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

Analisis Data Spss (Sutanto Fkm Ui 2006)

4.5

|Views: 7,768|Likes:
Published by Ayu Indri

More info:

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

Availability:

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

08/12/2015

pdf

text

original

SUTANTO PRIYO HASTONO: Analisis Data

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

1

SUTANTO PRIYO HASTONO: Analisis Data

1

PENDAHULUAN STATISTIK dan PENELITIAN

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

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

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

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

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

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

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

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

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

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 . 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). 2).

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

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

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

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

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

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

4 12.3 11.1 10.800 3.1 9.000 4.1 10.000 3.800 3.1 9.1 11.8 9.3 12.500 3.500 3.2 9.1 11.3 11.600 2.300 2.1 11.8 10.1 8.0 10.2 9.700 2.1 10.2 10.8 11.100 2.1 7.8 9.2 13.8 9.3 10.3 9.1 10.4 13.500 4.500 2.2 11.0 8.8 10.2 11.600 3.4 bbbayi 2.8 10.2 11.700 2.100 2.600 3.5 9.1 11.3 9.2 11.1 12.800 3.500 2.8 10.5 11.400 3.2 11.1 10.1 10.3 10.600 3.2 11.2 10.900 2.2 10.4 7.0 10.900 2.4 8.2 10.5 9.2 10.800 3.1 9.300 4.SUTANTO PRIYO HASTONO: Analisis Data Survei dilakukan dengan jumlah responden sebanyak 50 orang.400 3.000 3.800 3.000 3.600 2.500 4.1 9.600 2.2 10.4 9.0 12.100 2.2 10.0 12.000 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 .600 3.4 12.1 11.0 8.2 10. datanya sbb: no 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 umur 23 24 34 35 19 24 22 19 26 25 21 22 19 20 23 26 27 30 31 32 23 24 34 35 19 24 22 19 26 25 21 22 19 20 23 26 27 30 31 32 21 22 19 20 23 26 didik 1 4 4 3 3 2 1 1 3 4 3 4 2 3 1 3 4 2 4 2 2 3 4 3 3 1 2 1 3 3 4 4 2 3 1 2 4 2 4 1 3 4 2 3 1 3 kerja 0 0 1 0 1 1 1 0 0 1 1 0 1 0 1 0 1 1 0 0 0 0 1 0 1 1 1 0 0 1 1 0 1 0 1 0 1 1 0 0 1 0 1 0 1 0 bbibu 46 47 60 50 55 45 47 46 52 65 60 65 50 55 48 68 70 46 47 48 47 56 74 72 60 49 46 48 57 75 64 67 50 63 50 51 53 54 67 46 60 68 67 60 63 64 eksklu 0 1 0 0 1 1 1 0 1 0 0 1 1 0 1 0 1 1 0 0 0 1 0 0 1 1 1 0 1 0 0 1 1 0 1 0 1 1 0 0 0 1 1 0 1 0 Hb1 10.1 10.000 4.1 11.2 7.100 3.400 3.2 11.3 12.2 11.000 3.8 9.900 2.1 10.1 10.900 2.2 10.0 10.000 3.1 10.300 2.8 10.300 4.8 9.2 13.4 11.0 10.0 12.0 12.4 12.2 12.2 10.9 11.100 2.2 11.2 Hb2 11.000 3.8 10.300 4.

didik.4 13.3 12.2 11.800 3. Selanjutnya kita dapat membuat nama variabelnya dimulai dari No. Type. dst. layar/jendela posisikan pada “Variable View”.0 12..3 3.900 2.sbb: a.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. yaitu jendela “Data View” dan “Variabel View”.. Langkah pertama : Memberi/membuat nama variabel: Layar pada tampilan Workshet di menu data SPSS ada 2 jenis. Untuk membuat nama variabel. dst. Sekarang lakukan : klik “Variable View” di bagian kiri bawah. Decimals. Membuat Variabel No Adapun tahapannya sbb: 18 .300 2.100 5 5 3 3 4 4 2 1 4 4 4 1 4 4 2 2 A. umur.2 13.2 11. sehingga muncul tampilan layar “Variable View” Pada tampilan “Variable View” diatas terlihat kolom: Name. Width.2 10.

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

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

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

kemudian klik tombol Add sehingga kotak menu akan tertampil sbb: 22 . klik kotak Value Label dan isikan: SMP. 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. kemudian klik tombol Add Seterusnya klik kotak Value. isikan angka 3. klik kotak Value Label dan isikan: PT. isikan angka 2. isikan angka 4. klik kotak Value Label dan isikan: SMU.

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

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

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

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

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

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

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

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

Kasus lain. Dari uraian di atas tentunya sekarang menjadi jelas ternyata seringkali kita tidak dapat langsung melakukan Perlu analisis. sedangkan variabel umur dan sikap masih perlu dilakukan modifikasi/transformasi dengan SPSS. TRANSFORMASI / MODIFIKASI DATA Setelah semua data di-entry pada dasarnya anda dapat langsung melakukan analisis untuk mengetahui informasi yang diinginkan. misalnya untuk keperluan analisis kita harus mengelompokkan umur menjadi tiga katagori misalnya < 20 th. tidaknya kita harus melakukan dapat modifikasi/transformasi data. 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. misalnya kita akan membuat variabel baru hasil dari gabungan beberapa variabel (misalnya variabel sikap diukur oleh 10 pertanyaan/variabel). modifikasi dilakukan dilihat/dicek pada “Definisi Operasional Variabel” dari penelitian/tesis/skripsi kita. maka kita harus melakukan aktifitas di SPSS untuk menggabungkan beberapa variabel tersebut. 20 – 35 th dan > 35 th. Variabel umur perlu dilakukan 34 .SUTANTO PRIYO HASTONO: Analisis Data 3. Beberapa data bisa jadi masih perlu dilakukan modifikasi/transformasi. Namun seringkali data yang ada tidak semuanya dapat langsung dilakukan analisis.

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

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

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

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

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

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

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

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

Misalkan kita punya data seluruh DKI. Pilih menu “Data” 2). tapi kita hanya ingin mengetahui distribusi aktifitas pada ibu hamil yang tinggal di Jakarta Selatan. Klik “If “ 5).(dalam contoh ini kita masih menggunakan file data ASI. 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 .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. Pih “Select Cases” 3). caranya: 1). Sebagai contoh kita ingin menganalisis data.SAV). Di dalam data tentunya ada variabel yang menunjukkan wilayah tempat tinggal ibu hamil. hanya untuk ibu yang menyusui saja.

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

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

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

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

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

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

0 Valid 1 2 Total Frequency 2 3 5 Percent 40.0 53 .0 60.0 Valid Percent 40.0 100.SUTANTO PRIYO HASTONO: Analisis Data Frequencies Statistics RISK N Valid Missing 5 0 RISK Cumulative Percent 40.0 100.0 100.0 60.

maka dia harus menggunakan timbangan emas. Data yang kita kumpulkan tidak akan berguna bilamana alat pengukur yang digunakan untuk mengumpulkan data penelitian tidak mempunyai validitas dan reliabilitas yang tinggi. maka dia harus menggunakan timbangan berat badan. 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. 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. Jadi dapat disimpulkan bahwa timbangan emas valid untuk mengukur berat cincin.SUTANTO PRIYO HASTONO: Analisis Data 3 UJI INSTRUMEN A. tapi timbangan emas tidak valid untuk menimbang berat badan. Alat ukur pertama denganmeteran yang dibuatdari logam. Uji validitas dan Reliabilitas Kuesioner Salah satu masalah dalam suatu penelitian adalah bagaimana data yang diperoleh adalah akurat dan objektif. Misalnya bila seseorang akan mengukur cincin. Hal ini sangat penting dalam penelitian karena kesimpulan penelitian hanya akan dapat dipercaya (akurat). Pengukuran 54 . Dilain pihak bila seseorang ingin menimbang berat badan. VALIDITAS Validitas berasal dari kata Validity yang mempunyai arti sejauhmana ketepatan suatu alat ukur dalam mengukur suatu data.

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

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

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

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

Pada bagian ‘Descriptives for’ klik pilihan ‘ítem’. Scale if Item deleted.928 N of Items 5 Item Statistics sering terpaksa lembur Bersaing dlm hidup Mudah marah konflik keluarga konflik dgn teman Mean 2.27 2.SUTANTO PRIYO HASTONO: Analisis Data 6. Pada ‘Model’. 7.187 1.. Deviation 1.47 2. Klik ‘Continue’ Klik ‘OK’.121 1. biarkan pilihan pada ‘Alpha’ Klik Option ‘Statistics’ 8.121 1.40 2. terlihat hasil outputnya sbb : Reliability Statistics Cronbach's Alpha .100 1. 10.40 2. 9.187 N 15 15 15 15 15 59 .47 Std.

971 15.3275) yang nilainya lebih rendah dari r tabel (r=0.892 . a. P3.514 **) 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.53 9. Uji Validitas Untuk mengetahui validitas kuesioner dilakukan dengan membandingkan nilai r tabel dengan nilai r hitung.514). sedangkan untuk pertanyaan P1. *) Menentukan nilai r tabel Nilai r tabel dilihat dengan tabel r (pada lampiran) dengan menggunakan df = n2 15-2=13. maka pertanyaan tersebut valid. didapat angka r tabel = 0.955 . Pada bagian kedua memperlihatkan hasil dari proses validitas dan reliabilitas.73 9.686 15.881 sering terpaksa lembur Bersaing dlm hidup Mudah marah konflik keluarga konflik dgn teman Interpretasi: Hasil analisis reliability memperlihatkan dua bagian.924 15.60 9. Bagian utama menunjukkan hasil statistik deskriptif masing-masing variabel dalam bentuk mean. 60 .60 9.328 . Kesimpulan: Terlihat dari 5 pertanyaan. ketentuan: bila r hasil > r tabel.53 Scale Variance if Item Deleted 15.915 . P4 dan P5 dinyatakan valid.881 .124 Corrected Item-Total Correlation .SUTANTO PRIYO HASTONO: Analisis Data Item-Total Statistics Scale Mean if Item Deleted 9. Kaidah yang berlaku bahwa pengujian dimulai dengan menguji validitas kuesioner baru dilanjutkan uji reliabilitas.993 . varian dll. Sehingga pertanyaan P2 tidak valid.124 20.884 .963 . Pada tingkat kemaknaan 5%. ada satu pertanyaan yaitu P2 (r=0.963 Cronbach's Alpha if Item Deleted .

121 1.988 sering terpaksa lembur Mudah marah konflik keluarga konflik dgn teman Interpretasi: Sekarang terlihat bahwa dari keempat pertanyaan.33 7.40 2. 61 .993 N of Items 4 Item Statistics sering terpaksa lembur Mudah marah konflik keluarga konflik dgn teman Mean 2.495 Corrected Item-Total Correlation . Klik “OK” Kemudian muncul tampilan Output sbb: Reliability Statistics Cronbach's Alpha .27 Scale Variance if Item Deleted 11.47 2.SUTANTO PRIYO HASTONO: Analisis Data Langkah selanjutnya melakukan analisis lagi dengan mengeluarkan pertanyaan yang tidak valid.996 .095 11.971 .095 12. Pilih ‘Reliability Analysis’ 4. semua mempunyai nilai r hasil (Corrected item-Total Correlation) berada di atas dari niali r tabel (r=0. Lakukan prosedur/langkah seperti di atas yaitu: 1.495 12.27 7.994 .121 1.40 2.187 1.514).994 .33 7. Deviation 1.971 .47 Std. Pilih ‘Scale’ 3. Klik ‘Analyze’ 2.996 Cronbach's Alpha if Item Deleted . sehingga dapat disimpulkan keempat pertanyaan tersebut valid.988 . Masukkan keempat variabel ke dalam kotak ‘Items’ (variabel P2 tidak ikut dianalisis) 5.187 N 15 15 15 15 Item-Total Statistics Scale Mean if Item Deleted 7.

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

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

065. b.SUTANTO PRIYO HASTONO: Analisis Data Symmetric Measures Value . Sig. Using the asymptotic standard error assuming the null hypothesis. 64 .065 a.583 10 Asymp. T 1. Hasil uji didapatkan nilai koefisien kapaa sebesar 0. Not assuming the null hypothesis. Dengan hasil ini berarti p value > alpha berarti hasil uji kappa tidak signifikan/bermakna.845 b Measure of Agreement N of Valid Cases Kappa Approx. . a Std.262 Approx. sehingga kesimpulannya: ada perbedaan persepsi mengenai aspek yang diamati antara peneliti dengan numerator. Error .583 dan p valuenya sebesar 0.

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

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

4 hr.000. Apabila mean perndapatan perbulan adalah Rp 10. besar beda antar nilai di abaikan.. 90 hr. Karena 70 .diperoleh karena tarikan sekelompok kecil orang (misalnya konglomerat) yang pendapatannya sangat tinggi. 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. Oleh karena itu pada kelompok data yang ada nilai ekstrimnya (sering dikenal dengan ‘distribusi data yang menceng/miring’). Berbeda dengan nilai mean. sebenarnya sebagian besar orang pendapatannya di bawah Rp 10.000. Namun kelemahan dari nilai mean adalah sangat dipengaruhi oleh nilai ekstrim.SUTANTO PRIYO HASTONO: Analisis Data Mean/average adalah ukuran rata-rata yang merupakan hasil dari jumlah semua nilai pengukuran dibagioleh banyaknya pengukuran.000. 2). Mean sebesar Rp 10.000. 2 hr. Median Median adalah nilai dimana setengah banyaknya pengamatan mempunyai nialai di bawahnya dan setengahnya lagi mempunyai nilai di atasnya.. Dari hasil penghitungan didapatkan rata-rata lama hari rawat 20 hari. Keadaan ini bisa terjadi karena kumpulan data di atas ada nilai ekstrimnya.000. Dengan demikian penggunaan mean untuk data yang ada nilai ekstrimnya (data yang distribusinya menceng) kurang tepat. hasil ini tendtunya tidak dapat mewakili karena secara visual datanya sebagian besar kurang dari 5 hari. Mean = (1+3+4+2+90)/5 = 20 hr. 3 hr.000. penghitungan median hanya mempertimbangkan urutan nilai dasil pengukuran.. Contoh. baik ekstrim tinggi maupun rendah. Mean tidak dapat mewakili rata-rata kumpulan nilai pengamatan. ada 5 pasien diukur lama hari rawatnya : 1 hr. Sebagai contoh data yang ada nilai ekstrimnya adalah data penghasilan...

median dan mode akan menentukan bentuk distribusi data: Bila nilai mean. Prosedur penghitungan median melalui langkah a). 26. 40 Posisi = (6+1)/2 = 3. 22 th. 24 th. 36. Hitung nilai mediannya Contoh ada usia 6 mahasiswa 20 th. 20 th. 30. 30 th. 24.5 Mediannya adalah data yang urutannya ke 3. maka bentuk distribusi datanya menceng /miring ke kiri 71 . 23th. Dari data tersebut berarti mode-nya adalah 20 tahun Bentuk Distribusi Data Hubungan nilai mean. maka median tidak dipengaruhi oleh nilai ekstrim. 36 th Data diurutkan: 20. Contoh mode data umur mahasiswa: 18 th. 26 th. maka bentuk distribusi datanya normal Bila nilai mean > median > mode. maka bentuk distribusi datanya menceng/miring ke kanan Bila nilai mean < median < mode. Data diurutkan/di-array dari nilai kecil ke besar b). Mode/Modus Mode adalah nilai pengamatan yang mempunyai frekuensi/jumlah terbanyak.5 yaitu (26 + 30)/2 = 28 Jadi 50% mahasiswa berumur dibawah 28 tahun dan 50% mahasiswa berumur di atas 28 tahun 3). 40 th. 21 th. Hitung posisi median dengan rumus (n+1)/2 c).SUTANTO PRIYO HASTONO: Analisis Data mengabaikan besar beda. median dan mode sama. 20 th.

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

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

jenis kelamin mahasiswa bervariasi (heterogen) karena 50% pria dan 50% wanita.SUTANTO PRIYO HASTONO: Analisis Data Contoh: Kelas A: mahasiswa 50 dan mahasiswi 50 Kelas B: mahasiswa 90 dan mahasiswi 10 Pada kelas A.3 31. jenis kelamin mahasiswa tidak bervariasi (homogen pada pria) karena pria 90% dan wanita hanya 10%.1 17 – 60 SD Minimal.1 10. Namun perlu diingat bahwa kita dianjurkan hanya memilih salah satu.9 2 – 60 10.1 7. tidak diperkenankan secara sekaligus menggunakan tabel dan juga grafik dalam m. Bentuk Penyajian Data Bentuk penyajian analisis univariat dapat berupa tabel atau grafik. Contoh penyajian analisis deskriptif: a. Umur 2.0 8. Lama hari rawat Mean Median 30.Maksimal 74 . Pada kelas B. Data numerik Tabel 1 Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun 1999 Variabel 1.enyampaikan informasi suatu data/variabel. 3.

SUTANTO PRIYO HASTONO: Analisis Data b. bila ada nilai ekstrim sangat menentukan analisis selanjutnya (bivariat) apakah nilainya akan berkurang. analisis univariat dapat juga sekaligus untuk mengeksplorasi variabel yang dapat berguna dalam mendiagnosis asumsi statistik lanjut (terutama untuk variabel jenis numerik). 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. 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 30. Eksplorasi data juga dapat untuk mendeteksi adanya nilai ekstrim/outlier. misalnya apakah variannya homogen atau heterogen.0 100.0 10. 75 .

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

0 26.0 100. proporsi dapat dilihat pada kolom ‘Percent’.0 32.SUTANTO PRIYO HASTONO: Analisis Data 3.0 22. hasil dapat dilihat di jendela output. Kolom ‘Valid Percent’ memberi hasil yang sama karena pada data ini tidak ada ’missing cases’.0 Cumulative Percent 20. pada contoh di atas ada 20% ibu yang berpendidikan SD.0 32. Klik ‘OK’.0 Valid Percent 20.0 22.0 100. Pada contoh di atas.0 42. seperti sbb: Frequencies Statistics pendidikan formal ibu menyusui N Valid 50 Missing 0 pendidikan formal ibu menyusui Frequency 10 11 16 13 50 Percent 20.0 Valid 1 2 3 4 Total Kolom ‘Frequency’ menunjukkan jumlah kasus dengan nilai yang sesuai. ‘Cumulative Percent’ 77 .0 100.0 74. dari jumlah tersebut 10 ibu yang berpendidikan SD. total responden 50 orang.0 26.

SUTANTO PRIYO HASTONO: Analisis Data menjelaskan tentang persent kumulatif. Paling banyak responden berpendidikan SMU yaitu 16 orang (32. Pada SPSS ada dua cara untuk mengeluarkan atau analisis deskriptif ‘Expolre’. median dan modus. peringkasan data dapat dilakukan dengan melaporkan ukuran tengah dan sebarannya.0% dan 26.0 Distribusi tingkat pendidikan responden hampir merata untuk masing-masing tingkat pendidikan. standard deviasi.0 32. Penyajian dan Interpretasi di Laporan Penelitian Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan penelitian/laporan tesis. minimal dan maksimal.0%. Adapun penyajian dan interpretasinya sbb: Tabel … Distribusi Responden Menurut Tingkat Pendidikan Di ………… X tahun ….0 100. yaitu dapat yang melalaui digunakan perintah adalah 78 ‘Frequencies’ perintah Biasanya .0 26. Ukuran yang digunakan adalah rata-rata. SMP dan PT masing-masing 20. b.0%. Data Numerik Pada data numerik. 22. Dalam menginterpretasikan tabel katagorik dapat dilihat dari variasi dan konsentrasi datanya. Pendidikan SD SMP SMU PT Total Jumlah 10 11 16 13 50 Persentase 20. Sedangkan ukuran sebarannya (variasi) yang digunakan adalah range.0% ibu yang tingkat pendidikannya SD dan SMP.0%) sedangkan untuk pendidikan SD.0 22. Pada contoh di atas ada 42.

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

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

0 4.0 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 6.0 6.0 10.0 4.0 10.0 100.0 54.0 58.0 10.0 6.0 6.0 6.686 24.0 86.10 .0 6.0 Valid 19 20 21 22 23 24 25 26 27 30 31 32 34 35 Total 81 .0 Valid Percent 14.0 10.0 74.0 8.0 Cumulative Percent 14.0 96.0 4.0 6. Deviation Minimum Maximum 50 0 25.0 46.0 100.SUTANTO PRIYO HASTONO: Analisis Data Statistics umur ibu menyusui N Valid Missing Mean Std. Error of Mean Median Mode Std.0 4.0 100.0 10.0 4.00 19 4.0 26.0 6.0 10.0 92.0 6.0 6.0 20.0 4.0 8.0 68.0 80.0 36.0 6.

= 4. Bentuk distribusi data dapat diketahui dari grafik histogram dan kurve normalnya. sedangkan nilai standard deviasi dapat dilihat pada baris std. Adapun caranya sbb: 1. Pada contoh di atas. Distribusi frekuensi ditampilkan menurut umur termuda sampai dengan umur tertua dengan informasi tentang jumlah dan persentasenya. 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. rata-rata umur ibu adalah 25.0 tahun dan standard deviasi 4. Dari menu utama SPSS. kemudian pilih submenu ‘descriptive Statistics’.SUTANTO PRIYO HASTONO: Analisis Data Histogram 7 6 5 Frequency 4 3 2 1 Mean = 25.85 tahun dengan umur termuda 19 tahun dan yang tertua 35 tahun. nilai rata-rata dapat dilihat pada baris mean. median 24.1 Std. lalu pilih ‘Explore’ 82 . Bila anda ingin memperoleh estimasi interval lakukan analisis eksplorasi data dengan perintah ‘Explore’. pilih menu ‘Analyze’. Dev. Seviation.10 tahun.85 N = 50 15 20 25 30 35 0 umur ibu menyusui Dari hasil di atas.

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

00 2. Lilliefors Significance Correction umur ibu menyusui umur ibu menyusui Stem-and-Leaf Plot Frequency 7. Leaf 9999999 00011122222333334444 5566666777 00011122244 55 10 1 case(s) 84 .812 Std. .90 24.00 Stem width: Each leaf: Stem & 1 2 2 3 3 .520 4.002 a. .SUTANTO PRIYO HASTONO: Analisis Data Descriptives umur ibu menyusui Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.547 -.686 .850 19 35 16 9 .00 20. . .662 umur ibu menyusui Shapiro-Wilk Statistic df .035 a Lower Bound Upper Bound Statistic 25.337 .48 24.00 23. .130 50 .00 11.72 26.00 10.10 23.920 50 Sig. Error . . Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Tests of Normality Kolmogorov-Smirnov Statistic df Sig.

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 .

SUTANTO PRIYO HASTONO: Analisis Data Dari hasil analisis ‘Explore’ terlihat juga nilai mean. Uji kenormalan data: Untuk mengetahui suatu data berdistribusi normal.72 sampai 26. Namun yang paling penting dari tampilan explore munculnya angka estimasi interval. Atas dasar kelemahan ini dianjurkan untuk mengetahui kenormalan data lebih baik menggunakan angka skewness atau melihat grafik histogram dan kurve normal 86 . median dan mode.05) maka distribusi normal. Dari hasil tersebut kita dapat melakukan estimasi interval dari umur ibu. Dilihat dari grafik histogram dan kurve normal. Kita dapat menghitung 95% confidence interval umur yaitu 23.48. maka distribusinya normal 3. Namun uji kolmogorov sangat sensitif dengan jumlah sampel. Menggunakan nilai Skewness dan standar errornya. Uji kolmogorov smirnov.48 tahun. bila nilai Skewness dibagi standar errornya menghasilkan angka ≤ 2. ada 3 cara untuk mengetahuinya yaitu: 1.d. berarti distribusi normal 2. bila bentuknya menyerupai bel shape. jadi kita 95% yakin bahwa rata-rata umur ibu di populasi berada pada selang 23.72 s. maksudnya : untuk jumlah sampel yang besar uji kolmogorov cenderung menghasilkan uji yang signifikan (yang artinya bentuk distribusinya tidak normal). bila hasil uji signifkan (p value < 0. 26.

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). dilihat dari histogram dan kurve normal terlihat bentuk yang normal. 87 . Umujr termuda 19 tahun dan umur tertua 35 tahun.72 sampai dengan 26.SUTANTO PRIYO HASTONO: Analisis Data Untuk variabel umur diatas.10 SD 4. Dari hasil tersebut diatas dengan demikian variabel umur disimpulkan berdistribusi normal.72 – 26. dengan standar deviasi 4.10 tahun (95% CI: 23.35 95% CI 23.85 Minimal. berarti distribusi normal.85 tahun. Dari hasil estimasi interval dapat disimpulkan bahwa 95% diyakini bahwa rata-rata umur ibu adalah diantara 23.547/0. Penyajian dan Interpretasi di Laporan Penelitian Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan penelitian/laporan tesis.72 – 26. hasilnya masih dibawah 2.62 .337 =1.48 Hasil analisis didapatkan rata-rata umur ibu adalah 25.48 tahun. selain itu hasil dari perbandingan skwness dan standar error didapatkan: 0.

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

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

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

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

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

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

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

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

maka keputusannya adalah Ho ditolak b). sedangkan rata-rata berat badan bayi yang lahir dari ibu yang tidak hipertensi adalah 3000 gram. Pengertian Nilai P Nilai p merupakan nilai yang menunjukkan besarnya peluang salah menolak Ho dari data penelitian. Miisalnya dihasilkan nilai p = 0. Pada modul ini dalam memutuskan uji statistik menggunakan pendekatan ini. Perbedaan berat bayi antara ibu yang hipertensi dengan ibu yang tidak hipertensi sebesar 100 gram.SUTANTO PRIYO HASTONO: Analisis Data a). Pertanyaan yang timbul adalah apakah perbedaan berat badan bayi tersebut juga berlaku untuk seluruh populasi yang diteliti atau hanya faktor kebetulan saja?. Dengan kata lain kalau nilai p-nya kecil maka perbedaan yang ada pada penelitian terjadi bukan karena faktor kebetulan (by chance). 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 2.0110 96 . Pendekatan probabilistik ini sekarang sudah mulai digunakan oleh para ahli statistik dalam pengambilan keputusan uji statistik. Contoh: Suatu penelitian ingin mengetahui hubungan riwayat hipertensi ibu hamil dengan berat badan bayi yang dikandungnya. Hasil penelitian melaporkan bahwa ratarata berat badan bayi dari ibu hipertensi 200 gram. Harapan kita nilai p adalah sekecil mungkin. Bila nilai p ≤ α. Untuk menjawab pertanyaan tersebut kemudian dilakukan uji statistik yang tepat yaitu uji t. sebab bila nilai p-nya kecil maka kita yakin bahwa adanya perbedaan pada hasil penelitian menunjukkan pula adanya perbedaan di populasi. Nilai P dapat diartikan pula sebagai nilai besarnya peluang hasil penelitian (misal adanya perbedaan mean atau proporsi) terjadi karena faktor kebetulan (by chance). Bila nilai p > α. dengan demikian dapat disederhanakan dengan rumus : nilai p two tail = 2 x nilai p one tail.

maka dapat diartikan bahwa adanya perbedaan tersebut bukan karena faktor kebetulan namun karena memang karena adanya riwayat hipetensi.SUTANTO PRIYO HASTONO: Analisis Data maka berarti peluang adanya perbedaan berat bayi sebesar 1000 gram akibat dari faktor kebetulan (by chance) adalah sebesar 0. 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 . oleh karena peluangnya sangat kecil (p=0.0110).0110.

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

Kedua kelompok data independen. c. 1. Uji beda dua mean independen Tujuan: untuk mengetahui perbedaan mean dua dua kelompok data independen. Bentuk varian kedua kelompok data akan berpengaruh pada nilai standar error yang akhirnya akan membedakan rumus pengujiannya.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. 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 . a. Variabel yang dihubungkan berbentuk numerik dan katagorik (ket: variabel katagorik hanya dengan dua kelompok). syarat yang harus dipenuhi: a. b. pada umumnya nilai σ sulit diketahui. yaitu: uji beda mean independen (uji T independen) dan uji beda mean dependen (uji T dependen). 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. Apabila kedua syarat tersebut tidak terpenuhi maka dilakukan uji . uji Z dapat digunakan bila standar deviasi populasi (σ) diketahui dan jumlah sampel besar (>30). Data berdistribusi normal/simetris. Prinsip pengujian dua mean dua mean adalah melihat perbedaan variasi kedua kelompok data.2 99 .

2.SUTANTO PRIYO HASTONO: Analisis Data df = n1 – n2 . 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. Uji homogenitas varian Tujuan dari uji ini adalah untuk mengetahui varian antara kelompok data satu apakah sama dengan kelompok data yang kedua. varian yang lebih besar sebagai pembilang dan varian yang lebih kecil sebagai penyebut. S12 F= S22 df1 = n1-1 dan df2 = n2-1 Pada perhitungan uji F. Uji untuk varian berbeda X1 – X2 T= (S12/n1) + (S22/n2) [(S12/n1) + (S22/n2)]2 df = [(S12/n1)2/(n1-1)] + [(S22/n2)2/(n2-1)] c. Contoh kasus: 100 .

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

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

9384 . Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 7.277 Std. Rata-rata kadar Hb ibu yang menyusui ekslusif adalah 10.421 10.9425 .4 .1439 -.3228 Std.790 t -. Error Mean . Error Differe nce .322 103 .6505 F kadar hb pengukur an pertama Equal variances assumed Equal variances not assumed . dan hasilnya sbb: T-Test Group Statistics status menyusui asi tdk EKSKLUSIVE EKSKLUSIVE N 24 26 Mean 10.363 46.3003 . Deviation 1. Klik “OK” untuk menjalankan prosedur perintahnya. (2-taile d) .717 Mean Differen ce -. .719 -. standar deviasi dan standar error kadar Hb ibu untuk masing-masing kelompok.2594 kadar hb pengukuran pertama Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Std.3968 -. Klik “Continue” 8.3951 95% Confidence Interval of the Difference Lower Upper -.SUTANTO PRIYO HASTONO: Analisis Data tahu bahwa ‘0’ kode untuk yang tidak eksklusif dan kode ‘1’ untuk Yang eksklusif.4712 1.277 gr% dengan standar deviasi 1.364 df 48 Sig.072 Sig.6547 Pada tampilan di atas dapat dilihat nilai rata-rata.1439 .

421 gr% dengan standar deviasi 1. SPSS akan menampilkan dua uji T. didapat tidak ada perbedaan varian (varian kedua kelompok sama).717 N 26 24 Rata-rata kadar Hb ibu yang menyusui eksklusif adalah 10.th. Hasil uji T dapat dilihat pada tabel bawah. nilai p < alpha (0.322 1.790 sehingga dapat disimpulkan bahwa pada alpha 5%.05) maka varian sama (equal). Menyusui Ya Eksklusif Tdk Eksklusif Mean 10. sedangkan untuk ibu yang menyusui non eksklusif rata-rata kadar Hb-nya adalah 10... Untuk. sedangkan untuk ibu yang menyusui non eksklusif. Adapun bentuk penyajian dan interpretasinya adlah sbb: Tabel … Distribusi Rata-Rata Kadar Hb Responden Menurut Perilaku Menyusui di.421 gr% dengan standar deviasi 1. Pada laporan penelitian kita harus membuat tabel baru untuk menyajikan hasil print out analisis di atas. 104 .471 SE 0. rata-rata kadar Hb-nya adalah 10. Pada uji Levene di atas menghasilkan nilai p = 0.717 artinya tidak ada perbedaan yang signifikan rata-rata kadar Hb antara ibu yang menyusui eksklusif dengan ibu yang menyusui non eksklusif. 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).322 gr%. print out di atas tidak boleh langsung di copy dan disajikan di laporan penelitian.yaitu sebesar p=0. Penyajian dan Interpretasi di laporan penelitian: Seperti pada analisis deskriptif.05) maka varian berbeda dan bila nilai p > alpha (0.SUTANTO PRIYO HASTONO: Analisis Data gr%.471 gr%.277 10. dapat dilihat uji kesamaan varian melalui uji Levene. memilih uji mana yang kita pakai.277 gr% dengan standar deviasi 1.421 SD 1. Selanjutnya dicari p value uji t pada bagian varian sama (equal variances) di kolom sig (2 tailed) . Lihat nilai p Levene test.471 gr%.259 0.300 P value 0.

2. Misalnya kita ingin membandingkan berat badan antara sebelum dan sesudah mengikuti program diet.SUTANTO PRIYO HASTONO: Analisis Data Hasil uji statistik didapatkan nilai p=0.717. berarti pada alpha 5% terlihat tidak ada perbedaan yang signifikan rata-rata kadar Hb antara ibu yang menyusui secara eksklusif dengan non eksklusif. 2. Untuk contoh ini akan dilakukan uji beda rata-rata kadar Hb antara kadar Hb pengukuran pertama dengan kadar Hb pengukuran kedua. Dengan kata lain disebut dependen bila responden diukur dua kali/diteliti dua kali. ingin diketahui apakah ada perbedaan kadar Hb antara pengukuran pertama dengan pengukuran kedua. Uji T Dependen Uji T dependen seringkali disebut uji T Paired/Related atau pasangan. lalu pilih “Paired-Samples T Test” 105 . jika belum aktifkan/bukalah file ini. Pastikan anda berada di file “ASI. kemudian pilih sub menu “Compare Means’. Dari menu utama SPSS. Seperti sudah dijelaskan di depan bahwa disebut kedua sampel bersifat dependen kalau kedua kelompok sampel yang dibandingkan mempunyai subyek yang sama. sering orang mengatakan penelitian pre dan post. Adapun langkahnya: 1. pilih menu ‘Analyze”. Disini terlihat sampelnya dependen karena orangnya sama diukur dua kali.SAV”. Uji T dependen sering digunakan pada analisis data penelitian eksperimen.

1957 .2349 -3.kadar hb pengukuran kedua Paired Differences 95% Confidence Interval of the Std.860 N 50 50 Std. Pada pengukuran kedua (hb2) didapat rata-rata kadar Hb adalah 10.707 Sig.0558 Std. 106 . Klik ‘hb2’ 5.1389 -.346 10.001 Pada tabel pertama terlihat statistik deskriptif berupa rata-rata dan standar deviasi kadar Hb antara pengukuran pertama dan pengukuran kedua.05 gr%.5140 .SUTANTO PRIYO HASTONO: Analisis Data 3. Difference Deviati Error on Mean Lower Upper t df Sig.9821 . . Klik ‘OK’ hasilnya tampak sbb T-Test Paired Samples Statistics Mean Pair 1 kadar hb pengukuran pertama kadar hb pengukuran kedua 10.346 gr% dengan standar deviasi 1.860 gr% dengan standar deviasi 1.3835 1. Deviation 1. (2-taile d) -. Klik tanda panah sehingga kedua variabel masuk kotak sebelah kanan 6.1493 Paired Samples Correlations N Pair 1 kadar hb pengukuran pertama & kadar hb pengukuran kedua 50 Correlation .38 gr%. Klik ‘hb1’ 4. Rata-rata kadar Hb pada pengukuran pertama (hb1) adalah 10. Error Mean .000 Paired Samples Test Mean Pair 1 kadar hb pengukuran pertama .7931 -. Std.701 49 .

860 gr% dengan standar deviasi 1.001 maka dapat disimpulkan ada perbedaan yang signifikan antara kadar Hb pengukuran pertama dan kedua.346 gr% dengan standar deviasi 1.001 50 Mean SD SE P value N Rata-rata kadar Hb pada pengukuran pertama adalah 10. perbedaan ini diuji dengan uji T berpasangan menghasilkan nilai p yang dapat dilihat pada kolom “Sig (2-tailed)”.05 gr%.14 0. 107 . 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.SUTANTO PRIYO HASTONO: Analisis Data Uji T berpasangan dilaporkan pada tabel kedua. Bentuk penyajian dan interpretasinya sbb: Tabel … Distribusi Rata-Rata Kadar Hb Responden Menurut Pengukuran pertama dan Kedua di …. hasil uji statistik didapatkan nilai 0. Terlihat nilai mean perbedaan antara pengukuran pertama dan kedua adalah 0.05 0. maka dapat disimpulkan ada perbedaan yang signifikan kadar hb antara pengukuran pertama dengan pengukuran kedua. Th…… Variabel Kadar Hb Pengukuran I Pengukuran II 10.19 0.001.514 dengan standar deviasi 0.982.38 gr%.860 1. Pada contoh di atas didapatkan nilai p=0.346 10. terlihat nilai mean perbedaan antara pengukuran pertama dan kedua adalah 0.38 1.982. Pada pengukuran kedua didapat rata-rata kadar Hb adalah 10.

kedua. Bogor dan Tangerang. Dalam menganalisis data seperti ini (> 2 kelompok) sangat tidak dianjurkan menggunakan uji T. bila melakukan uji T berulang kali akan meningkatkan (inflasi) nilai α. maka mean yang dibandingkan menunjuk ada perbedaan. artinya akan meningkatkan peluang hasil yang keliru. Namun seringkali kita jumpai jumlah kelompok yang lebih dari dua. misalnya ingin mengetahui perbedaan mean berat badan bayi untuk daerah Bekasi. pertama kita melakukan uji berulang kali sesuai kombinasi yang mungkin. Perubahan inflasi α sebesar = 1 – (1-α)n Untuk mengatasi masalah tersebut maka uji statistik yang dianjurkan (uji yang tepat) dalam menganalisis beda lebih dari dua mean adalah uji ANOVA atau uji F. 108 . 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.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. 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.

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

Perhitungan Bonfrroni adalah sbb Xi . Ada berbagaijenis analisis multiple comparasion diantaranya adalah Bonferroni.SUTANTO PRIYO HASTONO: Analisis Data perbedaan yang bermakna (Ho ditolak). 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 . Scheffe dan lain-lain. Honestly Significant different (HSD).

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

tandai dengan √ pada kotak “Bonferroni” 8.40 2565.951 72.666 241. Deviation 249.04 Minim um 2100 2100 3000 3000 2100 Maxim um 2900 3000 4000 4100 4100 SD SMP SMU PT Total 112 .00 2727. Klik “OK” Oneway Descriptives berat badan bayi 95% Confidence Interval for Mean N 10 11 16 13 50 Mean 2470.32 3528.10 3003.54 3170.23 3287.527 107.108 386.623 Lower Bound 2291.727 67. Klik “Continue” 7.18 3994. Klik tombol “Post Hoc”.98 3336. Klik “Continue” 9.27 3431.60 2889.304 584. Error 78.32 3575.SUTANTO PRIYO HASTONO: Analisis Data 6.00 Std.209 270.25 3761.96 Upper Bound 2648.141 82.232 Std.

02 632.42 1023.21 613.538* 1034.492 124.294 115.0 gram dengan standar deviasi 249.027 .902 121.027 95% Confidence Interval Lower Bound Upper Bound -613.14 -632. The mean difference is significant at the .286 124. Pada mereka yang berpendidikan SMU rata-rata berat 113 .273 -703.273 SMU PT SD SMU PT SD SMP PT SD SMP SMU -961.72 -948. Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2727.72 700.266* 961.000 .000 .538* 257.506 df1 3 df2 46 Sig.228 119.36 1634.6 gram.000 .76 99.51 25.05 level.000 .93 *.315 .468 121.228 110.902 110.42 -1368.51 -700.64 634.000 .76 -1023.071 ANOVA berat badan bayi Sum of Squares 12697038 4027962 16725000 df 3 46 49 Mean Square 4232345.36 -1634.14 384.266* 330.334 Sig. .315 .288* 1291.21 -1290. Error 129.250* -1291.2 gram.977* -330.468 129.02 1368.862 87564.000 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. .977* -1034.2 gram dengan standar deviasi 241. .36 1290.294 119.54 -634.000 .36 -99.93 -25.286 115.288* SMP SMU PT Std. Dari print out ini diperoleh rata-rata berat bayi dan stndar deviasi masing-masing kelompok.492 Sig.54 -384.SUTANTO PRIYO HASTONO: Analisis Data Test of Homogeneity of Variances berat badan bayi Levene Statistic 2.400 F 48.64 948.000 .000 .250* 703. Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470.

0 2727.6 gram.PT 2470.2 gram dengan standar deviasi 270. Untuk mengetahui kelompok yang signifikan dapat terlihat dari kolom Sig.0005 Mean SD 95% CI P value Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470.9 0.6 241. Pada mereka yang 114 .3 – 3575. SMP dengan SMU.2 3761. SD dengan PT. Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2727.3 2291. Ternyata kelompok signifikan adalah tingkat pendidikan SD dengan SMU.0 gram dengan standar deviasi 249.6 3565.2 270. Pada mereka yang berpendidikan PT rata-rata berat bayinya adalah 3761. terlihat p=0. dapat disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan.000 (kalau desimalnya 0.5 249.1 gram.2 gram.2 3431.5 gram dengan standar deviasi 386.SMP .3 3287.1 – 3994.3 gram. maka penulisannnya menjadi p=0. Pada hasil di atas nilai p uji ANOVA dapat diketahui pada kolom “F” dan “Sig”.SD .4 – 2648.SMU . Pada mereka yang berpendidikan SMU rata-rata berat bayinya adalah 3431. SMP dengan PT dan SMU dengan PT. Pada Box paling bawah terlihat hasil dari uji ‘Multiple Comparisons Bonferroni” yang berguna untuk menelusuri lebih lanjut kelompok mana saja yang berhubungan signifikan.1 gram.2 – 2889. Penyajian dan Interpretasi di laporan Penelitian Tabel … Distribusi Rata-Rata berat Bayi Menurut Tingkat pendidikan Variabel Pendidikan . berarti pada alpha 5%.20 gram dengan standar deviasi 241.2 gram dengan standar deviasi 270.SUTANTO PRIYO HASTONO: Analisis Data bayinya adalah 3431.1 3528.0005).1 386.

SUTANTO PRIYO HASTONO: Analisis Data berpendidikan PT rata-rata berat bayinya adalah 3761. Analisis lebih lanjut membuktikan bahwa kelompok yang berbeda signifikan adalah tingkat pendidikan SD dengan SMU.SMP dengan PT dan SMU dengan PT.3 gram. SD dengan PT.5 gram dengan standar deviasi 386.0005. berarti pada alpha 5% dapat disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan. SMP dengan 115 . Hasil uji statistik didapat niali p=0. SMU.

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

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

c. 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. Khususnya untuk tabel 2x2. b. dapat mencari nilai X2 dengan menggunakan rumus: N (ad-bc)2 X2 = (a+c)(b+d)(a+b)(c+d) 118 .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. d merupakan nilai observasi. Ec dan Ed dapat dicari dengan cara yang sama. nilai data kedua variabel disajikan dalam bentuk tabel silang: Variabel 1 Ya Tidak Jumlah Variabel 2 Tinggi a c a+c Rendah b d b+d Jumlah a+b c+d n a.

SUTANTO PRIYO HASTONO: Analisis Data Uji kai kuadrat sangat baik untuk tabel dengan derajat kebebasan (df) yang besar. Penggabungan ini tentunya diharapkan tidak sampai membuat datanya kehilangan makna. Adapun keterbatasan uji kai kuadrat adalah sbb: a. Keterbatasan Kai Kuadrat Seperti kita ketahui. Formula kai kuadrat Yate’s Correction adalah sbb: (|O – E| . lebih dari 20% dari jumlah sel. penggunaan uji ini mungkin kurang tepat.5)2 X = E atau N {|ad-bc|2 – (N/2)]2 X2 = (a+c)(b+d)(a+b)(c+d) 2 3.0. Tidak boleh ada sel yang mempunyai nilai harapan (nilai E) kurang dari 1. b. 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 5. Oleh karena itu dalam penggunaan kai kuadrat harus memperhatikan keterbatasanketerbatasan uji ini. Jika keterbatasan tersebut terjadi pada saat uji kai kuadrat. Jika frekuensi sangat kecil. misalnya 3 x 2. 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). uji kai kuadrat menuntut frekuensi harapan/ekspektasi (E) dalam masing-masing sel tidak boleh terlampau kecil. 119 . 3 x 4 dsb).

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

SUTANTO PRIYO HASTONO: Analisis Data dan bekerja kode 0 dan ibu yang menyusui secara eksklusif diberi kode 1 dan non eksklusif diberi kode 0. Dapat dilihat di tabel persentasenya berdasarkan masing-masing kelompok tingkat pendidikan (persentase baris). Dari 30 pasien yang berpendidikan SMU ada sebanyak 20 (66. Sebetulnya bisa juga kodenya dibalik.0 33. Tabel … Distribusi Responden menurut Tingkat Pendidikan dan Pengetahuan Pengetahuan Pendidikan N SD SMP SMU PT Jumlah 25 16 10 5 56 Rendah % 50. misalnya kodenya: tidak bekerja =0.7 17. Pada jenis penelitian survei/Cross sectional atau Kohort.3 100.0 60.7 80. ada sebanyak 25 (50.0%) pasien mempunyai pengetahuan tinggi.7 n 25 24 20 20 89 Tinggi % 50. pembuatan persentasenya berdasarkan nilai variabel independen. tdk eksklusive =1. Dan dari 25 pasien yang berpendidikan PT. ada sebanyak 24 (60.6 20.0 40.3 n 50 40 30 25 145 Total % 34. variabel pendidikan sebagai variabel independen dan pengetahuan sebagai variabel dependen. tapi harus konsisten.0 Pembuatan persentase pada analisis tabel silang harus diperhatikan agar tidak salah dalam menginterpretasi.4 27.0 61.7%) yang berpengetahuan tinggi.0%) yang berpengetahuan tinggi. bekerja =1 dan eksklusive =0.0 66. Contoh di atas dapat di interpretasikan sbb: Dari 50 pasien yang berpendidikan SD.0 38.3 20. ada sebanyak 20 (80.0%) yang 121 . Dari 40 pasien yang berpendidikan SMP. Contoh di atas jenis penelitiannya Cross Sectional.

Pada penelitian yang berjenis kasus kontrol (Case Control) pembuatan persentasenya berdasarkan variabel dependennya. ada sebanyak 75 (75%) responden berjenis kelamin laki-laki. Sedangkan pada kelompok yang tidak menderita kanker paru. 122 .0 70.0 N 30 70 100 Kontrol % 30.0 50.0 50.0 25. 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. Dari data ini terlihat ada kecenderungan bahwa semakin tinggi tingkat pendidikan akan semakin tinggi tingkat pengetahuannya.SUTANTO PRIYO HASTONO: Analisis Data berpengetahuan tinggi. ada sebanyak (30%) responden yang berjenis kelamin laki-laki.5 47.0 n 105 95 200 Total % 52.0 Interpretasinya: Dari mereka yang menderita kanker paru.5 100.

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

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

013b 6.0% 26 52.189 .816 125 . 00.0% 18 72.0% 7 28. 0 cells (.250 1. Risk Estimate 95% Confidence Interval Lower Upper 1.005 .011 . Computed only for a 2x2 table b.005 a.464 2.005 .244 df 1 1 1 Asymp.627 18. Sig.0% 25 100.0% 24 48. (1-sided) Pearson Chi-Square Continuity Correctiona Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases .853 50 1 .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. The minimum expected count is 12.SUTANTO PRIYO HASTONO: Analisis Data Crosstabs status pekerjaan ibu * status menyusui asi Crosstabulation status menyusui asi tdk EKSKLUSIVE EKSKLUSIVE 17 8 68.010 7.412 50 .0% 32.490 8.004 Exact Sig.209 4. (2-sided) .0% 50 100. (2-sided) Exact Sig.0%) have expected count less than 5.208 .0% Total 25 100.357 Value Odds Ratio for status pekerjaan ibu (TIDAK KERJA / KERJA) For cohort status menyusui asi = YA EKSKLUSIVE For cohort status menyusui asi = TIDAK EKSKLUS N of Valid Cases 5.

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

4 x 2 dsb. misalnya 3 x 2. maka nilai OR dapat diperoleh dengan analisis regresi logistik sederhana dengan cara membuat “Dummy variable” 127 . sedangkan untuk bidang kesehatan terutama kesehatan masyarakat digunakan nilai OR atau RR.011.46 kali untuk menyusui eksklusif dibandingkan ibu yang bekerja.. Sedangkan nilai RR terlihat dari baris For Cohort yaitu bearnya 2. Pada data ini berasal dari penelitian Cross Sectional maka kita dapat menginterpretasikan nialai OR=5.464 (95% CI: 1. Uji Chi square hanya dapat digunakan untuk mengetahuiada/tidaknya hubungan dua variabel.627 – 18. sedangkan nilai RR digunakan bila jenis penelitiannya Kohort.464 sbb: Ibu yang tidak bekerja mempunyai peluang 5. bila tabel silang lebih dari 2 x 2. Pada perintah Crosstab nilai OR akan keluar bila tabel silang 2 x 2.189). sehingga uji ini tidak dapat untuk mengetahui derajat/kekuatan hubungan dua variabel. misal untuk ilmu sosial dengan melihat koefisien Phi. Sig” dan terlihat p valuenya = 0.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. Untuk mengetahui besar/kekuatan hubungan banyak metodenya tergantung latar belakangdisiplin keilmuannya. Pada hasil di atas nilai OR terdapat pada baris Odds ratio yaitu 5.250 (95% CI: 1. Nilai OR digunakan untuk jenis penelitian Cross Sectional dan Case Control. Dengan kata lain dapat disimpulkan bahwa ada hubungan status pekerjaan dengan perilaku menyusui eksklusif.357). koefisien Contingency dan cramer’s V.209 – 4. berarti kesimpulannya ada perbedaan perilaku menyusui eksklusif antara ibu yang bekerja dengan ibu yang tidak bekerja.

artinya ibu tidak bekerja mempunyai peluang 5. Hasil uji statistik diperoleh nilai p=0.0 48.0 Eksklusif n 8 18 24 % 32.0%) yang menyusui secara eksklusif. 128 .0 52.0 28.46 kali untuk menyusui eksklusif dibanding ibu yang bekerja.3 0.0 n 25 25 50 % 100 100 100 5.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. ada 18 (72.011 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.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 72. Sedangkan diantara ibu yang tidak bekerja.464 1.6 – 18. Dari hasil analisis diperoleh pula nilai OR=5.464.

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

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

yaitu dengan analisis regresi. yaitu pertama: membandingkan nilai r hitung dengan r tabel. Selanjutnya perlu dilakukan uji hipotesis untuk mengetahui apakah hubungan antara dua variabelteradi secara signifikan atau hanya karena faktor kebetulan dari random sample (by chance).SUTANTO PRIYO HASTONO: Analisis Data Menurut Colton. kekuatan hubungan dua variabel secara kualitatif dapat dibagi dalam 4 area. Pada modul ini kita gunakan pendekatan distribusi t.25 r = 0. Uji hipotesis dapat dilakukan dengan dua cara. kedua: menggunakan pengujian dengan pendekatan distribusi t.00 – 0. Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk mengetahui bentuk hubungan antar dua atau lebih variabel.25 r = 0. dengan formula: n–2 t=r 1 – r2 df = n – 2 n = jumlah sampel 2.25 Uji Hipotesis Koefisien korelasi yang telah dihasilkan merupakan langkah pertama untuk menjelaskan derajat hubungan derajat hubungan linier anatara dua variabel.25 r = 0.00 – 0.00 – 0. Regresi Linier Sederhana Seperti sudah diuraikan di depan bahwa analisis hubungzn dua variabel dapat digunakan untuk mengetahui bentuk hubungan dua variabel. yaitu: r = 0. Tujuan tidak ada hubungan/hubungan lemah hubungan sedang hubungan kuat hubungan sangat kuat / sempurna 131 .00 – 0.

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

makin rendah ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan nilai variabel dependen yang sesungguhnya. Dansebaliknya. Semakin kecil nilai Se. 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. 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 . Untuk mengetahhui besarnya Se dapat dihitung melalui formula sbb: 133 .SUTANTO PRIYO HASTONO: Analisis Data dan Y pada ilmu sosial/kesehatan masyarakat tidaklah eksak. 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. semakin besar nilai Se.

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

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

000 50 50 . Pastikan tampilan berada pada data editor ASI.684** . informasi yang muncul terdapat tiga baris. Hasil uji statistik didapatkan ada hubungan yang signifikan antara berat badan ibu dengan berat badan bayi (p = 0.SAV. Adapun caranya: 1. Dari menu SPSS. Tampilan analisis korelasi berupa matrik antar variabel yang di korelasi.01 level (2-tailed). (2-tailed) N **.684 dan nilai p = 0. pilih ‘Regression’. B.0005).684** 1 . 2.0005.000 50 50 berat badan ibu berat badan bayi Pearson Correlation Sig. Pada kotak ‘Dependen’ isikan variabel yang kita perlakukan sebagai dependen (dalam 136 . pilih ‘Linear’ 3. dan baris ketiga menampilkan N (jumlah data). baris kedua menapilkan nilai p (P value).SUTANTO PRIYO HASTONO: Analisis Data Correlations Correlations berat badan ibu 1 berat badan bayi . baris pertama berisi nilai korelasi (r). Correlation is significant at the 0. Dalam kasus ini berarti berat badan ibu sebagai variabel independen dan berat badan bayi sebagai variabel dependen. (2-tailed) N Pearson Correlation Sig. Pada hasil di atas diperoleh nilai r = 0. dalam analisis regresi kita harus menentukan variabel dependen dan variabel independennya. Regresi Linier Sederhana Berikut akan dilakukan analisis regresi linier dengan menggunakan variabel ‘berat badan ibu’ dan ‘berat badan bayi’ dari data ASI. 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. Klik ‘Analysis’. Pada tampilan di atas ada beberpa kotak yang harus diisi. jika belum aktifkan data tersebut.SAV.

dan hasilnya sbb: Regression Model Summary Model 1 R R Square . Predictors: (Constant). klik ‘berat badan bayi’.715 a. berat badan ibu 137 .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 4.468 Adjusted R Square . masukkan ke kotak Independent 6.456 Std.684a . masukkan ke kotak Dependent 5. Klik ‘berat badan ibu’. Error of the Estimate 430. Klik ‘OK’.

dan menghasilkan nilai p=0. persamaan garis dan p value.965 185515. berat badan bayi dapat diperkirakan jika kita tahu nilai berat badan ibu. Error 657.93 dan nilai b = 44.38(berat badan ibu) Dengan persamaan tersebut. Predictors: (Constant).680 6.376 F 42.SUTANTO PRIYO HASTONO: Analisis Data ANOVAb Model 1 Sum of Squares 7820262 8904738 16725000 df 1 48 49 Mean Square 7820261. . berat badan ibu b. Dependent Variable: berat badan bayi Coefficientsa Unstandardized Coefficients B Std.676 44. sehingga persamaan regresinya: Y = a + bX Berat badan bayi = 657.383 6. Selanjutnya pada tabel ANOVAb .000 a. persamaan garis regresi yang kita peroleh dapat menerangkan 46.468 artinya.836 Standardized Coefficients Beta .93 + 44. Uji uji statistik untuk koefisien regresi dapat dilihat pada kolom Sig T.929 391.000a Regression Residual Total a.684 Model 1 (Constant) berat badan ibu t 1. Nilai koefisien determinasi dapat dilihat dari nilai R Square (anda dapat lihat pada tabel ‘Model Summary’) yaitu besarnya 0. diperoleh nilai p (di kolom Sig) sebesar 0.154 Sig.38.0005.8% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi.493 Sig. Jadi pada alpha 5% kita menolak 138 . Dependent Variable: berat badan bayi Dari hasil di atas dapat diinterpretasikan dengan mengkaji nilai-nilai yang penting dalam regresi linier diantaranya: koefisien determinasi. .0005. 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.099 . Dari hasil diatas didapat nilai konstant (nilai ini merupakan nilai intercept atau nilai a) sebesar 657.

6% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi.93 + 44.8. 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 46.468 Persamaan garis bbayi =657.SUTANTO PRIYO HASTONO: Analisis Data hipotesis nol.38 berarti bahwa variabel berat badan bayi akan bertambah sebesar 44. maka: Berat badan bayi =657.93 + 44.005).684 R2 0. Penyajian dan Interpretasi Tabel … Analisis Korelasi dan regresi berat badan ibu dengan berat badan bayi Variabel Umur R 0.0005 Hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan kuat (r=0. berarti ada hubngan linier antara berat badan ibu dengan berat badan bayi. Misalkan kita ingin mengetahui berat badan bayi jika diketahui berat badan ibu sebesar 60 kg.468 artinya .38 gr bila berat badan ibu bertambah setiap satu kilogram. Memprediksi variabel Dependen Dari persamaan garis yang didapat tersebut kita dapat memprediksi variabel dependen (berat badan bayi) dengan variabel independen (berat badan ibu).93 + 44.38*bbibu P value 0.684) dan berpola positif artinya semakin bertambah berat badan ibu semakin besar berat badan bayinya.38(berat badan ibu) Berat badan bayi= 657.38(60) 139 . Dari nilai b=44. Nilai koefisien dengan determinasi 0.

201 Jadi dengan tingkat kepercayaan 95%.5 gr s.9 gr C.kan angka yang tepat seperti di atas. klik’Chart’ 9.SUTANTO PRIYO HASTONO: Analisis Data Berat badan bayi = 3320. pilih ‘Scatter’ 2. Klik ‘Graphs. pada kotak ‘Fit Line. klik grafiknya 2 kali 8. Klik ‘OK’ 6.715 (lihat di kotak Model Summary). Nilai Z dihitung dari tabel Z dengan tingkat kepercyaan 95% dan didapat nilai Z = 1. untuk berat badan ibu 60 kg diprediksikan berat badan bayinya adalah diantara 2476. namun perkiraannya tergantung dari nilai ‘Std.73 Ingat prediksi regresi tidak dapat menghasil. Pada kotak X Axis isikan variabel independennya (masukkan veriabel dependennya (masukkan Umur) 5. Klik Total 10. Membuat Grafik Prediksi Langkahnya: 1. Terlihat di layar grafik scatter plot-nya (garis regresi belum ada?) 7.715 = ± 844. klik ‘OK’ maka muncul garis regresi 140 . Untuk mengeluarkan garisnya. sehingga variasinya 1.d 4164. Dengan demikianvariasi variabel dependen = Z*SEE. Klik Sampel klik ‘Define’ 3. Pada kotak Y Axis isikan variabel dependennya (masukkan veriabel dependennya (masukkan Hb1) 4. Error of The estimate’(SEE) yang besarnya adalah 430.96.96 * 430.

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

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

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

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

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

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

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

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

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

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

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

055 189 189 1 -. (2-tailed) N Pearson Correlation Sig. Klik tombol ‘OK’ Muncul dilayar hasil sbb: Correlations Correlations Weight of mother (pounds) .072 .155* . **.072 .034 189 Birth weight (gram) . (2-tailed) N Age of mother 1 189 .155* .003 .003 189 . (2-tailed) N Pearson Correlation Sig.215** . (2-tailed) N Pearson Correlation Sig. Correlation is significant at the 0.140 .180* .010 189 No History of physician prematur visits in first e labor trimester .219 189 .05 level (2-tailed).141 .058 .544 189 .01 level (2-tailed).544 189 -.141 -.426 189 -.013 189 1 189 . (2-tailed) N Pearson Correlation Sig.180* .SUTANTO PRIYO HASTONO: Analisis Data 4.044 .186* .058 .219 189 History of premature labor Birth weight (gram) *.013 189 .328 189 189 . Correlation is significant at the 0.090 .055 189 .328 189 .034 189 1 189 Age of mother Weight of mother (pounds) No physician visits in first trimester Pearson Correlation Sig.186* .010 189 .044 .140 .215** .426 189 189 1 189 -. 152 .090 .054 189 -.054 .

Dari menu utama SPSS.Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’. Bivariat uji t: melakukan analisis bivariat untuk variabel independen berjenis katagorik: merokok dan riwayat hipertensi 1. Sedangkan untuk variabel frekuensi anc mempunyai p value > 0. berat badan dan frekuensi prematur mempunayi p value < 0.Klik variabel ‘smoke’ dan masukkan ke kotak‘Grouping Variable’. dengan demikian ketiga variabel tersebut dapat lanjut masuk ke pemodelan multivariat. frekuensi anc (p=0.010). kemudian pilih sub menu “Compare Means’. lalu pilih “Independen-Samples T Test” 2.SUTANTO PRIYO HASTONO: Analisis Data Hasil dari analisis bivariat dengan korelasi didapatkan nilai p value untuk variabel umur (p=219). b. frekuensi prematur (p=0. sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya.25 (yaitu p=0. Ket: kotak test varibles tempat memasukkan variabel numeriknya.426) sehingga tidak bisa masuk ke multivariat. 3. namun demikian oleh karena secara substansi frekuensi anc merupakan faktor yang sangat penting mempengaruhi berat badan bayi. Merokok Langkahnya: 1. Dari hasil ini dapat kita simpulkan bahwa variabel umur. maka variabel frekuensi anc tetap diikutkan dalam analisis multivariat.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4.426).25. pilih menu ‘Analyze”. 153 . ingat jangan sampai terbalik. berat badan (p=0.034).

Deviation 752.732 Birth weight (gram) 154 . kemudian di layar nampak kotak isian.Klik ‘Define Group’.24 Std.SUTANTO PRIYO HASTONO: Analisis Data 5.075 Std. Klik “Continue” 10.409 660. kita tahu bahwa ‘0’ tidak merokok dan kode ‘1’ untuk Yang merokok.96 2773. Klik “OK” untuk menjalankan prosedur perintahnya. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 9.163 76. Pada contoh ini. Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak. dan hasilnya sbb: T-Test Group Statistics Smoking status No Yes N 115 74 Mean 3054. Error Mean 70.

(variabel yang sebelumnya (variabel smoke) dikeluarkan dahulu baru ‘ht’ dimasukkan 155 . (2-tail ed) .0 Hasil analisis hubungan merokok dengan berat bayi menghasilkan p value = 0.634 df 187 2.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4. Error Differenc e 106.Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’.0 . lalu pilih “Independen-Samples T Test” 2.009. kemudian pilih sub menu “Compare Means’.221 t 2.467 487.693 492.508 Sig. ingat jangan sampai terbalik.974 76.009 Mean Differen ce 281. Riwayat Hipertensi Langkahnya: 1. dengan demikian p value yang dihasilkan < 0.713 Std.Dari menu utama SPSS.709 170. sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya.969 95% Confidence Interval of the Difference Lower Upper 70. 2.Klik variabel ‘ht’ dan masukkan ke kotak‘Grouping Variable’.007 281. Ket: kotak test varibles tempat memasukkan variabel numeriknya.713 103.7 F Birth weight (gram) Equal variances assumed Equal variances not assumed 1.SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Sig.25 maka variabel merokok dapat lanjut ke multivariat. . 3. pilih menu ‘Analyze”.

226 917. dan hasilnya sbb: Group Statistics History of hypertension No Yes N 177 12 Mean 2972.Klik “OK” untuk menjalankan prosedur perintahnya. Deviation 709.Klik ‘Define Group’. kemudian di layar nampak kotak isian.75 Std. Pada contoh ini.341 Std. kita tahu bahwa ‘0’ tidak ada hipertensi dan kode ‘1’ ada hipertensi’. Error Mean 53.SUTANTO PRIYO HASTONO: Analisis Data 5.Klik “Continue” 7.31 2536. Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak.813 Birth weight (gram) 156 . Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 6.309 264.

sorot ‘Regression’. sorot dan klik ‘Linier’ lalu muncul menu regresi linier.126 -153. maka variabel tersebut harus dikeluarkan dalam model.25 sehiingga variabel riwayat adanya hipertensi dapat lanjut ke analisis multivariat Dengan demikian selesailah sudah seleksi semua variabel independen.908 . B.709 95% Confidence Interval of the Difference Lower Upper 10. Klik ‘Analyisis’. dari 6 variabel independen semuaanya masuk ke proses berikutnya yaitu ke analisis multivariat. berarti p valuenya < 0.05. Langkah Kedua : Pemodelan Multivariat Setelah tahap bivariat selesai.235 t 2. lwt.419 Sig. ht. . tahap berikutnya melakukan analisis multivariat secara bersama-sama.045 Mean Differe nce 435. Error Differen ce 215. ftv) 157 .56 1.024 861. melainkan bertahap satu per satu dikeluarkan dimulai dari p value yang terbesar. Bila dalam model multivariat dijumpai variabel yang p value nya > 0. Pada kotak ‘dependen isikan variabel dependen (dalam hal ini berarti bwt) dan kotak ‘independen’ isikan variabel independennya (dalam hal ini age.1 F Birth weight (gram) Equal variances assumed Equal variances not assumed 1. smoke.133 435. ptl.56 270. Adapun proses selengkapnya sbb: 1.045.612 11. Pengeluaran variabel dilakukan tidak serempak.SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Std. Variabel yang valid dalam model multivariat adalah variabel yang mempunyai p value < 0.05.5 1025 Dari hasil analisis bivariat uji t antara variabel riwayat adanya hipertensi dengan berat bayi didapatkan p value = 0. (2-taile d) .019 df 187 Sig. a.

Predictors: (Constant). History of hypertension. Error of the Estimate 696.829 a.116 Adjusted R Square . Smoking status.SUTANTO PRIYO HASTONO: Analisis Data 5.086 Std. Age of mother. Pada kotak ‘Method’. Klik ‘OK’. Abaikan lainnya 7. pilih Enter’ 6. dan hasilnya Regression Model Summary Model 1 R R Square . Weight of mother (pounds) 158 . History of premature labor.340a . No physician visits in first trimester.

Dengan demikian variabel yang kita coba keluarkan adalah frekuensi anc(No physician. No physician visits in first trimester.052 . Predictors: (Constant).734 .705 Standardized Coefficients Beta .476 .150 dan frekuensi anc (no physician) p=0.862 299.193 -.008 .777 105. variabel yang p valuenya > 0.6 % sedangkan sisanya dijelaskan oleh variabel lain. .954.002 -574.05.793 -232.022 4. yaitu umur (age) p=0.928 106.230 -2.000 .156 -.001 berarti persamaan garis regresi secara keseluruhan sudah signifikan.476. Weight of mother (pounds) b. Age of mother.847 1. Error 2315.574 215.962 Sig.05.481 49. riwayat prematur (history prematur) p=0. 159 .004 Model 1 (Constant) Age of mother Weight of mother (pounds) Smoking status History of premature labor History of hypertension No physician visits in first trimester t 7.SUTANTO PRIYO HASTONO: Analisis Data ANOVAb Model 1 Sum of Squares 11543236 88373817 99917053 df 6 182 188 Mean Square 1923872. Dependent Variable: Birth weight (gram) Dari kotak ‘Model Sumarry” didapatkan nilai R Square sebesar 0.715 2.698 -2. artinya keenamm variabel independen dapat menjelaskan variabel berat bayi sebesar 11.150 . Smoking status. Dependent Variable: Birth weight (gram) Coefficientsa Unstandardized Coefficients B Std. Dari hasil uji statistik (lihat kotak anova) didapatkan p value = 0. History of hypertension. Tahap berikutnya mengeluarkan variabel yang p valuenya > 0.030 . pengeluaran variabel dimulai dari p value yang terbesar.162 10.442 7..001a Regression Residual Total a.008 . Namun demikian prinsip pemodelan harus yang sederhana variabelnya sehingga masing-masing variabel indepeden perlu di cek nilai p valuenya.253 -154.665 -.05 dikeluarkan daari model.116.445 -2.423 F 3. Ternyata dari 6 variabel indepeden (lihat kolom sig di kotak Coefficients) ada 3 variabel yang p valuenya > 0.954 a.).611 485570.193 -1.104 -.201 -. History of premature labor. .057 Sig.

192 Model 1 (Constant) Age of mother Weight of mother (pounds) Smoking status History of premature labor History of hypertension t 7.224 -153. Pada kotak Independen juga masih lengkap ada 6 variabel.029 . kita cek dulu apakah setelah dikeluarkan.473 . Error of the Estimate 694.SUTANTO PRIYO HASTONO: Analisis Data Langkahnya: 1. Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja.747 -573. History of premature labor. namun sekarang anda harus keluarkan variabel ‘no physician’ dan masukkan ke kotak Variable di sebelah kiri.051 9. Klik OK. Sedangkan untuk coefisian B.801 .841 Standardized Coefficients Beta .051 . Error 2317. Untuk nilai R Square ternyata tidak ada perunbahan yaitu tetap 0. B.448 -2.719 2. 3. Dependent Variable: Birth weight (gram) Setelah variabel frekuensi anc dikeluarkan.074 7.929 a. dan hasilnya sbb: Model Summary Model 1 R R Square .191 213.116.116 Adjusted R Square . Smoking status. Bila ada perubahan yang besar maka variabel tersebut tidak jadi dikeluarkan dalam model (tetap dipertahankan di model). Klik ‘Analysis’.149 .007 . Predictors: (Constant).807 4. ada perubahan besar( berubah lebih dari 10 %) untuk R Square dan Coef.759 105.011 1.198 -1. Weight of mother (pounds) Coefficientsa Unstandardized Coefficients B Std.638 106. History of hypertension.104 -. Age of mother.156 -.340a .000 .781 -232.008 a. sorot ‘Regression’. sorot dan klik ‘Linier’ 2.201 -.091 Std. .680 Sig.718 -2. Sekarang kita bandingkan nilai coefisien B untuk variabel umur.608 297. 160 .

Predictors: (Constant). ternyata tidak ada yang berubah lebih dari 10 %.336a . namun sekarang anda harus keluarkan variabel ‘umur (age)’ dan masukkan ke kotak Variable di sebelah kiri.05.113 Adjusted R Square . sorot ‘Regression’. History of hypertension.2 -2.1 % 0. History of premature labor. Selankutnya kita lihat kembali bahwa pada model masih ada variabel yang p value > 0. Klik OK.8 Anc dikeluarkan 7.1 4. 1. dan hasilnya sbb: Model Summary Model 1 R R Square .0 4.094 Std. Sekarang kita akan keluarkan variabel umur (p value =0. Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja.7 573. riwayat prematur dan riwayat hiperteni antara sebelum dan sesudah variabel frekuensi anc dikeluarkan. merokok. Klik ‘Analysis’.2 153. 3. sorot dan klik ‘Linier’ 2.SUTANTO PRIYO HASTONO: Analisis Data berat ibu.4 % 0% 0% 0. Weight of mother (pounds) 161 .0 -574. Error of the Estimate 694.016 a.2 -154.1 % Dari perhitungan perubahan nilai coefisien B pada masing-masing variabel.7 -232. dengan demikian variabel frekuensi anc kita keluarkan dari model.0 - perubahan Coef.473). Pada kotak Independen juga masih terisi ada 5 variabel. hasil perhitungannya sbb: Variabel Age bwt smoke ptl hi ftv Anc msih ada 7. Langkah/proses : 1. Smoking status.7 -232.

244 -1.412 -582.098 -.925 -2. .417 213.169 .4 582.dst.113. sorot Regression. sedangkan untuk Masih lengkap 7.026 .211 -. Klik Analysis.420 -145. dan hasilnya sbb: 162 . nilai R Square ternyata ada sedikit coefisian B. Ternyata tidak ada yang lebih dari 10 %.566 1.159 -.1 % 1.2 -2.3 % Dari hasil perhitungan perubahan coef.476 2. hasil perunbahan yaitu menjadi 0.733 Sig. Langkah selanjutnya mengeluarkan variabel Riwayat mengalami prematur.8 % 6.379 -2. Dependent Variable: Birth weight (gram) Setelah variabel umur perhitungannya sbb: Variabel Age bwt smoke ptl hi ftv dikeluarkan. .3 % 1.195 Model 1 (Constant) Weight of mother (pounds) Smoking status History of premature labor History of hypertension t 10.000 .779 5. Pada kotak independen variabel riwayat mengalami prematur dikeluarkan dan dimasukkan ke kotak variable disebelah kiri. Prosesnya/langkahnya sama dengan diatas.121 233.7 -232.338 105. Error 2449. dengan demikian variabel umur kita keluarkan dari model.2 -154.1 4.. .007 a.0 -236.4 145.SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Unstandardized Coefficients B Std.721 105.004 .0 -574.847 umur dikeluarkan 5.035 -236.148 Standardized Coefficients Beta . 6.5 - perubahan Coef.

009 -586.002 .746 Sig.012 . Smoking status. Predictors: (Constant).534 -2.3 % Hasil perhitungan setelah dikeluarkan variabel prematur.177 -.374 3.5 perubahan Coef.105 230.0 -574.197 Model 1 (Constant) Weight of mother (pounds) Smoking status History of hypertension t 10.812 213.05 dengan demikian proses pencarian variabel yang masuk dalam model telah selesai dan model yang terakhir adalah sbb: 163 .2 -154. 12.SUTANTO PRIYO HASTONO: Analisis Data Model Summary Model 1 R R Square .3 % dengan demikian variabel riwayat mengalami prematur tidak jadi dikeluarkan dan tetap dipertahankan dalam model multivariat.2 -2.391 5.352 -263.000 . Error 2390. History of hypertension.322a .007 a.089 Std. Dependent Variable: Birth weight (gram) Hasil R Square turun sedikit yaitu menjadi 0. Weight of mother (pounds) Coefficientsa Unstandardized Coefficients B Std.104. B dapat dilihat sbb: Variabel Age bwt smoke ptl hi ftv Masih lengkap 7.130 -2.707 a.104 Adjusted R Square .847 Prematur keluar 5.1 4.224 -. Dari hasil analisis ternyata tidak ada lagi yang p valuenya > 0.3 -236.7 % 1.722 1.7 -232. Sedangkan hasil perhitungan perubahan Coef. ternyata coefisin B pada variabel beat badan ibu (bwt) beubah sebesar 12.3 % 1.646 Standardized Coefficients Beta . Error of the Estimate 695.4 582. .710 103.

Dependent Variable: Birth weight (gram) Langkah selanjutnya UJI ASUMSI Agar persaman garis yang digunkan untuk memprediksi menghasilkan angka yang valid. Error 233. sorot ‘Regression’. Error of the Estimate 694.476 2. Dependent Variable: Birth weight (gram) Coefficientsa Stand ardize d Coeffi cients Beta .121 5.779 1.060 1. sorot dan klik ‘Linier’ 2.733 -1.412 Std.113 Adjusted R Square .222 a.016 DurbinWatson . Weight of mother (pounds) b.169 Mo de l 1 Unstandardized Coefficients B 2449. Predictors: (Constant).964 .420 -582.098 t 10. Masukan dalam kotak Independen variabel berat badan ibu (lwt). riwayat hipertensi (hi) dan variabel riwayat prematur(ptl) 164 .148 105.035 -236. .244 -2.417 Collinearity Statistics Tolera nce VIF .081 1. History of premature labor.947 1.000 .336a .925 -2.925 . Masukkan dalam kotak Dependen variabel ‘bwt’ 3.566 -145. maka persamaan yang dihasilkan harus memenuhi asumsi-asumsi yang diersyaratkan uji regresi linier ganda.SUTANTO PRIYO HASTONO: Analisis Data Model Summaryb Model 1 R R Square .026 . merokok(smoke).943 .195 -.338 213.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a.007 .159 -.721 105. History of hypertension.037 1.379 Sig. Smoking status.094 Std.211 -. Adapun uji asumsinya sbb: Langkahnya: 1.Klik ‘Analysis’.004 .

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

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

173 Mean 2944.000 .03 2.d.001 -3.000 .196 686.59.423 2.028 N 189 189 189 189 189 189 189 189 189 189 189 189 a.835 67.015 -2102. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std.019 .619 1. +2 berarti asumsi independensi terpenuhi.399 2943.66 .222.021 Std.094 Std.469 .079 1. Error of the Estimate 694. Dependent Variable: Birth weight (gram) Dari hasil uji didapatkan koefisien Durbin Watson independensi terpenuhi. Smoking status.209 . Dependent Variable: Birth weight (gram) Hasil dari output diatas menunjukkan angka residual dengan mean 0. sebaliknya bila nilai Durbin < -2 atau > +2 berarti asumsi tidak terpenuhi Model Summaryb Model 1 R R Square . Untuk mengetahui asuamsi ini dilakukan dengan cara mengeluarkan uji Durbin Watson.804 3616.SUTANTO PRIYO HASTONO: Analisis Data Residuals Statisticsa Predicted Value Std. 0.316 -3.222 a. Residual Deleted Residual Stud.407 251.989 1.005 708.631 2.000 dan standar deviasi 686.782 1940.769 2.084 .000 45.682 292.320 .835 32. History of premature labor.593 .004 Maximum 3602.979 .73 .113 Adjusted R Square .000 . Deviation 245. History of hypertension. berarti asumsi 167 .193 1955. Weight of mother (pounds) b.000 3. Dengan demikian asumsi Eksistensi terpenuhi b.007 .610 -3.001 . Distance Cook's Distance Centered Leverage Value Minimum 2249.000 103. Asumsi Independensi Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain. Predictors: (Constant).336a .97 1921. Jadi nilai dari tiap-tiap individu saling berdiri sendiri.768 . Tidak diperbolehkan nilai observasi yang berbeda yang diukur dari satu individu diukur dua kali. Deleted Residual Mahal.010 5.016 DurbinWatson .43 -2082. Residual Stud.77 -2.923 . bila nilai Durbin –2 s.

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

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

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 = -2.53E-16 Std.989 N = 189 Regression Standardized Residual 170 . = 0. Dev.

8 Expected Cum Prob 0.4 0. bila nilai VIF lebih dari 10 maka mengindikasikan telah terjadi collinearity.0 0.6 0. 171 . f.6 0.0 0.SUTANTO PRIYO HASTONO: Analisis Data Normal P-P Plot of Regression Standardized Residual Dependent Variable: Birth weight (gram) 1.8 1.0 Observed Cum Prob Dari grafik histogram dan grafik normal P-P plot terbukti bahwa bentuk distribusinya normal.Diagostik Multicollinearity Dalam regresi linier tidak boleh terjadi sesama variabel independen berkorelasi secara kuat (multicollinearity). berarti asumsi normality terpenuhi.4 0. Untuk mendeteksi collinearity dapat diketahui dari nilai VIF (variance inflation factor).2 0.0 0.2 0.

412 Std.721 105. Error of the Estimate 694.947 1. Error 233.094 Std.004 . Namun karena secara substansi antar variabel dipandang tidak interaksi maka uji interaksi tidak dilakukan.169 Mo de l 1 Unstandardized Coefficients B 2449.964 . History of premature labor. Dependent Variable: Birth weight (gram) Dari hasil uji asumsi didapatkan nilai VIF tidak lebih dari 10.195 -. History of hypertension. Smoking status.925 -2.081 1. Langkah sekanjutnya adalah UJI INTERAKSI.211 -.016 DurbinWatson .420 -582.007 .338 213.222 a.476 2.060 1.943 .026 .000 .148 105.336a .379 Sig.121 5.244 -2.098 t 10. Sehingga model yang terakhir adalah sbb: Model Summaryb Model 1 R R Square . 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.733 -1. Predictors: (Constant). .159 -.035 -236.SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Stand ardize d Coeffi cients Beta .113 Adjusted R Square .037 1.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a.566 -145.925 .417 Collinearity Statistics Tolera nce VIF . Weight of mother (pounds) b. Dependent Variable: Birth weight (gram) 172 .779 1.

000. peresamaat regresi yang diperoleh adalah Berat Bayi = 2449.081 1.0 Lwt – 236.566 -145.060 1. Error 233.925 -2.379 Sig.943 . Atau dengan kata lain keempat variabel independen tsb dapat menjelaskan variasi variabel berat bayi sebesar 11. berarti pada alpha 5% kita dapat menyatakan bahwa model regresi cocok (fit) dengan data yang ada.582Hi – 145.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a.195 -. Dependent Variable: Birth weight (gram) Interpretasi model: Setelah dilakuikan analisis .SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Stand ardize d Coeffi cients Beta .947 1.007 ..721 105.121 5.476 2.000 .ternyata variabel independen yang masuk model regresi adalah berat badan ibu. kita dapat mengetahui koefisien regresi masing-masing variabel. dan riwayat prematur.211 -.035 -236.169 Mo de l 1 Unstandardized Coefficients B 2449.338 213. .779 1.4 Ptl 173 .925 .964 .098 t 10. kita lihat hasil uji F yang menunjukkan nilai P (sig) = 0.3 %.412 Std.733 -1.417 Collinearity Statistics Tolera nce VIF . Dari hasil di atas.420 -582.1+5. riwayat hipertensi.004 . Pada tabel ‘Model Summary’ terlihat koefisien determinasi (R square) menunjukkan nilai 0.113 artinya bahwa model regresi yang diperoleh dapat menjelaskan 11. ibu merokok. Atau dapat diartikan kedua variabel tersebut secara signifikan dapat utnuk memprediksi variabel berat bayi.026 . Pada kotak ‘Coefficient’ kita dapat memperoleh persamaaan garisnya. pada kolom B (di bagian Variabel In Equation) di atas.4 smoke .148 105.159 -. Kemudian pada kotak ‘ANOVA’.037 1.3 % variasi variabel dependen berat bayi.244 -2.

berat bayinya akan lebih rendah sebesar 582. merokok dan prematur.5 gram setelah dikontrol variabel berat badan ibu. kita dapat memperkirakan berat badan bayi dengan menggunakan variabel berat badan ibu. Kolom Beta dapat digunakan untuk mengetahui variabel mana yang paling besar peranannya (pengaruhnya) dalam menentukan variabel dependennya (berat badan bayi). hipertensi dan prematur Pada ibu yang merokok berat bayinya akan lebih rendah sebesar 236.4 gram setelah dikontrol variabel berat badan. maka berat badan bayi akan naik sebesar 5. B untuk masing-masing variabel adalah sbb: Setiap kenaikan berat badan ibu sebesar 1 kg. merokok dan hipertensi. Pada ibu yang menderita hipertensi. Adapun arti koef. Pada hasil di atas berarti variabel yang paling besar pengaruhnya terhadap penentuan berat badan bayi adalah berat badan ibu. hipertensi dan prematur. 174 . Semakin besar nilai beta semakin besar pengaruh nya terhadap variabel dependennya.SUTANTO PRIYO HASTONO: Analisis Data Dengan model persamaan ini..0 gram setelah dikontrol variabel merokok.

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

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

80 0.3 0.6 0. kemudian meningkat tajam dan kemudian landai kembali. Kalau kita cermati.76 0.5 0. pembuatan diagram tebar tersebut merupakan cara untuk mendeteksi/mengetahui hubungan pada analisis regresi linier.4 0.46 0.25 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.10 0.9 0.1 0 20 .63 0.7 0. Diawali peningkatan yang landai.29 30 – 34 35 – 39 40 – 44 45 – 49 50 – 54 55 – 59 60 – 69 Pada grafik tyer.8 0.2 0.33 0. Kemudian kita coba sajikan data tersebut dengan grafik dan hasilnya dapat dilihat pada grafik berikut: 0. namun ada 177 .lihat jelas adanya peningkatan yang tidak linear antara proporsi kejadian PJK dengan peningkatan umur.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 0.13 0. garis tersebut menyerupai huruf S.

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

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

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 . Berapa peluang mereka yang kadar katekolaminnya tinggi mempunyai risiko untuk terjadi PJK? b.SUTANTO PRIYO HASTONO: Analisis Data Z = α + β1X1 Z = α + β1X1 + β2X2 + … + βiXi (Regresi logistik sederhana) (Regresi logistik berganda) Bila nilai Z dimasukkan pada fungsi Z. 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 . Pemberian kode nilai variabel adalah sbb: Untuk variabel PJK Untuk variabel KAT Pertanyaan: a. maka rumus fungsi Z adalah f(z) = 1 . Berapa peluang mereka yang kadar katekolaminnya rendah mempunyai risiko untuk terjadi PJK? c. 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). 1 + e-(α + β1X1 + β2X2 + … + βiXi) 4. Contoh Kasus Contoh studi follow up selama 9 tahun.

652*0) jadi mereka/individu yang kadar katekolaminnya rendah dalam darah mempunyai risiko untuk terjadinya PJK sebesar 2% selama periode follow up. maka masukkan nilai KAT=0 pada model di atas.037 atau sekitar 4% 1 + e-(-3.911 + 0.SUTANTO PRIYO HASTONO: Analisis Data Nilai f(z) dapat diganti dengan P(X).0 P0(X) 0. = 0. 1 + e-z Bila Z = α + β1KAT. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya rendah Oleh karena kadar katekolamin rendah diberi angka 0.037 = 1.019 atau sekitar 2% 1 + e-(-3. Oleh karena kadar katekolamin tinggi diberi angka 1.911 dan β1 = 0. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya tinggi. 1 + e-α + β1KAT Misdalkan didapatkan hasil analisis dengan paket program statistik sbb: α = -3.652KAT) Dari model tersebut coba kita jawab pertanyaan di atas: a.652. hasilnya: P(X) = 1 .911 + 0. maka: P(X) = 1 . Besar risiko kedua kelompok tersebut P1(X) = 0.911 + 0.947 = 2. c. maka rumusnya: P(X) = 1 . b. = 0.019 Angka tersebut di atas sebenarnya adalah risiko relatif (RR)yang diperoleh secara direk. maka masukkan nilai KAT=1 pada model di atas.652*1) jadi mereka/individu yang kadar katekolaminnya tinggi dalam darah mempunyai risiko untuk terjadinya PJK sebesar 4% selama periode follow up. maka modelnya : P(X) = 1 . Arti dari angka di atas adalah mereka yang kaadar 181 . 1 + e-(-3. hasilnya: P(X) = 1 .

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

maka variabel tersebut dapat masuk model multivariat.SUTANTO PRIYO HASTONO: Analisis Data B. Y 183 . Model Prediksi Pemodelan dengan tujuan untuk memperoleh model yang tediri dari beberapa variabel independen yang dianggap terbaik untuk memprediksi kejadian variabel dependen. yaitu: a. REGRESI LOGISTIK GANDA Pada pembahasan di atas sudah diperkenalkan mengenai regresi logistik sederhana. Seperti juga pada regresi linier. diperlukan prosedur pemilihan variabel sbb: 1). Melakukan analisis bivariat antara masing-masing variabel independen dengan variabel dependennya. keuntunngan regresi logistik ganda adalah kemampuannya untuk memasukkan beberapa variabel dalam satu model. Kegunaan analisis regresi logistik ganda mencakup dua hal. Bila hasil uji bivariat mempunyai nilai p < 0. Pada regresi logistik. Pada pemodelan ini semua variabel dianggap penting sehingga estimasi dapat dilakukan estimasi beberapa koefisien regresi logistik sekaligus. Namun sebaiknya variabel independennya berupa katagorik karena dalam menginterpretasi hasil analisis akan lebih mudah. 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. variabel independennya boleh campuran antara variabel katagorik dan numerik. Namun bisa saja p value > 0.25.25 tetap diikutkan ke multivariat bila variabel tsb secara substansi penting.

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

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

SAV” Suatu penelitian ingin mengetahui hubungan antara UMUR IBU (age) . maka variabel tersebut dapat dimasukkan dalam model multivariat. SELEKSI BIVARIAT Masing-masing variabel independen dilakukan analisis bivariat dengan variabel dependen. MENDERITA HIPERTENSI (ht). Bila hasil bivariat menghasilkan p value < 0.SUTANTO PRIYO HASTONO: Analisis Data KASUS I : REGRESI LOGISTIK MODEL PREDIKSI Untuk latihan. ADA KELAINAN UTERUS (ui) dan PERIKSA HAMIL (ftv) dengan BBLR (low). RAS (race). gunakan file data “LBW.Analisis bivariat antara “umur” dengan”bblr” 1. 1.25. Seleksi bivariat menggunakan uji regresi logistik sederhana. Sehingga tampilannya sbb: 186 . Untuk variabel independen yang hasil bivariatnya menghasilkan p value > 0. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. Adapun langkahnya: A. Pilih “Analyze” 2. maka variabel tersebut langsung masuk tahap multivariat.25 namun secara substansi penting. 4. 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”). Pilih “Regression” 3. Klik “Binary Logistic”.

Variable(s) entered on step 1: age. dan hasilnya sbb: Block 1: Method = Enter Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 2.276 df 1 1 Sig.385 S.105 .SUTANTO PRIYO HASTONO: Analisis Data 5.0% C.760 df 1 1 1 Sig. 187 . .032 .760 2.950 1. .097 .469 a. Klik “OK”.599 Exp(B) .732 Wald 2.051 .635 .760 2.for EXP(B) Lower Upper .E.I.893 1. Klik ‘Continue’ 7. . klik ‘CI for Exp(B)’ 6.097 Variables in the Equation 95. Klik tombol ‘Options’ .097 .011 Step a 1 age Const ant B -.

muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 4. Pilih “Analyze” 2.01) 2. Pilih “Regression” 3. tepatnya 3 kelompok(yaitu :ras 188 . pada tampilan Block 1 didapatkan hasil omnibus test pada bagian Bloc dengan p value 0.SUTANTO PRIYO HASTONO: Analisis Data Dari hasil output. Dari tampilan SPSS nilai OR dapat diketahui dari kolom Exp(B) yaitu sebesar 0.950 (95% CI: 0. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates variabel ‘age’ dikeluarkan dan gantilah dengan mengisikan variabel ‘race’.89-1. Klik “Binary Logistic”. Pada variabel ras perlu dilakukan dummy oleh karena variabel ras berjenis katagorik dengan isi lebih dari 2 nilai. Tampilannya sbb: 5.097 berarti variabel umur p value nya <0.25 sehingga variabel umur dapat dilanjutkan ke analisis multivariat.Analisis bivariat antara “ras” dengan “bblr” 1.

Klik OK Categorical Variables Codings Parameter coding (1) (2) .082 . Klik tombol Categorical.000 . klik pilihan ‘first’ pada bagian Reference category. hitam dan lainnya). layar ke menu logistic 7.000 1.000 .010 df 2 2 2 Sig. Klik Continue. dan tampilannya: 6.082 .000 1. pindahkan ‘race’ dari kotak covariates ke kotak categorical covariates.010 5. lalu klik Change.082 189 .000 Race White Black Other Frequency 96 26 67 Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 5.SUTANTO PRIYO HASTONO: Analisis Data putih.000 .010 5. .

328 artinya ras kuliat hitam akan berisiko bayinya bblr sebesar 2. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ht”. sehingga variabel ras dapt lanjut ke multivariat. .155 S. Klik “Binary Logistic”.922 3. terlihat ada dua nilai OR yaitu OR untuk race(1) 2.330 df 2 1 1 1 Sig.636 -1. Pilih “Analyze” 2. Pilih “Regression” 3. Hasil uji didapatkan p value 0. .045 .000 Exp(B) 2.045 .045 190 . Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4.328 1.022 4.068 .022 df 1 1 1 Sig. . Dari output dapat diketahui juga nilai OR dummy.736 B Stea p1 race race(1) race(2) Constant .345 23.955 5.25.89 kali lebi tinggi dibandingkan ras kulit putih.463 .239 Wald 4.845 . Variable(s) entered on step 1: race.772 3.348 . Analisis bivariat antara “hipertensi” dengan “bblr” 1.067 .085 . Klik OK. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.315 a.3 kali lebih tinggi dibandingkan ras kulit putih.022 4.939 .SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.323 3.889 .89 artinya ras kelompok lainnya mempunyai risiko bayinya bblr sebesar 1.E.I. 3.for EXP(B) Lower Upper . 4.087 berarti p value < 0. OR untuk race(2) besarnya 1.0% C.

Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ui”. .25).072 df 1 1 Sig.0% C.176 Wald 5.0% C.000 Exp(B) 2.979 28.249 df 1 1 Sig.088 Step a 1 ht Constant B 1. Variable(s) entered on step 1: ht. Klik “Binary Logistic”.076 df 1 1 1 Sig.076 5.947 -. Pilih “Analyze” 8.365 . Hasil uji didapatkan p value = 0.000 Exp(B) 3.834 Step a 1 ui Constant B . . . 10. Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 5.024 .947 S.for EXP(B) Lower Upper 1.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.E. Analisis bivariat antara “kelainan uterus” dengan “bblr” 7.021 11.076 5.E.046 .416 a. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.608 .25) berarti masuk dalam multivariat 4.417 .024 Variables in the Equation 95. . Hasil p value 0.162 29. maka variabel kelainan uterus dapat lanjut ke multivariat 191 .024 .I.214 -.139 5.165 Wald 3. Pilih “Regression” 9.I.877 S.023 .388 a. Klik OK. Variable(s) entered on step 1: ui.for EXP(B) Lower Upper 1.045 (p value < 0. .578 .024 (p value < 0.

Klik “Binary Logistic”. .867 df 1 1 1 Sig.25) sehingga secara statistik tidak dapat lanjut ke multivariat.687 S.195 Wald .188 Step a 1 ftv Constant B -.000 Exp(B) .027 .Analisis bivariat antara “periksa hamil” dengan “bblr” 1. maka variabel ini dapat dianalisis multivariat.773 .I. Variable(s) entered on step 1: ftv.0% C.027 . Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square . .379 .Pilih “Regression” 3.427 df 1 1 Sig.E.867 4.027 192 .Analisis bivariat antara “merokok” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4. Hasil uji p value = 0.389 .503 a.135 -.643 1. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 4.867 4.157 .379 .for EXP(B) Lower Upper .Pilih “Analyze” 2.773 . Klik OK. .379 Variables in the Equation 95. namun karena secara substansi variabel periksa hamil sangat penting.Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ftv”.379 (p value > 0.SUTANTO PRIYO HASTONO: Analisis Data 5. .773 df 1 1 1 Sig.744 12. 6.874 .

.381 a.I.000 Exp(B) 2.370 df 1 1 Sig.852 25. 7.25) dengan demikian variabel merokok dapat masuk ke multivariat.E.for EXP(B) Lower Upper 1.027 ( < 0.0% C.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. Hasil analisis didapatkan p value sebesar 0.704 -1.317 .011 .Analisis bivariat antara “prematur” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 6.379 0.779 df 1 1 1 Sig.175 Wald 6.391 30.E.009 .028 .009 Variables in the Equation 95. .for EXP(B) Lower Upper 1.0% C.081 3.627 df 1 1 Sig.009 . Variable(s) entered on step 1: ptl.022 .230 .320 .337 a. .215 Wald 4. .087 S.000 Exp(B) 2.779 6.802 -.009 berarti < 0. Variable(s) entered on step 1: smoke.783 Step a 1 smoke Constant B .197 4.779 6.I.009 193 .SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.151 Step a 1 ptl Constant B . .027 0.045 0.964 S.024 0. Hasil analisis bivariat didapatkan p value = 0.097 0.082 0.

Lakukan pemilihan variabel yang berhubungan signifikan dengan variabel dependen. 1. Pilih “Analyze” 2. 4. 5. pilih ‘CI for exp(B)’ 6. ui. Pilih “Regression” 3. 1. Klik “Binary Logistic”. ptl. namun variabel periksa hamil tetap dianalisis multivariat oleh karena secara substansi periksa hamil merupakan variabel yang sangat penting berhubungan dengan kejadian bblr. Ingat untuk Race dilakukan dummy. Klik ‘Continue’ 194 . ht. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan variabel age. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. Klik Option.25.SUTANTO PRIYO HASTONO: Analisis Data Hasil seleksi bivariat semua variabel menghasilkan p value < 0..25. B. smoke. race. hanya periksa hamil yang p valuenya > 0. PEMODELAN MULTIVARIAT Selanjutnya dilakukan analisis multivariat keenam variabel tersebut dengan kejadian bblr. ftv.

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

034 .411 .500 .988 1.949 6.2 % 6.696 -2.372 Wald 8.877 3.894 2.1 % - Setelah dilakukan perbandingan OR.5 % 8.007 .SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.793 B Step a 1 race race(1) race(2) smoke ht ptl Constant 1.086 1.629 .I.958 2.794 3.764 4.E.229 1.062 1. ptl.960 2.622 1.132 a.321 1.958 2.626 5. .032 . ht.0% C.513 6.280 .009 2.726 11.085 . Variable(s) entered on step 1: race.382 .707 3.743 2. 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 0.894 2.4 % 3.727 2.996 1.640 3.586 df 2 1 1 1 1 1 1 Sig.325 .596 29.007 3.286 4.9 % 13. ternyata variabel ht berubah > 10 %.016 .025 S.052 .000 Exp(B) 2. smoke.902 2. Akhirnya model yang dihasilkan adalah sbb: 199 .for EXP(B) Lower Upper 1.390 5.707 2. dengan demikian variabel ui masuk kembali dalam model.009 .062 7.221 .008 . .390 2.712 6.

576 1. ui.058 .991 .916 6.000 .569 2.501 . smoke.146 S.263 .537 5. Kotak dependen isikan low 3.422 13. Variable(s) entered on step 1: race.917 df 2 1 1 1 1 1 1 1 Sig.692 B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1. .I.030 . C.418 .747 3.386 Wald 7.994 .0% C.855 -2.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.364 .968 4. UJI INTERAKSI Uji interaksi dilakukan pada variabel yang diduga secara substansi ada interaksi.011 .925 1.387 .for EXP(B) Lower Upper 1.334 . Langkahnya: 1.994 . Kotak Kovariat isikan Race.E. misalkan kita duga merokok berinteraksi dengan hipertensi. kalau memang tidak ada tidak perlu dilakukan uji interaksi.117 a.633 . .010 . ht dan ui 4.271 1.640 3. smoke.131 . klik regression.113 1.585 30.059 .883 2.000 Step 1 Step Block Model 200 . Klik tombol Next 5.350 . .779 3.088 1.538 5.968 2.975 4.000 Exp(B) 2.031 . Dalam kasus sekarang. ptl.912 2.085 .970 7. isikan : smoke*ht ke kotak kovariat 6.000 26. klik binary ogistik 2.723 6. ht.019 .451 .694 1. klik OK lihat hasilnya pada bagian Block 2 Block 2: Method = Enter Omnibus Tests of Model Coefficients Chisquare . klik analysis.560 df 1 1 7 Sig. ptl.422 6.

334 . . ptl.451 .I.946 6.883 2.921 .537 5.117 a.0% C.010 .438 19.350 .694 1.975 4.030 .831 .633 .994 (lihat bagian step) berarti lebih besar dari 0.for EXP(B) Lower Upper 1.058 .937 2. Pada output bagian Block 2:Methode=Enter.883 2.088 1.010 . Dengan demikian pemodelan telah selesai.236 .994 .102 .779 3.723 6.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.087 .387 .364 . 201 .585 30. ui.990 .058 .584 .271 1. Variable(s) entered on step 1: ht * smoke .419 .088 1.0% C.680 3.900 4.387 6.779 3.991 .085 .852 5. terlihat hasil uji omnibusnya memperlihatkan p value = 0.875 df 2 1 1 1 1 1 1 1 1 Sig.283 .855 -2.418 .569 2.555 5. .854 .146 S.968 2.970 .019 .030 .011 .386 Wald 7.059 .000 30.019 .969 2.000 Exp(B) 2.912 2.896 2. model yang valid adalah model tanpa ada interaksi: MODEL TERAKHIR Variables in the Equation 95.059 .010 -2.031 .146 S.451 1. .422 13.350 1.117 a.397 .502 .013 .000 Exp(B) 2.917 df 2 1 1 1 1 1 1 1 Sig.109 1.501 . Variable(s) entered on step 1: race.082 7.I.970 7.747 3.336 .916 6.131 .E.263 .576 1.422 6.011 .968 4.for EXP(B) Lower Upper 1.925 1.765 .211 2.538 5. berarti : tidak ada interaksi antara merokok dengan hipertensi.576 1. ht. .268 1.386 Wald 7.640 3.E.05.692 1. smoke.491 B Step a 1 race race(1) race(2) smoke ptl ht ui ht by smoke Constant 1.693 12.692 6.865 3.360 .113 1.692 B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.

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

000 .222 a.999 . 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. . Pilih “Regression” 3.kerja*bbibu.148 -1. Variable(s) entered on step 1: kerja. berat badan ibu dan sikap A.208 .160 .722 . dan hasilnya sbb: Logistic Regression Variables in the Equation 95.722 1. .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.760 1.105 df 1 1 1 1 1 1 Sig.999 . kerja * umur1 . Pilih “Analyze” 2. umur1.109 .372 .648 . .0% C. kerja*umur1.972 . 203 .849 1.052 20.432 Wald .186 .E. kerja * sikap . Klik “Binary Logistic”.000 1.114 28420.000 5.275 1.000 .869 1.293 Exp(B) .351 .949 6E+008 1. sikap. Langkah pertama: menyusun model mencakup semua variabel dan variabel interaksi Cara 1.514 56. kerja*sikap) 4. 28420.505 S. muncul menu dialog yang berisi kotak Dependent dan Covariat. Klik ‘OK’.583 Stea p1 kerja umur1 sikap kerja by umur1 kerja by sikap Constant B -20. umur1.000 .159 1. bbibu.I.197 .681 -.160 .for EXP(B) Lower Upper .279 . sikap.

999) sehingga variabel tersebut dikeluarkan dari model.881 S. Dengan demikian hasil uji interaksi sudah selesai.942 1.878 1.641 9.893 1.056 a.039 .753 1.205 Exp(B) . umur1.582 1.I.E. Variable(s) entered on step 1: kerja.for EXP(B) Lower Upper .212 5.053 . pengeluaran dilakukan secara bertahap dari variabel interaksi yang p value-nya terbesar.035 -2.217 -. Variable(s) entered on step 1: kerja.074 14.876 S. . Dan model menjadi: Logistic Regression Variables in the Equation 95. Setelah dikeluarkan hasilnya: Variables in the Equation 95.239 Wald 4.483 Wald . .609 .178 .152 a.260 .175 -1. langkah selanjutnya uji konfounding 204 .191 .274 1. kesimpulannya tidak ada variabel interasksi.060 . variabel dikatakan berinteraksi bila p valuenya < 0.0% C. .610 df 1 1 1 1 1 Sig. kerja * sikap .666 1.795 .051 .156 1. 1.146 . Seleksinya dengan mengeluarkan secara bertahapVariabel interaksi yang tidak signifikan (p>0.036 .261 . Dari hasil di atas variabel interaksi ”Pekerjaan by umur” mempunyai nilai p terbesar (p=0.445 2.991 92. sikap.645 . sikap.812 .SUTANTO PRIYO HASTONO: Analisis Data Dari output model penuh/lengkap ini kita lakukan uji interaksi.05.601 .959 9. variabel interaksi ‘kerja by sikap’ harus dikeluarkan dari model karana p valuenya > 0.05).E.592 .264 1.749 .741 .376 2.718 1.202 Step a 1 kerja umur1 sikap Consta nt B 1.557 .067 3.076 1.022 18.020 Exp(B) 3.I.05.384 df 1 1 1 1 Sig.0% C.157 .for EXP(B) Lower Upper 1. Dari output diatas.114 .616 Stea p1 kerja umur1 sikap kerja by sikap Constant B -. umur1.177 .273 3.971 86.

Setelah variabel umur dikeluarkan terlihat perubahan OR variabel utama: kerja sebesar : (5. .036 .091 df 1 1 Sig.for EXP(B) Lower Upper 1.0% C.9 % .464-4. bila perubahannya > 10 %.783 .618 . Model terakhir : 205 .545 3.006 .6 % .754 Stea p1 kerja umur1 Constant B 1.111 =32.389 5. setelah dikeluarkan hasilnya: Variables in the Equation 95.E.471 a. setelah dikeluarkan dari model hasiilnya sbb:’ Variables in the Equation 95.032 . maka varaibel tsb dianggap sebagai variabel konfounding. . Variable(s) entered on step 1: kerja. Variable(s) entered on step 1: kerja.110 10.111 – 3.378 -2.754 S.985 1. Dengan demikian variabel sikap bukan konfounding. Untuk itu variabel umur harus tetap ikut dalam model sebagai konfounding hubungan kerja dengan menyusui eksklusive.I. dan harus dikeluarkan dari model Langkah selanjutnya mengeluarkan variabel umur. .660 1.079 Exp(B) 5.627 18. Dengan demikian variabel umur merupakan variabel konfounding.127 14.464 .113 Wald 4.0% C.111)/4.357 Step a 1 kerja Const ant B 1.555 df 1 1 1 Sig.959)/4.135 1.585 4.I.073 a.413 2. Tahap pertama : akan dikeluarkan variabel Sikap.111 =3.429 Wald 7.018 Exp(B) 4. Setelah variabel sikap dikeluarkan terlihat perubahan OR variabel utama kerja sebesar : (4.624 S.165 99.E.SUTANTO PRIYO HASTONO: Analisis Data UJI KONFOUNDING Uji konfounding dengan cara melihat perbedaan nilai OR untuk variabel utama dengan dikeluarkannya variabel kandidat konfounding. . umur1.for EXP(B) Lower Upper 1.698 -.

umur1. 206 .985 1.135 1.624 S.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95. umur merupakan confounding hubungan pekerjaan dengan menyusui eksklusif. .for EXP(B) Lower Upper 1.032 . Variable(s) entered on step 1: kerja. 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”.660 1.I.754 Stea p1 kerja umur1 Constant B 1.378 -2.165 99.555 df 1 1 1 Sig.073 a.389 5.E.036 .783 .413 2. Interpretasi: Setelah dilakukan analisis confounding. ternyata.127 14. .110 10.0% C.018 Exp(B) 4.113 Wald 4.585 4.

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

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

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

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

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

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

You're Reading a Free Preview

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