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

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

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

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

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

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

Seharusnya pada baris total jenis alat kontrasepsi jumlahnya 20 orang. Membuat tabel silang Contoh menghubungkan variabel umur dan jumlah anak Umur Jumlah Anak 0 15 16 19 20 24 25 35 40 1 1 2 3 1 2 2 4 2 2 3 4 5 6 7 8 9 10 2* Keterangan: * = ada 2 responden dengan umur 15 tahun dan anaknya ada 10 orang (ada kesalahan entry data!!!) 10 . 2).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).

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

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

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

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

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

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

000 3.900 2.1 10.4 11.4 12.500 4.2 10.8 10.600 2.100 2.0 10.100 2.2 7.500 4.8 9.800 3.0 10.2 12.800 3.0 10.2 13.3 9.700 2.300 4.8 10.1 10.400 3.000 3.0 12.4 bbbayi 2.3 12.3 10.5 11.900 2.500 2.0 10.600 2.1 11.2 10.8 9.2 11.1 11.1 10.000 3.8 11.3 12.4 12.2 10.3 9.8 10.1 10.600 3.3 11.000 4.1 9.3 10.1 12.500 3.2 10.5 9.2 11.300 2.2 11.1 11.900 2.300 2.9 11.600 2.8 9.900 2.1 8.2 10.1 11.2 10.4 12.4 7.000 4.2 11.2 9.4 9.1 10.1 11.100 3.400 3.3 11.800 3.0 8.1 9. datanya sbb: no 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 umur 23 24 34 35 19 24 22 19 26 25 21 22 19 20 23 26 27 30 31 32 23 24 34 35 19 24 22 19 26 25 21 22 19 20 23 26 27 30 31 32 21 22 19 20 23 26 didik 1 4 4 3 3 2 1 1 3 4 3 4 2 3 1 3 4 2 4 2 2 3 4 3 3 1 2 1 3 3 4 4 2 3 1 2 4 2 4 1 3 4 2 3 1 3 kerja 0 0 1 0 1 1 1 0 0 1 1 0 1 0 1 0 1 1 0 0 0 0 1 0 1 1 1 0 0 1 1 0 1 0 1 0 1 1 0 0 1 0 1 0 1 0 bbibu 46 47 60 50 55 45 47 46 52 65 60 65 50 55 48 68 70 46 47 48 47 56 74 72 60 49 46 48 57 75 64 67 50 63 50 51 53 54 67 46 60 68 67 60 63 64 eksklu 0 1 0 0 1 1 1 0 1 0 0 1 1 0 1 0 1 1 0 0 0 1 0 0 1 1 1 0 1 0 0 1 1 0 1 0 1 1 0 0 0 1 1 0 1 0 Hb1 10.800 3.2 11.100 2.000 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 7.800 3.500 3.000 3.600 3.2 13.300 4.0 8.8 10.2 10.0 12.1 9.000 3.1 10.1 10.8 10.0 12.2 9.100 2.8 9.2 11.SUTANTO PRIYO HASTONO: Analisis Data Survei dilakukan dengan jumlah responden sebanyak 50 orang.8 9.300 4.1 9.1 10.8 10.2 11.2 10.1 10.000 3.5 9.600 3.2 Hb2 11.2 11.1 11.500 2.0 12.2 10.1 10.400 3.4 13.600 3.2 11.2 10.700 2.4 8.

2 11. umur.100 5 5 3 3 4 4 2 1 4 4 4 1 4 4 2 2 A.. Langkah pertama : Memberi/membuat nama variabel: Layar pada tampilan Workshet di menu data SPSS ada 2 jenis. Untuk membuat nama variabel. sehingga muncul tampilan layar “Variable View” Pada tampilan “Variable View” diatas terlihat kolom: Name.4 13.0 12.. dst.2 13. layar/jendela posisikan pada “Variable View”.2 10. Sekarang lakukan : klik “Variable View” di bagian kiri bawah.900 2.3 3. Membuat Variabel No Adapun tahapannya sbb: 18 .800 3.2 11.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 11.300 2. Width.3 12. dst.sbb: a. Selanjutnya kita dapat membuat nama variabelnya dimulai dari No. Type. Decimals. didik. yaitu jendela “Data View” dan “Variabel View”.

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

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

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

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

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

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

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

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

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

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

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

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

29

SUTANTO PRIYO HASTONO: Analisis Data

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

30

SUTANTO PRIYO HASTONO: Analisis Data

] 3. Klik “Save “, data akan tersimpan

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

31

SUTANTO PRIYO HASTONO: Analisis Data

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

32

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

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

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

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

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

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

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

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

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

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

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

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

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

dan akhirnya tergabunglah kedua file data 7. klik Open 6. klik Save As isikan nama file baru. umur dan didik no 1 2 3 4 5 6 7 umur 20 23 19 21 23 20 24 Didik 1 3 2 1 4 2 3 Data kedua.SUTANTO PRIYO HASTONO: Analisis Data 5. Penggabungan variabel Data pertama : berisi variabel : no. Untuk menyimpan file gabungan. sex. misalnya data12 b. kerja dan berat badan 50 . berisi variabel : no. Klik OK.

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

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

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

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

SUTANTO PRIYO HASTONO: Analisis Data dengan meteran logam akan mendapatkan hasil yang sama kalau pengukurannya diulang dua kali atau lebih. maka jika beberapa waktu kemudian ia ditanya lagi untuk hal yang sama. Teknik korelasi yang digunakan korelasi Pearson Product Moment: r= N (ΣXY). Dari ilustrasi ini berarti meteran logam lebih reliable dibandingkan langkah kaki untuk mengukur jarak. artinya variabel tidak 55 . Jadi jika misalnya menjawab terhadap perilaku merokok mempertinggi kepercayaan diri. Pengukuran reliabilitas pada dasarnya dapat dilakukan dengan dua cara : Ho ditolak. artinya variabel valid Ho gagal ditolak. Suatu variabel (pertanyaan) dikatakan valid bila skor variabel tersebut berkorelasi secara signifikan dengan skor totalnya. maka seharusnya tetap konsisten pada jawabab semula yaitu tidak setuju. Sebaliknya pengukuran yang dilakukan dengan kaki. CARA MENGUKUR VALIDITAS Untuk mengetahui validitas suatu instrumen (dalam hal ini kuesioner) dilakukan dengan cara melakukan korelasi antar skor masing-masing variabel dengan skor totalnya. besar kemungkinan akan didapatkan hasil yang berbeda kalau pengukurannya diulang dua kali atau lebih.(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 pertanyaan tersebut dibuang. Pertanyaanpertanyaan yang sudah valid kemudian baru secara bersama-sama diukur reliabilitasnya. Pertanyaan ditanyakan pada reponden berulang pada waktu yang berbeda (misal sebulan kemudian). Pada umumnya pengukuran dilakukan dengan One Shot dengan beberapa pertanyaan Pengujian reliabilitas dimulai dengan menguji validitas terlebih dahulu. Repeated Measure atau ukur ulang. 56 . Disini pengukurannya hanya sekali dan kemudian hasilnya dibandingkan dengan pertanyaan lain.SUTANTO PRIYO HASTONO: Analisis Data a. Jadi jika pertanyaan tidak valid. One Shot atau diukur sekali saja. dan kemudian dilihat apakah ia tetap konsistendengan jawabannya b.

tidak 2. Menurut anda. Apakah anda sering terjadi konflik dengan keluarga? 5. selalu 2. sering 5. perlu 5. Apakah anda sering terjadi konflik dengan teman kerja? Hasil pretest pada 15 responden. Ya 3. sering 4. jarang 2. jarang 3. kadang-kadang 3. kadang-kadang 4. sering 5. Apkah anda sering terpaksa bekerja lembur? 1. tidak 1. jarang 2.kadang-kadang 3. apakah dalam hidup ini perlu bersaing? 4. Uji coba dilakukan pada 15 responden dengan bentuk pertanyaan sbb: 1. kadang-kadang 3. tidak pernah 1. tidak 1. tidak pernah 1. sering 4. Ya 5. Untuk mengukur stress digunakan 5 pertanyaan. jarang 2.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. kadang-kadang 3. Apakah anda mudah marah? 4. Ya 5. sangat perlu 4. 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 .

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

121 1.187 1. 7.40 2.47 Std.40 2. Pada ‘Model’.27 2. Klik ‘Continue’ Klik ‘OK’. Pada bagian ‘Descriptives for’ klik pilihan ‘ítem’..121 1.47 2.100 1.187 N 15 15 15 15 15 59 . biarkan pilihan pada ‘Alpha’ Klik Option ‘Statistics’ 8. Deviation 1. terlihat hasil outputnya sbb : Reliability Statistics Cronbach's Alpha .SUTANTO PRIYO HASTONO: Analisis Data 6. Scale if Item deleted. 10. 9.928 N of Items 5 Item Statistics sering terpaksa lembur Bersaing dlm hidup Mudah marah konflik keluarga konflik dgn teman Mean 2.

881 sering terpaksa lembur Bersaing dlm hidup Mudah marah konflik keluarga konflik dgn teman Interpretasi: Hasil analisis reliability memperlihatkan dua bagian.924 15. Uji Validitas Untuk mengetahui validitas kuesioner dilakukan dengan membandingkan nilai r tabel dengan nilai r hitung. didapat angka r tabel = 0.514).892 . Kesimpulan: Terlihat dari 5 pertanyaan.53 Scale Variance if Item Deleted 15.881 . a. *) Menentukan nilai r tabel Nilai r tabel dilihat dengan tabel r (pada lampiran) dengan menggunakan df = n2 15-2=13.963 .SUTANTO PRIYO HASTONO: Analisis Data Item-Total Statistics Scale Mean if Item Deleted 9.971 15.328 . Sehingga pertanyaan P2 tidak valid.915 . P3. Bagian utama menunjukkan hasil statistik deskriptif masing-masing variabel dalam bentuk mean. 60 .73 9. P4 dan P5 dinyatakan valid.124 Corrected Item-Total Correlation .124 20. ketentuan: bila r hasil > r tabel.993 .53 9. sedangkan untuk pertanyaan P1. Pada bagian kedua memperlihatkan hasil dari proses validitas dan reliabilitas.60 9. Kaidah yang berlaku bahwa pengujian dimulai dengan menguji validitas kuesioner baru dilanjutkan uji reliabilitas. maka pertanyaan tersebut valid.963 Cronbach's Alpha if Item Deleted .3275) yang nilainya lebih rendah dari r tabel (r=0.955 . ada satu pertanyaan yaitu P2 (r=0. varian dll.686 15. Pada tingkat kemaknaan 5%.60 9.884 .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.

495 12.988 sering terpaksa lembur Mudah marah konflik keluarga konflik dgn teman Interpretasi: Sekarang terlihat bahwa dari keempat pertanyaan. sehingga dapat disimpulkan keempat pertanyaan tersebut valid.993 N of Items 4 Item Statistics sering terpaksa lembur Mudah marah konflik keluarga konflik dgn teman Mean 2.33 7.187 N 15 15 15 15 Item-Total Statistics Scale Mean if Item Deleted 7.40 2.187 1.971 .47 Std.095 12. semua mempunyai nilai r hasil (Corrected item-Total Correlation) berada di atas dari niali r tabel (r=0.40 2.996 .994 .121 1.495 Corrected Item-Total Correlation . 61 .33 7. Pilih ‘Reliability Analysis’ 4.996 Cronbach's Alpha if Item Deleted .27 7.994 . Deviation 1.SUTANTO PRIYO HASTONO: Analisis Data Langkah selanjutnya melakukan analisis lagi dengan mengeluarkan pertanyaan yang tidak valid.514).095 11.971 . Masukkan keempat variabel ke dalam kotak ‘Items’ (variabel P2 tidak ikut dianalisis) 5. Klik ‘Analyze’ 2.47 2.988 .27 Scale Variance if Item Deleted 11. Lakukan prosedur/langkah seperti di atas yaitu: 1. Klik “OK” Kemudian muncul tampilan Output sbb: Reliability Statistics Cronbach's Alpha . Pilih ‘Scale’ 3.121 1.

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

dan hasilnya 63 . data di entry di SPSS 2. Masukkan variabel ‘peneliti’ ke bagian Row dan masukkan variabel ‘numerator’ ke bagian colom.SUTANTO PRIYO HASTONO: Analisis Data Apakah dalam melakukan komunikasi dengan pasien bersifat ramah ? 1. Klik Continue 6. sorot Descriptif. 4. tidak Kemudian dilakukan uji coba dengan pengamatan sebanyak 10 pasien. klik Kappa 5. Klik OK. ya 2. Klik tombol Statistic. sorot dan klik Crostab 3. adapun hasilnya sbb: No pasien 1 2 3 4 5 6 7 8 9 10 peneliti 1 2 1 2 1 2 1 2 2 2 numerator 2 2 1 1 1 2 1 2 2 2 Ujilah apakah ada kesepakatan antara peneliti dengan numerator: Langkah: 1. Klik analysis.

64 . Using the asymptotic standard error assuming the null hypothesis.583 dan p valuenya sebesar 0. sehingga kesimpulannya: ada perbedaan persepsi mengenai aspek yang diamati antara peneliti dengan numerator. a Std.262 Approx. Dengan hasil ini berarti p value > alpha berarti hasil uji kappa tidak signifikan/bermakna. Not assuming the null hypothesis.SUTANTO PRIYO HASTONO: Analisis Data Symmetric Measures Value .065 a. . T 1. Error . Sig. b.845 b Measure of Agreement N of Valid Cases Kappa Approx.065. Hasil uji didapatkan nilai koefisien kapaa sebesar 0.583 10 Asymp.

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

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

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

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

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

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

1 10.3 31. Pada kelas B. tidak diperkenankan secara sekaligus menggunakan tabel dan juga grafik dalam m.0 8. 3. Namun perlu diingat bahwa kita dianjurkan hanya memilih salah satu.Maksimal 74 . Lama hari rawat Mean Median 30. jenis kelamin mahasiswa bervariasi (heterogen) karena 50% pria dan 50% wanita.1 7. Data numerik Tabel 1 Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun 1999 Variabel 1. jenis kelamin mahasiswa tidak bervariasi (homogen pada pria) karena pria 90% dan wanita hanya 10%. Bentuk Penyajian Data Bentuk penyajian analisis univariat dapat berupa tabel atau grafik.9 2 – 60 10.SUTANTO PRIYO HASTONO: Analisis Data Contoh: Kelas A: mahasiswa 50 dan mahasiswi 50 Kelas B: mahasiswa 90 dan mahasiswi 10 Pada kelas A. Umur 2.enyampaikan informasi suatu data/variabel.1 17 – 60 SD Minimal. Contoh penyajian analisis deskriptif: a.

0 10. apakah distribusinya normal atau tidak.0 Bagaimana menginterpretasi tabel di atas? “dilihat konsentrasi/jumlah yang terbesar data pada kelompok mana?” Selain untuk mendeskripsikan masing-masing variabel. bila ada nilai ekstrim sangat menentukan analisis selanjutnya (bivariat) apakah nilainya akan berkurang. Eksplorasi data juga dapat untuk mendeteksi adanya nilai ekstrim/outlier.SUTANTO PRIYO HASTONO: Analisis Data b. analisis univariat dapat juga sekaligus untuk mengeksplorasi variabel yang dapat berguna dalam mendiagnosis asumsi statistik lanjut (terutama untuk variabel jenis numerik).0 100. 75 .0 30. Data katagorik Tabel 2 Distribusi Responden Menurut Tingkat Pendidikan Pasien Rumah sakit X tahun 1999 Pendidikan SD SMP SMU Total Jumlah 60 30 10 100 Persentase 60. misalnya apakah variannya homogen atau heterogen.

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

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

peringkasan data dapat dilakukan dengan melaporkan ukuran tengah dan sebarannya.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. Adapun penyajian dan interpretasinya sbb: Tabel … Distribusi Responden Menurut Tingkat Pendidikan Di ………… X tahun …. Sedangkan ukuran sebarannya (variasi) yang digunakan adalah range.0 22.0 100.0%. Ukuran yang digunakan adalah rata-rata. Pada contoh di atas ada 42. standard deviasi.0%. 22. b. yaitu dapat yang melalaui digunakan perintah adalah 78 ‘Frequencies’ perintah Biasanya . minimal dan maksimal.0% ibu yang tingkat pendidikannya SD dan SMP. Data Numerik Pada data numerik. Pada SPSS ada dua cara untuk mengeluarkan atau analisis deskriptif ‘Expolre’.0 32.0% dan 26.0 26.SUTANTO PRIYO HASTONO: Analisis Data menjelaskan tentang persent kumulatif. Dalam menginterpretasikan tabel katagorik dapat dilihat dari variasi dan konsentrasi datanya. median dan modus. Penyajian dan Interpretasi di Laporan Penelitian Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan penelitian/laporan tesis.0%) sedangkan untuk pendidikan SD. Paling banyak responden berpendidikan SMU yaitu 16 orang (32. SMP dan PT masing-masing 20.

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

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

0 92.0 6.0 6.00 19 4.0 10.0 4.0 10.0 6.0 6.0 6. Error of Mean Median Mode Std.0 8.0 6.0 Valid Percent 14.0 80.0 4.0 36.0 6.0 6.0 10.0 6.0 100.0 8.0 26.0 4.0 Cumulative Percent 14. Deviation Minimum Maximum 50 0 25.0 10.10 .686 24.SUTANTO PRIYO HASTONO: Analisis Data Statistics umur ibu menyusui N Valid Missing Mean Std.0 68.0 100.0 96.0 58.0 20.0 Valid 19 20 21 22 23 24 25 26 27 30 31 32 34 35 Total 81 .0 4.0 54.0 74.0 6.850 19 35 umur ibu menyusui Frequency 7 3 3 5 5 4 2 5 3 3 3 3 2 2 50 Percent 14.0 86.0 4.0 6.0 4.0 100.0 46.0 6.0 10.0 10.

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

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

90 24.662 umur ibu menyusui Shapiro-Wilk Statistic df .547 -.130 50 . Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Tests of Normality Kolmogorov-Smirnov Statistic df Sig.48 24. .812 Std.920 50 Sig.337 . . .00 11. Leaf 9999999 00011122222333334444 5566666777 00011122244 55 10 1 case(s) 84 .00 Stem width: Each leaf: Stem & 1 2 2 3 3 .002 a. .00 2. Lilliefors Significance Correction umur ibu menyusui umur ibu menyusui Stem-and-Leaf Plot Frequency 7. . Error .SUTANTO PRIYO HASTONO: Analisis Data Descriptives umur ibu menyusui Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.520 4.00 23.00 20.72 26.035 a Lower Bound Upper Bound Statistic 25.686 .00 10. .850 19 35 16 9 .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 .

ada 3 cara untuk mengetahuinya yaitu: 1. 26.05) maka distribusi normal.48 tahun. maka distribusinya normal 3.72 s. Atas dasar kelemahan ini dianjurkan untuk mengetahui kenormalan data lebih baik menggunakan angka skewness atau melihat grafik histogram dan kurve normal 86 . Namun uji kolmogorov sangat sensitif dengan jumlah sampel. Kita dapat menghitung 95% confidence interval umur yaitu 23. maksudnya : untuk jumlah sampel yang besar uji kolmogorov cenderung menghasilkan uji yang signifikan (yang artinya bentuk distribusinya tidak normal).72 sampai 26.SUTANTO PRIYO HASTONO: Analisis Data Dari hasil analisis ‘Explore’ terlihat juga nilai mean. bila hasil uji signifkan (p value < 0. median dan mode. Uji kolmogorov smirnov. bila bentuknya menyerupai bel shape. Menggunakan nilai Skewness dan standar errornya.48. Dari hasil tersebut kita dapat melakukan estimasi interval dari umur ibu. bila nilai Skewness dibagi standar errornya menghasilkan angka ≤ 2. Dilihat dari grafik histogram dan kurve normal. jadi kita 95% yakin bahwa rata-rata umur ibu di populasi berada pada selang 23. berarti distribusi normal 2. Uji kenormalan data: Untuk mengetahui suatu data berdistribusi normal. Namun yang paling penting dari tampilan explore munculnya angka estimasi interval.d.

SUTANTO PRIYO HASTONO: Analisis Data Untuk variabel umur diatas.Maksimal 19 . 87 .337 =1. Dari hasil tersebut diatas dengan demikian variabel umur disimpulkan berdistribusi normal.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. dengan standar deviasi 4. Penyajian dan Interpretasi di Laporan Penelitian Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan penelitian/laporan tesis.547/0. hasilnya masih dibawah 2. Dari hasil estimasi interval dapat disimpulkan bahwa 95% diyakini bahwa rata-rata umur ibu adalah diantara 23.35 95% CI 23.10 SD 4. dilihat dari histogram dan kurve normal terlihat bentuk yang normal.10 tahun (95% CI: 23. Umujr termuda 19 tahun dan umur tertua 35 tahun.48 tahun.72 – 26.72 – 26.48 Hasil analisis didapatkan rata-rata umur ibu adalah 25.85 Minimal.85 tahun.48). selain itu hasil dari perbandingan skwness dan standar error didapatkan: 0. berarti distribusi normal.72 sampai dengan 26.

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

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

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

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

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

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

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

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

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

0110. Berikut adalah berbagai uji statistik yang dapat digunakan untuk analisis bivariat Variabel I Variabel II Jenis uji statistik yang digunakan Katagorik ↔ Katagorik Katagorik ↔ Numerik Numerik ↔ Numerik Kai kuadrat Fisher Exact Uji T ANOVA Korelasi Regresi 97 . oleh karena peluangnya sangat kecil (p=0. maka dapat diartikan bahwa adanya perbedaan tersebut bukan karena faktor kebetulan namun karena memang karena adanya riwayat hipetensi.0110).SUTANTO PRIYO HASTONO: Analisis Data maka berarti peluang adanya perbedaan berat bayi sebesar 1000 gram akibat dari faktor kebetulan (by chance) adalah sebesar 0.

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

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

Contoh kasus: 100 . S12 F= S22 df1 = n1-1 dan df2 = n2-1 Pada perhitungan uji F. Uji beda dua mean dependen (Paired sample) Tujuan : Untuk menguji perbedaan mean anatara dua kelompok data yang dependen.2 Ket : n1 atau n2 = jumlah sampel kelompok 1 atau 2 S1 atau S2 = standar deviasi sampel kelompok 1 atau 2 b. Uji 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 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 . 2.

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

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

6505 F kadar hb pengukur an pertama Equal variances assumed Equal variances not assumed .719 -.9425 .322 103 .717 Mean Differen ce -.2594 kadar hb pengukuran pertama Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Std.072 Sig.277 gr% dengan standar deviasi 1.363 46. .4 .SUTANTO PRIYO HASTONO: Analisis Data tahu bahwa ‘0’ kode untuk yang tidak eksklusif dan kode ‘1’ untuk Yang eksklusif. Rata-rata kadar Hb ibu yang menyusui ekslusif adalah 10. (2-taile d) . dan hasilnya sbb: T-Test Group Statistics status menyusui asi tdk EKSKLUSIVE EKSKLUSIVE N 24 26 Mean 10.6547 Pada tampilan di atas dapat dilihat nilai rata-rata. Klik “Continue” 8.1439 . Error Differe nce .3003 .421 10.3951 95% Confidence Interval of the Difference Lower Upper -.790 t -.277 Std.1439 -.3968 -.9384 . standar deviasi dan standar error kadar Hb ibu untuk masing-masing kelompok. Deviation 1.4712 1. Error Mean . Klik “OK” untuk menjalankan prosedur perintahnya.364 df 48 Sig. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 7.3228 Std.

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.259 0.322 1. dapat dilihat uji kesamaan varian melalui uji Levene.717 N 26 24 Rata-rata kadar Hb ibu yang menyusui eksklusif adalah 10. SPSS akan menampilkan dua uji T.05) maka varian sama (equal). print out di atas tidak boleh langsung di copy dan disajikan di laporan penelitian. memilih uji mana yang kita pakai.717 artinya tidak ada perbedaan yang signifikan rata-rata kadar Hb antara ibu yang menyusui eksklusif dengan ibu yang menyusui non eksklusif.277 gr% dengan standar deviasi 1.471 gr%. sedangkan untuk ibu yang menyusui non eksklusif rata-rata kadar Hb-nya adalah 10.. Pada uji Levene di atas menghasilkan nilai p = 0. 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). Lihat nilai p Levene test.471 SE 0.SUTANTO PRIYO HASTONO: Analisis Data gr%.322 gr%.05) maka varian berbeda dan bila nilai p > alpha (0.471 gr%.th. Penyajian dan Interpretasi di laporan penelitian: Seperti pada analisis deskriptif. Untuk.yaitu sebesar p=0. sedangkan untuk ibu yang menyusui non eksklusif.421 gr% dengan standar deviasi 1.300 P value 0.277 10.421 gr% dengan standar deviasi 1. 104 .790 sehingga dapat disimpulkan bahwa pada alpha 5%.. Pada laporan penelitian kita harus membuat tabel baru untuk menyajikan hasil print out analisis di atas. Menyusui Ya Eksklusif Tdk Eksklusif Mean 10. nilai p < alpha (0. didapat tidak ada perbedaan varian (varian kedua kelompok sama). rata-rata kadar Hb-nya adalah 10.421 SD 1. Hasil uji T dapat dilihat pada tabel bawah.

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

9821 . Std. Klik ‘hb2’ 5.7931 -.3835 1.SUTANTO PRIYO HASTONO: Analisis Data 3. Error Mean .1389 -. Klik ‘OK’ hasilnya tampak sbb T-Test Paired Samples Statistics Mean Pair 1 kadar hb pengukuran pertama kadar hb pengukuran kedua 10.701 49 . 106 . Klik tanda panah sehingga kedua variabel masuk kotak sebelah kanan 6.38 gr%. Rata-rata kadar Hb pada pengukuran pertama (hb1) adalah 10.5140 .0558 Std. Difference Deviati Error on Mean Lower Upper t df Sig.1493 Paired Samples Correlations N Pair 1 kadar hb pengukuran pertama & kadar hb pengukuran kedua 50 Correlation . .kadar hb pengukuran kedua Paired Differences 95% Confidence Interval of the Std. Klik ‘hb1’ 4.001 Pada tabel pertama terlihat statistik deskriptif berupa rata-rata dan standar deviasi kadar Hb antara pengukuran pertama dan pengukuran kedua. Deviation 1.346 10.346 gr% dengan standar deviasi 1.860 N 50 50 Std.05 gr%.000 Paired Samples Test Mean Pair 1 kadar hb pengukuran pertama .707 Sig. (2-taile d) -. Pada pengukuran kedua (hb2) didapat rata-rata kadar Hb adalah 10.2349 -3.860 gr% dengan standar deviasi 1.1957 .

982.346 10.SUTANTO PRIYO HASTONO: Analisis Data Uji T berpasangan dilaporkan pada tabel kedua.001 maka dapat disimpulkan ada perbedaan yang signifikan antara kadar Hb pengukuran pertama dan kedua.001 50 Mean SD SE P value N Rata-rata kadar Hb pada pengukuran pertama adalah 10.860 gr% dengan standar deviasi 1.346 gr% dengan standar deviasi 1.38 gr%. Penyajian dan Interpretasi di laporan penelitian: Dari hasil yang didapat di atas kemudian angka-angka disusun dalam tabel yang disajikan dalam laporan penelitian. perbedaan ini diuji dengan uji T berpasangan menghasilkan nilai p yang dapat dilihat pada kolom “Sig (2-tailed)”. terlihat nilai mean perbedaan antara pengukuran pertama dan kedua adalah 0.514 dengan standar deviasi 0. Th…… Variabel Kadar Hb Pengukuran I Pengukuran II 10. maka dapat disimpulkan ada perbedaan yang signifikan kadar hb antara pengukuran pertama dengan pengukuran kedua. hasil uji statistik didapatkan nilai 0.001. Pada contoh di atas didapatkan nilai p=0.982. Pada pengukuran kedua didapat rata-rata kadar Hb adalah 10.860 1.14 0. 107 .514 dengan standar deviasi 0.38 1. Terlihat nilai mean perbedaan antara pengukuran pertama dan kedua adalah 0.05 0.05 gr%. Bentuk penyajian dan interpretasinya sbb: Tabel … Distribusi Rata-Rata Kadar Hb Responden Menurut Pengukuran pertama dan Kedua di ….19 0.

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

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

Ada berbagaijenis analisis multiple comparasion diantaranya adalah Bonferroni. Honestly Significant different (HSD).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). Pada modul ini yang akan dibahas adalah metode Bonferroni. Scheffe dan lain-lain. Perhitungan Bonfrroni adalah sbb Xi .

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

54 3170.23 3287.96 Upper Bound 2648.00 2727.304 584.527 107.27 3431.18 3994. Klik “Continue” 7.209 270.32 3528.40 2565.141 82.60 2889. Klik tombol “Post Hoc”. Klik “OK” Oneway Descriptives berat badan bayi 95% Confidence Interval for Mean N 10 11 16 13 50 Mean 2470.04 Minim um 2100 2100 3000 3000 2100 Maxim um 2900 3000 4000 4100 4100 SD SMP SMU PT Total 112 .10 3003.32 3575.727 67.108 386.232 Std.666 241.623 Lower Bound 2291.00 Std. tandai dengan √ pada kotak “Bonferroni” 8.SUTANTO PRIYO HASTONO: Analisis Data 6.951 72.98 3336. Deviation 249.25 3761. Error 78. Klik “Continue” 9.

6 gram.468 121.36 -99.294 119.64 634.64 948.14 384. Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2727.000 .21 -1290.228 119.250* -1291.000 .14 -632.400 F 48.506 df1 3 df2 46 Sig.266* 330.05 level.334 Sig.02 1368.2 gram.02 632.977* -1034.315 .902 121.SUTANTO PRIYO HASTONO: Analisis Data Test of Homogeneity of Variances berat badan bayi Levene Statistic 2.266* 961.071 ANOVA berat badan bayi Sum of Squares 12697038 4027962 16725000 df 3 46 49 Mean Square 4232345.72 -948.000 .538* 257. Dari print out ini diperoleh rata-rata berat bayi dan stndar deviasi masing-masing kelompok.000 .492 Sig. .288* SMP SMU PT Std. Pada mereka yang berpendidikan SMU rata-rata berat 113 . .76 -1023.36 1634.273 -703.228 110. .72 700.862 87564.0 gram dengan standar deviasi 249. Error 129.286 115.21 613.2 gram dengan standar deviasi 241.42 1023.468 129.250* 703.42 -1368.286 124.51 -700.492 124.000 .36 -1634.000 .288* 1291.027 95% Confidence Interval Lower Bound Upper Bound -613.315 .51 25.902 110.294 115.000 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 -257.93 -25. The mean difference is significant at the .027 .000 . Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470.977* -330.54 -384.538* 1034.93 *.76 99.000 .54 -634.273 SMU PT SD SMU PT SD SMP PT SD SMP SMU -961.36 1290.

SD dengan PT.6 gram.2 3761.3 2291.3 3287. dapat disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan. Untuk mengetahui kelompok yang signifikan dapat terlihat dari kolom Sig.6 241.0 gram dengan standar deviasi 249.1 386. Ternyata kelompok signifikan adalah tingkat pendidikan SD dengan SMU.2 gram. Penyajian dan Interpretasi di laporan Penelitian Tabel … Distribusi Rata-Rata berat Bayi Menurut Tingkat pendidikan Variabel Pendidikan .3 – 3575.1 – 3994. Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2727. maka penulisannnya menjadi p=0. SMP dengan PT dan SMU dengan PT.0005).PT 2470.1 gram.0 2727.9 0. Pada mereka yang berpendidikan PT rata-rata berat bayinya adalah 3761.SMP .2 – 2889. berarti pada alpha 5%.5 gram dengan standar deviasi 386.2 gram dengan standar deviasi 270.SMU .5 249.2 gram dengan standar deviasi 270. Pada mereka yang berpendidikan SMU rata-rata berat bayinya adalah 3431. Pada mereka yang 114 .2 270. SMP dengan SMU.3 gram.2 3431.0005 Mean SD 95% CI P value Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470.4 – 2648.SUTANTO PRIYO HASTONO: Analisis Data bayinya adalah 3431. terlihat p=0.000 (kalau desimalnya 0.6 3565.1 gram.1 3528.20 gram dengan standar deviasi 241. Pada hasil di atas nilai p uji ANOVA dapat diketahui pada kolom “F” dan “Sig”. Pada Box paling bawah terlihat hasil dari uji ‘Multiple Comparisons Bonferroni” yang berguna untuk menelusuri lebih lanjut kelompok mana saja yang berhubungan signifikan.SD .

SMU.SMP dengan PT dan SMU dengan PT.0005. SD dengan PT.5 gram dengan standar deviasi 386.3 gram. SMP dengan 115 .SUTANTO PRIYO HASTONO: Analisis Data berpendidikan PT rata-rata berat bayinya adalah 3761. berarti pada alpha 5% dapat disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan. Analisis lebih lanjut membuktikan bahwa kelompok yang berbeda signifikan adalah tingkat pendidikan SD dengan SMU. Hasil uji statistik didapat niali p=0.

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

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

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. dapat mencari nilai X2 dengan menggunakan rumus: N (ad-bc)2 X2 = (a+c)(b+d)(a+b)(c+d) 118 . sedangkan niali ekspektasi (harapan) masing-masing sel dicari dengan rumus: Total barisnya X total kolomnya E= Jumlah keseluruhan data misalkan untuk mencari nilai ekspektasi (E) untuk sel a adalah: Ea = (a+b) x (a+c) n Untuk Eb. Khususnya untuk tabel 2x2. Ec dan Ed dapat dicari dengan cara yang sama. c. b. d merupakan nilai observasi. 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.

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

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

ada sebanyak 24 (60. Dan dari 25 pasien yang berpendidikan PT.0 Pembuatan persentase pada analisis tabel silang harus diperhatikan agar tidak salah dalam menginterpretasi. tdk eksklusive =1. ada sebanyak 20 (80.3 n 50 40 30 25 145 Total % 34.0 38.0 40. variabel pendidikan sebagai variabel independen dan pengetahuan sebagai variabel dependen.7%) yang berpengetahuan tinggi.SUTANTO PRIYO HASTONO: Analisis Data dan bekerja kode 0 dan ibu yang menyusui secara eksklusif diberi kode 1 dan non eksklusif diberi kode 0. Pada jenis penelitian survei/Cross sectional atau Kohort.3 100.0 60. Contoh di atas jenis penelitiannya Cross Sectional. tapi harus konsisten. Tabel … Distribusi Responden menurut Tingkat Pendidikan dan Pengetahuan Pengetahuan Pendidikan N SD SMP SMU PT Jumlah 25 16 10 5 56 Rendah % 50. ada sebanyak 25 (50.7 17. Sebetulnya bisa juga kodenya dibalik. Contoh di atas dapat di interpretasikan sbb: Dari 50 pasien yang berpendidikan SD. bekerja =1 dan eksklusive =0. Dapat dilihat di tabel persentasenya berdasarkan masing-masing kelompok tingkat pendidikan (persentase baris). Dari 40 pasien yang berpendidikan SMP.0 66.0 33.7 80. misalnya kodenya: tidak bekerja =0.0%) pasien mempunyai pengetahuan tinggi. pembuatan persentasenya berdasarkan nilai variabel independen.6 20.0%) yang berpengetahuan tinggi.0%) yang 121 .4 27. Dari 30 pasien yang berpendidikan SMU ada sebanyak 20 (66.0 61.7 n 25 24 20 20 89 Tinggi % 50.3 20.

0 N 30 70 100 Kontrol % 30.0 25.0 50. Pada penelitian yang berjenis kasus kontrol (Case Control) pembuatan persentasenya berdasarkan variabel dependennya.0 Interpretasinya: Dari mereka yang menderita kanker paru. 122 .0 50. Dari data ini terlihat ada kecenderungan bahwa semakin tinggi tingkat pendidikan akan semakin tinggi tingkat pengetahuannya.SUTANTO PRIYO HASTONO: Analisis Data berpengetahuan tinggi.0 70.5 100. 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 105 95 200 Total % 52. ada sebanyak (30%) responden yang berjenis kelamin laki-laki.5 47. ada sebanyak 75 (75%) responden berjenis kelamin laki-laki.

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

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

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 8.490 8.005 a.010 7.005 .005 .0% Total 25 100. The minimum expected count is 12.0% 25 100.0% 50 100.0% 7 28. Computed only for a 2x2 table b.013b 6. (2-sided) . 00.011 . (1-sided) Pearson Chi-Square Continuity Correctiona Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases .853 50 1 .244 df 1 1 1 Asymp. (2-sided) Exact Sig.0% 32. Risk Estimate 95% Confidence Interval Lower Upper 1.412 50 .627 18. 0 cells (.SUTANTO PRIYO HASTONO: Analisis Data Crosstabs status pekerjaan ibu * status menyusui asi Crosstabulation status menyusui asi tdk EKSKLUSIVE EKSKLUSIVE 17 8 68.357 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. Sig.0% 18 72.208 .004 Exact Sig.250 1.189 .816 125 .464 2.0%) have expected count less than 5.209 4.0% 24 48.0% 26 52.

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

464 (95% CI: 1.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. misal untuk ilmu sosial dengan melihat koefisien Phi. sedangkan nilai RR digunakan bila jenis penelitiannya Kohort. Pada data ini berasal dari penelitian Cross Sectional maka kita dapat menginterpretasikan nialai OR=5. bila tabel silang lebih dari 2 x 2. 4 x 2 dsb. koefisien Contingency dan cramer’s V. misalnya 3 x 2. Sig” dan terlihat p valuenya = 0. Pada perintah Crosstab nilai OR akan keluar bila tabel silang 2 x 2. Sedangkan nilai RR terlihat dari baris For Cohort yaitu bearnya 2.250 (95% CI: 1.209 – 4. maka nilai OR dapat diperoleh dengan analisis regresi logistik sederhana dengan cara membuat “Dummy variable” 127 . Untuk mengetahui besar/kekuatan hubungan banyak metodenya tergantung latar belakangdisiplin keilmuannya..464 sbb: Ibu yang tidak bekerja mempunyai peluang 5.627 – 18. sedangkan untuk bidang kesehatan terutama kesehatan masyarakat digunakan nilai OR atau RR. berarti kesimpulannya ada perbedaan perilaku menyusui eksklusif antara ibu yang bekerja dengan ibu yang tidak bekerja.357). sehingga uji ini tidak dapat untuk mengetahui derajat/kekuatan hubungan dua variabel.011. Nilai OR digunakan untuk jenis penelitian Cross Sectional dan Case Control. Uji Chi square hanya dapat digunakan untuk mengetahuiada/tidaknya hubungan dua variabel.189). Pada hasil di atas nilai OR terdapat pada baris Odds ratio yaitu 5. Dengan kata lain dapat disimpulkan bahwa ada hubungan status pekerjaan dengan perilaku menyusui eksklusif.46 kali untuk menyusui eksklusif dibandingkan ibu yang bekerja.

464.6 – 18.464 1.0 52.0 Eksklusif n 8 18 24 % 32.3 0.0 28.0 48.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. Dari hasil analisis diperoleh pula nilai OR=5.011 Total OR (95% CI) P value Hasil analisis hubungan antara status pekerjaan dengan perilaku menyusui eksklusif diperoleh bahwa ada sebanyak 8 (32%) ibu yang bekerja menyusui bayi secara eksklusif. 128 . Hasil uji statistik diperoleh nilai p=0. ada 18 (72. Sedangkan diantara ibu yang tidak bekerja.0%) yang menyusui secara eksklusif.011 maka dapat disimpulkan ada perbedaan proporsi kejadian menyusui eksklusif antara ibu tidak bekerja dengan ibu yang bekerja (ada hubungan yang signifikan antara pekerjaan dengan perilaku menyusui).46 kali untuk menyusui eksklusif dibanding ibu yang bekerja.0 n 25 25 50 % 100 100 100 5.0 72. artinya ibu tidak bekerja mempunyai peluang 5.

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

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

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

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

SUTANTO PRIYO HASTONO: Analisis Data dan Y pada ilmu sosial/kesehatan masyarakat tidaklah eksak. semakin besar nilai Se. Untuk mengetahhui besarnya Se dapat dihitung melalui formula sbb: 133 .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. Semakin kecil nilai Se. perkiraan besarnya perubahan nialia variabel Y bila nilai variabel X berubah satu unit pengukuran e = nilai kesalahan (error) yaitu selisih antara niali Y individual yang teramati dengan nilai Y yang sesungguhnya pada titik X tertentu ΣXY – (ΣXΣY)/n b= ΣX2 – (ΣX)2/n a = Y . maka persamaan garis yang dibentuk menjadi: Y = Variabel Dependen X = Variabel Independen a = Intercept. Dansebaliknya. perbedaan besarnya rata-rata variabel Y ketika variabel X = 0 b = Slope. makin rendah ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan nilai variabel dependen yang sesungguhnya. makin tinggi ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan niali variabel dependen yang sesungguhnya.

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

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

pilih ‘Regression’.0005.684** . jika belum aktifkan data tersebut. baris pertama berisi nilai korelasi (r). B.01 level (2-tailed). Regresi Linier Sederhana Berikut akan dilakukan analisis regresi linier dengan menggunakan variabel ‘berat badan ibu’ dan ‘berat badan bayi’ dari data ASI. Correlation is significant at the 0. (2-tailed) N Pearson Correlation Sig. informasi yang muncul terdapat tiga baris. dalam analisis regresi kita harus menentukan variabel dependen dan variabel independennya. Pada hasil di atas diperoleh nilai r = 0. 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. Pada kotak ‘Dependen’ isikan variabel yang kita perlakukan sebagai dependen (dalam 136 . Dalam kasus ini berarti berat badan ibu sebagai variabel independen dan berat badan bayi sebagai variabel dependen.SAV. Klik ‘Analysis’. Dari menu SPSS. Pastikan tampilan berada pada data editor ASI. Hasil uji statistik didapatkan ada hubungan yang signifikan antara berat badan ibu dengan berat badan bayi (p = 0.SUTANTO PRIYO HASTONO: Analisis Data Correlations Correlations berat badan ibu 1 berat badan bayi . Adapun caranya: 1. 2.684 dan nilai p = 0.000 50 50 berat badan ibu berat badan bayi Pearson Correlation Sig.SAV. baris kedua menapilkan nilai p (P value). dan baris ketiga menampilkan N (jumlah data). (2-tailed) N **.000 50 50 .0005). Pada tampilan di atas ada beberpa kotak yang harus diisi. pilih ‘Linear’ 3. Tampilan analisis korelasi berupa matrik antar variabel yang di korelasi.684** 1 .

468 Adjusted R Square .684a . Klik ‘OK’. masukkan ke kotak Independent 6. klik ‘berat badan bayi’. Error of the Estimate 430. masukkan ke kotak Dependent 5.456 Std. Predictors: (Constant). berat badan ibu 137 . dan hasilnya sbb: Regression Model Summary Model 1 R R Square . caranya 4.715 a. Klik ‘berat badan ibu’.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).

Selanjutnya pada tabel ANOVAb . Dari hasil diatas didapat nilai konstant (nilai ini merupakan nilai intercept atau nilai a) sebesar 657.38. Error 657.468 artinya.684 Model 1 (Constant) berat badan ibu t 1.000a Regression Residual Total a.099 .929 391. persamaan garis regresi yang kita peroleh dapat menerangkan 46. Dependent Variable: berat badan bayi Dari hasil di atas dapat diinterpretasikan dengan mengkaji nilai-nilai yang penting dalam regresi linier diantaranya: koefisien determinasi.680 6. Jadi pada alpha 5% kita menolak 138 . sehingga persamaan regresinya: Y = a + bX Berat badan bayi = 657.676 44. . Predictors: (Constant). .383 6.93 + 44.8% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi.154 Sig. Dependent Variable: berat badan bayi Coefficientsa Unstandardized Coefficients B Std.836 Standardized Coefficients Beta .376 F 42.SUTANTO PRIYO HASTONO: Analisis Data ANOVAb Model 1 Sum of Squares 7820262 8904738 16725000 df 1 48 49 Mean Square 7820261. berat badan ibu b.0005.38(berat badan ibu) Dengan persamaan tersebut.000 a. Nilai koefisien determinasi dapat dilihat dari nilai R Square (anda dapat lihat pada tabel ‘Model Summary’) yaitu besarnya 0.93 dan nilai b = 44. dan menghasilkan nilai p=0. 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. diperoleh nilai p (di kolom Sig) sebesar 0.493 Sig. persamaan garis dan p value.0005. Uji uji statistik untuk koefisien regresi dapat dilihat pada kolom Sig T. berat badan bayi dapat diperkirakan jika kita tahu nilai berat badan ibu.965 185515.

005).468 artinya .38(berat badan ibu) Berat badan bayi= 657. Hasil uji statistik didapatkan ada hubungan yang signifikan antara berat badan ibu dengan berat badan bayi (p=0.38*bbibu P value 0.468 Persamaan garis bbayi =657.93 + 44.684 R2 0.SUTANTO PRIYO HASTONO: Analisis Data hipotesis nol.0005 Hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan kuat (r=0. Penyajian dan Interpretasi Tabel … Analisis Korelasi dan regresi berat badan ibu dengan berat badan bayi Variabel Umur R 0. berarti ada hubngan linier antara berat badan ibu dengan berat badan bayi. Nilai koefisien dengan determinasi 0. Dari nilai b=44.38 berarti bahwa variabel berat badan bayi akan bertambah sebesar 44. Misalkan kita ingin mengetahui berat badan bayi jika diketahui berat badan ibu sebesar 60 kg.93 + 44.38(60) 139 . Memprediksi variabel Dependen Dari persamaan garis yang didapat tersebut kita dapat memprediksi variabel dependen (berat badan bayi) dengan variabel independen (berat badan ibu).93 + 44.6% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi.38 gr bila berat badan ibu bertambah setiap satu kilogram. maka: Berat badan bayi =657.8.684) dan berpola positif artinya semakin bertambah berat badan ibu semakin besar berat badan bayinya. persamaan garis regresi yang kita peroleh dapat menerangkan 46.

Klik Sampel klik ‘Define’ 3.715 (lihat di kotak Model Summary).96.96 * 430. pada kotak ‘Fit Line.9 gr C. Klik Total 10. pilih ‘Scatter’ 2. Terlihat di layar grafik scatter plot-nya (garis regresi belum ada?) 7.d 4164. Pada kotak Y Axis isikan variabel dependennya (masukkan veriabel dependennya (masukkan Hb1) 4.73 Ingat prediksi regresi tidak dapat menghasil.715 = ± 844.5 gr s. Error of The estimate’(SEE) yang besarnya adalah 430. untuk berat badan ibu 60 kg diprediksikan berat badan bayinya adalah diantara 2476. Nilai Z dihitung dari tabel Z dengan tingkat kepercyaan 95% dan didapat nilai Z = 1. namun perkiraannya tergantung dari nilai ‘Std. klik’Chart’ 9.SUTANTO PRIYO HASTONO: Analisis Data Berat badan bayi = 3320. Membuat Grafik Prediksi Langkahnya: 1. sehingga variasinya 1. Klik ‘OK’ 6. Untuk mengeluarkan garisnya. Dengan demikianvariasi variabel dependen = Z*SEE. klik ‘OK’ maka muncul garis regresi 140 . Klik ‘Graphs. Pada kotak X Axis isikan variabel independennya (masukkan veriabel dependennya (masukkan Umur) 5.201 Jadi dengan tingkat kepercayaan 95%.kan angka yang tepat seperti di atas. klik grafiknya 2 kali 8.

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

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

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

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

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

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

BACKWARD. d). karena dalam pemodelan kita dapat . kriteria variabel yang dapat masuk P-in (PIN) adalah 0. Variabel yang masuk pertama kali adalah variabel yang mempunyai korelasi parsial terbesar dengan variabel dependen dan yang memenuhi kriteria tertentu untuk dapat masuk model. tanpa melewati kriteria kemanaan statistik tertentu.10 dikeluarkan dari model. sampai semua variabel yang memenuhi kriteria tersebut masuk ke dalam model. measukkan satu persatu variabel dari hasil pengkorelasian variabel dan memenuhi kriteria kemaknaan statistik untuk masuk ke dalam model. STEPWISE. bila hasil uji bivariat mempunyai nilai p<0.005 artinya variabel yang dapat masuk model bila variabel tersebut mempunyai nilai P lebih kecil atau sama dengan 0.10.05. Ada beberapa metode untuk melakukan pemilihan variabel independen dalam analisis multivariat regresi linier ganda. FORWARD. artinya variabel yang mempunyai nilai P lebih besar atau sama dengan 0. lakukan pemilihan variabel yang masuk dalam model. ENTER. maka variabel tersebut dapat masuk ke multivariat. maka variabel tersebut masuk dalam model multivariat. c). metode Stepwise dimulai dari tanpa 147 ini yang tepat/sering digunakan. Korelasi parsial adalah adalah korelasi antara variabel independen dengan dependen. 2) Lakukan analisis secara bersamaan. yaitu: a).25 namun secara substansi penting.25. tetapi kemudian satu persatu variabel independen dikeluarkan dari model berdasarkan kriteria kemaknaan tertentu.SUTANTO PRIYO HASTONO: Analisis Data dependen (bivariat). Metode melakukan pertimbangan aspek substansi. Untuk variabel yang p value-nya > 0. meamasukkan semua variabel ke dalam model. Seperti halnya forward. model ini merupakan kombinasi antara metode backward dan Forward. variabel yang pertama kali dikeluarkan adalah variabel yang mempunyai korelasi parsial terkecil dengan variabel dependen. b). Kriteria pengeluaran atau P-out (POUT) adalah 0. memasukkan semua variabel independen dengan serentak satu langkah.

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

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

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

a. Muncul dilayar menu ‘Bivariate Correlations’ 3. Bivariat uji korelasi : melakukan analisis bivariat untuk variabel independen berjenis numerik: variabel berat badan ibu.lwt. Klik ‘Analysis’.SUTANTO PRIYO HASTONO: Analisis Data Data selengkapnya ada di lampiran: A. frekuensi anc : Langkahnya : 1. frekuensi prematur. Uji yang digunakan pada analisis bivariat tergantung dari variabel yang digunakan.25 ini tidaklah harus dipenuhi manakala dijumpai ada suatu variabel yang walaupun p value-nya > 0.ptl. sorot dan klik ‘Bivariate’ 2.25 karena secara substansi sangat penting berhubungan dengan variabel dependen. umur ibu. sorot ke ‘Correlate’. bila independennya katagorik -> uji t atau uji anova. bila : variabel independennya numerik -> uji korelasi. Namun ketentuan p value<0. isikan semua variabel numerik baik untuk variabel independen (age. Pada kotak Variables.ftv) dan dependen (bwt) 151 .25. maka variabel tersebut dapat diikutkan dalam model multivariat. Variabel yang dapat masuk model multivariat adalah variabel yang pada analisis bivariatnya mempunyai nilai p (p value) < 0. Langkah pertama pemodelan: SELEKSI BIVARIAT Seleksi bivariat masing-masing variabel independen dengan variabel dependen.

(2-tailed) N Pearson Correlation Sig. 152 .013 189 .186* . (2-tailed) N Pearson Correlation Sig.044 .141 .186* .003 189 .01 level (2-tailed).544 189 -.SUTANTO PRIYO HASTONO: Analisis Data 4.054 189 -.426 189 189 1 189 -.072 . Correlation is significant at the 0.215** .054 .058 .140 .044 .072 .003 .219 189 History of premature labor Birth weight (gram) *. Klik tombol ‘OK’ Muncul dilayar hasil sbb: Correlations Correlations Weight of mother (pounds) .090 .05 level (2-tailed).140 .328 189 189 .010 189 .058 . (2-tailed) N Age of mother 1 189 . Correlation is significant at the 0.034 189 1 189 Age of mother Weight of mother (pounds) No physician visits in first trimester Pearson Correlation Sig.328 189 .426 189 -.180* .155* . (2-tailed) N Pearson Correlation Sig.219 189 .010 189 No History of physician prematur visits in first e labor trimester .013 189 1 189 .155* . **.544 189 .055 189 . (2-tailed) N Pearson Correlation Sig.215** .141 -.034 189 Birth weight (gram) .180* .090 .055 189 189 1 -.

maka variabel frekuensi anc tetap diikutkan dalam analisis multivariat. Merokok Langkahnya: 1. frekuensi anc (p=0. 3.Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’. 153 .25. sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya. frekuensi prematur (p=0. ingat jangan sampai terbalik. pilih menu ‘Analyze”. b. Ket: kotak test varibles tempat memasukkan variabel numeriknya. dengan demikian ketiga variabel tersebut dapat lanjut masuk ke pemodelan multivariat.Klik variabel ‘smoke’ dan masukkan ke kotak‘Grouping Variable’. lalu pilih “Independen-Samples T Test” 2. Bivariat uji t: melakukan analisis bivariat untuk variabel independen berjenis katagorik: merokok dan riwayat hipertensi 1.426). Sedangkan untuk variabel frekuensi anc mempunyai p value > 0. kemudian pilih sub menu “Compare Means’.Dari menu utama SPSS.010). berat badan dan frekuensi prematur mempunayi p value < 0.426) sehingga tidak bisa masuk ke multivariat. Dari hasil ini dapat kita simpulkan bahwa variabel umur. namun demikian oleh karena secara substansi frekuensi anc merupakan faktor yang sangat penting mempengaruhi berat badan bayi.SUTANTO PRIYO HASTONO: Analisis Data Hasil dari analisis bivariat dengan korelasi didapatkan nilai p value untuk variabel umur (p=219). berat badan (p=0.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4.25 (yaitu p=0.034).

Deviation 752. dan hasilnya sbb: T-Test Group Statistics Smoking status No Yes N 115 74 Mean 3054.SUTANTO PRIYO HASTONO: Analisis Data 5.732 Birth weight (gram) 154 .075 Std.96 2773. Klik “OK” untuk menjalankan prosedur perintahnya. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 9.409 660.163 76. Error Mean 70. Pada contoh ini. Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak.Klik ‘Define Group’. kemudian di layar nampak kotak isian. Klik “Continue” 10. kita tahu bahwa ‘0’ tidak merokok dan kode ‘1’ untuk Yang merokok.24 Std.

009.009 Mean Differen ce 281.508 Sig.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4.Klik variabel ‘ht’ dan masukkan ke kotak‘Grouping Variable’.713 Std.467 487. lalu pilih “Independen-Samples T Test” 2. (variabel yang sebelumnya (variabel smoke) dikeluarkan dahulu baru ‘ht’ dimasukkan 155 . Error Differenc e 106. kemudian pilih sub menu “Compare Means’.25 maka variabel merokok dapat lanjut ke multivariat. Riwayat Hipertensi Langkahnya: 1. ingat jangan sampai terbalik. .969 95% Confidence Interval of the Difference Lower Upper 70. dengan demikian p value yang dihasilkan < 0. (2-tail ed) .007 281. sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya.221 t 2.974 76.7 F Birth weight (gram) Equal variances assumed Equal variances not assumed 1. 2.SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Sig. Ket: kotak test varibles tempat memasukkan variabel numeriknya.634 df 187 2. 3. pilih menu ‘Analyze”.693 492.713 103.0 Hasil analisis hubungan merokok dengan berat bayi menghasilkan p value = 0.0 .Dari menu utama SPSS.709 170.Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’.

Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak.Klik “OK” untuk menjalankan prosedur perintahnya. Error Mean 53.813 Birth weight (gram) 156 .226 917.SUTANTO PRIYO HASTONO: Analisis Data 5. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 6. kemudian di layar nampak kotak isian.Klik ‘Define Group’.Klik “Continue” 7.31 2536.75 Std.341 Std. Deviation 709. dan hasilnya sbb: Group Statistics History of hypertension No Yes N 177 12 Mean 2972.309 264. kita tahu bahwa ‘0’ tidak ada hipertensi dan kode ‘1’ ada hipertensi’. Pada contoh ini.

Variabel yang valid dalam model multivariat adalah variabel yang mempunyai p value < 0. berarti p valuenya < 0. (2-taile d) . dari 6 variabel independen semuaanya masuk ke proses berikutnya yaitu ke analisis multivariat. Bila dalam model multivariat dijumpai variabel yang p value nya > 0. Pengeluaran variabel dilakukan tidak serempak.56 270. Error Differen ce 215.126 -153.SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Std.612 11. lwt. ht. ftv) 157 .05. Adapun proses selengkapnya sbb: 1.05.908 .045 Mean Differe nce 435.045.1 F Birth weight (gram) Equal variances assumed Equal variances not assumed 1. . ptl.25 sehiingga variabel riwayat adanya hipertensi dapat lanjut ke analisis multivariat Dengan demikian selesailah sudah seleksi semua variabel independen. tahap berikutnya melakukan analisis multivariat secara bersama-sama.133 435. B. a.5 1025 Dari hasil analisis bivariat uji t antara variabel riwayat adanya hipertensi dengan berat bayi didapatkan p value = 0.709 95% Confidence Interval of the Difference Lower Upper 10.419 Sig. maka variabel tersebut harus dikeluarkan dalam model.024 861.56 1. Klik ‘Analyisis’.235 t 2. melainkan bertahap satu per satu dikeluarkan dimulai dari p value yang terbesar. Pada kotak ‘dependen isikan variabel dependen (dalam hal ini berarti bwt) dan kotak ‘independen’ isikan variabel independennya (dalam hal ini age. sorot ‘Regression’.019 df 187 Sig. smoke. sorot dan klik ‘Linier’ lalu muncul menu regresi linier. Langkah Kedua : Pemodelan Multivariat Setelah tahap bivariat selesai.

Klik ‘OK’. Age of mother. Predictors: (Constant). Error of the Estimate 696.116 Adjusted R Square .829 a. Abaikan lainnya 7. History of hypertension. dan hasilnya Regression Model Summary Model 1 R R Square .086 Std. No physician visits in first trimester. Weight of mother (pounds) 158 .340a . Smoking status. Pada kotak ‘Method’.SUTANTO PRIYO HASTONO: Analisis Data 5. pilih Enter’ 6. History of premature labor.

162 10.230 -2. Error 2315..705 Standardized Coefficients Beta . artinya keenamm variabel independen dapat menjelaskan variabel berat bayi sebesar 11.847 1.052 .000 . yaitu umur (age) p=0. pengeluaran variabel dimulai dari p value yang terbesar.022 4. .793 -232. Dependent Variable: Birth weight (gram) Coefficientsa Unstandardized Coefficients B Std.445 -2. Dengan demikian variabel yang kita coba keluarkan adalah frekuensi anc(No physician.104 -. History of hypertension.150 .001a Regression Residual Total a.004 Model 1 (Constant) Age of mother Weight of mother (pounds) Smoking status History of premature labor History of hypertension No physician visits in first trimester t 7.156 -.201 -.962 Sig. .423 F 3. Smoking status.665 -.116. variabel yang p valuenya > 0.193 -1.476 .).954 a.008 .002 -574.253 -154. Age of mother.928 106. History of premature labor.734 . Namun demikian prinsip pemodelan harus yang sederhana variabelnya sehingga masing-masing variabel indepeden perlu di cek nilai p valuenya.05.862 299. Weight of mother (pounds) b.001 berarti persamaan garis regresi secara keseluruhan sudah signifikan.611 485570. Tahap berikutnya mengeluarkan variabel yang p valuenya > 0.05 dikeluarkan daari model.SUTANTO PRIYO HASTONO: Analisis Data ANOVAb Model 1 Sum of Squares 11543236 88373817 99917053 df 6 182 188 Mean Square 1923872.698 -2.476.05.030 . riwayat prematur (history prematur) p=0.481 49.715 2.574 215. 159 . Predictors: (Constant). Dari hasil uji statistik (lihat kotak anova) didapatkan p value = 0.057 Sig. No physician visits in first trimester.193 -.008 .150 dan frekuensi anc (no physician) p=0.442 7.954.6 % sedangkan sisanya dijelaskan oleh variabel lain. Dependent Variable: Birth weight (gram) Dari kotak ‘Model Sumarry” didapatkan nilai R Square sebesar 0.777 105. Ternyata dari 6 variabel indepeden (lihat kolom sig di kotak Coefficients) ada 3 variabel yang p valuenya > 0.

156 -. History of hypertension.473 .448 -2. Untuk nilai R Square ternyata tidak ada perunbahan yaitu tetap 0. .116.198 -1.091 Std. Error of the Estimate 694.007 . Klik OK.929 a. dan hasilnya sbb: Model Summary Model 1 R R Square . Bila ada perubahan yang besar maka variabel tersebut tidak jadi dikeluarkan dalam model (tetap dipertahankan di model).149 . Dependent Variable: Birth weight (gram) Setelah variabel frekuensi anc dikeluarkan.719 2. 3. sorot dan klik ‘Linier’ 2.801 .116 Adjusted R Square .192 Model 1 (Constant) Age of mother Weight of mother (pounds) Smoking status History of premature labor History of hypertension t 7.747 -573.051 .011 1.008 a. Klik ‘Analysis’. Sekarang kita bandingkan nilai coefisien B untuk variabel umur.SUTANTO PRIYO HASTONO: Analisis Data Langkahnya: 1. History of premature labor. 160 . Pada kotak Independen juga masih lengkap ada 6 variabel. Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja.051 9.680 Sig.807 4.074 7. Predictors: (Constant).608 297. sorot ‘Regression’. Weight of mother (pounds) Coefficientsa Unstandardized Coefficients B Std. namun sekarang anda harus keluarkan variabel ‘no physician’ dan masukkan ke kotak Variable di sebelah kiri. ada perubahan besar( berubah lebih dari 10 %) untuk R Square dan Coef.781 -232.224 -153.759 105.000 .340a . Sedangkan untuk coefisian B. B. Error 2317.191 213.638 106.841 Standardized Coefficients Beta . kita cek dulu apakah setelah dikeluarkan.201 -. Age of mother.029 .104 -. Smoking status.718 -2.

Error of the Estimate 694.0 4.0 -574.7 -232.1 % Dari perhitungan perubahan nilai coefisien B pada masing-masing variabel. History of hypertension.2 -2.4 % 0% 0% 0.336a . ternyata tidak ada yang berubah lebih dari 10 %. dan hasilnya sbb: Model Summary Model 1 R R Square .0 - perubahan Coef.SUTANTO PRIYO HASTONO: Analisis Data berat ibu.7 573. Weight of mother (pounds) 161 . namun sekarang anda harus keluarkan variabel ‘umur (age)’ dan masukkan ke kotak Variable di sebelah kiri.113 Adjusted R Square . History of premature labor. Smoking status. riwayat prematur dan riwayat hiperteni antara sebelum dan sesudah variabel frekuensi anc dikeluarkan. merokok.1 4.7 -232.05. Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja. Klik OK. 3. sorot ‘Regression’. Selankutnya kita lihat kembali bahwa pada model masih ada variabel yang p value > 0. Sekarang kita akan keluarkan variabel umur (p value =0.2 153. Pada kotak Independen juga masih terisi ada 5 variabel.016 a. Predictors: (Constant).1 % 0.8 Anc dikeluarkan 7.094 Std.473).2 -154. hasil perhitungannya sbb: Variabel Age bwt smoke ptl hi ftv Anc msih ada 7. Klik ‘Analysis’. dengan demikian variabel frekuensi anc kita keluarkan dari model. Langkah/proses : 1. 1. sorot dan klik ‘Linier’ 2.

3 % 1. dan hasilnya sbb: 162 .195 Model 1 (Constant) Weight of mother (pounds) Smoking status History of premature labor History of hypertension t 10. .148 Standardized Coefficients Beta .0 -236.244 -1.121 233.159 -. Dependent Variable: Birth weight (gram) Setelah variabel umur perhitungannya sbb: Variabel Age bwt smoke ptl hi ftv dikeluarkan. nilai R Square ternyata ada sedikit coefisian B.4 145.847 umur dikeluarkan 5. Prosesnya/langkahnya sama dengan diatas.4 582.7 -232. .417 213. sorot Regression.733 Sig.420 -145.007 a. Pada kotak independen variabel riwayat mengalami prematur dikeluarkan dan dimasukkan ke kotak variable disebelah kiri..338 105.098 -.2 -2.026 .925 -2.476 2. .379 -2.1 4. 6. Klik Analysis. Ternyata tidak ada yang lebih dari 10 %.SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Unstandardized Coefficients B Std.8 % 6.566 1. hasil perunbahan yaitu menjadi 0.dst.5 - perubahan Coef. sedangkan untuk Masih lengkap 7.721 105. dengan demikian variabel umur kita keluarkan dari model.412 -582.169 .1 % 1.211 -.3 % Dari hasil perhitungan perubahan coef.113.2 -154. Langkah selanjutnya mengeluarkan variabel Riwayat mengalami prematur.000 .035 -236. Error 2449.0 -574.004 .779 5.

2 -2.002 .322a .3 % dengan demikian variabel riwayat mengalami prematur tidak jadi dikeluarkan dan tetap dipertahankan dalam model multivariat.3 % 1.0 -574.177 -. Dari hasil analisis ternyata tidak ada lagi yang p valuenya > 0. Weight of mother (pounds) Coefficientsa Unstandardized Coefficients B Std.710 103.646 Standardized Coefficients Beta .104 Adjusted R Square .352 -263.1 4.007 a.SUTANTO PRIYO HASTONO: Analisis Data Model Summary Model 1 R R Square .4 582.009 -586.3 % Hasil perhitungan setelah dikeluarkan variabel prematur. Error of the Estimate 695. Sedangkan hasil perhitungan perubahan Coef.707 a.812 213.2 -154.374 3.224 -.391 5.012 . . 12. Error 2390.000 .7 % 1.05 dengan demikian proses pencarian variabel yang masuk dalam model telah selesai dan model yang terakhir adalah sbb: 163 .847 Prematur keluar 5.197 Model 1 (Constant) Weight of mother (pounds) Smoking status History of hypertension t 10. Dependent Variable: Birth weight (gram) Hasil R Square turun sedikit yaitu menjadi 0.534 -2. B dapat dilihat sbb: Variabel Age bwt smoke ptl hi ftv Masih lengkap 7.5 perubahan Coef.130 -2. ternyata coefisin B pada variabel beat badan ibu (bwt) beubah sebesar 12.104.089 Std. Smoking status.746 Sig.105 230.7 -232.3 -236.722 1. History of hypertension. Predictors: (Constant).

476 2.113 Adjusted R Square .148 105. riwayat hipertensi (hi) dan variabel riwayat prematur(ptl) 164 .016 DurbinWatson . Dependent Variable: Birth weight (gram) Coefficientsa Stand ardize d Coeffi cients Beta .925 .035 -236. Adapun uji asumsinya sbb: Langkahnya: 1.244 -2.094 Std.Klik ‘Analysis’.338 213. merokok(smoke). Weight of mother (pounds) b.925 -2.779 1.007 .379 Sig. Masukkan dalam kotak Dependen variabel ‘bwt’ 3. Smoking status.037 1.060 1. Error of the Estimate 694. Masukan dalam kotak Independen variabel berat badan ibu (lwt). Predictors: (Constant).721 105.964 . sorot dan klik ‘Linier’ 2. History of premature labor.733 -1.336a .947 1.222 a.159 -.081 1.169 Mo de l 1 Unstandardized Coefficients B 2449.943 .566 -145. sorot ‘Regression’.211 -.098 t 10.004 . .SUTANTO PRIYO HASTONO: Analisis Data Model Summaryb Model 1 R R Square . Error 233.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a.121 5.420 -582. Dependent Variable: Birth weight (gram) Langkah selanjutnya UJI ASUMSI Agar persaman garis yang digunkan untuk memprediksi menghasilkan angka yang valid. History of hypertension.000 .412 Std. maka persamaan yang dihasilkan harus memenuhi asumsi-asumsi yang diersyaratkan uji regresi linier ganda.417 Collinearity Statistics Tolera nce VIF .026 .195 -.

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

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

77 -2.d.001 . Untuk mengetahui asuamsi ini dilakukan dengan cara mengeluarkan uji Durbin Watson.923 .423 2.407 251.000 . Dependent Variable: Birth weight (gram) Hasil dari output diatas menunjukkan angka residual dengan mean 0.015 -2102. +2 berarti asumsi independensi terpenuhi.66 .004 Maximum 3602. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std. Residual Stud.SUTANTO PRIYO HASTONO: Analisis Data Residuals Statisticsa Predicted Value Std.000 dan standar deviasi 686.028 N 189 189 189 189 189 189 189 189 189 189 189 189 a. 0.000 .804 3616.000 103.782 1940.000 45.005 708.59. Error of the Estimate 694.469 .73 . Deviation 245.001 -3.835 67.631 2. Dependent Variable: Birth weight (gram) Dari hasil uji didapatkan koefisien Durbin Watson independensi terpenuhi. sebaliknya bila nilai Durbin < -2 atau > +2 berarti asumsi tidak terpenuhi Model Summaryb Model 1 R R Square .03 2.007 . Weight of mother (pounds) b.021 Std.094 Std.399 2943.979 . Deleted Residual Mahal.97 1921. Predictors: (Constant).769 2. berarti asumsi 167 .019 .084 .835 32.016 DurbinWatson . Smoking status.222 a. Distance Cook's Distance Centered Leverage Value Minimum 2249.209 .336a . Asumsi Independensi Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain.193 1955.010 5. Residual Deleted Residual Stud.196 686. Jadi nilai dari tiap-tiap individu saling berdiri sendiri.593 .000 .768 .113 Adjusted R Square . bila nilai Durbin –2 s. Tidak diperbolehkan nilai observasi yang berbeda yang diukur dari satu individu diukur dua kali.43 -2082.000 3.222. History of hypertension.079 1. Dengan demikian asumsi Eksistensi terpenuhi b.320 .989 1.173 Mean 2944.682 292.610 -3.316 -3.619 1. History of premature labor.

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

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

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

6 0.8 1.Diagostik Multicollinearity Dalam regresi linier tidak boleh terjadi sesama variabel independen berkorelasi secara kuat (multicollinearity). f.6 0.0 Observed Cum Prob Dari grafik histogram dan grafik normal P-P plot terbukti bahwa bentuk distribusinya normal. bila nilai VIF lebih dari 10 maka mengindikasikan telah terjadi collinearity.0 0.4 0.2 0. Untuk mendeteksi collinearity dapat diketahui dari nilai VIF (variance inflation factor).0 0.8 Expected Cum Prob 0.0 0.SUTANTO PRIYO HASTONO: Analisis Data Normal P-P Plot of Regression Standardized Residual Dependent Variable: Birth weight (gram) 1. berarti asumsi normality terpenuhi.4 0. 171 .2 0.

081 1.121 5. Weight of mother (pounds) b.566 -145.113 Adjusted R Square . Error 233.094 Std. 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.098 t 10.417 Collinearity Statistics Tolera nce VIF .000 .338 213.060 1.925 .037 1.336a .195 -.925 -2.211 -.947 1.721 105. Langkah sekanjutnya adalah UJI INTERAKSI.779 1.733 -1. Error of the Estimate 694.244 -2.412 Std.007 . Smoking status.035 -236. Sehingga model yang terakhir adalah sbb: Model Summaryb Model 1 R R Square .222 a.148 105.964 .SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Stand ardize d Coeffi cients Beta .943 .056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a. History of hypertension. Dependent Variable: Birth weight (gram) 172 . Predictors: (Constant). Dependent Variable: Birth weight (gram) Dari hasil uji asumsi didapatkan nilai VIF tidak lebih dari 10.016 DurbinWatson .420 -582. .026 .159 -.379 Sig.476 2. Namun karena secara substansi antar variabel dipandang tidak interaksi maka uji interaksi tidak dilakukan.169 Mo de l 1 Unstandardized Coefficients B 2449.004 . History of premature labor.

476 2.195 -.007 .SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Stand ardize d Coeffi cients Beta .169 Mo de l 1 Unstandardized Coefficients B 2449.3 % variasi variabel dependen berat bayi.113 artinya bahwa model regresi yang diperoleh dapat menjelaskan 11.338 213.060 1.4 Ptl 173 .412 Std.035 -236.ternyata variabel independen yang masuk model regresi adalah berat badan ibu.947 1.420 -582.244 -2. kita lihat hasil uji F yang menunjukkan nilai P (sig) = 0.000 .056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a.733 -1.417 Collinearity Statistics Tolera nce VIF .566 -145. berarti pada alpha 5% kita dapat menyatakan bahwa model regresi cocok (fit) dengan data yang ada. peresamaat regresi yang diperoleh adalah Berat Bayi = 2449. . Pada tabel ‘Model Summary’ terlihat koefisien determinasi (R square) menunjukkan nilai 0.004 . Dependent Variable: Birth weight (gram) Interpretasi model: Setelah dilakuikan analisis .379 Sig.3 %.1+5.4 smoke .000. Error 233.925 . ibu merokok. Dari hasil di atas.0 Lwt – 236.925 -2.964 .026 .943 .779 1.. Pada kotak ‘Coefficient’ kita dapat memperoleh persamaaan garisnya.081 1.148 105.159 -. Kemudian pada kotak ‘ANOVA’. dan riwayat prematur. Atau dapat diartikan kedua variabel tersebut secara signifikan dapat utnuk memprediksi variabel berat bayi.211 -. kita dapat mengetahui koefisien regresi masing-masing variabel.121 5. riwayat hipertensi.098 t 10. Atau dengan kata lain keempat variabel independen tsb dapat menjelaskan variasi variabel berat bayi sebesar 11.721 105.037 1. pada kolom B (di bagian Variabel In Equation) di atas.582Hi – 145.

Pada ibu yang menderita hipertensi. Kolom Beta dapat digunakan untuk mengetahui variabel mana yang paling besar peranannya (pengaruhnya) dalam menentukan variabel dependennya (berat badan bayi).. merokok dan prematur. B untuk masing-masing variabel adalah sbb: Setiap kenaikan berat badan ibu sebesar 1 kg. 174 . hipertensi dan prematur Pada ibu yang merokok berat bayinya akan lebih rendah sebesar 236. maka berat badan bayi akan naik sebesar 5.berat bayinya akan lebih rendah sebesar 582. merokok dan hipertensi. Adapun arti koef.5 gram setelah dikontrol variabel berat badan ibu. Semakin besar nilai beta semakin besar pengaruh nya terhadap variabel dependennya. hipertensi dan prematur.SUTANTO PRIYO HASTONO: Analisis Data Dengan model persamaan ini. Pada hasil di atas berarti variabel yang paling besar pengaruhnya terhadap penentuan berat badan bayi adalah berat badan ibu.4 gram setelah dikontrol variabel berat badan.0 gram setelah dikontrol variabel merokok. kita dapat memperkirakan berat badan bayi dengan menggunakan variabel berat badan ibu.

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

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

10 0.46 0. garis tersebut menyerupai huruf S.2 0.29 30 – 34 35 – 39 40 – 44 45 – 49 50 – 54 55 – 59 60 – 69 Pada grafik tyer.76 0.80 0.8 0.6 0.33 0. namun ada 177 .4 0.SUTANTO PRIYO HASTONO: Analisis Data PJK Tidak 9 13 9 10 7 3 4 2 57 Ya 1 2 3 5 6 5 13 8 43 Proporsi Kejadian 0.1 0 20 .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. Kalau kita cermati. Diawali peningkatan yang landai. kemudian meningkat tajam dan kemudian landai kembali.25 0. Kemudian kita coba sajikan data tersebut dengan grafik dan hasilnya dapat dilihat pada grafik berikut: 0.5 0.7 0.13 0. pembuatan diagram tebar tersebut merupakan cara untuk mendeteksi/mengetahui hubungan pada analisis regresi linier.63 0.3 0.9 0.

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

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

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

= 0.911 + 0.0 P0(X) 0.019 Angka tersebut di atas sebenarnya adalah risiko relatif (RR)yang diperoleh secara direk. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya rendah Oleh karena kadar katekolamin rendah diberi angka 0.911 dan β1 = 0.652KAT) Dari model tersebut coba kita jawab pertanyaan di atas: a.037 atau sekitar 4% 1 + e-(-3.652*0) jadi mereka/individu yang kadar katekolaminnya rendah dalam darah mempunyai risiko untuk terjadinya PJK sebesar 2% selama periode follow up. 1 + e-(-3. c.911 + 0. = 0.652. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya tinggi. Besar risiko kedua kelompok tersebut P1(X) = 0. 1 + e-z Bila Z = α + β1KAT. maka masukkan nilai KAT=0 pada model di atas.947 = 2. maka masukkan nilai KAT=1 pada model di atas.652*1) jadi mereka/individu yang kadar katekolaminnya tinggi dalam darah mempunyai risiko untuk terjadinya PJK sebesar 4% selama periode follow up.019 atau sekitar 2% 1 + e-(-3.911 + 0. b. maka rumusnya: P(X) = 1 . maka: P(X) = 1 . 1 + e-α + β1KAT Misdalkan didapatkan hasil analisis dengan paket program statistik sbb: α = -3.037 = 1.SUTANTO PRIYO HASTONO: Analisis Data Nilai f(z) dapat diganti dengan P(X). hasilnya: P(X) = 1 . maka modelnya : P(X) = 1 . Arti dari angka di atas adalah mereka yang kaadar 181 . Oleh karena kadar katekolamin tinggi diberi angka 1. hasilnya: P(X) = 1 .

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

Kegunaan analisis regresi logistik ganda mencakup dua hal.25. yaitu: a. Bentuk kerangka konsep model regresi : X1 X2 X3 X4 Prosedur pemodelan: Agar diperoleh model regresi yang hemat dan mampu menjelaskan hubungan variabel independen dan independen dalam populasi. variabel independennya boleh campuran antara variabel katagorik dan numerik. Model Prediksi Pemodelan dengan tujuan untuk memperoleh model yang tediri dari beberapa variabel independen yang dianggap terbaik untuk memprediksi kejadian variabel dependen. Melakukan analisis bivariat antara masing-masing variabel independen dengan variabel dependennya. Pada pemodelan ini semua variabel dianggap penting sehingga estimasi dapat dilakukan estimasi beberapa koefisien regresi logistik sekaligus. keuntunngan regresi logistik ganda adalah kemampuannya untuk memasukkan beberapa variabel dalam satu model. diperlukan prosedur pemilihan variabel sbb: 1). Y 183 . Seperti juga pada regresi linier. Namun sebaiknya variabel independennya berupa katagorik karena dalam menginterpretasi hasil analisis akan lebih mudah. Pada regresi logistik. Bila hasil uji bivariat mempunyai nilai p < 0. Namun bisa saja p value > 0.SUTANTO PRIYO HASTONO: Analisis Data B. maka variabel tersebut dapat masuk model multivariat.25 tetap diikutkan ke multivariat bila variabel tsb secara substansi penting. REGRESI LOGISTIK GANDA Pada pembahasan di atas sudah diperkenalkan mengenai regresi logistik sederhana.

Kemudian lakukan analisis logistik dan dihitung nilai OR-nya. maka langkah terakhir adalah memeriksa kemungkinan interaksi variabel ke dalam model. Penentuan variabel interaksi sebiknya melalui pertimbangan logika substantif. Pengeluaran variabel tidak serentak semua yang p valuenya > 0.SUTANTO PRIYO HASTONO: Analisis Data 2). Identifikasi linearitas variabel numerik dengan tujuan untuk menentukan apakah variabel numerik dijadikan variabel katagorik atau tetap variabel numerik. Memilih variabel yang dianggap penting yang masuk dalam model. Pengukian interaksi dilihat dari kemaknaan uji statistik. Model Faktor Risiko Pemodelan dengan tujuan mengestimasi secara valid hubungan satu variabel utama dengan variabel dependen dengan mengontrol beberapa variabel konfonding. maka variabel numerik dapat dipertahankan. b. namun dilakukan secara bertahap dimulai dari variabel yang mempunyai p value terbesar. Bila variabel mempunyai nilai bermakna. Setelah memperoleh model yang memuat variabel-variabel penting. 4). Caranya dengan mengelompokkan variabel numerik ke dalam 4 kelompok berdasarkan nilai kuartilnya. maka dapat dipertimbangkan dirubah dalam bentuk katagorik. Bentuk kerangka konsep model faktor risiko: X1 Y X2 X3 X4 184 . 3).05 dan mengeluarkan variabel yang p valuenya > 0. Bila nilai OR masing-masing kelompok menunjukkan bentuk garis lurus. maka variabel interaksi penting dimasukkan dalam model.05. Namun bila hasilnya menunjukkan adanya patahan. dengan cara mempertahankan variabel yang mempunyai p value < 0.05.

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

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

for EXP(B) Lower Upper . dan hasilnya sbb: Block 1: Method = Enter Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 2. . klik ‘CI for Exp(B)’ 6.105 .732 Wald 2.760 df 1 1 1 Sig. Variable(s) entered on step 1: age.385 S.635 .469 a. 187 .051 .893 1. Klik “OK”. Klik tombol ‘Options’ .011 Step a 1 age Const ant B -.097 . .0% C. Klik ‘Continue’ 7.760 2.276 df 1 1 Sig.950 1.E.032 .760 2.599 Exp(B) . .097 Variables in the Equation 95.SUTANTO PRIYO HASTONO: Analisis Data 5.097 .I.

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’. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.SUTANTO PRIYO HASTONO: Analisis Data Dari hasil output.25 sehingga variabel umur dapat dilanjutkan ke analisis multivariat. Klik “Binary Logistic”.097 berarti variabel umur p value nya <0.89-1. 4. tepatnya 3 kelompok(yaitu :ras 188 .950 (95% CI: 0. Pada variabel ras perlu dilakukan dummy oleh karena variabel ras berjenis katagorik dengan isi lebih dari 2 nilai. pada tampilan Block 1 didapatkan hasil omnibus test pada bagian Bloc dengan p value 0. Pilih “Regression” 3. Tampilannya sbb: 5. Dari tampilan SPSS nilai OR dapat diketahui dari kolom Exp(B) yaitu sebesar 0. Pilih “Analyze” 2.01) 2.

SUTANTO PRIYO HASTONO: Analisis Data putih. Klik tombol Categorical.082 .000 1.010 5.000 1. Klik Continue. lalu klik Change.010 df 2 2 2 Sig. layar ke menu logistic 7. klik pilihan ‘first’ pada bagian Reference category.000 Race White Black Other Frequency 96 26 67 Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 5. dan tampilannya: 6.010 5. Klik OK Categorical Variables Codings Parameter coding (1) (2) .082 189 .000 . .000 .082 .000 . hitam dan lainnya). pindahkan ‘race’ dari kotak covariates ke kotak categorical covariates.

085 . terlihat ada dua nilai OR yaitu OR untuk race(1) 2. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 4.328 1.for EXP(B) Lower Upper .087 berarti p value < 0.348 .315 a.022 df 1 1 1 Sig.25.772 3.155 S.889 . . Dari output dapat diketahui juga nilai OR dummy. Analisis bivariat antara “hipertensi” dengan “bblr” 1. Pilih “Regression” 3. 3.955 5. Klik OK.736 B Stea p1 race race(1) race(2) Constant .E. .89 kali lebi tinggi dibandingkan ras kulit putih.239 Wald 4.636 -1.022 4.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.067 .328 artinya ras kuliat hitam akan berisiko bayinya bblr sebesar 2. Variable(s) entered on step 1: race.045 .I.045 .330 df 2 1 1 1 Sig.3 kali lebih tinggi dibandingkan ras kulit putih.022 4. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ht”.323 3.045 190 . OR untuk race(2) besarnya 1.922 3.939 . Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4.0% C.068 .89 artinya ras kelompok lainnya mempunyai risiko bayinya bblr sebesar 1.345 23.000 Exp(B) 2. Pilih “Analyze” 2. Hasil uji didapatkan p value 0. Klik “Binary Logistic”.463 .845 . sehingga variabel ras dapt lanjut ke multivariat. .

.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95. Klik “Binary Logistic”.076 5.024 .877 S. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ui”. Hasil uji didapatkan p value = 0.139 5.076 5.E.979 28.176 Wald 5.578 .947 -.25) berarti masuk dalam multivariat 4. .000 Exp(B) 3. . maka variabel kelainan uterus dapat lanjut ke multivariat 191 . Pilih “Regression” 9. . muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.249 df 1 1 Sig.I.E.162 29.214 -.365 .for EXP(B) Lower Upper 1.25).024 Variables in the Equation 95.024 (p value < 0.608 .021 11.088 Step a 1 ht Constant B 1. Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 5.for EXP(B) Lower Upper 1.I.076 df 1 1 1 Sig. 10.046 .388 a.045 (p value < 0.072 df 1 1 Sig.947 S.416 a.023 .000 Exp(B) 2.0% C. Variable(s) entered on step 1: ht. Klik OK.0% C.165 Wald 3. Variable(s) entered on step 1: ui.834 Step a 1 ui Constant B .417 . Hasil p value 0. Analisis bivariat antara “kelainan uterus” dengan “bblr” 7. Pilih “Analyze” 8. .024 .

867 df 1 1 1 Sig.135 -. Hasil uji p value = 0. .SUTANTO PRIYO HASTONO: Analisis Data 5.188 Step a 1 ftv Constant B -.427 df 1 1 Sig. 6.000 Exp(B) .I.874 . .Pilih “Analyze” 2.643 1.Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ftv”.Klik “Binary Logistic”. .379 (p value > 0.195 Wald .0% C.E. namun karena secara substansi variabel periksa hamil sangat penting.687 S.027 192 .25) sehingga secara statistik tidak dapat lanjut ke multivariat. Klik OK. 4.for EXP(B) Lower Upper . Variable(s) entered on step 1: ftv.Analisis bivariat antara “periksa hamil” dengan “bblr” 1.744 12.Pilih “Regression” 3. maka variabel ini dapat dianalisis multivariat.379 . .379 Variables in the Equation 95.027 . Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square .503 a.773 .867 4.389 .773 .773 df 1 1 1 Sig.157 . muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.379 .Analisis bivariat antara “merokok” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4.867 4.027 .

I. Hasil analisis didapatkan p value sebesar 0.for EXP(B) Lower Upper 1. . Variable(s) entered on step 1: smoke.197 4.151 Step a 1 ptl Constant B .779 df 1 1 1 Sig.381 a.009 . 7.370 df 1 1 Sig.704 -1.0% C.022 .082 0.175 Wald 6.320 .024 0.215 Wald 4.000 Exp(B) 2. .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 0.852 25.087 S.E.027 ( < 0.627 df 1 1 Sig.E.009 . .379 0.337 a.I. Variable(s) entered on step 1: ptl.25) dengan demikian variabel merokok dapat masuk ke multivariat.028 .for EXP(B) Lower Upper 1.783 Step a 1 smoke Constant B . .802 -.779 6.230 .011 . .391 30.045 0.009 berarti < 0.779 6.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.027 0.0% C.Analisis bivariat antara “prematur” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 6.009 Variables in the Equation 95.097 0. Hasil analisis bivariat didapatkan p value = 0.000 Exp(B) 2.081 3.964 S.317 .009 193 .

1. PEMODELAN MULTIVARIAT Selanjutnya dilakukan analisis multivariat keenam variabel tersebut dengan kejadian bblr. Ingat untuk Race dilakukan dummy.SUTANTO PRIYO HASTONO: Analisis Data Hasil seleksi bivariat semua variabel menghasilkan p value < 0. ptl. 5. Lakukan pemilihan variabel yang berhubungan signifikan dengan variabel dependen.. pilih ‘CI for exp(B)’ 6. Pilih “Regression” 3. ui. Klik ‘Continue’ 194 . B. 1. Klik Option. hanya periksa hamil yang p valuenya > 0.25. smoke. Pilih “Analyze” 2. ftv. Klik “Binary Logistic”. race. ht. 4. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan variabel age.25. namun variabel periksa hamil tetap dianalisis multivariat oleh karena secara substansi periksa hamil merupakan variabel yang sangat penting berhubungan dengan kejadian bblr. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.

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

958 2.743 2.9 % 13.221 .025 S.629 . smoke.894 2.958 2.696 -2. . .132 a.for EXP(B) Lower Upper 1.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.321 1.000 Exp(B) 2.640 3.032 .016 .390 5.009 .894 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 0.052 .007 3.793 B Step a 1 race race(1) race(2) smoke ht ptl Constant 1.372 Wald 8.1 % - Setelah dilakukan perbandingan OR.726 11.280 .877 3.0% C.988 1.E.390 2.4 % 3.626 5.382 . Akhirnya model yang dihasilkan adalah sbb: 199 .062 1.707 3.902 2.949 6.513 6.500 .764 4.286 4. dengan demikian variabel ui masuk kembali dalam model.I.960 2. ht. ternyata variabel ht berubah > 10 %.5 % 8. Variable(s) entered on step 1: race.727 2.009 2.707 2.229 1.062 7.622 1.596 29.086 1.085 .2 % 6.034 .008 .794 3.712 6.411 . ptl.325 .586 df 2 1 1 1 1 1 1 Sig.007 .996 1.

000 Step 1 Step Block Model 200 . ht dan ui 4. klik regression.350 .585 30.968 4. Klik tombol Next 5.501 .000 26.146 S.747 3.991 . smoke.000 Exp(B) 2. UJI INTERAKSI Uji interaksi dilakukan pada variabel yang diduga secara substansi ada interaksi. kalau memang tidak ada tidak perlu dilakukan uji interaksi.640 3.855 -2.131 .422 13.117 a.334 .723 6.263 . ptl. .058 .085 .569 2.418 .030 .386 Wald 7.692 B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1. Kotak dependen isikan low 3.916 6.694 1. Dalam kasus sekarang.059 .779 3.011 .970 7.for EXP(B) Lower Upper 1.994 . ui.387 .E.883 2. isikan : smoke*ht ke kotak kovariat 6.994 .917 df 2 1 1 1 1 1 1 1 Sig.925 1.088 1. . Variable(s) entered on step 1: race.031 .968 2.537 5. ptl.633 .576 1. klik analysis. .0% C.451 .422 6.538 5.560 df 1 1 7 Sig. misalkan kita duga merokok berinteraksi dengan hipertensi.271 1.010 .I. smoke.975 4. ht. klik binary ogistik 2.113 1.000 .SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95. Kotak Kovariat isikan Race. Langkahnya: 1.019 . klik OK lihat hasilnya pada bagian Block 2 Block 2: Method = Enter Omnibus Tests of Model Coefficients Chisquare . C.912 2.364 .

05.082 7.102 . Pada output bagian Block 2:Methode=Enter.855 -2.912 2.854 .501 .451 .087 .994 .937 2.387 .693 12. ui.916 6.387 6.970 .779 3. ptl.117 a. .0% C. Variable(s) entered on step 1: ht * smoke .364 .336 .0% C.640 3.113 1.268 1.E.for EXP(B) Lower Upper 1.555 5.491 B Step a 1 race race(1) race(2) smoke ptl ht ui ht by smoke Constant 1.422 13. smoke.236 .921 .000 Exp(B) 2.000 Exp(B) 2. Dengan demikian pemodelan telah selesai.975 4.925 1.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.875 df 2 1 1 1 1 1 1 1 1 Sig. .059 .584 .852 5.146 S.019 .360 .I. . terlihat hasil uji omnibusnya memperlihatkan p value = 0.088 1.011 .896 2.146 S.694 1.334 .010 .085 .019 .865 3. model yang valid adalah model tanpa ada interaksi: MODEL TERAKHIR Variables in the Equation 95.994 (lihat bagian step) berarti lebih besar dari 0.283 .030 .633 .058 .386 Wald 7.E.451 1.883 2.680 3.088 1. Variable(s) entered on step 1: race. .211 2.883 2.692 B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.109 1.010 .131 .397 .723 6.011 .946 6.059 .for EXP(B) Lower Upper 1.117 a.569 2.692 6.968 2.350 1.502 .I.990 .585 30.418 .991 .010 -2.765 .013 .970 7.968 4.917 df 2 1 1 1 1 1 1 1 Sig.350 .031 .747 3.030 .538 5.779 3.271 1. ht.419 .438 19. berarti : tidak ada interaksi antara merokok dengan hipertensi.576 1.422 6.692 1.969 2.058 .263 .900 4.000 30. 201 .386 Wald 7.831 .576 1.537 5.

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

kerja * umur1 .000 .583 Stea p1 kerja umur1 sikap kerja by umur1 kerja by sikap Constant B -20. berat badan ibu dan sikap A.I. Pilih “Analyze” 2.849 1. Klik ‘OK’.869 1. . sikap. dan hasilnya sbb: Logistic Regression Variables in the Equation 95.0% C.114 28420.505 S.148 -1. .514 56.105 df 1 1 1 1 1 1 Sig. Variable(s) entered on step 1: kerja.E. Klik “Binary Logistic”. 28420.kerja*bbibu.for EXP(B) Lower Upper .972 .722 1.000 5.160 .275 1.351 . kerja*sikap) 4.949 6E+008 1.160 .052 20. kerja * sikap .293 Exp(B) .372 .000 1.186 .208 . 203 . Langkah pertama: menyusun model mencakup semua variabel dan variabel interaksi Cara 1.648 .681 -. kerja*umur1.159 1. Pada kotak Dependen isikan variabel yang kita perlakukan sebagai dependen (dalam contoh ini berarti eksklu) dan pada kotak Covariat isikan variabel independen utama beserta variabel konfounding dan interaksinya (dalam hal ini berarti: kerja.432 Wald . umur1.760 1.222 a.000 .197 .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.279 . . Pilih “Regression” 3.000 .722 . bbibu. muncul menu dialog yang berisi kotak Dependent dan Covariat. sikap. umur1.999 .999 .109 .

616 Stea p1 kerja umur1 sikap kerja by sikap Constant B -. .264 1. Variable(s) entered on step 1: kerja.I.051 .812 .991 92.E.753 1.999) sehingga variabel tersebut dikeluarkan dari model.582 1.for EXP(B) Lower Upper .E.035 -2.274 1.217 -. Variable(s) entered on step 1: kerja. variabel interaksi ‘kerja by sikap’ harus dikeluarkan dari model karana p valuenya > 0.152 a.445 2.05). variabel dikatakan berinteraksi bila p valuenya < 0. Dari hasil di atas variabel interaksi ”Pekerjaan by umur” mempunyai nilai p terbesar (p=0.601 . 1.114 .959 9. kesimpulannya tidak ada variabel interasksi.610 df 1 1 1 1 1 Sig.05.SUTANTO PRIYO HASTONO: Analisis Data Dari output model penuh/lengkap ini kita lakukan uji interaksi.191 .146 .060 .175 -1.609 .0% C.0% C.157 .557 .022 18. .592 .942 1.795 .178 .for EXP(B) Lower Upper 1.239 Wald 4.202 Step a 1 kerja umur1 sikap Consta nt B 1.212 5. Setelah dikeluarkan hasilnya: Variables in the Equation 95.384 df 1 1 1 1 Sig.020 Exp(B) 3.741 . . kerja * sikap . Dengan demikian hasil uji interaksi sudah selesai.205 Exp(B) .039 .876 S. langkah selanjutnya uji konfounding 204 . umur1.156 1.053 .971 86. Dari output diatas.893 1.483 Wald .273 3.749 .036 . sikap.05.878 1.641 9. umur1. Seleksinya dengan mengeluarkan secara bertahapVariabel interaksi yang tidak signifikan (p>0.067 3.I. Dan model menjadi: Logistic Regression Variables in the Equation 95. pengeluaran dilakukan secara bertahap dari variabel interaksi yang p value-nya terbesar.261 .056 a.881 S.074 14. sikap.260 .177 .666 1.076 1.645 .376 2.718 1.

.624 S.585 4. Variable(s) entered on step 1: kerja.985 1.079 Exp(B) 5.9 % . Untuk itu variabel umur harus tetap ikut dalam model sebagai konfounding hubungan kerja dengan menyusui eksklusive.618 .111 =32. umur1.6 % .165 99. Model terakhir : 205 .413 2.110 10.SUTANTO PRIYO HASTONO: Analisis Data UJI KONFOUNDING Uji konfounding dengan cara melihat perbedaan nilai OR untuk variabel utama dengan dikeluarkannya variabel kandidat konfounding.378 -2.754 Stea p1 kerja umur1 Constant B 1. Dengan demikian variabel sikap bukan konfounding.464 .429 Wald 7.I.091 df 1 1 Sig.754 S.959)/4.135 1.0% C.073 a.627 18. bila perubahannya > 10 %. dan harus dikeluarkan dari model Langkah selanjutnya mengeluarkan variabel umur.006 .783 . Setelah variabel umur dikeluarkan terlihat perubahan OR variabel utama: kerja sebesar : (5. .for EXP(B) Lower Upper 1.111)/4. setelah dikeluarkan dari model hasiilnya sbb:’ Variables in the Equation 95.036 .471 a. Setelah variabel sikap dikeluarkan terlihat perubahan OR variabel utama kerja sebesar : (4.127 14. Tahap pertama : akan dikeluarkan variabel Sikap.for EXP(B) Lower Upper 1. Variable(s) entered on step 1: kerja.032 .113 Wald 4. .545 3.E. Dengan demikian variabel umur merupakan variabel konfounding.I.464-4.698 -.357 Step a 1 kerja Const ant B 1. .018 Exp(B) 4.111 – 3. setelah dikeluarkan hasilnya: Variables in the Equation 95.660 1. maka varaibel tsb dianggap sebagai variabel konfounding.0% C.E.389 5.555 df 1 1 1 Sig.111 =3.

036 .073 a.for EXP(B) Lower Upper 1.I.783 .624 S.585 4.032 .413 2.127 14.754 Stea p1 kerja umur1 Constant B 1.113 Wald 4.660 1.165 99.0% C. 206 . umur merupakan confounding hubungan pekerjaan dengan menyusui eksklusif.555 df 1 1 1 Sig. Interpretasi: Setelah dilakukan analisis confounding. umur1.378 -2.985 1.389 5.018 Exp(B) 4.E.135 1. . .SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95. Variable(s) entered on step 1: kerja. maka modelnya adalah sbb: Dari model di atas dapat dijelaskan bahwa ibu yang tidak bekerja mempunyai peluang menyusui eksklusif 4 kali dibandingkan ibu yang tidak bekerja setelah dikontrol variabel ”umur”. ternyata.110 10.

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

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