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

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

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

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

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

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

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). 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.

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

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

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

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

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

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

1 7.1 10.8 9.3 11.300 2.3 9.800 3.4 12.0 12.000 4.2 13.100 3.2 10.2 10.4 9.900 2.2 10.2 Hb2 11.1 10.2 10.2 11.600 2.500 3.8 11.4 8.1 10.1 10.8 10.1 10.300 2.2 9.1 9.3 11.0 12.2 12.4 13.2 11.400 3.0 12.500 4.300 4.600 3.2 10.2 11.500 4.600 3.400 3.8 9.4 12.000 3.1 11.600 2. datanya sbb: no 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 umur 23 24 34 35 19 24 22 19 26 25 21 22 19 20 23 26 27 30 31 32 23 24 34 35 19 24 22 19 26 25 21 22 19 20 23 26 27 30 31 32 21 22 19 20 23 26 didik 1 4 4 3 3 2 1 1 3 4 3 4 2 3 1 3 4 2 4 2 2 3 4 3 3 1 2 1 3 3 4 4 2 3 1 2 4 2 4 1 3 4 2 3 1 3 kerja 0 0 1 0 1 1 1 0 0 1 1 0 1 0 1 0 1 1 0 0 0 0 1 0 1 1 1 0 0 1 1 0 1 0 1 0 1 1 0 0 1 0 1 0 1 0 bbibu 46 47 60 50 55 45 47 46 52 65 60 65 50 55 48 68 70 46 47 48 47 56 74 72 60 49 46 48 57 75 64 67 50 63 50 51 53 54 67 46 60 68 67 60 63 64 eksklu 0 1 0 0 1 1 1 0 1 0 0 1 1 0 1 0 1 1 0 0 0 1 0 0 1 1 1 0 1 0 0 1 1 0 1 0 1 1 0 0 0 1 1 0 1 0 Hb1 10.1 11.3 9.9 11.000 3.900 2.0 10.8 9.100 2.1 10.8 10.2 10.700 2.000 3.2 9.2 11.SUTANTO PRIYO HASTONO: Analisis Data Survei dilakukan dengan jumlah responden sebanyak 50 orang.1 10.000 3.2 10.0 10.000 3.800 3.0 8.5 9.2 11.500 2.100 2.8 10.300 4.5 11.1 8.800 3.1 9.8 10.000 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 .1 10.4 7.1 11.2 10.2 11.1 10.000 4.1 9.900 2.8 9.100 2.1 10.500 2.8 10.600 2.900 2.3 12.4 bbbayi 2.0 10.700 2.600 3.2 11.2 10.3 12.2 13.0 12.8 9.2 11.2 11.500 3.1 9.5 9.2 10.1 11.2 7.8 10.400 3.800 3.4 12.300 4.1 11.0 10.100 2.800 3.4 11.000 3.1 11.3 10.3 10.0 8.600 3.1 12.

Untuk membuat nama variabel. Langkah pertama : Memberi/membuat nama variabel: Layar pada tampilan Workshet di menu data SPSS ada 2 jenis. Selanjutnya kita dapat membuat nama variabelnya dimulai dari No.100 5 5 3 3 4 4 2 1 4 4 4 1 4 4 2 2 A..0 12.2 10.2 13. umur. sehingga muncul tampilan layar “Variable View” Pada tampilan “Variable View” diatas terlihat kolom: Name.3 12. Membuat Variabel No Adapun tahapannya sbb: 18 . Type.300 2.900 2.2 11. dst.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.sbb: a. Width.4 13.. layar/jendela posisikan pada “Variable View”.3 3. didik. yaitu jendela “Data View” dan “Variabel View”. Sekarang lakukan : klik “Variable View” di bagian kiri bawah. dst. Decimals.800 3.2 11.

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

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

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

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

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

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

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

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

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

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

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

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

29

SUTANTO PRIYO HASTONO: Analisis Data

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

30

SUTANTO PRIYO HASTONO: Analisis Data

] 3. Klik “Save “, data akan tersimpan

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

31

SUTANTO PRIYO HASTONO: Analisis Data

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

32

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

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

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

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

35

SUTANTO PRIYO HASTONO: Analisis Data

Kemudian Klik ‘Into different Variable’

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

Output Variable:

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

Output Variable terlihat

SUTANTO PRIYO HASTONO: Analisis Data

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

, ketiklah 19 dan

‘new Value’, ketik 1 kemudian klik Add,

37

SUTANTO PRIYO HASTONO: Analisis Data

Langkah 3

Langkah 1 Langkah 4

Langkah 2

9). Pindahkan kursor ke kotak Range:

through

, kita akan

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

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

thrugh highest ketiklah 31. Lalu pindahkan kursor ke

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

38

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

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

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

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

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

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

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

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

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

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

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

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

sex. sorot Merge Files. misalnya data pertama dengan nama Data3.SUTANTO PRIYO HASTONO: Analisis Data no 1 2 3 4 5 6 7 sex 2 2 1 2 2 1 2 kerja 1 3 2 1 3 2 3 bb 60 45 56 76 56 60 55 Data gabungan.sav dan data kedua dengan nama Data4. 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. umur.sav. berisi : no. Langkahnya: 1. sorot Add Variables 51 . File ‘data3.sav’ dalam kondisi aktif 2. klik data. didik.

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

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

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

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

Jadi jika pertanyaan tidak valid. 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). Repeated Measure atau ukur ulang. Pada umumnya pengukuran dilakukan dengan One Shot dengan beberapa pertanyaan Pengujian reliabilitas dimulai dengan menguji validitas terlebih dahulu. Disini pengukurannya hanya sekali dan kemudian hasilnya dibandingkan dengan pertanyaan lain. One Shot atau diukur sekali saja. Pertanyaanpertanyaan yang sudah valid kemudian baru secara bersama-sama diukur reliabilitasnya. maka pertanyaan tersebut dibuang. 56 .

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

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

100 1. biarkan pilihan pada ‘Alpha’ Klik Option ‘Statistics’ 8.47 Std.121 1.SUTANTO PRIYO HASTONO: Analisis Data 6. 10. Deviation 1.47 2..27 2. Scale if Item deleted. terlihat hasil outputnya sbb : Reliability Statistics Cronbach's Alpha . 7. 9.187 1.40 2.928 N of Items 5 Item Statistics sering terpaksa lembur Bersaing dlm hidup Mudah marah konflik keluarga konflik dgn teman Mean 2. Klik ‘Continue’ Klik ‘OK’. Pada ‘Model’.40 2.121 1. Pada bagian ‘Descriptives for’ klik pilihan ‘ítem’.187 N 15 15 15 15 15 59 .

963 Cronbach's Alpha if Item Deleted .881 . P4 dan P5 dinyatakan valid. *) Menentukan nilai r tabel Nilai r tabel dilihat dengan tabel r (pada lampiran) dengan menggunakan df = n2 15-2=13.686 15.60 9.514 **) 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.915 .963 .328 . didapat angka r tabel = 0. varian dll. Kaidah yang berlaku bahwa pengujian dimulai dengan menguji validitas kuesioner baru dilanjutkan uji reliabilitas.993 .73 9.924 15. Bagian utama menunjukkan hasil statistik deskriptif masing-masing variabel dalam bentuk mean.60 9. sedangkan untuk pertanyaan P1. 60 .124 20.53 Scale Variance if Item Deleted 15. Pada tingkat kemaknaan 5%.881 sering terpaksa lembur Bersaing dlm hidup Mudah marah konflik keluarga konflik dgn teman Interpretasi: Hasil analisis reliability memperlihatkan dua bagian.971 15. Pada bagian kedua memperlihatkan hasil dari proses validitas dan reliabilitas. Uji Validitas Untuk mengetahui validitas kuesioner dilakukan dengan membandingkan nilai r tabel dengan nilai r hitung. Kesimpulan: Terlihat dari 5 pertanyaan.955 .3275) yang nilainya lebih rendah dari r tabel (r=0.884 .124 Corrected Item-Total Correlation .514).53 9. Sehingga pertanyaan P2 tidak valid.892 . P3.SUTANTO PRIYO HASTONO: Analisis Data Item-Total Statistics Scale Mean if Item Deleted 9. ada satu pertanyaan yaitu P2 (r=0. a. ketentuan: bila r hasil > r tabel. maka pertanyaan tersebut valid.

993 N of Items 4 Item Statistics sering terpaksa lembur Mudah marah konflik keluarga konflik dgn teman Mean 2.095 11.187 N 15 15 15 15 Item-Total Statistics Scale Mean if Item Deleted 7. Klik ‘Analyze’ 2.971 .SUTANTO PRIYO HASTONO: Analisis Data Langkah selanjutnya melakukan analisis lagi dengan mengeluarkan pertanyaan yang tidak valid.495 12.994 . Pilih ‘Reliability Analysis’ 4.121 1.47 2.33 7.988 sering terpaksa lembur Mudah marah konflik keluarga konflik dgn teman Interpretasi: Sekarang terlihat bahwa dari keempat pertanyaan.187 1.971 .121 1.33 7.27 7.996 Cronbach's Alpha if Item Deleted .40 2.495 Corrected Item-Total Correlation .095 12. Lakukan prosedur/langkah seperti di atas yaitu: 1.47 Std.994 . semua mempunyai nilai r hasil (Corrected item-Total Correlation) berada di atas dari niali r tabel (r=0. 61 . Deviation 1.40 2. Pilih ‘Scale’ 3.27 Scale Variance if Item Deleted 11. Masukkan keempat variabel ke dalam kotak ‘Items’ (variabel P2 tidak ikut dianalisis) 5. Klik “OK” Kemudian muncul tampilan Output sbb: Reliability Statistics Cronbach's Alpha .988 .514). sehingga dapat disimpulkan keempat pertanyaan tersebut valid.996 .

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

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

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

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

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

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

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

66

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

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

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

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

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

68

SUTANTO PRIYO HASTONO: Analisis Data

5

ANALISIS UNIVARIAT
( DESKTIPTIF)

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

69

baik ekstrim tinggi maupun rendah. ada 5 pasien diukur lama hari rawatnya : 1 hr. Sebagai contoh data yang ada nilai ekstrimnya adalah data penghasilan.. 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. besar beda antar nilai di abaikan.000. Dengan demikian penggunaan mean untuk data yang ada nilai ekstrimnya (data yang distribusinya menceng) kurang tepat.diperoleh karena tarikan sekelompok kecil orang (misalnya konglomerat) yang pendapatannya sangat tinggi. 2 hr. 2).SUTANTO PRIYO HASTONO: Analisis Data Mean/average adalah ukuran rata-rata yang merupakan hasil dari jumlah semua nilai pengukuran dibagioleh banyaknya pengukuran. 4 hr.. Oleh karena itu pada kelompok data yang ada nilai ekstrimnya (sering dikenal dengan ‘distribusi data yang menceng/miring’). Karena 70 . Mean = (1+3+4+2+90)/5 = 20 hr. Apabila mean perndapatan perbulan adalah Rp 10. 3 hr. 90 hr. Berbeda dengan nilai mean.000. Namun kelemahan dari nilai mean adalah sangat dipengaruhi oleh nilai ekstrim.. Mean sebesar Rp 10. Keadaan ini bisa terjadi karena kumpulan data di atas ada nilai ekstrimnya. hasil ini tendtunya tidak dapat mewakili karena secara visual datanya sebagian besar kurang dari 5 hari. Mean tidak dapat mewakili rata-rata kumpulan nilai pengamatan.. penghitungan median hanya mempertimbangkan urutan nilai dasil pengukuran. Contoh.000.. sebenarnya sebagian besar orang pendapatannya di bawah Rp 10.000.000. 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.000.

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

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

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

3 31. Bentuk Penyajian Data Bentuk penyajian analisis univariat dapat berupa tabel atau grafik. 3.9 2 – 60 10.1 10. Data numerik Tabel 1 Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun 1999 Variabel 1.1 7.1 17 – 60 SD Minimal.SUTANTO PRIYO HASTONO: Analisis Data Contoh: Kelas A: mahasiswa 50 dan mahasiswi 50 Kelas B: mahasiswa 90 dan mahasiswi 10 Pada kelas A.0 8. jenis kelamin mahasiswa bervariasi (heterogen) karena 50% pria dan 50% wanita.Maksimal 74 . Contoh penyajian analisis deskriptif: a.enyampaikan informasi suatu data/variabel. Umur 2. tidak diperkenankan secara sekaligus menggunakan tabel dan juga grafik dalam m. Pada kelas B. jenis kelamin mahasiswa tidak bervariasi (homogen pada pria) karena pria 90% dan wanita hanya 10%. Namun perlu diingat bahwa kita dianjurkan hanya memilih salah satu. Lama hari rawat Mean Median 30.

SUTANTO PRIYO HASTONO: Analisis Data b.0 10.0 100.0 Bagaimana menginterpretasi tabel di atas? “dilihat konsentrasi/jumlah yang terbesar data pada kelompok mana?” Selain untuk mendeskripsikan masing-masing variabel. apakah distribusinya normal atau tidak.0 30. bila ada nilai ekstrim sangat menentukan analisis selanjutnya (bivariat) apakah nilainya akan berkurang. misalnya apakah variannya homogen atau heterogen. 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. 75 . analisis univariat dapat juga sekaligus untuk mengeksplorasi variabel yang dapat berguna dalam mendiagnosis asumsi statistik lanjut (terutama untuk variabel jenis numerik). Eksplorasi data juga dapat untuk mendeteksi adanya nilai ekstrim/outlier.

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

0 100.0 74.0 26. proporsi dapat dilihat pada kolom ‘Percent’.0 Valid Percent 20. Klik ‘OK’.0 Cumulative Percent 20. hasil dapat dilihat di jendela output. pada contoh di atas ada 20% ibu yang berpendidikan SD. Pada contoh di atas.0 42. Kolom ‘Valid Percent’ memberi hasil yang sama karena pada data ini tidak ada ’missing cases’.0 22. total responden 50 orang. 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 22.0 Valid 1 2 3 4 Total Kolom ‘Frequency’ menunjukkan jumlah kasus dengan nilai yang sesuai.0 100.0 100.0 26. ‘Cumulative Percent’ 77 .0 32. dari jumlah tersebut 10 ibu yang berpendidikan SD.SUTANTO PRIYO HASTONO: Analisis Data 3.0 32.

0%) sedangkan untuk pendidikan SD. median dan modus. Pada contoh di atas ada 42. Pada SPSS ada dua cara untuk mengeluarkan atau analisis deskriptif ‘Expolre’.0 22. Ukuran yang digunakan adalah rata-rata.0%. b. Sedangkan ukuran sebarannya (variasi) yang digunakan adalah range. SMP dan PT masing-masing 20. yaitu dapat yang melalaui digunakan perintah adalah 78 ‘Frequencies’ perintah Biasanya . minimal dan maksimal. Adapun penyajian dan interpretasinya sbb: Tabel … Distribusi Responden Menurut Tingkat Pendidikan Di ………… X tahun ….0 32.0 26. Penyajian dan Interpretasi di Laporan Penelitian Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan penelitian/laporan tesis. Data Numerik Pada data numerik. 22.0 Distribusi tingkat pendidikan responden hampir merata untuk masing-masing tingkat pendidikan. Pendidikan SD SMP SMU PT Total Jumlah 10 11 16 13 50 Persentase 20. standard deviasi.0 100. Dalam menginterpretasikan tabel katagorik dapat dilihat dari variasi dan konsentrasi datanya.0%. Paling banyak responden berpendidikan SMU yaitu 16 orang (32.SUTANTO PRIYO HASTONO: Analisis Data menjelaskan tentang persent kumulatif.0% ibu yang tingkat pendidikannya SD dan SMP. peringkasan data dapat dilakukan dengan melaporkan ukuran tengah dan sebarannya.0% dan 26.

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

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

0 4.0 6.0 6.0 10.0 6.0 26.0 68.686 24.0 4.0 Valid 19 20 21 22 23 24 25 26 27 30 31 32 34 35 Total 81 .0 6.0 8.0 6.0 100.0 6.0 46.0 80.0 96.SUTANTO PRIYO HASTONO: Analisis Data Statistics umur ibu menyusui N Valid Missing Mean Std.0 58.0 Cumulative Percent 14.0 100.0 6.0 4.00 19 4.0 20.0 10.0 36. Error of Mean Median Mode Std.0 10.0 Valid Percent 14.0 6.0 4.0 74.0 86.0 54.0 6.0 92.0 6.0 10.0 10.0 100.0 10.850 19 35 umur ibu menyusui Frequency 7 3 3 5 5 4 2 5 3 3 3 3 2 2 50 Percent 14.0 8.0 6.10 . Deviation Minimum Maximum 50 0 25.0 4.0 4.0 6.

Distribusi frekuensi ditampilkan menurut umur termuda sampai dengan umur tertua dengan informasi tentang jumlah dan persentasenya. rata-rata umur ibu adalah 25. Seviation.SUTANTO PRIYO HASTONO: Analisis Data Histogram 7 6 5 Frequency 4 3 2 1 Mean = 25.0 tahun dan standard deviasi 4. nilai rata-rata dapat dilihat pada baris mean. kemudian pilih submenu ‘descriptive Statistics’. Pada contoh di atas.1 Std. Bila anda ingin memperoleh estimasi interval lakukan analisis eksplorasi data dengan perintah ‘Explore’. Dev. median 24.10 tahun. Adapun caranya sbb: 1. Bentuk distribusi data dapat diketahui dari grafik histogram dan kurve normalnya. lalu pilih ‘Explore’ 82 . pilih menu ‘Analyze’.85 tahun dengan umur termuda 19 tahun dan yang tertua 35 tahun. 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. sedangkan nilai standard deviasi dapat dilihat pada baris std.85 N = 50 15 20 25 30 35 0 umur ibu menyusui Dari hasil di atas. = 4. Dari menu utama SPSS.

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

00 20.337 . .520 4. Error .48 24.00 2.72 26.SUTANTO PRIYO HASTONO: Analisis Data Descriptives umur ibu menyusui Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. . .00 11.130 50 . Leaf 9999999 00011122222333334444 5566666777 00011122244 55 10 1 case(s) 84 .00 10.00 Stem width: Each leaf: Stem & 1 2 2 3 3 .850 19 35 16 9 .00 23.662 umur ibu menyusui Shapiro-Wilk Statistic df .002 a.035 a Lower Bound Upper Bound Statistic 25. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Tests of Normality Kolmogorov-Smirnov Statistic df Sig.812 Std.90 24. . .547 -. Lilliefors Significance Correction umur ibu menyusui umur ibu menyusui Stem-and-Leaf Plot Frequency 7.920 50 Sig. .686 .10 23.

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 .

maka distribusinya normal 3. ada 3 cara untuk mengetahuinya yaitu: 1. 26. Namun yang paling penting dari tampilan explore munculnya angka estimasi interval.05) maka distribusi normal.SUTANTO PRIYO HASTONO: Analisis Data Dari hasil analisis ‘Explore’ terlihat juga nilai mean. bila bentuknya menyerupai bel shape. Uji kenormalan data: Untuk mengetahui suatu data berdistribusi normal. Namun uji kolmogorov sangat sensitif dengan jumlah sampel. Kita dapat menghitung 95% confidence interval umur yaitu 23. Menggunakan nilai Skewness dan standar errornya.48 tahun. median dan mode. Uji kolmogorov smirnov.d. berarti distribusi normal 2. bila nilai Skewness dibagi standar errornya menghasilkan angka ≤ 2.48.72 sampai 26. jadi kita 95% yakin bahwa rata-rata umur ibu di populasi berada pada selang 23. maksudnya : untuk jumlah sampel yang besar uji kolmogorov cenderung menghasilkan uji yang signifikan (yang artinya bentuk distribusinya tidak normal). Atas dasar kelemahan ini dianjurkan untuk mengetahui kenormalan data lebih baik menggunakan angka skewness atau melihat grafik histogram dan kurve normal 86 .72 s. bila hasil uji signifkan (p value < 0. Dari hasil tersebut kita dapat melakukan estimasi interval dari umur ibu. Dilihat dari grafik histogram dan kurve normal.

72 sampai dengan 26. hasilnya masih dibawah 2. 87 .337 =1.72 – 26.85 Minimal. Dari hasil tersebut diatas dengan demikian variabel umur disimpulkan berdistribusi normal.35 95% CI 23.85 tahun.547/0.10 tahun (95% CI: 23. dengan standar deviasi 4. dilihat dari histogram dan kurve normal terlihat bentuk yang normal.72 – 26. selain itu hasil dari perbandingan skwness dan standar error didapatkan: 0. berarti distribusi normal.10 SD 4.62 . Adapun penyajian dan interpretasinya adalah sbb: Tabel 1 Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun x Variabel Umur Mean 25.SUTANTO PRIYO HASTONO: Analisis Data Untuk variabel umur diatas.48).48 tahun.48 Hasil analisis didapatkan rata-rata umur ibu adalah 25. Dari hasil estimasi interval dapat disimpulkan bahwa 95% diyakini bahwa rata-rata umur ibu adalah diantara 23.Maksimal 19 . Umujr termuda 19 tahun dan umur tertua 35 tahun. Penyajian dan Interpretasi di Laporan Penelitian Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan penelitian/laporan tesis.

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

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

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

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

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

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

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

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

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

SUTANTO PRIYO HASTONO: Analisis Data 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 . maka dapat diartikan bahwa adanya perbedaan tersebut bukan karena faktor kebetulan namun karena memang karena adanya riwayat hipetensi.0110). oleh karena peluangnya sangat kecil (p=0.0110.

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

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

2. S12 F= S22 df1 = n1-1 dan df2 = n2-1 Pada perhitungan uji F.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.SUTANTO PRIYO HASTONO: Analisis Data df = n1 – n2 . Contoh kasus: 100 . 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. varian yang lebih besar sebagai pembilang dan varian yang lebih kecil sebagai penyebut. Uji beda dua mean dependen (Paired sample) Tujuan : Untuk menguji perbedaan mean anatara dua kelompok data yang dependen.

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

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

4712 1. Klik “Continue” 8. Error Differe nce .SUTANTO PRIYO HASTONO: Analisis Data tahu bahwa ‘0’ kode untuk yang tidak eksklusif dan kode ‘1’ untuk Yang eksklusif.277 gr% dengan standar deviasi 1.421 10.9425 .4 .2594 kadar hb pengukuran pertama Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Std.6505 F kadar hb pengukur an pertama Equal variances assumed Equal variances not assumed .719 -.072 Sig.364 df 48 Sig. Rata-rata kadar Hb ibu yang menyusui ekslusif adalah 10.717 Mean Differen ce -.363 46. Klik “OK” untuk menjalankan prosedur perintahnya. .3951 95% Confidence Interval of the Difference Lower Upper -.3228 Std. Error Mean . dan hasilnya sbb: T-Test Group Statistics status menyusui asi tdk EKSKLUSIVE EKSKLUSIVE N 24 26 Mean 10.790 t -.3003 .1439 -. standar deviasi dan standar error kadar Hb ibu untuk masing-masing kelompok.9384 .1439 .6547 Pada tampilan di atas dapat dilihat nilai rata-rata.322 103 . Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 7.277 Std. Deviation 1.3968 -. (2-taile d) .

Menyusui Ya Eksklusif Tdk Eksklusif Mean 10.05) maka varian berbeda dan bila nilai p > alpha (0.. Pada laporan penelitian kita harus membuat tabel baru untuk menyajikan hasil print out analisis di atas. Hasil uji T dapat dilihat pada tabel bawah.421 gr% dengan standar deviasi 1. Lihat nilai p Levene test. 104 . didapat tidak ada perbedaan varian (varian kedua kelompok sama). Selanjutnya dicari p value uji t pada bagian varian sama (equal variances) di kolom sig (2 tailed) . Adapun bentuk penyajian dan interpretasinya adlah sbb: Tabel … Distribusi Rata-Rata Kadar Hb Responden Menurut Perilaku Menyusui di.322 1.SUTANTO PRIYO HASTONO: Analisis Data gr%.471 gr%.05) maka varian sama (equal).yaitu sebesar p=0.277 gr% dengan standar deviasi 1. Pada uji Levene di atas menghasilkan nilai p = 0.471 SE 0. memilih uji mana yang kita pakai. nilai p < alpha (0.421 gr% dengan standar deviasi 1. print out di atas tidak boleh langsung di copy dan disajikan di laporan penelitian.322 gr%.259 0. Penyajian dan Interpretasi di laporan penelitian: Seperti pada analisis deskriptif. sedangkan untuk ibu yang menyusui non eksklusif rata-rata kadar Hb-nya adalah 10.471 gr%.790 sehingga dapat disimpulkan bahwa pada alpha 5%.th.717 artinya tidak ada perbedaan yang signifikan rata-rata kadar Hb antara ibu yang menyusui eksklusif dengan ibu yang menyusui non eksklusif.717 N 26 24 Rata-rata kadar Hb ibu yang menyusui eksklusif adalah 10. yaitu uji T dengan asumsi varian kedua kelompok sama (equal variances assumed) dan uji T dengan asumsi varian kedua kelompok tidak sama (equal variances not assumed).300 P value 0. Untuk.421 SD 1. sedangkan untuk ibu yang menyusui non eksklusif.277 10. rata-rata kadar Hb-nya adalah 10. dapat dilihat uji kesamaan varian melalui uji Levene. SPSS akan menampilkan dua uji T..

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

0558 Std.701 49 .5140 .3835 1. Klik ‘hb2’ 5. Pada pengukuran kedua (hb2) didapat rata-rata kadar Hb adalah 10.346 gr% dengan standar deviasi 1.kadar hb pengukuran kedua Paired Differences 95% Confidence Interval of the Std.707 Sig.1957 . Std.SUTANTO PRIYO HASTONO: Analisis Data 3.2349 -3.860 gr% dengan standar deviasi 1.7931 -. Klik ‘OK’ hasilnya tampak sbb T-Test Paired Samples Statistics Mean Pair 1 kadar hb pengukuran pertama kadar hb pengukuran kedua 10.38 gr%.000 Paired Samples Test Mean Pair 1 kadar hb pengukuran pertama . Deviation 1. (2-taile d) -.9821 . Difference Deviati Error on Mean Lower Upper t df Sig. Klik ‘hb1’ 4. Klik tanda panah sehingga kedua variabel masuk kotak sebelah kanan 6.860 N 50 50 Std.1389 -. Error Mean . Rata-rata kadar Hb pada pengukuran pertama (hb1) adalah 10.05 gr%. .346 10.1493 Paired Samples Correlations N Pair 1 kadar hb pengukuran pertama & kadar hb pengukuran kedua 50 Correlation . 106 .001 Pada tabel pertama terlihat statistik deskriptif berupa rata-rata dan standar deviasi kadar Hb antara pengukuran pertama dan pengukuran kedua.

107 . Pada contoh di atas didapatkan nilai p=0. maka dapat disimpulkan ada perbedaan yang signifikan kadar hb antara pengukuran pertama dengan pengukuran kedua.514 dengan standar deviasi 0.05 0.05 gr%. Penyajian dan Interpretasi di laporan penelitian: Dari hasil yang didapat di atas kemudian angka-angka disusun dalam tabel yang disajikan dalam laporan penelitian. Pada pengukuran kedua didapat rata-rata kadar Hb adalah 10.SUTANTO PRIYO HASTONO: Analisis Data Uji T berpasangan dilaporkan pada tabel kedua.982.860 1.860 gr% dengan standar deviasi 1. perbedaan ini diuji dengan uji T berpasangan menghasilkan nilai p yang dapat dilihat pada kolom “Sig (2-tailed)”.38 gr%.001.14 0. terlihat nilai mean perbedaan antara pengukuran pertama dan kedua adalah 0.001 maka dapat disimpulkan ada perbedaan yang signifikan antara kadar Hb pengukuran pertama dan kedua.38 1.346 gr% dengan standar deviasi 1.982. Bentuk penyajian dan interpretasinya sbb: Tabel … Distribusi Rata-Rata Kadar Hb Responden Menurut Pengukuran pertama dan Kedua di ….346 10. Terlihat nilai mean perbedaan antara pengukuran pertama dan kedua adalah 0. hasil uji statistik didapatkan nilai 0.19 0.514 dengan standar deviasi 0.001 50 Mean SD SE P value N Rata-rata kadar Hb pada pengukuran pertama adalah 10. Th…… Variabel Kadar Hb Pengukuran I Pengukuran II 10.

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

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

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

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

304 584.27 3431.32 3575.951 72.727 67.10 3003.23 3287.527 107. Klik “Continue” 9.SUTANTO PRIYO HASTONO: Analisis Data 6.141 82. Error 78.666 241.108 386.18 3994.623 Lower Bound 2291. Deviation 249.32 3528.232 Std.98 3336.04 Minim um 2100 2100 3000 3000 2100 Maxim um 2900 3000 4000 4100 4100 SD SMP SMU PT Total 112 .00 2727.54 3170.60 2889.96 Upper Bound 2648.25 3761.00 Std.40 2565. Klik “Continue” 7. Klik tombol “Post Hoc”. tandai dengan √ pada kotak “Bonferroni” 8. Klik “OK” Oneway Descriptives berat badan bayi 95% Confidence Interval for Mean N 10 11 16 13 50 Mean 2470.209 270.

000 .36 -1634.228 119.027 95% Confidence Interval Lower Bound Upper Bound -613.538* 1034.42 1023.468 121.51 -700.2 gram.54 -384. The mean difference is significant at the .902 121.6 gram.294 115.492 124.21 -1290.492 Sig.76 99.266* 961.286 115.02 632. .862 87564.288* SMP SMU PT Std.538* 257.51 25.05 level.000 .000 .506 df1 3 df2 46 Sig. Pada mereka yang berpendidikan SMU rata-rata berat 113 .36 1634.027 .93 -25.93 *. Error 129.000 .266* 330.273 -703.2 gram dengan standar deviasi 241.36 -99.977* -1034.977* -330.000 .286 124.54 -634.334 Sig.000 .72 -948.468 129.288* 1291. Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2727.0 gram dengan standar deviasi 249.000 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. .64 634.14 384.76 -1023.64 948.902 110.250* 703.315 .000 . Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470. .250* -1291.42 -1368.72 700.315 .SUTANTO PRIYO HASTONO: Analisis Data Test of Homogeneity of Variances berat badan bayi Levene Statistic 2.02 1368. Dari print out ini diperoleh rata-rata berat bayi dan stndar deviasi masing-masing kelompok.228 110.273 SMU PT SD SMU PT SD SMP PT SD SMP SMU -961.294 119.400 F 48.36 1290.071 ANOVA berat badan bayi Sum of Squares 12697038 4027962 16725000 df 3 46 49 Mean Square 4232345.000 .21 613.14 -632.

maka penulisannnya menjadi p=0.5 249.2 – 2889.9 0.6 gram. Pada hasil di atas nilai p uji ANOVA dapat diketahui pada kolom “F” dan “Sig”.1 gram. dapat disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan.3 2291. Pada mereka yang berpendidikan SMU rata-rata berat bayinya adalah 3431. Pada Box paling bawah terlihat hasil dari uji ‘Multiple Comparisons Bonferroni” yang berguna untuk menelusuri lebih lanjut kelompok mana saja yang berhubungan signifikan.20 gram dengan standar deviasi 241.SMU .0005).3 3287.1 – 3994. SMP dengan SMU.0 2727.2 gram dengan standar deviasi 270. Untuk mengetahui kelompok yang signifikan dapat terlihat dari kolom Sig.1 386.1 gram.0005 Mean SD 95% CI P value Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470.2 270.3 – 3575.2 gram dengan standar deviasi 270. Ternyata kelompok signifikan adalah tingkat pendidikan SD dengan SMU.SD .000 (kalau desimalnya 0.1 3528.0 gram dengan standar deviasi 249.PT 2470.3 gram. SD dengan PT.2 gram. berarti pada alpha 5%.5 gram dengan standar deviasi 386.4 – 2648.6 241.SMP .2 3431. Penyajian dan Interpretasi di laporan Penelitian Tabel … Distribusi Rata-Rata berat Bayi Menurut Tingkat pendidikan Variabel Pendidikan .SUTANTO PRIYO HASTONO: Analisis Data bayinya adalah 3431. SMP dengan PT dan SMU dengan PT. Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2727.2 3761. Pada mereka yang 114 . Pada mereka yang berpendidikan PT rata-rata berat bayinya adalah 3761.6 3565. terlihat p=0.

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

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

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

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. Khususnya untuk tabel 2x2. sedangkan niali ekspektasi (harapan) masing-masing sel dicari dengan rumus: Total barisnya X total kolomnya E= Jumlah keseluruhan data misalkan untuk mencari nilai ekspektasi (E) untuk sel a adalah: Ea = (a+b) x (a+c) n Untuk Eb.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. c. Ec dan Ed dapat dicari dengan cara yang sama. dapat mencari nilai X2 dengan menggunakan rumus: N (ad-bc)2 X2 = (a+c)(b+d)(a+b)(c+d) 118 . d merupakan nilai observasi. 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. Tidak boleh ada sel yang mempunyai nilai harapan (nilai E) kurang dari 1. Jika frekuensi sangat kecil. Keterbatasan Kai Kuadrat Seperti kita ketahui.0. b. uji kai kuadrat menuntut frekuensi harapan/ekspektasi (E) dalam masing-masing sel tidak boleh terlampau kecil.SUTANTO PRIYO HASTONO: Analisis Data Uji kai kuadrat sangat baik untuk tabel dengan derajat kebebasan (df) yang besar. 119 . Formula kai kuadrat Yate’s Correction adalah sbb: (|O – E| .5)2 X = E atau N {|ad-bc|2 – (N/2)]2 X2 = (a+c)(b+d)(a+b)(c+d) 2 3. 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). Adapun keterbatasan uji kai kuadrat adalah sbb: a. 3 x 4 dsb). Oleh karena itu dalam penggunaan kai kuadrat harus memperhatikan keterbatasanketerbatasan uji ini. misalnya 3 x 2. penggunaan uji ini mungkin kurang tepat. lebih dari 20% dari jumlah sel. Jika keterbatasan tersebut terjadi pada saat uji kai kuadrat. Penggabungan ini tentunya diharapkan tidak sampai membuat datanya kehilangan makna.

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

SUTANTO PRIYO HASTONO: Analisis Data dan bekerja kode 0 dan ibu yang menyusui secara eksklusif diberi kode 1 dan non eksklusif diberi kode 0.3 20.3 100. bekerja =1 dan eksklusive =0. Sebetulnya bisa juga kodenya dibalik. variabel pendidikan sebagai variabel independen dan pengetahuan sebagai variabel dependen.0 Pembuatan persentase pada analisis tabel silang harus diperhatikan agar tidak salah dalam menginterpretasi.7 17. ada sebanyak 20 (80. pembuatan persentasenya berdasarkan nilai variabel independen.6 20.0%) yang berpengetahuan tinggi.0 60.4 27. Pada jenis penelitian survei/Cross sectional atau Kohort.0 33. Dan dari 25 pasien yang berpendidikan PT. ada sebanyak 25 (50. Tabel … Distribusi Responden menurut Tingkat Pendidikan dan Pengetahuan Pengetahuan Pendidikan N SD SMP SMU PT Jumlah 25 16 10 5 56 Rendah % 50.0 40. tapi harus konsisten. Dari 30 pasien yang berpendidikan SMU ada sebanyak 20 (66. Dari 40 pasien yang berpendidikan SMP. ada sebanyak 24 (60. Contoh di atas jenis penelitiannya Cross Sectional. Contoh di atas dapat di interpretasikan sbb: Dari 50 pasien yang berpendidikan SD.0 38.7 80.0%) yang 121 .0 61.0%) pasien mempunyai pengetahuan tinggi. Dapat dilihat di tabel persentasenya berdasarkan masing-masing kelompok tingkat pendidikan (persentase baris).7%) yang berpengetahuan tinggi. misalnya kodenya: tidak bekerja =0.7 n 25 24 20 20 89 Tinggi % 50.3 n 50 40 30 25 145 Total % 34. tdk eksklusive =1.0 66.

5 100.0 n 105 95 200 Total % 52.0 50. 122 .0 25. Dari data ini terlihat ada kecenderungan bahwa semakin tinggi tingkat pendidikan akan semakin tinggi tingkat pengetahuannya. Pada penelitian yang berjenis kasus kontrol (Case Control) pembuatan persentasenya berdasarkan variabel dependennya.0 70.5 47.0 Interpretasinya: Dari mereka yang menderita kanker paru. ada sebanyak 75 (75%) responden berjenis kelamin laki-laki.0 50. misalkan terlihat pada tabel berikut: Tabel … Distribusi Responden Menurut Kasus kanker paru dan Jenis Kelamin Jenis Kelamin Laki-laki Perempuan Jumlah n 75 25 100 Kanker Paru Kasus % 75. Sedangkan pada kelompok yang tidak menderita kanker paru.0 N 30 70 100 Kontrol % 30. ada sebanyak (30%) responden yang berjenis kelamin laki-laki.SUTANTO PRIYO HASTONO: Analisis Data berpengetahuan tinggi.

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

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

0%) have expected count less than 5.490 8.010 7.627 18. Risk Estimate 95% Confidence Interval Lower Upper 1.209 4.0% 32.SUTANTO PRIYO HASTONO: Analisis Data Crosstabs status pekerjaan ibu * status menyusui asi Crosstabulation status menyusui asi tdk EKSKLUSIVE EKSKLUSIVE 17 8 68.0% 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. (2-sided) Exact Sig.0% 24 48.464 2. Sig.189 .250 1.0% 26 52.005 . The minimum expected count is 12.0% 50 100.412 50 .005 . (2-sided) .013b 6. 0 cells (.853 50 1 .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 5.005 a. 00. (1-sided) Pearson Chi-Square Continuity Correctiona Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases .0% 18 72.0% 7 28.004 Exact Sig.0% 25 100.244 df 1 1 1 Asymp.816 125 .208 .011 . Computed only for a 2x2 table b.0% Total 25 100.

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

misal untuk ilmu sosial dengan melihat koefisien Phi.. sedangkan untuk bidang kesehatan terutama kesehatan masyarakat digunakan nilai OR atau RR. Sig” dan terlihat p valuenya = 0.357).189). Dengan kata lain dapat disimpulkan bahwa ada hubungan status pekerjaan dengan perilaku menyusui eksklusif. Nilai OR digunakan untuk jenis penelitian Cross Sectional dan Case Control.250 (95% CI: 1. misalnya 3 x 2. 4 x 2 dsb.627 – 18.464 (95% CI: 1.46 kali untuk menyusui eksklusif dibandingkan ibu yang bekerja.464 sbb: Ibu yang tidak bekerja mempunyai peluang 5.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. Sedangkan nilai RR terlihat dari baris For Cohort yaitu bearnya 2. maka nilai OR dapat diperoleh dengan analisis regresi logistik sederhana dengan cara membuat “Dummy variable” 127 . Uji Chi square hanya dapat digunakan untuk mengetahuiada/tidaknya hubungan dua variabel. bila tabel silang lebih dari 2 x 2. berarti kesimpulannya ada perbedaan perilaku menyusui eksklusif antara ibu yang bekerja dengan ibu yang tidak bekerja. Pada perintah Crosstab nilai OR akan keluar bila tabel silang 2 x 2. sehingga uji ini tidak dapat untuk mengetahui derajat/kekuatan hubungan dua variabel. Pada hasil di atas nilai OR terdapat pada baris Odds ratio yaitu 5. sedangkan nilai RR digunakan bila jenis penelitiannya Kohort.011. koefisien Contingency dan cramer’s V.209 – 4. Pada data ini berasal dari penelitian Cross Sectional maka kita dapat menginterpretasikan nialai OR=5.

0 48. artinya ibu tidak bekerja mempunyai peluang 5. Dari hasil analisis diperoleh pula nilai OR=5.464.0 28.011 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).464 1.SUTANTO PRIYO HASTONO: Analisis Data Penyajian dan Interpretasi di Laporan Penelitian: Tabel … Distribusi Responden Menurut Jenis Pekerjaan dan Perilaku menyusui Jenis Pekerjaan n bekerja Tdk Bekerja Jumlah 17 7 26 Menyusui Tdk Eksklusif % 68. Sedangkan diantara ibu yang tidak bekerja.0 n 25 25 50 % 100 100 100 5.3 0.0 72.0%) yang menyusui secara eksklusif.6 – 18.46 kali untuk menyusui eksklusif dibanding ibu yang bekerja. ada 18 (72.0 52. Hasil uji statistik diperoleh nilai p=0. 128 .0 Eksklusif n 8 18 24 % 32.011 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.

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

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

yaitu dengan analisis regresi.25 Uji Hipotesis Koefisien korelasi yang telah dihasilkan merupakan langkah pertama untuk menjelaskan derajat hubungan derajat hubungan linier anatara dua variabel. yaitu pertama: membandingkan nilai r hitung dengan r tabel.25 r = 0. kekuatan hubungan dua variabel secara kualitatif dapat dibagi dalam 4 area. Tujuan tidak ada hubungan/hubungan lemah hubungan sedang hubungan kuat hubungan sangat kuat / sempurna 131 . kedua: menggunakan pengujian dengan pendekatan distribusi t. Uji hipotesis dapat dilakukan dengan dua cara. Selanjutnya perlu dilakukan uji hipotesis untuk mengetahui apakah hubungan antara dua variabelteradi secara signifikan atau hanya karena faktor kebetulan dari random sample (by chance). Regresi Linier Sederhana Seperti sudah diuraikan di depan bahwa analisis hubungzn dua variabel dapat digunakan untuk mengetahui bentuk hubungan dua variabel.00 – 0.00 – 0.25 r = 0.00 – 0.00 – 0. yaitu: r = 0. dengan formula: n–2 t=r 1 – r2 df = n – 2 n = jumlah sampel 2.25 r = 0. Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk mengetahui bentuk hubungan antar dua atau lebih variabel.SUTANTO PRIYO HASTONO: Analisis Data Menurut Colton. Pada modul ini kita gunakan pendekatan distribusi t.

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. aretinya untuk beberapa nilai X yang sama kemungkinan diperoleh nilai Y yang berbeda.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. Untuk melakukan prediksi digunakan persamaan garis yang dapat diperoleh dengan berbagai cara/metode. yang ditemukan oleh Issac Newton adalah contoh model deterministik. Dalam kasus ini berarti berat badan sebagai variabel independen dan tekanan darah sebagai variabel dependen. Oleh karena hubungan X 132 Y = a + bx + e . Sebagai contoh kita ingin menghuubungkan dua variabel numerik berat badan dan tekanan darah. Ketika berhadapan pada kondisis ilmu sosial. Contoh lain misalnya hubungan antar suhu Fahrenheit dengan suhu Celcius dapat dibuat persamaan Y = 32 + 9/5X. variabel suhu Fahrenheit (Y) dapat dihitung/diprediksi secara sempurna/tepat (bebas kesalahan) bila suhu Celcius (X) diketahui. 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. Misalnya hubungan berat badan dengan tekanan darah. hubungan antar variabel ada kemungkinan kesalahan/penyimpangan (tidak eksak). 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. misalnya hukum gravitasi bumi.

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

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

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

jika belum aktifkan data tersebut. pilih ‘Regression’. 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. baris kedua menapilkan nilai p (P value). dalam analisis regresi kita harus menentukan variabel dependen dan variabel independennya.SUTANTO PRIYO HASTONO: Analisis Data Correlations Correlations berat badan ibu 1 berat badan bayi . Adapun caranya: 1. Dari menu SPSS.684** 1 .SAV. Correlation is significant at the 0. Dalam kasus ini berarti berat badan ibu sebagai variabel independen dan berat badan bayi sebagai variabel dependen. Pada tampilan di atas ada beberpa kotak yang harus diisi. Tampilan analisis korelasi berupa matrik antar variabel yang di korelasi.0005. (2-tailed) N **.684** . Pastikan tampilan berada pada data editor ASI. Pada hasil di atas diperoleh nilai r = 0.01 level (2-tailed). B. Hasil uji statistik didapatkan ada hubungan yang signifikan antara berat badan ibu dengan berat badan bayi (p = 0.SAV.000 50 50 . baris pertama berisi nilai korelasi (r).000 50 50 berat badan ibu berat badan bayi Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. pilih ‘Linear’ 3. informasi yang muncul terdapat tiga baris. dan baris ketiga menampilkan N (jumlah data).0005).684 dan nilai p = 0. 2. Pada kotak ‘Dependen’ isikan variabel yang kita perlakukan sebagai dependen (dalam 136 . Klik ‘Analysis’. Regresi Linier Sederhana Berikut akan dilakukan analisis regresi linier dengan menggunakan variabel ‘berat badan ibu’ dan ‘berat badan bayi’ dari data ASI.

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

berat badan ibu b.000 a. berarti pada alpha 5% kita dapat menyimpulkan bahwa regresi sederhana cocok (fit) dengan data yang ada persamaan garis regresi dapat dilihat pada tabel ‘Coefficienta’ yaitu pada kolom B. Selanjutnya pada tabel ANOVAb .0005.38.SUTANTO PRIYO HASTONO: Analisis Data ANOVAb Model 1 Sum of Squares 7820262 8904738 16725000 df 1 48 49 Mean Square 7820261. Nilai koefisien determinasi dapat dilihat dari nilai R Square (anda dapat lihat pada tabel ‘Model Summary’) yaitu besarnya 0.93 dan nilai b = 44.468 artinya. persamaan garis regresi yang kita peroleh dapat menerangkan 46.836 Standardized Coefficients Beta .099 . Error 657.680 6.8% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi.376 F 42. Dari hasil diatas didapat nilai konstant (nilai ini merupakan nilai intercept atau nilai a) sebesar 657.154 Sig.93 + 44.684 Model 1 (Constant) berat badan ibu t 1.000a Regression Residual Total a.38(berat badan ibu) Dengan persamaan tersebut.383 6. Dependent Variable: berat badan bayi Coefficientsa Unstandardized Coefficients B Std. dan menghasilkan nilai p=0. Predictors: (Constant). Jadi pada alpha 5% kita menolak 138 . Uji uji statistik untuk koefisien regresi dapat dilihat pada kolom Sig T. persamaan garis dan p value. .929 391. sehingga persamaan regresinya: Y = a + bX Berat badan bayi = 657. diperoleh nilai p (di kolom Sig) sebesar 0.676 44. berat badan bayi dapat diperkirakan jika kita tahu nilai berat badan ibu.493 Sig.0005.965 185515. Dependent Variable: berat badan bayi Dari hasil di atas dapat diinterpretasikan dengan mengkaji nilai-nilai yang penting dalam regresi linier diantaranya: koefisien determinasi. .

Hasil uji statistik didapatkan ada hubungan yang signifikan antara berat badan ibu dengan berat badan bayi (p=0.684) dan berpola positif artinya semakin bertambah berat badan ibu semakin besar berat badan bayinya.38(berat badan ibu) Berat badan bayi= 657.468 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. Dari nilai b=44.684 R2 0. maka: Berat badan bayi =657.0005 Hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan kuat (r=0. Misalkan kita ingin mengetahui berat badan bayi jika diketahui berat badan ibu sebesar 60 kg.38 berarti bahwa variabel berat badan bayi akan bertambah sebesar 44. berarti ada hubngan linier antara berat badan ibu dengan berat badan bayi.005).468 Persamaan garis bbayi =657.8.93 + 44.SUTANTO PRIYO HASTONO: Analisis Data hipotesis nol.38(60) 139 .6% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi. persamaan garis regresi yang kita peroleh dapat menerangkan 46. Penyajian dan Interpretasi Tabel … Analisis Korelasi dan regresi berat badan ibu dengan berat badan bayi Variabel Umur R 0. Nilai koefisien dengan determinasi 0.93 + 44.38*bbibu P value 0.

sehingga variasinya 1. pilih ‘Scatter’ 2.715 (lihat di kotak Model Summary).9 gr C. Pada kotak Y Axis isikan variabel dependennya (masukkan veriabel dependennya (masukkan Hb1) 4. pada kotak ‘Fit Line.96 * 430. Klik Total 10.73 Ingat prediksi regresi tidak dapat menghasil.d 4164. Terlihat di layar grafik scatter plot-nya (garis regresi belum ada?) 7.5 gr s. Klik Sampel klik ‘Define’ 3. Dengan demikianvariasi variabel dependen = Z*SEE.201 Jadi dengan tingkat kepercayaan 95%. klik grafiknya 2 kali 8. klik’Chart’ 9. Pada kotak X Axis isikan variabel independennya (masukkan veriabel dependennya (masukkan Umur) 5. klik ‘OK’ maka muncul garis regresi 140 .96. untuk berat badan ibu 60 kg diprediksikan berat badan bayinya adalah diantara 2476. Untuk mengeluarkan garisnya.SUTANTO PRIYO HASTONO: Analisis Data Berat badan bayi = 3320.kan angka yang tepat seperti di atas. Klik ‘OK’ 6. Error of The estimate’(SEE) yang besarnya adalah 430. Nilai Z dihitung dari tabel Z dengan tingkat kepercyaan 95% dan didapat nilai Z = 1. Klik ‘Graphs.715 = ± 844. Membuat Grafik Prediksi Langkahnya: 1. namun perkiraannya tergantung dari nilai ‘Std.

Prosedur pengujian tergantung dari jenis data yang diuji apakah katagori atau numerik. maka diperlukan jumlah sampel minimal = 10 x 10 responden = 100 responden. Dari analisis multivariat kita dapat mengetahui: a. 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 . Jumlah sampel dalam analisis multivariat sangat penting diperhatikan. Variabel independen mana yang paling besar pengaruhnya terhadap variabel dependen? b. pedoman yang berlaku adalah setiap variabel minimal diperlukan 10 responden. Apakah variabel independen berhubungan dengan variabel dependen dipengaruhi variabel lain atau tidak? c. sebaiknya jangan terlalu sedikit. Bentuk hubungan beberapa variabel independen dengan variabel dependen. 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. apakah berhubungan langsung atau pengeruh tidak langsung.

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

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

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

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

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

BACKWARD. karena dalam pemodelan kita dapat . variabel yang pertama kali dikeluarkan adalah variabel yang mempunyai korelasi parsial terkecil dengan variabel dependen. tanpa melewati kriteria kemanaan statistik tertentu.25. bila hasil uji bivariat mempunyai nilai p<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. ENTER. measukkan satu persatu variabel dari hasil pengkorelasian variabel dan memenuhi kriteria kemaknaan statistik untuk masuk ke dalam model. model ini merupakan kombinasi antara metode backward dan Forward. yaitu: a). Untuk variabel yang p value-nya > 0. STEPWISE.005 artinya variabel yang dapat masuk model bila variabel tersebut mempunyai nilai P lebih kecil atau sama dengan 0.05. FORWARD. meamasukkan semua variabel ke dalam model.10 dikeluarkan dari model. tetapi kemudian satu persatu variabel independen dikeluarkan dari model berdasarkan kriteria kemaknaan tertentu. lakukan pemilihan variabel yang masuk dalam model. Korelasi parsial adalah adalah korelasi antara variabel independen dengan dependen. kriteria variabel yang dapat masuk P-in (PIN) adalah 0. maka variabel tersebut dapat masuk ke multivariat. memasukkan semua variabel independen dengan serentak satu langkah. artinya variabel yang mempunyai nilai P lebih besar atau sama dengan 0. 2) Lakukan analisis secara bersamaan. Metode melakukan pertimbangan aspek substansi.SUTANTO PRIYO HASTONO: Analisis Data dependen (bivariat). Seperti halnya forward. Kriteria pengeluaran atau P-out (POUT) adalah 0. Ada beberapa metode untuk melakukan pemilihan variabel independen dalam analisis multivariat regresi linier ganda. d). maka variabel tersebut masuk dalam model multivariat.10.25 namun secara substansi penting. sampai semua variabel yang memenuhi kriteria tersebut masuk ke dalam model. c). b). metode Stepwise dimulai dari tanpa 147 ini yang tepat/sering digunakan.

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

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. 149 .

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

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

219 189 . (2-tailed) N Age of mother 1 189 .01 level (2-tailed).SUTANTO PRIYO HASTONO: Analisis Data 4.215** .180* .140 .010 189 . (2-tailed) N Pearson Correlation Sig.155* . 152 .055 189 189 1 -. (2-tailed) N Pearson Correlation Sig.426 189 189 1 189 -. Correlation is significant at the 0.544 189 .426 189 -.141 .180* .072 .058 . Correlation is significant at the 0.215** .544 189 -.090 .186* .186* . (2-tailed) N Pearson Correlation Sig.141 -.090 .054 .044 .328 189 .140 .003 .05 level (2-tailed).034 189 Birth weight (gram) .013 189 1 189 .058 .054 189 -. (2-tailed) N Pearson Correlation Sig.010 189 No History of physician prematur visits in first e labor trimester .055 189 .013 189 .219 189 History of premature labor Birth weight (gram) *. Klik tombol ‘OK’ Muncul dilayar hasil sbb: Correlations Correlations Weight of mother (pounds) .072 .328 189 189 .003 189 .034 189 1 189 Age of mother Weight of mother (pounds) No physician visits in first trimester Pearson Correlation Sig. **.155* .044 .

berat badan (p=0. kemudian pilih sub menu “Compare Means’.SUTANTO PRIYO HASTONO: Analisis Data Hasil dari analisis bivariat dengan korelasi didapatkan nilai p value untuk variabel umur (p=219).010). Ket: kotak test varibles tempat memasukkan variabel numeriknya.426) sehingga tidak bisa masuk ke multivariat. lalu pilih “Independen-Samples T Test” 2.25.426).Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’. dengan demikian ketiga variabel tersebut dapat lanjut masuk ke pemodelan multivariat. pilih menu ‘Analyze”.Dari menu utama SPSS. frekuensi anc (p=0.25 (yaitu p=0. maka variabel frekuensi anc tetap diikutkan dalam analisis multivariat. namun demikian oleh karena secara substansi frekuensi anc merupakan faktor yang sangat penting mempengaruhi berat badan bayi. sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya. b.Klik variabel ‘smoke’ dan masukkan ke kotak‘Grouping Variable’. 153 . Sedangkan untuk variabel frekuensi anc mempunyai p value > 0.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4.034). berat badan dan frekuensi prematur mempunayi p value < 0. Merokok Langkahnya: 1. Bivariat uji t: melakukan analisis bivariat untuk variabel independen berjenis katagorik: merokok dan riwayat hipertensi 1. frekuensi prematur (p=0. ingat jangan sampai terbalik. Dari hasil ini dapat kita simpulkan bahwa variabel umur. 3.

kemudian di layar nampak kotak isian. kita tahu bahwa ‘0’ tidak merokok dan kode ‘1’ untuk Yang merokok. dan hasilnya sbb: T-Test Group Statistics Smoking status No Yes N 115 74 Mean 3054.075 Std.SUTANTO PRIYO HASTONO: Analisis Data 5.96 2773. Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak. Pada contoh ini.732 Birth weight (gram) 154 .409 660. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 9.24 Std. Klik “Continue” 10. Error Mean 70. Klik “OK” untuk menjalankan prosedur perintahnya. Deviation 752.163 76.Klik ‘Define Group’.

467 487. 3. ingat jangan sampai terbalik.007 281. Error Differenc e 106.0 Hasil analisis hubungan merokok dengan berat bayi menghasilkan p value = 0. 2.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4.Klik variabel ‘ht’ dan masukkan ke kotak‘Grouping Variable’. lalu pilih “Independen-Samples T Test” 2.7 F Birth weight (gram) Equal variances assumed Equal variances not assumed 1. sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya.009 Mean Differen ce 281. pilih menu ‘Analyze”. .Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’. Ket: kotak test varibles tempat memasukkan variabel numeriknya. (variabel yang sebelumnya (variabel smoke) dikeluarkan dahulu baru ‘ht’ dimasukkan 155 .SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Sig.634 df 187 2.221 t 2.693 492. Riwayat Hipertensi Langkahnya: 1.0 .25 maka variabel merokok dapat lanjut ke multivariat.974 76.009.969 95% Confidence Interval of the Difference Lower Upper 70.Dari menu utama SPSS. kemudian pilih sub menu “Compare Means’.713 Std. (2-tail ed) . dengan demikian p value yang dihasilkan < 0.709 170.508 Sig.713 103.

dan hasilnya sbb: Group Statistics History of hypertension No Yes N 177 12 Mean 2972. Pada contoh ini. Error Mean 53.341 Std. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 6.Klik “OK” untuk menjalankan prosedur perintahnya.813 Birth weight (gram) 156 . Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak.Klik “Continue” 7. kemudian di layar nampak kotak isian. Deviation 709.309 264.31 2536.SUTANTO PRIYO HASTONO: Analisis Data 5.75 Std. kita tahu bahwa ‘0’ tidak ada hipertensi dan kode ‘1’ ada hipertensi’.226 917.Klik ‘Define Group’.

(2-taile d) .05.024 861.019 df 187 Sig.045. Bila dalam model multivariat dijumpai variabel yang p value nya > 0.045 Mean Differe nce 435. Klik ‘Analyisis’. B.235 t 2. smoke. tahap berikutnya melakukan analisis multivariat secara bersama-sama. Variabel yang valid dalam model multivariat adalah variabel yang mempunyai p value < 0. melainkan bertahap satu per satu dikeluarkan dimulai dari p value yang terbesar. ht. . maka variabel tersebut harus dikeluarkan dalam model. Pada kotak ‘dependen isikan variabel dependen (dalam hal ini berarti bwt) dan kotak ‘independen’ isikan variabel independennya (dalam hal ini age.419 Sig. Error Differen ce 215.133 435. ptl.56 1. dari 6 variabel independen semuaanya masuk ke proses berikutnya yaitu ke analisis multivariat. ftv) 157 .25 sehiingga variabel riwayat adanya hipertensi dapat lanjut ke analisis multivariat Dengan demikian selesailah sudah seleksi semua variabel independen. Adapun proses selengkapnya sbb: 1. berarti p valuenya < 0.56 270. lwt.612 11.1 F Birth weight (gram) Equal variances assumed Equal variances not assumed 1. Langkah Kedua : Pemodelan Multivariat Setelah tahap bivariat selesai.908 . Pengeluaran variabel dilakukan tidak serempak. sorot dan klik ‘Linier’ lalu muncul menu regresi linier. a.709 95% Confidence Interval of the Difference Lower Upper 10.5 1025 Dari hasil analisis bivariat uji t antara variabel riwayat adanya hipertensi dengan berat bayi didapatkan p value = 0.126 -153.05.SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Std. sorot ‘Regression’.

History of hypertension. Error of the Estimate 696. History of premature labor. Abaikan lainnya 7. Smoking status. Predictors: (Constant). Klik ‘OK’. Weight of mother (pounds) 158 .116 Adjusted R Square . pilih Enter’ 6. Pada kotak ‘Method’. dan hasilnya Regression Model Summary Model 1 R R Square .340a . No physician visits in first trimester. Age of mother.SUTANTO PRIYO HASTONO: Analisis Data 5.086 Std.829 a.

442 7.715 2.004 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 7.793 -232. Weight of mother (pounds) b.001a Regression Residual Total a. Ternyata dari 6 variabel indepeden (lihat kolom sig di kotak Coefficients) ada 3 variabel yang p valuenya > 0. No physician visits in first trimester.05 dikeluarkan daari model.116.SUTANTO PRIYO HASTONO: Analisis Data ANOVAb Model 1 Sum of Squares 11543236 88373817 99917053 df 6 182 188 Mean Square 1923872.705 Standardized Coefficients Beta .022 4.574 215. yaitu umur (age) p=0. 159 .000 .777 105. Smoking status.05.150 . Age of mother.).05.001 berarti persamaan garis regresi secara keseluruhan sudah signifikan.665 -.030 . variabel yang p valuenya > 0.052 . History of premature labor.6 % sedangkan sisanya dijelaskan oleh variabel lain.. .954. Error 2315. riwayat prematur (history prematur) p=0.423 F 3. Predictors: (Constant). Dependent Variable: Birth weight (gram) Dari kotak ‘Model Sumarry” didapatkan nilai R Square sebesar 0.162 10.928 106.698 -2.008 .008 . .253 -154. pengeluaran variabel dimulai dari p value yang terbesar. artinya keenamm variabel independen dapat menjelaskan variabel berat bayi sebesar 11.201 -. Tahap berikutnya mengeluarkan variabel yang p valuenya > 0.476 .445 -2. Dependent Variable: Birth weight (gram) Coefficientsa Unstandardized Coefficients B Std. Namun demikian prinsip pemodelan harus yang sederhana variabelnya sehingga masing-masing variabel indepeden perlu di cek nilai p valuenya.611 485570.057 Sig.862 299.230 -2.962 Sig. Dari hasil uji statistik (lihat kotak anova) didapatkan p value = 0.002 -574.954 a.156 -. Dengan demikian variabel yang kita coba keluarkan adalah frekuensi anc(No physician.150 dan frekuensi anc (no physician) p=0.481 49.734 .847 1. History of hypertension.193 -1.476.193 -.104 -.

116 Adjusted R Square . Age of mother.116. Error 2317.473 . . Pada kotak Independen juga masih lengkap ada 6 variabel.051 .747 -573. B.051 9.000 . 160 .680 Sig. Klik ‘Analysis’. sorot dan klik ‘Linier’ 2. Sedangkan untuk coefisian B. Bila ada perubahan yang besar maka variabel tersebut tidak jadi dikeluarkan dalam model (tetap dipertahankan di model). 3.156 -. Klik OK.608 297. kita cek dulu apakah setelah dikeluarkan.448 -2. Smoking status. sorot ‘Regression’. Untuk nilai R Square ternyata tidak ada perunbahan yaitu tetap 0.807 4.638 106.759 105.008 a. namun sekarang anda harus keluarkan variabel ‘no physician’ dan masukkan ke kotak Variable di sebelah kiri.191 213.224 -153. Predictors: (Constant).718 -2. Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja.801 .198 -1.841 Standardized Coefficients Beta .007 .929 a.719 2.104 -.091 Std. Weight of mother (pounds) Coefficientsa Unstandardized Coefficients B Std.340a .011 1. Error of the Estimate 694. Dependent Variable: Birth weight (gram) Setelah variabel frekuensi anc dikeluarkan. History of premature labor.029 .149 .192 Model 1 (Constant) Age of mother Weight of mother (pounds) Smoking status History of premature labor History of hypertension t 7.201 -. History of hypertension. dan hasilnya sbb: Model Summary Model 1 R R Square .SUTANTO PRIYO HASTONO: Analisis Data Langkahnya: 1.074 7. ada perubahan besar( berubah lebih dari 10 %) untuk R Square dan Coef. Sekarang kita bandingkan nilai coefisien B untuk variabel umur.781 -232.

7 -232. 3.473).2 -154. Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja.1 % 0. Error of the Estimate 694. hasil perhitungannya sbb: Variabel Age bwt smoke ptl hi ftv Anc msih ada 7.7 573. sorot dan klik ‘Linier’ 2.094 Std. dan hasilnya sbb: Model Summary Model 1 R R Square . Klik ‘Analysis’. Klik OK. History of premature labor. namun sekarang anda harus keluarkan variabel ‘umur (age)’ dan masukkan ke kotak Variable di sebelah kiri.0 4.016 a.336a . dengan demikian variabel frekuensi anc kita keluarkan dari model. Langkah/proses : 1.1 % Dari perhitungan perubahan nilai coefisien B pada masing-masing variabel.7 -232. merokok. Selankutnya kita lihat kembali bahwa pada model masih ada variabel yang p value > 0.2 -2. 1.1 4. History of hypertension.4 % 0% 0% 0.0 -574. sorot ‘Regression’. Weight of mother (pounds) 161 .113 Adjusted R Square . riwayat prematur dan riwayat hiperteni antara sebelum dan sesudah variabel frekuensi anc dikeluarkan. Predictors: (Constant).8 Anc dikeluarkan 7. Smoking status. ternyata tidak ada yang berubah lebih dari 10 %.2 153.05.0 - perubahan Coef.SUTANTO PRIYO HASTONO: Analisis Data berat ibu. Sekarang kita akan keluarkan variabel umur (p value =0. Pada kotak Independen juga masih terisi ada 5 variabel.

148 Standardized Coefficients Beta . Langkah selanjutnya mengeluarkan variabel Riwayat mengalami prematur. nilai R Square ternyata ada sedikit coefisian B.2 -2. sedangkan untuk Masih lengkap 7. Klik Analysis.1 4..3 % Dari hasil perhitungan perubahan coef.244 -1.476 2. Prosesnya/langkahnya sama dengan diatas.098 -. .0 -236.113.026 .007 a. sorot Regression.925 -2. Ternyata tidak ada yang lebih dari 10 %.0 -574.412 -582.733 Sig. Pada kotak independen variabel riwayat mengalami prematur dikeluarkan dan dimasukkan ke kotak variable disebelah kiri.169 .4 582.004 .dst.121 233.5 - perubahan Coef.338 105.035 -236.417 213.566 1.7 -232.847 umur dikeluarkan 5.195 Model 1 (Constant) Weight of mother (pounds) Smoking status History of premature labor History of hypertension t 10.779 5. .420 -145. Error 2449.211 -.159 -.SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Unstandardized Coefficients B Std. 6.8 % 6.1 % 1. Dependent Variable: Birth weight (gram) Setelah variabel umur perhitungannya sbb: Variabel Age bwt smoke ptl hi ftv dikeluarkan. dan hasilnya sbb: 162 .2 -154. .379 -2.3 % 1.000 .721 105. hasil perunbahan yaitu menjadi 0. dengan demikian variabel umur kita keluarkan dari model.4 145.

3 % Hasil perhitungan setelah dikeluarkan variabel prematur.391 5.3 % dengan demikian variabel riwayat mengalami prematur tidak jadi dikeluarkan dan tetap dipertahankan dalam model multivariat.002 .104 Adjusted R Square . 12.007 a.534 -2. Dari hasil analisis ternyata tidak ada lagi yang p valuenya > 0.197 Model 1 (Constant) Weight of mother (pounds) Smoking status History of hypertension t 10. History of hypertension.3 -236. Predictors: (Constant).746 Sig. Error of the Estimate 695.0 -574.322a .1 4. B dapat dilihat sbb: Variabel Age bwt smoke ptl hi ftv Masih lengkap 7.7 -232.177 -. Error 2390.2 -154.105 230.089 Std.3 % 1.2 -2.000 .710 103.SUTANTO PRIYO HASTONO: Analisis Data Model Summary Model 1 R R Square .7 % 1.812 213.722 1. .374 3.4 582. Weight of mother (pounds) Coefficientsa Unstandardized Coefficients B Std. Smoking status.707 a.352 -263.646 Standardized Coefficients Beta .009 -586.05 dengan demikian proses pencarian variabel yang masuk dalam model telah selesai dan model yang terakhir adalah sbb: 163 . Sedangkan hasil perhitungan perubahan Coef. Dependent Variable: Birth weight (gram) Hasil R Square turun sedikit yaitu menjadi 0.5 perubahan Coef.012 .104.130 -2.847 Prematur keluar 5. ternyata coefisin B pada variabel beat badan ibu (bwt) beubah sebesar 12.224 -.

336a . Error of the Estimate 694. Dependent Variable: Birth weight (gram) Coefficientsa Stand ardize d Coeffi cients Beta . sorot ‘Regression’.121 5.Klik ‘Analysis’. Error 233. Predictors: (Constant). Masukkan dalam kotak Dependen variabel ‘bwt’ 3.004 .026 .000 .222 a.098 t 10. Dependent Variable: Birth weight (gram) Langkah selanjutnya UJI ASUMSI Agar persaman garis yang digunkan untuk memprediksi menghasilkan angka yang valid. riwayat hipertensi (hi) dan variabel riwayat prematur(ptl) 164 .338 213.964 . Smoking status.169 Mo de l 1 Unstandardized Coefficients B 2449.148 105.037 1.060 1. History of hypertension.925 -2. maka persamaan yang dihasilkan harus memenuhi asumsi-asumsi yang diersyaratkan uji regresi linier ganda.195 -.113 Adjusted R Square .947 1.420 -582.925 .211 -. Masukan dalam kotak Independen variabel berat badan ibu (lwt). merokok(smoke).412 Std.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a.094 Std.016 DurbinWatson .081 1.035 -236. Weight of mother (pounds) b.SUTANTO PRIYO HASTONO: Analisis Data Model Summaryb Model 1 R R Square .733 -1.417 Collinearity Statistics Tolera nce VIF . .159 -.007 .244 -2. Adapun uji asumsinya sbb: Langkahnya: 1.943 . sorot dan klik ‘Linier’ 2.779 1.379 Sig. History of premature labor.721 105.476 2.566 -145.

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

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

Asumsi Independensi Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain.079 1.173 Mean 2944. +2 berarti asumsi independensi terpenuhi. 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 .000 dan standar deviasi 686.979 .019 .66 . 0.631 2. Residual Stud.222.835 32.336a .222 a.016 DurbinWatson .SUTANTO PRIYO HASTONO: Analisis Data Residuals Statisticsa Predicted Value Std.593 .782 1940. History of premature labor.619 1. Untuk mengetahui asuamsi ini dilakukan dengan cara mengeluarkan uji Durbin Watson. Dengan demikian asumsi Eksistensi terpenuhi b. Error of the Estimate 694.407 251.835 67.77 -2.084 .196 686.316 -3.015 -2102.73 .021 Std.769 2.768 . Dependent Variable: Birth weight (gram) Dari hasil uji didapatkan koefisien Durbin Watson independensi terpenuhi.97 1921.001 .028 N 189 189 189 189 189 189 189 189 189 189 189 189 a.004 Maximum 3602. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std.682 292.03 2.193 1955.113 Adjusted R Square .000 45. Deleted Residual Mahal. berarti asumsi 167 . Tidak diperbolehkan nilai observasi yang berbeda yang diukur dari satu individu diukur dua kali.000 .423 2.209 .43 -2082.000 103.804 3616.d.000 .59. bila nilai Durbin –2 s.005 708. Jadi nilai dari tiap-tiap individu saling berdiri sendiri.923 .001 -3.610 -3.469 .000 .094 Std. Weight of mother (pounds) b.989 1.007 .000 3. Distance Cook's Distance Centered Leverage Value Minimum 2249. Deviation 245.010 5.320 .399 2943. Smoking status. History of hypertension. Residual Deleted Residual Stud. Predictors: (Constant).

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

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

= 0.53E-16 Std. Dev.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 = -2.989 N = 189 Regression Standardized Residual 170 .

0 Observed Cum Prob Dari grafik histogram dan grafik normal P-P plot terbukti bahwa bentuk distribusinya normal. berarti asumsi normality terpenuhi.SUTANTO PRIYO HASTONO: Analisis Data Normal P-P Plot of Regression Standardized Residual Dependent Variable: Birth weight (gram) 1.2 0.6 0. 171 .8 Expected Cum Prob 0. bila nilai VIF lebih dari 10 maka mengindikasikan telah terjadi collinearity.0 0. Untuk mendeteksi collinearity dapat diketahui dari nilai VIF (variance inflation factor). f.8 1.4 0.2 0.Diagostik Multicollinearity Dalam regresi linier tidak boleh terjadi sesama variabel independen berkorelasi secara kuat (multicollinearity).0 0.0 0.4 0.6 0.

081 1.964 .035 -236. Dependent Variable: Birth weight (gram) 172 . History of premature labor.947 1. Predictors: (Constant).121 5.412 Std.244 -2.417 Collinearity Statistics Tolera nce VIF .026 .004 .222 a.007 . 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.060 1.943 .336a .000 .721 105. Langkah sekanjutnya adalah UJI INTERAKSI.420 -582.113 Adjusted R Square .476 2.566 -145. Namun karena secara substansi antar variabel dipandang tidak interaksi maka uji interaksi tidak dilakukan.037 1.338 213.733 -1.195 -.169 Mo de l 1 Unstandardized Coefficients B 2449. . Dependent Variable: Birth weight (gram) Dari hasil uji asumsi didapatkan nilai VIF tidak lebih dari 10.925 .094 Std. Sehingga model yang terakhir adalah sbb: Model Summaryb Model 1 R R Square .925 -2.016 DurbinWatson .148 105.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a. Smoking status.211 -.159 -.098 t 10. Error 233. History of hypertension.379 Sig. Error of the Estimate 694.SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Stand ardize d Coeffi cients Beta . Weight of mother (pounds) b.779 1.

169 Mo de l 1 Unstandardized Coefficients B 2449. berarti pada alpha 5% kita dapat menyatakan bahwa model regresi cocok (fit) dengan data yang ada. pada kolom B (di bagian Variabel In Equation) di atas.244 -2.026 .779 1.4 smoke . Pada tabel ‘Model Summary’ terlihat koefisien determinasi (R square) menunjukkan nilai 0.000. Atau dapat diartikan kedua variabel tersebut secara signifikan dapat utnuk memprediksi variabel berat bayi.338 213.420 -582.060 1.582Hi – 145.943 .000 .3 %. kita dapat mengetahui koefisien regresi masing-masing variabel.925 . Atau dengan kata lain keempat variabel independen tsb dapat menjelaskan variasi variabel berat bayi sebesar 11.211 -.733 -1. riwayat hipertensi. ibu merokok.081 1.148 105.098 t 10.007 .925 -2.159 -.ternyata variabel independen yang masuk model regresi adalah berat badan ibu.4 Ptl 173 . . Error 233.037 1.0 Lwt – 236. kita lihat hasil uji F yang menunjukkan nilai P (sig) = 0. peresamaat regresi yang diperoleh adalah Berat Bayi = 2449.SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Stand ardize d Coeffi cients Beta . Dari hasil di atas.947 1.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a.035 -236.113 artinya bahwa model regresi yang diperoleh dapat menjelaskan 11.379 Sig.004 .121 5.721 105.417 Collinearity Statistics Tolera nce VIF .195 -.1+5. Dependent Variable: Birth weight (gram) Interpretasi model: Setelah dilakuikan analisis . Pada kotak ‘Coefficient’ kita dapat memperoleh persamaaan garisnya..3 % variasi variabel dependen berat bayi. Kemudian pada kotak ‘ANOVA’. dan riwayat prematur.566 -145.964 .412 Std.476 2.

merokok dan hipertensi. Semakin besar nilai beta semakin besar pengaruh nya terhadap variabel dependennya. kita dapat memperkirakan berat badan bayi dengan menggunakan variabel berat badan ibu.SUTANTO PRIYO HASTONO: Analisis Data Dengan model persamaan ini.4 gram setelah dikontrol variabel berat badan. B untuk masing-masing variabel adalah sbb: Setiap kenaikan berat badan ibu sebesar 1 kg. hipertensi dan prematur. merokok dan prematur. Pada ibu yang menderita hipertensi. Pada hasil di atas berarti variabel yang paling besar pengaruhnya terhadap penentuan berat badan bayi adalah berat badan ibu. hipertensi dan prematur Pada ibu yang merokok berat bayinya akan lebih rendah sebesar 236.berat bayinya akan lebih rendah sebesar 582. Adapun arti koef. maka berat badan bayi akan naik sebesar 5.0 gram setelah dikontrol variabel merokok.. 174 . Kolom Beta dapat digunakan untuk mengetahui variabel mana yang paling besar peranannya (pengaruhnya) dalam menentukan variabel dependennya (berat badan bayi).5 gram setelah dikontrol variabel berat badan ibu.

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

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

9 0. Diawali peningkatan yang landai.6 0.13 0. Kalau kita cermati.63 0.80 0.3 0.33 0.76 0.lihat jelas adanya peningkatan yang tidak linear antara proporsi kejadian PJK dengan peningkatan umur.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. pembuatan diagram tebar tersebut merupakan cara untuk mendeteksi/mengetahui hubungan pada analisis regresi linier.10 0.8 0.29 30 – 34 35 – 39 40 – 44 45 – 49 50 – 54 55 – 59 60 – 69 Pada grafik tyer.5 0. Kemudian kita coba sajikan data tersebut dengan grafik dan hasilnya dapat dilihat pada grafik berikut: 0.4 0.46 0.2 0. namun ada 177 .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 0.25 0. kemudian meningkat tajam dan kemudian landai kembali.7 0. garis tersebut menyerupai huruf S.1 0 20 .

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

Variabel X adalah variabel Independen. 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. 3. =1 1 + e-(+ ∞) 1 -∞ 0 +∞ Terlihat bahwa fungsi f(Z) nilai berkisar 0 dan 1 berapapun nilai Z.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. 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. Grafik f(Z) membentuk garis yang berbentuk huruf S. Model Logistik Model logistik dikembangkan dari funsi logistik dengan nilai Z merupakan penjumlahan linear konstanta (α) ditambah dengan β1X1. 179 .

Contoh Kasus Contoh studi follow up selama 9 tahun. Pemberian kode nilai variabel adalah sbb: Untuk variabel PJK Untuk variabel KAT Pertanyaan: a. 1 + e-z 180 1 = timbul penyakit jantung koroner 0 = tidak ada penyakit jantung koroner 1 = kadar katekolamin darah tinggi 0 = kadar katekolamin darah rendah . Berapa peluang mereka yang kadar katekolaminnya rendah mempunyai risiko untuk terjadi PJK? c. 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 .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. Dalam studi ini dipelajari mengenai hubungan antara kejadian penyakit jantung koroner (dengan nama vaiabel PJK) dengan tinggi rendahnya kadar katekolamin dalam darah (nama variabel KAT). Berapa peluang mereka yang kadar katekolaminnya tinggi mempunyai risiko untuk terjadi PJK? b. maka rumus fungsi Z adalah f(z) = 1 . 1 + e-(α + β1X1 + β2X2 + … + βiXi) 4.

652*1) jadi mereka/individu yang kadar katekolaminnya tinggi dalam darah mempunyai risiko untuk terjadinya PJK sebesar 4% selama periode follow up. hasilnya: P(X) = 1 .652KAT) Dari model tersebut coba kita jawab pertanyaan di atas: a.947 = 2. maka modelnya : P(X) = 1 .019 Angka tersebut di atas sebenarnya adalah risiko relatif (RR)yang diperoleh secara direk.911 + 0. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya rendah Oleh karena kadar katekolamin rendah diberi angka 0. maka masukkan nilai KAT=1 pada model di atas.652. Oleh karena kadar katekolamin tinggi diberi angka 1.019 atau sekitar 2% 1 + e-(-3.911 dan β1 = 0. hasilnya: P(X) = 1 . Besar risiko kedua kelompok tersebut P1(X) = 0. = 0. 1 + e-z Bila Z = α + β1KAT. maka rumusnya: P(X) = 1 . b.SUTANTO PRIYO HASTONO: Analisis Data Nilai f(z) dapat diganti dengan P(X). 1 + e-α + β1KAT Misdalkan didapatkan hasil analisis dengan paket program statistik sbb: α = -3.037 atau sekitar 4% 1 + e-(-3. maka: P(X) = 1 .911 + 0.911 + 0.037 = 1. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya tinggi. = 0. Arti dari angka di atas adalah mereka yang kaadar 181 . maka masukkan nilai KAT=0 pada model di atas.0 P0(X) 0.652*0) jadi mereka/individu yang kadar katekolaminnya rendah dalam darah mempunyai risiko untuk terjadinya PJK sebesar 2% selama periode follow up. c. 1 + e-(-3.

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

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

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

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

ADA KELAINAN UTERUS (ui) dan PERIKSA HAMIL (ftv) dengan BBLR (low). Bila hasil bivariat menghasilkan p value < 0.Analisis bivariat antara “umur” dengan”bblr” 1. Pilih “Regression” 3. MENDERITA HIPERTENSI (ht).SAV” Suatu penelitian ingin mengetahui hubungan antara UMUR IBU (age) . Adapun langkahnya: A. gunakan file data “LBW. Seleksi bivariat menggunakan uji regresi logistik sederhana. Pada kotak Dependen isikan variabel yang kita perlakukan sebagai dependen (dalam hal ini berarti masukkan “low”) dan pada kotak independen isikan variabel independennya (dalam hal ini berarti masukkan “age”).25. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. maka variabel tersebut langsung masuk tahap multivariat. Klik “Binary Logistic”. Untuk variabel independen yang hasil bivariatnya menghasilkan p value > 0. 1. RAS (race). SELEKSI BIVARIAT Masing-masing variabel independen dilakukan analisis bivariat dengan variabel dependen. 4.25 namun secara substansi penting. Sehingga tampilannya sbb: 186 . Pilih “Analyze” 2. maka variabel tersebut dapat dimasukkan dalam model multivariat.SUTANTO PRIYO HASTONO: Analisis Data KASUS I : REGRESI LOGISTIK MODEL PREDIKSI Untuk latihan.

097 .I.E. 187 .469 a.732 Wald 2.105 . .032 .051 .385 S. Klik “OK”.097 Variables in the Equation 95.893 1.for EXP(B) Lower Upper . Variable(s) entered on step 1: age. klik ‘CI for Exp(B)’ 6. Klik tombol ‘Options’ .097 .011 Step a 1 age Const ant B -. dan hasilnya sbb: Block 1: Method = Enter Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 2. .SUTANTO PRIYO HASTONO: Analisis Data 5. .635 .760 df 1 1 1 Sig.599 Exp(B) .760 2. Klik ‘Continue’ 7.950 1.760 2.0% C.276 df 1 1 Sig.

Pilih “Analyze” 2. tepatnya 3 kelompok(yaitu :ras 188 .950 (95% CI: 0.01) 2.89-1. Pilih “Regression” 3. Klik “Binary Logistic”.097 berarti variabel umur p value nya <0. Dari tampilan SPSS nilai OR dapat diketahui dari kolom Exp(B) yaitu sebesar 0.Analisis bivariat antara “ras” dengan “bblr” 1. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates variabel ‘age’ dikeluarkan dan gantilah dengan mengisikan variabel ‘race’. 4. pada tampilan Block 1 didapatkan hasil omnibus test pada bagian Bloc dengan p value 0. Pada variabel ras perlu dilakukan dummy oleh karena variabel ras berjenis katagorik dengan isi lebih dari 2 nilai.SUTANTO PRIYO HASTONO: Analisis Data Dari hasil output. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. Tampilannya sbb: 5.25 sehingga variabel umur dapat dilanjutkan ke analisis multivariat.

082 189 . .082 .000 . pindahkan ‘race’ dari kotak covariates ke kotak categorical covariates.SUTANTO PRIYO HASTONO: Analisis Data putih.010 5. lalu klik Change.000 1.010 5.000 .000 1. klik pilihan ‘first’ pada bagian Reference category. hitam dan lainnya). Klik Continue. dan tampilannya: 6. Klik tombol Categorical. Klik OK Categorical Variables Codings Parameter coding (1) (2) .000 .000 Race White Black Other Frequency 96 26 67 Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 5.010 df 2 2 2 Sig. layar ke menu logistic 7.082 .

155 S.328 artinya ras kuliat hitam akan berisiko bayinya bblr sebesar 2.067 . .for EXP(B) Lower Upper .889 . Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4.772 3. Klik “Binary Logistic”.045 190 . sehingga variabel ras dapt lanjut ke multivariat.89 kali lebi tinggi dibandingkan ras kulit putih. .045 .323 3.0% C.3 kali lebih tinggi dibandingkan ras kulit putih.022 df 1 1 1 Sig.315 a.345 23.328 1.845 .25.330 df 2 1 1 1 Sig. OR untuk race(2) besarnya 1.000 Exp(B) 2. Klik OK.922 3.463 . Pilih “Analyze” 2.022 4. Pilih “Regression” 3.085 . . Analisis bivariat antara “hipertensi” dengan “bblr” 1.348 . 3.89 artinya ras kelompok lainnya mempunyai risiko bayinya bblr sebesar 1.239 Wald 4. Variable(s) entered on step 1: race.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.022 4.068 .939 .736 B Stea p1 race race(1) race(2) Constant .045 .955 5. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ht”. Dari output dapat diketahui juga nilai OR dummy. Hasil uji didapatkan p value 0.087 berarti p value < 0. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. terlihat ada dua nilai OR yaitu OR untuk race(1) 2.636 -1.E.I. 4.

249 df 1 1 Sig. .045 (p value < 0.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.834 Step a 1 ui Constant B .25) berarti masuk dalam multivariat 4. 10. Analisis bivariat antara “kelainan uterus” dengan “bblr” 7. .for EXP(B) Lower Upper 1.365 .000 Exp(B) 3. Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 5.388 a. .for EXP(B) Lower Upper 1.25).176 Wald 5.076 5.417 . muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. Pilih “Analyze” 8. Pilih “Regression” 9. Variable(s) entered on step 1: ui.024 (p value < 0.088 Step a 1 ht Constant B 1.877 S.416 a. .979 28. Hasil p value 0. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ui”.024 .578 .0% C.I.072 df 1 1 Sig.139 5.0% C.023 .024 .046 .608 . maka variabel kelainan uterus dapat lanjut ke multivariat 191 .947 S.E.024 Variables in the Equation 95.165 Wald 3. Klik “Binary Logistic”. Variable(s) entered on step 1: ht.162 29.000 Exp(B) 2.076 df 1 1 1 Sig. .I. Klik OK. Hasil uji didapatkan p value = 0.214 -.021 11.076 5.947 -.E.

I.379 .389 .195 Wald .867 4.Pilih “Regression” 3.027 .643 1.867 df 1 1 1 Sig.773 .SUTANTO PRIYO HASTONO: Analisis Data 5.867 4. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.773 df 1 1 1 Sig.Analisis bivariat antara “merokok” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4.379 .000 Exp(B) . Klik OK.Klik “Binary Logistic”.503 a. .for EXP(B) Lower Upper .687 S. . maka variabel ini dapat dianalisis multivariat.E. .379 (p value > 0.Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ftv”.773 .027 .Pilih “Analyze” 2. namun karena secara substansi variabel periksa hamil sangat penting.874 .0% C. Hasil uji p value = 0.188 Step a 1 ftv Constant B -.157 .027 192 .Analisis bivariat antara “periksa hamil” dengan “bblr” 1. . Variable(s) entered on step 1: ftv.135 -. Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square . 4.379 Variables in the Equation 95.744 12.427 df 1 1 Sig.25) sehingga secara statistik tidak dapat lanjut ke multivariat. 6.

000 Exp(B) 2.024 0.009 .0% C.000 Exp(B) 2. Hasil analisis bivariat didapatkan p value = 0.009 .028 .SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.25 sehingga variabel riwayat adanya prematur dapat masuk ke multivariat Hasil seleksi bivariat : Variabel Umur Ras Hipertensi Kelainan uterus Periksa hamil Merokok Prematur P value 0.082 0.097 0.151 Step a 1 ptl Constant B .009 Variables in the Equation 95.779 6.I. .215 Wald 4. .009 193 .627 df 1 1 Sig.087 S. 7.964 S. .25) dengan demikian variabel merokok dapat masuk ke multivariat.370 df 1 1 Sig. Hasil analisis didapatkan p value sebesar 0.379 0.027 0.779 6.081 3. Variable(s) entered on step 1: ptl.I. Variable(s) entered on step 1: smoke.0% C.175 Wald 6.for EXP(B) Lower Upper 1.337 a.230 .381 a.320 .704 -1.Analisis bivariat antara “prematur” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 6.for EXP(B) Lower Upper 1.011 .802 -.317 .197 4.027 ( < 0.E.391 30.009 berarti < 0.045 0.783 Step a 1 smoke Constant B .779 df 1 1 1 Sig. . .852 25.E.022 .

ui. PEMODELAN MULTIVARIAT Selanjutnya dilakukan analisis multivariat keenam variabel tersebut dengan kejadian bblr. Klik Option. Pilih “Analyze” 2. 1.25. Klik “Binary Logistic”. ptl. ht.25. Klik ‘Continue’ 194 . namun variabel periksa hamil tetap dianalisis multivariat oleh karena secara substansi periksa hamil merupakan variabel yang sangat penting berhubungan dengan kejadian bblr. 1. pilih ‘CI for exp(B)’ 6. B. 4. Pilih “Regression” 3. Ingat untuk Race dilakukan dummy. race.SUTANTO PRIYO HASTONO: Analisis Data Hasil seleksi bivariat semua variabel menghasilkan p value < 0. Lakukan pemilihan variabel yang berhubungan signifikan dengan variabel dependen. hanya periksa hamil yang p valuenya > 0. 5. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. smoke. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan variabel age. 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

Akhirnya model yang dihasilkan adalah sbb: 199 .229 1.382 .513 6.707 2.793 B Step a 1 race race(1) race(2) smoke ht ptl Constant 1.221 .500 .390 2.894 2.2 % 6. .052 .062 7.E.586 df 2 1 1 1 1 1 1 Sig.726 11.009 .372 Wald 8.007 3.I.085 .629 .707 3.5 % 8.325 .743 2.877 3.034 .411 . . Variable(s) entered on step 1: race. smoke.640 3.280 .SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.958 2.0% C.626 5.1 % - Setelah dilakukan perbandingan OR.for EXP(B) Lower Upper 1.902 2.016 .988 1.794 3.958 2.000 Exp(B) 2.286 4.622 1.712 6.390 5.132 a. ptl.062 1.996 1. ternyata variabel ht berubah > 10 %.009 2.894 2.960 2. dengan demikian variabel ui masuk kembali dalam model. ht.696 -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 0.321 1.025 S.086 1.4 % 3.764 4.949 6.008 .032 .9 % 13.727 2.596 29.007 .

Dalam kasus sekarang. Kotak dependen isikan low 3.975 4.019 .031 .0% C.994 . ui.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.059 .855 -2.501 .386 Wald 7.994 .146 S. kalau memang tidak ada tidak perlu dilakukan uji interaksi.263 . C.968 4. UJI INTERAKSI Uji interaksi dilakukan pada variabel yang diduga secara substansi ada interaksi.088 1. Langkahnya: 1.560 df 1 1 7 Sig. ptl.537 5.000 26.576 1.085 .000 Step 1 Step Block Model 200 . ht.000 Exp(B) 2. smoke. klik analysis.350 .723 6.883 2.451 .364 .569 2. .for EXP(B) Lower Upper 1.422 6.131 .334 .117 a.779 3. .000 .418 .692 B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.991 . smoke. ptl.747 3.011 .I.538 5. Kotak Kovariat isikan Race. isikan : smoke*ht ke kotak kovariat 6. Variable(s) entered on step 1: race.912 2. misalkan kita duga merokok berinteraksi dengan hipertensi.113 1.010 .917 df 2 1 1 1 1 1 1 1 Sig. ht dan ui 4.422 13. Klik tombol Next 5.058 .694 1.925 1.030 .585 30.633 .E. klik regression. klik OK lihat hasilnya pada bagian Block 2 Block 2: Method = Enter Omnibus Tests of Model Coefficients Chisquare .968 2.916 6.970 7.387 .640 3.271 1. . klik binary ogistik 2.

865 3.896 2.968 2.000 Exp(B) 2.117 a.970 .010 . smoke.422 13.058 .502 .268 1. Variable(s) entered on step 1: race. .692 6.011 .831 .576 1.692 B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.for EXP(B) Lower Upper 1.I.975 4.451 .058 .576 1.059 .109 1.900 4. .990 .102 .013 .350 .088 1.969 2.271 1.765 .236 .994 .030 .925 1.633 .397 .387 6. berarti : tidak ada interaksi antara merokok dengan hipertensi. ht.855 -2.694 1. ptl.386 Wald 7.693 12.336 .970 7.585 30.680 3.031 .723 6.438 19.E.569 2.747 3.854 .0% C.537 5.422 6.000 30.000 Exp(B) 2.501 . ui.283 .994 (lihat bagian step) berarti lebih besar dari 0.916 6.584 .334 .946 6.030 .883 2.418 .386 Wald 7.538 5.085 .364 .05.088 1.779 3.211 2.146 S.419 . model yang valid adalah model tanpa ada interaksi: MODEL TERAKHIR Variables in the Equation 95.010 -2.692 1.937 2.146 S. Pada output bagian Block 2:Methode=Enter.087 .for EXP(B) Lower Upper 1.991 . .131 .263 . 201 .113 1.387 .852 5.019 . Variable(s) entered on step 1: ht * smoke .0% C.117 a.883 2.010 .082 7.360 .912 2. Dengan demikian pemodelan telah selesai.E.640 3.917 df 2 1 1 1 1 1 1 1 Sig.011 .779 3.451 1.491 B Step a 1 race race(1) race(2) smoke ptl ht ui ht by smoke Constant 1.I.555 5. . terlihat hasil uji omnibusnya memperlihatkan p value = 0.059 .968 4.019 .350 1.921 .875 df 2 1 1 1 1 1 1 1 1 Sig.

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

159 1.583 Stea p1 kerja umur1 sikap kerja by umur1 kerja by sikap Constant B -20. .0% C. Variable(s) entered on step 1: kerja. .514 56.372 .208 . kerja*umur1.000 .000 1. .849 1. bbibu.999 . muncul menu dialog yang berisi kotak Dependent dan Covariat.681 -. Langkah pertama: menyusun model mencakup semua variabel dan variabel interaksi Cara 1.760 1.E.293 Exp(B) . Pilih “Regression” 3.505 S.105 df 1 1 1 1 1 1 Sig.222 a.109 . kerja*sikap) 4.160 . Klik ‘OK’.648 .722 1. umur1.432 Wald . sikap. 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.000 5. umur1.279 .000 .722 .275 1.197 .949 6E+008 1. kerja * umur1 . Klik “Binary Logistic”. kerja * sikap . berat badan ibu dan sikap A.186 . 203 .for EXP(B) Lower Upper .148 -1. Pilih “Analyze” 2.869 1.160 . 28420.351 .999 .000 .kerja*bbibu.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.114 28420.I.052 20.972 . dan hasilnya sbb: Logistic Regression Variables in the Equation 95. sikap.

971 86.157 . variabel dikatakan berinteraksi bila p valuenya < 0. sikap. umur1.202 Step a 1 kerja umur1 sikap Consta nt B 1. Variable(s) entered on step 1: kerja.E.741 .053 . .217 -. Variable(s) entered on step 1: kerja.051 . . Dari output diatas. .959 9.076 1.178 .666 1. Seleksinya dengan mengeluarkan secara bertahapVariabel interaksi yang tidak signifikan (p>0.718 1.036 .I.376 2.for EXP(B) Lower Upper .156 1.753 1.893 1.060 .146 .274 1.177 .022 18.610 df 1 1 1 1 1 Sig.067 3. kerja * sikap .609 .0% C. Dengan demikian hasil uji interaksi sudah selesai.056 a.205 Exp(B) .749 .878 1.641 9.074 14.0% C.239 Wald 4.114 . Dan model menjadi: Logistic Regression Variables in the Equation 95. kesimpulannya tidak ada variabel interasksi.for EXP(B) Lower Upper 1.039 .05). umur1.212 5.035 -2.SUTANTO PRIYO HASTONO: Analisis Data Dari output model penuh/lengkap ini kita lakukan uji interaksi. Setelah dikeluarkan hasilnya: Variables in the Equation 95.582 1.05. Dari hasil di atas variabel interaksi ”Pekerjaan by umur” mempunyai nilai p terbesar (p=0. sikap.483 Wald .020 Exp(B) 3.795 .264 1.876 S.273 3.645 . langkah selanjutnya uji konfounding 204 .E.384 df 1 1 1 1 Sig.557 .942 1.812 . pengeluaran dilakukan secara bertahap dari variabel interaksi yang p value-nya terbesar.999) sehingga variabel tersebut dikeluarkan dari model. 1.260 . variabel interaksi ‘kerja by sikap’ harus dikeluarkan dari model karana p valuenya > 0.05.616 Stea p1 kerja umur1 sikap kerja by sikap Constant B -.592 .445 2.175 -1.152 a.601 .I.191 .261 .881 S.991 92.

Untuk itu variabel umur harus tetap ikut dalam model sebagai konfounding hubungan kerja dengan menyusui eksklusive.660 1.165 99.555 df 1 1 1 Sig.985 1. Tahap pertama : akan dikeluarkan variabel Sikap.I. setelah dikeluarkan hasilnya: Variables in the Equation 95.006 .110 10.113 Wald 4.018 Exp(B) 4.111 =3.413 2.754 S.SUTANTO PRIYO HASTONO: Analisis Data UJI KONFOUNDING Uji konfounding dengan cara melihat perbedaan nilai OR untuk variabel utama dengan dikeluarkannya variabel kandidat konfounding.135 1. bila perubahannya > 10 %. Setelah variabel sikap dikeluarkan terlihat perubahan OR variabel utama kerja sebesar : (4.545 3.464 . . maka varaibel tsb dianggap sebagai variabel konfounding. Dengan demikian variabel umur merupakan variabel konfounding.357 Step a 1 kerja Const ant B 1.127 14.389 5.032 .E.for EXP(B) Lower Upper 1.0% C. Variable(s) entered on step 1: kerja.471 a. setelah dikeluarkan dari model hasiilnya sbb:’ Variables in the Equation 95.9 % .036 .959)/4. Variable(s) entered on step 1: kerja. .464-4.783 .754 Stea p1 kerja umur1 Constant B 1. .111 – 3. Dengan demikian variabel sikap bukan konfounding.073 a.079 Exp(B) 5.111 =32. Setelah variabel umur dikeluarkan terlihat perubahan OR variabel utama: kerja sebesar : (5.111)/4. umur1. dan harus dikeluarkan dari model Langkah selanjutnya mengeluarkan variabel umur.091 df 1 1 Sig.6 % .585 4.E. .0% C.378 -2.429 Wald 7.698 -.I. Model terakhir : 205 .for EXP(B) Lower Upper 1.618 .624 S.627 18.

Variable(s) entered on step 1: kerja.555 df 1 1 1 Sig.073 a.389 5. ternyata. umur1.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.018 Exp(B) 4.032 .127 14.660 1. 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”. .I.985 1.783 .378 -2.0% C. umur merupakan confounding hubungan pekerjaan dengan menyusui eksklusif.E. Interpretasi: Setelah dilakukan analisis confounding.165 99.135 1. .754 Stea p1 kerja umur1 Constant B 1.110 10.413 2.036 . 206 .for EXP(B) Lower Upper 1.624 S.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 .

Sign up to vote on this title
UsefulNot useful