189 Birth weight (gram) .05 level (2-tailed).034 189 1 189 Age of mother Weight of mother (pounds) No physician visits in first trimester Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Age of mother 1 189 .072 .058 .140 .003 .219 189 History of premature labor Birth weight (gram) *.003 189 .180* .054 189 -.219 189 . (2-tailed) N Pearson Correlation Sig.426 189 189 1 189 -.058 .544 189 .328 189 .141 . Correlation is significant at the 0.180* .055 189 .328 189 189 .010 189 . **.SUTANTO PRIYO HASTONO: Analisis Data 4.090 .010 189 No History of physician prematur visits in first e labor trimester .090 . 152 .054 . Correlation is significant at the 0.186* . (2-tailed) N Pearson Correlation Sig.013 189 .013 189 1 189 . (2-tailed) N Pearson Correlation Sig.141 -.140 .01 level (2-tailed).426 189 -.

25 (yaitu p=0. maka variabel frekuensi anc tetap diikutkan dalam analisis multivariat. sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya. pilih menu ‘Analyze”. berat badan dan frekuensi prematur mempunayi p value < 0. berat badan (p=0.Klik variabel ‘smoke’ dan masukkan ke kotak‘Grouping Variable’.034). frekuensi prematur (p=0. Sedangkan untuk variabel frekuensi anc mempunyai p value > 0.25. Merokok Langkahnya: 1. Dari hasil ini dapat kita simpulkan bahwa variabel umur.SUTANTO PRIYO HASTONO: Analisis Data Hasil dari analisis bivariat dengan korelasi didapatkan nilai p value untuk variabel umur (p=219). namun demikian oleh karena secara substansi frekuensi anc merupakan faktor yang sangat penting mempengaruhi berat badan bayi.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4. kemudian pilih sub menu “Compare Means’. lalu pilih “Independen-Samples T Test” 2. Bivariat uji t: melakukan analisis bivariat untuk variabel independen berjenis katagorik: merokok dan riwayat hipertensi 1. dengan demikian ketiga variabel tersebut dapat lanjut masuk ke pemodelan multivariat. ingat jangan sampai terbalik. b. Ket: kotak test varibles tempat memasukkan variabel numeriknya.010).426).Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’. frekuensi anc (p=0.Dari menu utama SPSS.426) sehingga tidak bisa masuk ke multivariat. 3. 153 .

Deviation 752. Klik “Continue” 10.163 76. kita tahu bahwa ‘0’ tidak merokok dan kode ‘1’ untuk Yang merokok.075 Std.SUTANTO PRIYO HASTONO: Analisis Data 5. Klik “OK” untuk menjalankan prosedur perintahnya.409 660. Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 9. Pada contoh ini.96 2773. Error Mean 70.732 Birth weight (gram) 154 . kemudian di layar nampak kotak isian. dan hasilnya sbb: T-Test Group Statistics Smoking status No Yes N 115 74 Mean 3054.24 Std.Klik ‘Define Group’.

2. lalu pilih “Independen-Samples T Test” 2.009 Mean Differen ce 281. .009. ingat jangan sampai terbalik.634 df 187 2.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4.969 95% Confidence Interval of the Difference Lower Upper 70. pilih menu ‘Analyze”.007 281.7 F Birth weight (gram) Equal variances assumed Equal variances not assumed 1.693 492.508 Sig. kemudian pilih sub menu “Compare Means’.0 Hasil analisis hubungan merokok dengan berat bayi menghasilkan p value = 0.Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’.713 Std.709 170. 3. Error Differenc e 106. dengan demikian p value yang dihasilkan < 0.0 . Ket: kotak test varibles tempat memasukkan variabel numeriknya. Riwayat Hipertensi Langkahnya: 1.713 103.25 maka variabel merokok dapat lanjut ke multivariat.974 76.Klik variabel ‘ht’ dan masukkan ke kotak‘Grouping Variable’.Dari menu utama SPSS. (variabel yang sebelumnya (variabel smoke) dikeluarkan dahulu baru ‘ht’ dimasukkan 155 .221 t 2. (2-tail ed) .467 487.SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Sig. sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya.

Klik “OK” untuk menjalankan prosedur perintahnya.Klik ‘Define Group’.341 Std. Deviation 709.Klik “Continue” 7. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 6. kemudian di layar nampak kotak isian.309 264.226 917.SUTANTO PRIYO HASTONO: Analisis Data 5. Pada contoh ini. Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak.813 Birth weight (gram) 156 . Error Mean 53. kita tahu bahwa ‘0’ tidak ada hipertensi dan kode ‘1’ ada hipertensi’. dan hasilnya sbb: Group Statistics History of hypertension No Yes N 177 12 Mean 2972.31 2536.75 Std.

B.05. a.045.1 F Birth weight (gram) Equal variances assumed Equal variances not assumed 1.56 1.25 sehiingga variabel riwayat adanya hipertensi dapat lanjut ke analisis multivariat Dengan demikian selesailah sudah seleksi semua variabel independen.133 435. ht. Langkah Kedua : Pemodelan Multivariat Setelah tahap bivariat selesai. .235 t 2. berarti p valuenya < 0.045 Mean Differe nce 435. Pengeluaran variabel dilakukan tidak serempak. ftv) 157 . Adapun proses selengkapnya sbb: 1.024 861.612 11.419 Sig.908 . maka variabel tersebut harus dikeluarkan dalam model. Error Differen ce 215.05. smoke.5 1025 Dari hasil analisis bivariat uji t antara variabel riwayat adanya hipertensi dengan berat bayi didapatkan p value = 0. dari 6 variabel independen semuaanya masuk ke proses berikutnya yaitu ke analisis multivariat. melainkan bertahap satu per satu dikeluarkan dimulai dari p value yang terbesar.56 270. sorot dan klik ‘Linier’ lalu muncul menu regresi linier.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. tahap berikutnya melakukan analisis multivariat secara bersama-sama.SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Std. Klik ‘Analyisis’. Bila dalam model multivariat dijumpai variabel yang p value nya > 0. lwt.126 -153.019 df 187 Sig. Variabel yang valid dalam model multivariat adalah variabel yang mempunyai p value < 0. sorot ‘Regression’. (2-taile d) . ptl.

116 Adjusted R Square . Pada kotak ‘Method’. pilih Enter’ 6.829 a. dan hasilnya Regression Model Summary Model 1 R R Square .340a .SUTANTO PRIYO HASTONO: Analisis Data 5. Age of mother.086 Std. Smoking status. Abaikan lainnya 7. Weight of mother (pounds) 158 . History of premature labor. Predictors: (Constant). Error of the Estimate 696. No physician visits in first trimester. History of hypertension. Klik ‘OK’.

). Smoking status.057 Sig. Dependent Variable: Birth weight (gram) Dari kotak ‘Model Sumarry” didapatkan nilai R Square sebesar 0.116. yaitu umur (age) p=0.574 215. Dependent Variable: Birth weight (gram) Coefficientsa Unstandardized Coefficients B Std.030 .05.022 4. Dengan demikian variabel yang kita coba keluarkan adalah frekuensi anc(No physician. riwayat prematur (history prematur) p=0.193 -. .705 Standardized Coefficients Beta . Dari hasil uji statistik (lihat kotak anova) didapatkan p value = 0.008 .150 . Namun demikian prinsip pemodelan harus yang sederhana variabelnya sehingga masing-masing variabel indepeden perlu di cek nilai p valuenya. artinya keenamm variabel independen dapat menjelaskan variabel berat bayi sebesar 11.6 % sedangkan sisanya dijelaskan oleh variabel lain.476. History of hypertension.193 -1.442 7.665 -.928 106.201 -.954.476 .156 -.150 dan frekuensi anc (no physician) p=0.162 10. History of premature labor.002 -574.862 299.847 1.008 ..611 485570.715 2. Ternyata dari 6 variabel indepeden (lihat kolom sig di kotak Coefficients) ada 3 variabel yang p valuenya > 0.253 -154.001 berarti persamaan garis regresi secara keseluruhan sudah signifikan.001a Regression Residual Total a.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 7.423 F 3. Age of mother.230 -2.05 dikeluarkan daari model.052 . . variabel yang p valuenya > 0.445 -2.954 a.793 -232.481 49. Weight of mother (pounds) b.698 -2.734 . Predictors: (Constant). No physician visits in first trimester.777 105. Tahap berikutnya mengeluarkan variabel yang p valuenya > 0.SUTANTO PRIYO HASTONO: Analisis Data ANOVAb Model 1 Sum of Squares 11543236 88373817 99917053 df 6 182 188 Mean Square 1923872. Error 2315.000 .104 -. pengeluaran variabel dimulai dari p value yang terbesar.05.962 Sig. 159 .

160 .011 1. Klik OK.191 213. dan hasilnya sbb: Model Summary Model 1 R R Square . Sedangkan untuk coefisian B.000 .007 . History of premature labor.719 2.008 a. Smoking status. . Error 2317. ada perubahan besar( berubah lebih dari 10 %) untuk R Square dan Coef.747 -573.608 297.192 Model 1 (Constant) Age of mother Weight of mother (pounds) Smoking status History of premature labor History of hypertension t 7.201 -. Weight of mother (pounds) Coefficientsa Unstandardized Coefficients B Std.074 7. Dependent Variable: Birth weight (gram) Setelah variabel frekuensi anc dikeluarkan. sorot dan klik ‘Linier’ 2.718 -2.841 Standardized Coefficients Beta . Sekarang kita bandingkan nilai coefisien B untuk variabel umur.224 -153. kita cek dulu apakah setelah dikeluarkan.156 -.149 .051 .340a .198 -1. History of hypertension.SUTANTO PRIYO HASTONO: Analisis Data Langkahnya: 1.929 a.104 -.116 Adjusted R Square .759 105.448 -2.801 . Untuk nilai R Square ternyata tidak ada perunbahan yaitu tetap 0. Pada kotak Independen juga masih lengkap ada 6 variabel.029 . sorot ‘Regression’.807 4. Klik ‘Analysis’. Error of the Estimate 694. Age of mother. Predictors: (Constant).091 Std.781 -232. 3.473 . Bila ada perubahan yang besar maka variabel tersebut tidak jadi dikeluarkan dalam model (tetap dipertahankan di model). B.051 9. Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja.680 Sig.116. namun sekarang anda harus keluarkan variabel ‘no physician’ dan masukkan ke kotak Variable di sebelah kiri.638 106.

0 4.336a . ternyata tidak ada yang berubah lebih dari 10 %. Weight of mother (pounds) 161 . 3. Predictors: (Constant). merokok.2 153. Pada kotak Independen juga masih terisi ada 5 variabel.4 % 0% 0% 0. namun sekarang anda harus keluarkan variabel ‘umur (age)’ dan masukkan ke kotak Variable di sebelah kiri.2 -154. Klik OK. riwayat prematur dan riwayat hiperteni antara sebelum dan sesudah variabel frekuensi anc dikeluarkan.1 % 0. 1. Selankutnya kita lihat kembali bahwa pada model masih ada variabel yang p value > 0. Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja. History of hypertension.SUTANTO PRIYO HASTONO: Analisis Data berat ibu. sorot ‘Regression’.016 a.0 -574. dengan demikian variabel frekuensi anc kita keluarkan dari model.05.8 Anc dikeluarkan 7. Smoking status. hasil perhitungannya sbb: Variabel Age bwt smoke ptl hi ftv Anc msih ada 7.7 -232. sorot dan klik ‘Linier’ 2.1 % Dari perhitungan perubahan nilai coefisien B pada masing-masing variabel.094 Std.1 4.473).2 -2. dan hasilnya sbb: Model Summary Model 1 R R Square . Klik ‘Analysis’. Langkah/proses : 1. Error of the Estimate 694.7 573. History of premature labor. Sekarang kita akan keluarkan variabel umur (p value =0.7 -232.113 Adjusted R Square .0 - perubahan Coef.

779 5.417 213.2 -2.566 1.5 - perubahan Coef.000 .SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Unstandardized Coefficients B Std.7 -232.007 a.244 -1.4 145.195 Model 1 (Constant) Weight of mother (pounds) Smoking status History of premature labor History of hypertension t 10.1 4.004 . sorot Regression.379 -2.925 -2. Ternyata tidak ada yang lebih dari 10 %.338 105.035 -236.169 . dan hasilnya sbb: 162 .159 -.026 .121 233.211 -..4 582. Pada kotak independen variabel riwayat mengalami prematur dikeluarkan dan dimasukkan ke kotak variable disebelah kiri.476 2. Error 2449.dst.733 Sig. Langkah selanjutnya mengeluarkan variabel Riwayat mengalami prematur.721 105. .0 -236.847 umur dikeluarkan 5.8 % 6. dengan demikian variabel umur kita keluarkan dari model. Klik Analysis. .2 -154.3 % Dari hasil perhitungan perubahan coef. 6. .3 % 1. sedangkan untuk Masih lengkap 7.148 Standardized Coefficients Beta .098 -.412 -582. hasil perunbahan yaitu menjadi 0.1 % 1. nilai R Square ternyata ada sedikit coefisian B.0 -574.113. Dependent Variable: Birth weight (gram) Setelah variabel umur perhitungannya sbb: Variabel Age bwt smoke ptl hi ftv dikeluarkan. Prosesnya/langkahnya sama dengan diatas.420 -145.

3 % 1. ternyata coefisin B pada variabel beat badan ibu (bwt) beubah sebesar 12.746 Sig.SUTANTO PRIYO HASTONO: Analisis Data Model Summary Model 1 R R Square . Smoking status.05 dengan demikian proses pencarian variabel yang masuk dalam model telah selesai dan model yang terakhir adalah sbb: 163 .374 3.0 -574.104 Adjusted R Square .177 -.322a . Predictors: (Constant). 12.224 -. Weight of mother (pounds) Coefficientsa Unstandardized Coefficients B Std.104. .002 .197 Model 1 (Constant) Weight of mother (pounds) Smoking status History of hypertension t 10.105 230.009 -586.646 Standardized Coefficients Beta .710 103.707 a.722 1.7 -232.7 % 1.352 -263. Dari hasil analisis ternyata tidak ada lagi yang p valuenya > 0.130 -2.2 -154. Error 2390.534 -2.012 .2 -2.1 4. Dependent Variable: Birth weight (gram) Hasil R Square turun sedikit yaitu menjadi 0.5 perubahan Coef.3 % dengan demikian variabel riwayat mengalami prematur tidak jadi dikeluarkan dan tetap dipertahankan dalam model multivariat.089 Std.000 .3 % Hasil perhitungan setelah dikeluarkan variabel prematur.4 582. History of hypertension.812 213.007 a. Error of the Estimate 695. B dapat dilihat sbb: Variabel Age bwt smoke ptl hi ftv Masih lengkap 7.3 -236. Sedangkan hasil perhitungan perubahan Coef.847 Prematur keluar 5.391 5.

195 -.094 Std. Error 233.037 1.476 2.148 105.338 213. merokok(smoke).159 -.121 5.420 -582.925 .222 a. riwayat hipertensi (hi) dan variabel riwayat prematur(ptl) 164 .244 -2.412 Std.016 DurbinWatson .925 -2.081 1.169 Mo de l 1 Unstandardized Coefficients B 2449.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a.060 1. Masukkan dalam kotak Dependen variabel ‘bwt’ 3. Dependent Variable: Birth weight (gram) Langkah selanjutnya UJI ASUMSI Agar persaman garis yang digunkan untuk memprediksi menghasilkan angka yang valid.Klik ‘Analysis’.026 .007 . Masukan dalam kotak Independen variabel berat badan ibu (lwt).417 Collinearity Statistics Tolera nce VIF .098 t 10. Smoking status.733 -1.SUTANTO PRIYO HASTONO: Analisis Data Model Summaryb Model 1 R R Square . Weight of mother (pounds) b. Adapun uji asumsinya sbb: Langkahnya: 1.779 1.947 1.000 .211 -. maka persamaan yang dihasilkan harus memenuhi asumsi-asumsi yang diersyaratkan uji regresi linier ganda.336a . Error of the Estimate 694.721 105. History of premature labor. Predictors: (Constant).379 Sig. sorot ‘Regression’. .566 -145.113 Adjusted R Square . History of hypertension.035 -236.004 . Dependent Variable: Birth weight (gram) Coefficientsa Stand ardize d Coeffi cients Beta .964 .943 . sorot dan klik ‘Linier’ 2.

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

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

000 45.000 .001 -3.000 3.407 251.03 2. Dependent Variable: Birth weight (gram) Hasil dari output diatas menunjukkan angka residual dengan mean 0.000 . Distance Cook's Distance Centered Leverage Value Minimum 2249. Dengan demikian asumsi Eksistensi terpenuhi b.469 . 0.97 1921.019 .769 2.59. bila nilai Durbin –2 s.923 . Deleted Residual Mahal. History of premature labor.028 N 189 189 189 189 189 189 189 189 189 189 189 189 a.631 2.619 1. Tidak diperbolehkan nilai observasi yang berbeda yang diukur dari satu individu diukur dua kali.423 2. Deviation 245.222. Smoking status.768 .005 708.079 1.196 686.222 a.000 dan standar deviasi 686.989 1.399 2943.010 5.835 67.021 Std.66 .682 292. Dependent Variable: Birth weight (gram) Dari hasil uji didapatkan koefisien Durbin Watson independensi terpenuhi. History of hypertension. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std.610 -3.835 32.015 -2102.007 .73 . Jadi nilai dari tiap-tiap individu saling berdiri sendiri.43 -2082.113 Adjusted R Square . +2 berarti asumsi independensi terpenuhi. berarti asumsi 167 .001 .004 Maximum 3602.094 Std. Weight of mother (pounds) b. Error of the Estimate 694.016 DurbinWatson .d.804 3616.979 . Predictors: (Constant).593 . Asumsi Independensi Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain.336a .SUTANTO PRIYO HASTONO: Analisis Data Residuals Statisticsa Predicted Value Std.320 .173 Mean 2944.782 1940. Untuk mengetahui asuamsi ini dilakukan dengan cara mengeluarkan uji Durbin Watson.316 -3.000 .084 .209 . Residual Deleted Residual Stud. Residual Stud.193 1955.77 -2. sebaliknya bila nilai Durbin < -2 atau > +2 berarti asumsi tidak terpenuhi Model Summaryb Model 1 R R Square .000 103.

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

Dengan demikian asumsi homoscedasity terpenuhi e.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. 169 . Asumsi Normalitas Variabel Y mempunyai distribusi normal untuk setiap pengamatan variabel X. dapat diketahui dari Normal P-P Plot residual. maka model regresi memenuhi asumsi model regresi tidak memenuhi asumsi normalitas. bila data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal.

53E-16 Std.989 N = 189 Regression Standardized Residual 170 . Dev. = 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.

bila nilai VIF lebih dari 10 maka mengindikasikan telah terjadi collinearity.0 0.SUTANTO PRIYO HASTONO: Analisis Data Normal P-P Plot of Regression Standardized Residual Dependent Variable: Birth weight (gram) 1.0 0. 171 . f.2 0.0 0.8 Expected Cum Prob 0. Untuk mendeteksi collinearity dapat diketahui dari nilai VIF (variance inflation factor).0 Observed Cum Prob Dari grafik histogram dan grafik normal P-P plot terbukti bahwa bentuk distribusinya normal.6 0.2 0.Diagostik Multicollinearity Dalam regresi linier tidak boleh terjadi sesama variabel independen berkorelasi secara kuat (multicollinearity). berarti asumsi normality terpenuhi.4 0.4 0.8 1.6 0.

943 .026 . . Error 233.947 1. History of premature labor.925 .721 105.035 -236.121 5. History of hypertension. 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.SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Stand ardize d Coeffi cients Beta .007 .379 Sig.169 Mo de l 1 Unstandardized Coefficients B 2449.476 2.964 . Namun karena secara substansi antar variabel dipandang tidak interaksi maka uji interaksi tidak dilakukan.733 -1.016 DurbinWatson .094 Std. Predictors: (Constant).000 .148 105.412 Std.098 t 10. Dependent Variable: Birth weight (gram) Dari hasil uji asumsi didapatkan nilai VIF tidak lebih dari 10.336a . Sehingga model yang terakhir adalah sbb: Model Summaryb Model 1 R R Square .420 -582. Weight of mother (pounds) b.195 -. Error of the Estimate 694.004 .925 -2.779 1.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a.060 1.211 -.081 1. Smoking status.566 -145.338 213. Langkah sekanjutnya adalah UJI INTERAKSI.113 Adjusted R Square .159 -.417 Collinearity Statistics Tolera nce VIF .222 a.244 -2. Dependent Variable: Birth weight (gram) 172 .037 1.

417 Collinearity Statistics Tolera nce VIF .412 Std.379 Sig.060 1.3 %.566 -145.148 105. dan riwayat prematur.338 213. Dari hasil di atas. kita dapat mengetahui koefisien regresi masing-masing variabel. Kemudian pada kotak ‘ANOVA’.1+5. peresamaat regresi yang diperoleh adalah Berat Bayi = 2449.733 -1. Dependent Variable: Birth weight (gram) Interpretasi model: Setelah dilakuikan analisis . Error 233.195 -.721 105.0 Lwt – 236.169 Mo de l 1 Unstandardized Coefficients B 2449.004 .026 .964 .007 .4 smoke .211 -.000. kita lihat hasil uji F yang menunjukkan nilai P (sig) = 0.SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Stand ardize d Coeffi cients Beta . berarti pada alpha 5% kita dapat menyatakan bahwa model regresi cocok (fit) dengan data yang ada.947 1.925 .ternyata variabel independen yang masuk model regresi adalah berat badan ibu.3 % variasi variabel dependen berat bayi.035 -236. Atau dapat diartikan kedua variabel tersebut secara signifikan dapat utnuk memprediksi variabel berat bayi.779 1.244 -2.476 2. riwayat hipertensi. Atau dengan kata lain keempat variabel independen tsb dapat menjelaskan variasi variabel berat bayi sebesar 11.037 1.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a.159 -. ibu merokok.113 artinya bahwa model regresi yang diperoleh dapat menjelaskan 11..081 1.925 -2.4 Ptl 173 . Pada kotak ‘Coefficient’ kita dapat memperoleh persamaaan garisnya.420 -582.943 . . Pada tabel ‘Model Summary’ terlihat koefisien determinasi (R square) menunjukkan nilai 0.098 t 10.121 5. pada kolom B (di bagian Variabel In Equation) di atas.582Hi – 145.000 .

Semakin besar nilai beta semakin besar pengaruh nya terhadap variabel dependennya. B untuk masing-masing variabel adalah sbb: Setiap kenaikan berat badan ibu sebesar 1 kg. Adapun arti koef.SUTANTO PRIYO HASTONO: Analisis Data Dengan model persamaan ini. merokok dan prematur.4 gram setelah dikontrol variabel berat badan. merokok dan hipertensi.5 gram setelah dikontrol variabel berat badan ibu. kita dapat memperkirakan berat badan bayi dengan menggunakan variabel berat badan ibu. Pada hasil di atas berarti variabel yang paling besar pengaruhnya terhadap penentuan berat badan bayi adalah berat badan ibu. maka berat badan bayi akan naik sebesar 5. hipertensi dan prematur.berat bayinya akan lebih rendah sebesar 582. hipertensi dan prematur Pada ibu yang merokok berat bayinya akan lebih rendah sebesar 236.0 gram setelah dikontrol variabel merokok. Kolom Beta dapat digunakan untuk mengetahui variabel mana yang paling besar peranannya (pengaruhnya) dalam menentukan variabel dependennya (berat badan bayi). 174 . Pada ibu yang menderita hipertensi..

yaitu variabel dependennya berbentuk variabel katagorik (terutama yang dikotomus. artinya katagorik yang terdiri dari dua kelompok. REGRESI LOGISTIK SEDERHANA 1. bayi BBLR dan Normal. misalnya hidup/mati. 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. Pengamatan dilakukan pada 100 orang sampel. Regresi linear digunakan apabila variabel dependennya numerik . REGRESI LOGISTIK Berbeda dengan regresi linier yang variabel dependennya numerik. 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 . regreesi logistik merupakan jenis regresi yang mempunyai ciri khusus. merokok dan tidak merokok. Untuk memahami lebih jelas tentang regresi logistik coba kita lihat contoh analisis penelitian yang mempelajari hubungan antara variabel umur dengan kejadian penyakit jantung koroner. misalnya sakit-tidak Sakit. dan lain-lain Perbedaan antara regresi linear dengan regresi logistik terletak pada jenis variabel dependennya. puas/tidak A.SUTANTO PRIYO HASTONO: Analisis Data 13 puas dll). Variabel katagorik yang dikotom adalah variabel yang mempunyai dua nilai variasi. sedangkan regresi logistik diogunakan pada data yang dependennya berbentuk katagorik yang dikotom.

Variabel PJK diberi kode 1 bila responden menderita PJK dan diberi kode 0 bila mereka tiodak menderita PJK. Bila data tersebut kita perlakukan analisisnya menggunakan regresi linier. Diagram tebat menunjukkan adanya kecenderungan kejadian penyakit jantung koroner yang lebih sedikit pada responden yang berusia muda. maka hubungannya tidak jelas terlihattebaran data pada Scatter Plot membentuk dua garis yang sejajar. Walaupun grafik tersebut telah dapat menggambarkan/menjelaskan variabel dependen (kejadiab PJK) yang cukup jelas. 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).SUTANTO PRIYO HASTONO: Analisis Data Nomor merupakan nomor urut responden dan PJK merupakan variabel kejadian jantung koroner. 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 . Untuk mempertajam analisis kita.

76 0.9 0.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: 0.8 0.13 0.63 0.10 0. kemudian meningkat tajam dan kemudian landai kembali. pembuatan diagram tebar tersebut merupakan cara untuk mendeteksi/mengetahui hubungan pada analisis regresi linier.25 0.7 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.4 0.33 0.1 0 20 .6 0.80 0. Diawali peningkatan yang landai.lihat jelas adanya peningkatan yang tidak linear antara proporsi kejadian PJK dengan peningkatan umur. garis tersebut menyerupai huruf S.29 30 – 34 35 – 39 40 – 44 45 – 49 50 – 54 55 – 59 60 – 69 Pada grafik tyer.46 0.3 0.2 0.5 0. Kalau kita cermati. namun ada 177 .

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

Berdasarkan uaraian tersebut maka bila ingin mengestimasi suatu probabilitas kejadian pada dependen yang dikotom maka model regresi logistik adalah pilihan yang tepat. Variabel X adalah variabel Independen. kisaran pada regresi logistik ini berari cocok/sesuai digunakan untuk model hubungan yang variabel dependennya dikotom. 3. Grafik f(Z) membentuk garis yang berbentuk huruf S. dan pada ketinggian tertentu garisnya akan mendatar mendekati nilai 1. =1 1 + e-(+ ∞) 1 -∞ 0 +∞ Terlihat bahwa fungsi f(Z) nilai berkisar 0 dan 1 berapapun nilai Z. ditambah β2X2 dan seterusnya sampai βiXi. Model Logistik Model logistik dikembangkan dari funsi logistik dengan nilai Z merupakan penjumlahan linear konstanta (α) ditambah dengan β1X1. 179 . 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.SUTANTO PRIYO HASTONO: Analisis Data Bila nilai Z mendekati + ∞ maka f(+ ∞) = Fungsi Logistik dapat digambarkan sbb: 1 .

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. Berapa peluang mereka yang kadar katekolaminnya rendah mempunyai risiko untuk terjadi PJK? c. Contoh Kasus Contoh studi follow up selama 9 tahun. 1 + e-(α + β1X1 + β2X2 + … + βiXi) 4. maka rumus fungsi Z adalah f(z) = 1 . 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 . 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. Pemberian kode nilai variabel adalah sbb: Untuk variabel PJK Untuk variabel KAT Pertanyaan: a. 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 .

hasilnya: P(X) = 1 . 1 + e-α + β1KAT Misdalkan didapatkan hasil analisis dengan paket program statistik sbb: α = -3.652*1) jadi mereka/individu yang kadar katekolaminnya tinggi dalam darah mempunyai risiko untuk terjadinya PJK sebesar 4% selama periode follow up. c. maka masukkan nilai KAT=0 pada model di atas.0 P0(X) 0.947 = 2. 1 + e-(-3.652KAT) Dari model tersebut coba kita jawab pertanyaan di atas: a. b.652.019 atau sekitar 2% 1 + e-(-3.037 = 1. Oleh karena kadar katekolamin tinggi diberi angka 1. maka rumusnya: P(X) = 1 .911 + 0.911 + 0. hasilnya: P(X) = 1 . maka masukkan nilai KAT=1 pada model di atas.037 atau sekitar 4% 1 + e-(-3. = 0. maka: P(X) = 1 .911 + 0.652*0) jadi mereka/individu yang kadar katekolaminnya rendah dalam darah mempunyai risiko untuk terjadinya PJK sebesar 2% selama periode follow up. 1 + e-z Bila Z = α + β1KAT. Besar risiko kedua kelompok tersebut P1(X) = 0. = 0.911 dan β1 = 0. maka modelnya : P(X) = 1 .019 Angka tersebut di atas sebenarnya adalah risiko relatif (RR)yang diperoleh secara direk. Arti dari angka di atas adalah mereka yang kaadar 181 . Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya tinggi. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya rendah Oleh karena kadar katekolamin rendah diberi angka 0.SUTANTO PRIYO HASTONO: Analisis Data Nilai f(z) dapat diganti dengan P(X).

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. 182 . maka dapat dihitung OR (Odds Ratio). cross sectional tidak dapat melakukan prediskis 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). Sedangkan pada rancangan case control. Pada rancangan case control dan cross sectional dan cohort dapat dihitung nilai Odds Ratio (OR). Pada rancangan kohort prospektif dapat digunakan untuk memperkirakan risiko individual. Model regresi logistik dapat digunakan pada data yang dikumpulkan melalui rancangan kohort. Sedangkan pada rancangan case control dan cross sectional tidak dapat digunakan untuk menghitung risiko individual karena β0 pada rancangan ini tidak sahih. yang merupakan perhitungan RR yang indirek. Nilai OR yang merupakan yang merupakan perhitungan eksponensial β dari persamaan garis regresi logistik. case control maupun cross sectional. yang merupakan perhitungan RR indirek.SUTANTO PRIYO HASTONO: Analisis Data katekolaminnya tinggi mempunyai risiko terjadi PJK dua (2) kali lebih tinggi dibandingkan mereka yang kadar katekolaminnya rendah. 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. Prediksi dapat digunakan dengan model: P(X) = 1+e -(α + β1X1 + β2X2 + … + βiXi 1 . Namun dengan memperlakukan rancangan case control dan cross sectional sebagai studi follow up.

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

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

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

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

385 S.105 .097 . .893 1.950 1. Variable(s) entered on step 1: age.E.732 Wald 2.for EXP(B) Lower Upper .276 df 1 1 Sig. Klik “OK”.097 Variables in the Equation 95.599 Exp(B) .0% C.I.760 2. klik ‘CI for Exp(B)’ 6.760 2. . Klik tombol ‘Options’ . .760 df 1 1 1 Sig.SUTANTO PRIYO HASTONO: Analisis Data 5.051 . 187 . dan hasilnya sbb: Block 1: Method = Enter Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 2.635 .469 a. Klik ‘Continue’ 7.097 .011 Step a 1 age Const ant B -.032 .

Pada variabel ras perlu dilakukan dummy oleh karena variabel ras berjenis katagorik dengan isi lebih dari 2 nilai. Klik “Binary Logistic”. 4. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.Analisis bivariat antara “ras” dengan “bblr” 1. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates variabel ‘age’ dikeluarkan dan gantilah dengan mengisikan variabel ‘race’. tepatnya 3 kelompok(yaitu :ras 188 .89-1. Tampilannya sbb: 5.SUTANTO PRIYO HASTONO: Analisis Data Dari hasil output.01) 2. Dari tampilan SPSS nilai OR dapat diketahui dari kolom Exp(B) yaitu sebesar 0. pada tampilan Block 1 didapatkan hasil omnibus test pada bagian Bloc dengan p value 0.097 berarti variabel umur p value nya <0. Pilih “Regression” 3.950 (95% CI: 0. Pilih “Analyze” 2.25 sehingga variabel umur dapat dilanjutkan ke analisis multivariat.

082 . .000 1.000 .082 . lalu klik Change.000 . layar ke menu logistic 7. hitam dan lainnya). klik pilihan ‘first’ pada bagian Reference category.000 Race White Black Other Frequency 96 26 67 Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 5. Klik tombol Categorical. dan tampilannya: 6. Klik Continue. pindahkan ‘race’ dari kotak covariates ke kotak categorical covariates.082 189 .SUTANTO PRIYO HASTONO: Analisis Data putih.000 1. Klik OK Categorical Variables Codings Parameter coding (1) (2) .010 df 2 2 2 Sig.000 .010 5.010 5.

315 a. Klik “Binary Logistic”. Klik OK.0% C. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ht”. Analisis bivariat antara “hipertensi” dengan “bblr” 1.022 4. 4.89 artinya ras kelompok lainnya mempunyai risiko bayinya bblr sebesar 1. terlihat ada dua nilai OR yaitu OR untuk race(1) 2.345 23.955 5.922 3. sehingga variabel ras dapt lanjut ke multivariat. Hasil uji didapatkan p value 0. .328 artinya ras kuliat hitam akan berisiko bayinya bblr sebesar 2.068 .636 -1.155 S.085 .045 190 .328 1.89 kali lebi tinggi dibandingkan ras kulit putih. . Variable(s) entered on step 1: race.087 berarti p value < 0.330 df 2 1 1 1 Sig. Pilih “Analyze” 2.889 .239 Wald 4.845 .SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.067 .463 .736 B Stea p1 race race(1) race(2) Constant .I.3 kali lebih tinggi dibandingkan ras kulit putih. .25. OR untuk race(2) besarnya 1. Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4.323 3.348 .022 4. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 3.E.for EXP(B) Lower Upper .045 . Dari output dapat diketahui juga nilai OR dummy.022 df 1 1 1 Sig.772 3. Pilih “Regression” 3.045 .000 Exp(B) 2.939 .

214 -.072 df 1 1 Sig.578 . 10.for EXP(B) Lower Upper 1.139 5.E. Pilih “Regression” 9. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. .877 S.I. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ui”.979 28. Hasil p value 0.076 5. Variable(s) entered on step 1: ht. Pilih “Analyze” 8. . Variable(s) entered on step 1: ui.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.25) berarti masuk dalam multivariat 4.388 a.046 . .076 5. maka variabel kelainan uterus dapat lanjut ke multivariat 191 .I. Klik “Binary Logistic”.834 Step a 1 ui Constant B . Analisis bivariat antara “kelainan uterus” dengan “bblr” 7.024 .947 S.045 (p value < 0.25).416 a.024 Variables in the Equation 95. Klik OK.608 .000 Exp(B) 2.365 .0% C.021 11.417 .000 Exp(B) 3. Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 5. .088 Step a 1 ht Constant B 1.for EXP(B) Lower Upper 1.023 .E.249 df 1 1 Sig. Hasil uji didapatkan p value = 0.076 df 1 1 1 Sig.176 Wald 5.024 .947 -.024 (p value < 0. .162 29.165 Wald 3.0% C.

SUTANTO PRIYO HASTONO: Analisis Data 5.for EXP(B) Lower Upper .Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ftv”.744 12. 6.773 .0% C. maka variabel ini dapat dianalisis multivariat.773 df 1 1 1 Sig.E.427 df 1 1 Sig.874 .135 -.Analisis bivariat antara “periksa hamil” dengan “bblr” 1. namun karena secara substansi variabel periksa hamil sangat penting. Variable(s) entered on step 1: ftv.Klik “Binary Logistic”.157 . Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square .867 df 1 1 1 Sig.027 192 .188 Step a 1 ftv Constant B -. Hasil uji p value = 0.027 .379 Variables in the Equation 95.I. 4.027 .379 (p value > 0.Analisis bivariat antara “merokok” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4.25) sehingga secara statistik tidak dapat lanjut ke multivariat.000 Exp(B) .503 a. .Pilih “Analyze” 2.379 .773 . . muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.379 . .195 Wald . .867 4.Pilih “Regression” 3.389 .687 S.643 1.867 4. Klik OK.

852 25.0% C.081 3.028 .for EXP(B) Lower Upper 1.379 0.783 Step a 1 smoke Constant B .337 a.000 Exp(B) 2. .045 0.I.I.25) dengan demikian variabel merokok dapat masuk ke multivariat.009 193 .009 .for EXP(B) Lower Upper 1.027 0.779 df 1 1 1 Sig. .779 6. Variable(s) entered on step 1: smoke.151 Step a 1 ptl Constant B .215 Wald 4. .230 .197 4. Variable(s) entered on step 1: ptl.000 Exp(B) 2.627 df 1 1 Sig.097 0. 7.087 S.082 0.802 -. .175 Wald 6.779 6.E.024 0.009 Variables in the Equation 95.381 a.009 .E.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.25 sehingga variabel riwayat adanya prematur dapat masuk ke multivariat Hasil seleksi bivariat : Variabel Umur Ras Hipertensi Kelainan uterus Periksa hamil Merokok Prematur P value 0.022 .027 ( < 0.391 30. Hasil analisis bivariat didapatkan p value = 0. Hasil analisis didapatkan p value sebesar 0.0% C.370 df 1 1 Sig.011 . .317 .704 -1.320 .964 S.009 berarti < 0.Analisis bivariat antara “prematur” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 6.

ht. Lakukan pemilihan variabel yang berhubungan signifikan dengan variabel dependen. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan variabel age. race. namun variabel periksa hamil tetap dianalisis multivariat oleh karena secara substansi periksa hamil merupakan variabel yang sangat penting berhubungan dengan kejadian bblr. smoke. Klik ‘Continue’ 194 . ftv. B. Pilih “Regression” 3. 5.. PEMODELAN MULTIVARIAT Selanjutnya dilakukan analisis multivariat keenam variabel tersebut dengan kejadian bblr.25. Pilih “Analyze” 2. hanya periksa hamil yang p valuenya > 0. ui.SUTANTO PRIYO HASTONO: Analisis Data Hasil seleksi bivariat semua variabel menghasilkan p value < 0. pilih ‘CI for exp(B)’ 6. 1. 4.25. Klik “Binary Logistic”. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. Klik Option. ptl. Ingat untuk Race dilakukan dummy. 1.

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

390 5.062 1.411 . ternyata variabel ht berubah > 10 %. ht.E.958 2.500 .016 .794 3.009 2.085 .949 6.764 4.626 5.229 1. .707 2.221 .325 .727 2.007 .382 .280 .696 -2.877 3.996 1.958 2.052 .390 2.726 11.034 .793 B Step a 1 race race(1) race(2) smoke ht ptl Constant 1.for EXP(B) Lower Upper 1.894 2.902 2.622 1.5 % 8. .I. ptl.1 % - Setelah dilakukan perbandingan OR. smoke.960 2.0% C.629 . Akhirnya model yang dihasilkan adalah sbb: 199 .062 7.586 df 2 1 1 1 1 1 1 Sig.086 1.513 6.025 S.988 1. 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 0.032 .4 % 3.640 3.2 % 6.707 3.009 .008 .596 29.321 1.894 2.000 Exp(B) 2.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.712 6.007 3. Variable(s) entered on step 1: race.372 Wald 8.743 2.132 a. dengan demikian variabel ui masuk kembali dalam model.9 % 13.286 4.

SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.263 .692 B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.994 . ptl.131 .501 .975 4.000 Step 1 Step Block Model 200 . Klik tombol Next 5.019 .576 1.855 -2. ht. UJI INTERAKSI Uji interaksi dilakukan pada variabel yang diduga secara substansi ada interaksi. misalkan kita duga merokok berinteraksi dengan hipertensi.0% C.912 2.334 .747 3. isikan : smoke*ht ke kotak kovariat 6.883 2. ui. ht dan ui 4.418 .422 13.585 30. klik OK lihat hasilnya pada bagian Block 2 Block 2: Method = Enter Omnibus Tests of Model Coefficients Chisquare .031 .146 S. Dalam kasus sekarang. smoke. Kotak Kovariat isikan Race. Langkahnya: 1.970 7.694 1. ptl.538 5.000 26.011 .994 . klik analysis. .I.E.030 .for EXP(B) Lower Upper 1.386 Wald 7.000 .058 .350 .916 6. .088 1. kalau memang tidak ada tidak perlu dilakukan uji interaksi. Kotak dependen isikan low 3.085 .010 .271 1. smoke.422 6. klik regression.569 2.560 df 1 1 7 Sig.387 . Variable(s) entered on step 1: race.633 .779 3.059 .537 5.968 2.640 3.991 .925 1.968 4.451 . C.113 1.917 df 2 1 1 1 1 1 1 1 Sig. .000 Exp(B) 2.364 . klik binary ogistik 2.723 6.117 a.

088 1.937 2.E. ptl.059 .537 5.569 2.422 6.058 .334 .011 .117 a.991 .969 2.419 .000 30. Variable(s) entered on step 1: ht * smoke .633 .010 -2. .585 30.146 S.059 . Variable(s) entered on step 1: race.852 5.555 5.970 7.883 2.779 3.422 13.I.968 4.364 .916 6.975 4.350 1.921 . berarti : tidak ada interaksi antara merokok dengan hipertensi.058 .501 .000 Exp(B) 2.236 .263 .for EXP(B) Lower Upper 1.387 .692 1.030 .418 .05. .386 Wald 7.875 df 2 1 1 1 1 1 1 1 1 Sig.131 .994 . terlihat hasil uji omnibusnya memperlihatkan p value = 0.0% C. smoke.946 6.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.900 4. ht.680 3.693 12.030 .010 .912 2.576 1.779 3.000 Exp(B) 2.451 .970 .010 .765 .584 .865 3.502 .747 3. .336 .for EXP(B) Lower Upper 1.917 df 2 1 1 1 1 1 1 1 Sig.640 3.146 S.438 19.117 a.211 2.855 -2.397 .I.387 6.854 .031 .692 6.491 B Step a 1 race race(1) race(2) smoke ptl ht ui ht by smoke Constant 1.451 1.883 2.350 .102 .990 .013 . .576 1.082 7.692 B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.831 .019 .113 1.268 1.087 .019 . ui. model yang valid adalah model tanpa ada interaksi: MODEL TERAKHIR Variables in the Equation 95. Dengan demikian pemodelan telah selesai.925 1.538 5.085 .360 . Pada output bagian Block 2:Methode=Enter.386 Wald 7.283 .109 1.011 .968 2.271 1. 201 .088 1.694 1.723 6.E.0% C.896 2.994 (lihat bagian step) berarti lebih besar dari 0.

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

114 28420. Klik “Binary Logistic”.869 1.505 S. sikap.293 Exp(B) .760 1.279 .514 56.999 . Pilih “Analyze” 2.208 . Variable(s) entered on step 1: kerja. Langkah pertama: menyusun model mencakup semua variabel dan variabel interaksi Cara 1. muncul menu dialog yang berisi kotak Dependent dan Covariat.583 Stea p1 kerja umur1 sikap kerja by umur1 kerja by sikap Constant B -20.kerja*bbibu.160 . kerja*sikap) 4.722 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.351 .052 20.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.105 df 1 1 1 1 1 1 Sig.275 1.648 .for EXP(B) Lower Upper .186 .160 .722 . dan hasilnya sbb: Logistic Regression Variables in the Equation 95. sikap.E.849 1.109 .372 . umur1. berat badan ibu dan sikap A.159 1.972 . kerja*umur1. . Klik ‘OK’. bbibu. kerja * umur1 .I.197 . Pilih “Regression” 3. .949 6E+008 1.222 a.000 .000 5.0% C. kerja * sikap . umur1. 28420.681 -.999 . .000 .000 .432 Wald . 203 .000 1.148 -1.

Seleksinya dengan mengeluarkan secara bertahapVariabel interaksi yang tidak signifikan (p>0.610 df 1 1 1 1 1 Sig. Setelah dikeluarkan hasilnya: Variables in the Equation 95. .641 9.991 92.666 1.893 1.0% C.05). langkah selanjutnya uji konfounding 204 .I.881 S.753 1.175 -1. variabel dikatakan berinteraksi bila p valuenya < 0. 1.202 Step a 1 kerja umur1 sikap Consta nt B 1.557 .718 1.749 .157 .E.376 2.384 df 1 1 1 1 Sig.876 S.260 .274 1. kesimpulannya tidak ada variabel interasksi. umur1.445 2.177 .060 .217 -.971 86. pengeluaran dilakukan secara bertahap dari variabel interaksi yang p value-nya terbesar.878 1.for EXP(B) Lower Upper 1.812 .273 3. Dengan demikian hasil uji interaksi sudah selesai.582 1.051 . Dari output diatas.05. umur1.053 .152 a.191 . Variable(s) entered on step 1: kerja.020 Exp(B) 3.05.039 .178 .035 -2.741 . sikap. .616 Stea p1 kerja umur1 sikap kerja by sikap Constant B -.056 a.609 .SUTANTO PRIYO HASTONO: Analisis Data Dari output model penuh/lengkap ini kita lakukan uji interaksi.795 .942 1. Variable(s) entered on step 1: kerja.999) sehingga variabel tersebut dikeluarkan dari model.592 .114 . sikap.239 Wald 4. Dari hasil di atas variabel interaksi ”Pekerjaan by umur” mempunyai nilai p terbesar (p=0.645 .I.0% C.264 1.067 3.205 Exp(B) .212 5.959 9. .036 .601 . Dan model menjadi: Logistic Regression Variables in the Equation 95.E.022 18.076 1. variabel interaksi ‘kerja by sikap’ harus dikeluarkan dari model karana p valuenya > 0.for EXP(B) Lower Upper .156 1.074 14.146 . kerja * sikap .483 Wald .261 .

545 3.6 % .for EXP(B) Lower Upper 1. setelah dikeluarkan dari model hasiilnya sbb:’ Variables in the Equation 95.413 2.SUTANTO PRIYO HASTONO: Analisis Data UJI KONFOUNDING Uji konfounding dengan cara melihat perbedaan nilai OR untuk variabel utama dengan dikeluarkannya variabel kandidat konfounding.985 1.E.754 S. maka varaibel tsb dianggap sebagai variabel konfounding.624 S. Setelah variabel umur dikeluarkan terlihat perubahan OR variabel utama: kerja sebesar : (5.135 1.073 a. Untuk itu variabel umur harus tetap ikut dalam model sebagai konfounding hubungan kerja dengan menyusui eksklusive.006 .555 df 1 1 1 Sig.E. setelah dikeluarkan hasilnya: Variables in the Equation 95.471 a. Dengan demikian variabel sikap bukan konfounding.091 df 1 1 Sig. dan harus dikeluarkan dari model Langkah selanjutnya mengeluarkan variabel umur.018 Exp(B) 4.111 – 3.698 -. . Dengan demikian variabel umur merupakan variabel konfounding.429 Wald 7.9 % . .for EXP(B) Lower Upper 1.111)/4.0% C. umur1.660 1.I. .111 =3.I.0% C.754 Stea p1 kerja umur1 Constant B 1.618 .585 4.389 5.357 Step a 1 kerja Const ant B 1. Model terakhir : 205 .464 .378 -2.959)/4. bila perubahannya > 10 %. Variable(s) entered on step 1: kerja.165 99.627 18.110 10.127 14.079 Exp(B) 5.464-4. Variable(s) entered on step 1: kerja.783 .113 Wald 4.111 =32. .036 . Setelah variabel sikap dikeluarkan terlihat perubahan OR variabel utama kerja sebesar : (4.032 . Tahap pertama : akan dikeluarkan variabel Sikap.

.624 S.585 4.413 2.110 10. Interpretasi: Setelah dilakukan analisis confounding.E.I.113 Wald 4.754 Stea p1 kerja umur1 Constant B 1.0% C.073 a.018 Exp(B) 4.660 1.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95. Variable(s) entered on step 1: kerja.135 1.378 -2.165 99.032 . ternyata.127 14.783 .555 df 1 1 1 Sig.389 5. 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”. . umur merupakan confounding hubungan pekerjaan dengan menyusui eksklusif.036 .for EXP(B) Lower Upper 1.985 1. 206 . umur1.

SAV. 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 .SUTANTO PRIYO HASTONO: Analisis Data Lampiran data LBW.

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 .