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

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

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

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

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

d. Mengetahui konsistensi data Cara mendeteksi adanya ketidakkonsistensi data dengan menghubungkan dua variabel. Contoh: 1). membandingkan dua tabel Tabel 4 Keikutsertaan KB KB Ya Tidak Total Jumlah 20 80 100 9 . 4. c. yaitu munculnya kode pendidikan angka 7 yang berjumlah 4 pasien. Seharusnya variabel pendidikan variasi angkanya hanya dari angka 1 s. namun terlihat ada data yang salah.SUTANTO PRIYO HASTONO: Analisis Data Tabel 3 Jenis pendidikan pasien Pendidikan 1 2 3 4 7 Total Jumlah 40 30 20 6 4 100 Dari tampilan di atas kendati jumlah total sudah benar 100.

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 .SUTANTO PRIYO HASTONO: Analisis Data Tabel 5 Jenis Alat Kontrasepsi Yang Dipakai Pendidikan Suntik Pil Kondom IUD Total Jumlah 5 5 4 10 24 Dari kedua tabel tersebut terlihat bahwa ada ketidak konsistenan antara jumlah peserta KB (20 orang) dengan total jenis alat kontrasepsi yang dipakai (24 orang). 2). Seharusnya pada baris total jenis alat kontrasepsi jumlahnya 20 orang.

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

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

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

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

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

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

1 10.100 2.800 3.2 11.8 9.1 12.2 9.0 10.2 11.0 10.1 10.2 13.2 10.2 10.2 11.900 2.1 11.600 3.000 4.4 12.2 7.4 7.8 11.5 9.4 8.800 3.700 2.SUTANTO PRIYO HASTONO: Analisis Data Survei dilakukan dengan jumlah responden sebanyak 50 orang.2 13.1 10.0 12.0 12.8 10.000 Segera 2 4 1 2 3 5 3 2 3 4 2 2 2 2 1 5 5 5 1 3 2 4 1 2 3 5 1 2 3 4 2 2 2 2 2 5 5 5 1 3 2 2 1 2 2 5 Kolos 1 3 2 3 2 4 4 1 2 4 1 4 1 3 1 4 4 4 1 2 1 3 2 1 4 4 2 1 2 4 1 1 3 3 3 4 4 4 1 2 1 1 1 3 3 4 Lahir 2 3 2 4 4 4 2 1 2 5 2 2 2 4 2 4 4 4 2 4 2 3 2 1 2 4 2 1 1 5 2 2 4 1 4 4 4 4 2 2 2 2 2 4 1 4 sampai 1 4 1 2 3 4 2 2 4 4 1 4 1 4 2 4 4 4 2 4 1 4 1 2 2 4 2 2 1 4 1 1 2 1 2 4 4 4 2 2 1 1 2 2 2 4 17 .3 12.4 11.2 11.600 2.4 12.8 9.2 11.1 11.0 8. 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 10.000 3.800 3.800 3.1 11.2 11.1 9.500 3.1 8.700 2.900 2.300 4.2 Hb2 11.0 8.5 11.600 3.400 3.4 9.0 10.000 3.900 2.400 3.000 4.0 12.600 3.0 10.9 11.1 10.2 10.8 10.3 9.1 9.8 9.1 10.2 11.1 10.100 3.500 4.1 9.000 3.8 9.2 10.1 10.100 2.500 3.500 2.300 4.2 11.1 11.8 9.100 2.2 10.2 10.600 2.4 12.2 10.8 10.1 7.000 3.800 3.3 11.000 3.1 10.600 2.900 2.8 10.500 2.2 12.3 12.2 11.2 9.8 10.1 11.2 10.100 2.1 11.1 10.3 9.300 2.500 4.3 11.2 10.000 3.0 12.5 9.8 10.300 4.4 13.2 10.3 10.3 10.4 bbbayi 2.400 3.1 10.1 9.300 2.600 3.

0 12.800 3. Membuat Variabel No Adapun tahapannya sbb: 18 . umur.3 3.100 5 5 3 3 4 4 2 1 4 4 4 1 4 4 2 2 A. sehingga muncul tampilan layar “Variable View” Pada tampilan “Variable View” diatas terlihat kolom: Name.2 13. dst. Sekarang lakukan : klik “Variable View” di bagian kiri bawah. Untuk membuat nama variabel. Type. dst. layar/jendela posisikan pada “Variable View”.300 2...4 13. didik.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 11.2 10.3 12.2 11. Decimals.2 11. Selanjutnya kita dapat membuat nama variabelnya dimulai dari No. yaitu jendela “Data View” dan “Variabel View”. Width.sbb: a.900 2. Langkah pertama : Memberi/membuat nama variabel: Layar pada tampilan Workshet di menu data SPSS ada 2 jenis.

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

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

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

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

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

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

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

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

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

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

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

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

29

SUTANTO PRIYO HASTONO: Analisis Data

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

30

SUTANTO PRIYO HASTONO: Analisis Data

] 3. Klik “Save “, data akan tersimpan

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

31

SUTANTO PRIYO HASTONO: Analisis Data

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

32

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

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

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

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

35

SUTANTO PRIYO HASTONO: Analisis Data

Kemudian Klik ‘Into different Variable’

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

Output Variable:

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

Output Variable terlihat

SUTANTO PRIYO HASTONO: Analisis Data

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

, ketiklah 19 dan

‘new Value’, ketik 1 kemudian klik Add,

37

SUTANTO PRIYO HASTONO: Analisis Data

Langkah 3

Langkah 1 Langkah 4

Langkah 2

9). Pindahkan kursor ke kotak Range:

through

, kita akan

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

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

thrugh highest ketiklah 31. Lalu pindahkan kursor ke

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

38

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

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

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

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

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

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

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 “OK”. maka isi variabel RISK akan berubah dari 0 menjadi 1. Klik “OK”. apakah hasilnya betul sesuai yang kita kehendaki 45 . Klik “Continue” 14). Recode. atau IF sebaiknya di croscek. akan muncul pesan: 15). kalau menemui data yang berisi umur diatas 30 tahun dan berat ibu dibawah 50 th. coba dicek !!!! Note : setiap kita melakukan perintah : Compute.

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

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

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

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

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

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

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

0 100.0 60.0 Valid Percent 40.0 53 .0 60.0 100.0 100.SUTANTO PRIYO HASTONO: Analisis Data Frequencies Statistics RISK N Valid Missing 5 0 RISK Cumulative Percent 40.0 Valid 1 2 Total Frequency 2 3 5 Percent 40.

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

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

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

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

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

Scale if Item deleted.121 1.SUTANTO PRIYO HASTONO: Analisis Data 6. biarkan pilihan pada ‘Alpha’ Klik Option ‘Statistics’ 8.47 2.47 Std.121 1. Pada bagian ‘Descriptives for’ klik pilihan ‘ítem’.928 N of Items 5 Item Statistics sering terpaksa lembur Bersaing dlm hidup Mudah marah konflik keluarga konflik dgn teman Mean 2.40 2.40 2. Deviation 1.27 2. 10. Pada ‘Model’.187 N 15 15 15 15 15 59 .100 1.187 1. terlihat hasil outputnya sbb : Reliability Statistics Cronbach's Alpha . 9. 7. Klik ‘Continue’ Klik ‘OK’..

60 .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. Kesimpulan: Terlihat dari 5 pertanyaan.514).955 . varian dll.971 15.924 15.60 9. *) Menentukan nilai r tabel Nilai r tabel dilihat dengan tabel r (pada lampiran) dengan menggunakan df = n2 15-2=13.884 .881 sering terpaksa lembur Bersaing dlm hidup Mudah marah konflik keluarga konflik dgn teman Interpretasi: Hasil analisis reliability memperlihatkan dua bagian.892 . maka pertanyaan tersebut valid. ada satu pertanyaan yaitu P2 (r=0.SUTANTO PRIYO HASTONO: Analisis Data Item-Total Statistics Scale Mean if Item Deleted 9.963 Cronbach's Alpha if Item Deleted . ketentuan: bila r hasil > r tabel.73 9.53 9. Pada tingkat kemaknaan 5%.124 20.686 15.328 .993 . Kaidah yang berlaku bahwa pengujian dimulai dengan menguji validitas kuesioner baru dilanjutkan uji reliabilitas. P4 dan P5 dinyatakan valid. a. P3. sedangkan untuk pertanyaan P1.963 .60 9.3275) yang nilainya lebih rendah dari r tabel (r=0.915 .124 Corrected Item-Total Correlation . Sehingga pertanyaan P2 tidak valid. Uji Validitas Untuk mengetahui validitas kuesioner dilakukan dengan membandingkan nilai r tabel dengan nilai r hitung.881 . Bagian utama menunjukkan hasil statistik deskriptif masing-masing variabel dalam bentuk mean. didapat angka r tabel = 0.53 Scale Variance if Item Deleted 15. Pada bagian kedua memperlihatkan hasil dari proses validitas dan reliabilitas.

514). Masukkan keempat variabel ke dalam kotak ‘Items’ (variabel P2 tidak ikut dianalisis) 5. 61 .33 7.988 .47 2.47 Std.187 1. Klik “OK” Kemudian muncul tampilan Output sbb: Reliability Statistics Cronbach's Alpha .495 Corrected Item-Total Correlation .SUTANTO PRIYO HASTONO: Analisis Data Langkah selanjutnya melakukan analisis lagi dengan mengeluarkan pertanyaan yang tidak valid. semua mempunyai nilai r hasil (Corrected item-Total Correlation) berada di atas dari niali r tabel (r=0.971 .121 1.27 Scale Variance if Item Deleted 11. Deviation 1.994 .27 7.095 11.40 2.988 sering terpaksa lembur Mudah marah konflik keluarga konflik dgn teman Interpretasi: Sekarang terlihat bahwa dari keempat pertanyaan.996 . sehingga dapat disimpulkan keempat pertanyaan tersebut valid.121 1.971 .33 7.495 12.187 N 15 15 15 15 Item-Total Statistics Scale Mean if Item Deleted 7. Klik ‘Analyze’ 2.40 2.994 . Lakukan prosedur/langkah seperti di atas yaitu: 1. Pilih ‘Reliability Analysis’ 4.996 Cronbach's Alpha if Item Deleted .993 N of Items 4 Item Statistics sering terpaksa lembur Mudah marah konflik keluarga konflik dgn teman Mean 2.095 12. Pilih ‘Scale’ 3.

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

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

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

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

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

Keadaan ini bisa terjadi karena kumpulan data di atas ada nilai ekstrimnya. hasil ini tendtunya tidak dapat mewakili karena secara visual datanya sebagian besar kurang dari 5 hari. Namun kelemahan dari nilai mean adalah sangat dipengaruhi oleh nilai ekstrim.000. Secara sederhana perhitungan nilai mean dapat dituliskan dengan rumus : X = Σ Xi / n Keuntungan nilai mean adalah mudah menghitungnyadan sudah melibatkan seluruh data dalam penghitungannya. Oleh karena itu pada kelompok data yang ada nilai ekstrimnya (sering dikenal dengan ‘distribusi data yang menceng/miring’). ada 5 pasien diukur lama hari rawatnya : 1 hr.000.... 90 hr.. Berbeda dengan nilai mean. sebenarnya sebagian besar orang pendapatannya di bawah Rp 10.000.000. 3 hr. Dengan demikian penggunaan mean untuk data yang ada nilai ekstrimnya (data yang distribusinya menceng) kurang tepat. 2 hr. Median Median adalah nilai dimana setengah banyaknya pengamatan mempunyai nialai di bawahnya dan setengahnya lagi mempunyai nilai di atasnya. Apabila mean perndapatan perbulan adalah Rp 10. Mean tidak dapat mewakili rata-rata kumpulan nilai pengamatan.. Karena 70 . Sebagai contoh data yang ada nilai ekstrimnya adalah data penghasilan. besar beda antar nilai di abaikan.diperoleh karena tarikan sekelompok kecil orang (misalnya konglomerat) yang pendapatannya sangat tinggi.000.000. Contoh. Mean = (1+3+4+2+90)/5 = 20 hr. Mean sebesar Rp 10. Dari hasil penghitungan didapatkan rata-rata lama hari rawat 20 hari. 2). baik ekstrim tinggi maupun rendah. 4 hr. penghitungan median hanya mempertimbangkan urutan nilai dasil pengukuran.SUTANTO PRIYO HASTONO: Analisis Data Mean/average adalah ukuran rata-rata yang merupakan hasil dari jumlah semua nilai pengukuran dibagioleh banyaknya pengukuran.

median dan mode akan menentukan bentuk distribusi data: Bila nilai mean. maka bentuk distribusi datanya menceng/miring ke kanan Bila nilai mean < median < mode. 20 th. maka median tidak dipengaruhi oleh nilai ekstrim. median dan mode sama. Dari data tersebut berarti mode-nya adalah 20 tahun Bentuk Distribusi Data Hubungan nilai mean. Hitung nilai mediannya Contoh ada usia 6 mahasiswa 20 th. Mode/Modus Mode adalah nilai pengamatan yang mempunyai frekuensi/jumlah terbanyak. 36.5 Mediannya adalah data yang urutannya ke 3. 24 th. 24. 26. maka bentuk distribusi datanya normal Bila nilai mean > median > mode. 23th. 40 th. 30. Data diurutkan/di-array dari nilai kecil ke besar b). Contoh mode data umur mahasiswa: 18 th. Hitung posisi median dengan rumus (n+1)/2 c).5 yaitu (26 + 30)/2 = 28 Jadi 50% mahasiswa berumur dibawah 28 tahun dan 50% mahasiswa berumur di atas 28 tahun 3). 30 th.SUTANTO PRIYO HASTONO: Analisis Data mengabaikan besar beda. Prosedur penghitungan median melalui langkah a). 26 th. 22 th. 36 th Data diurutkan: 20. 21 th. 20 th. 40 Posisi = (6+1)/2 = 3. maka bentuk distribusi datanya menceng /miring ke kiri 71 .

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

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

9 2 – 60 10.enyampaikan informasi suatu data/variabel. 3.1 7. Bentuk Penyajian Data Bentuk penyajian analisis univariat dapat berupa tabel atau grafik. Umur 2.SUTANTO PRIYO HASTONO: Analisis Data Contoh: Kelas A: mahasiswa 50 dan mahasiswi 50 Kelas B: mahasiswa 90 dan mahasiswi 10 Pada kelas A. Namun perlu diingat bahwa kita dianjurkan hanya memilih salah satu.1 10. Contoh penyajian analisis deskriptif: a. jenis kelamin mahasiswa tidak bervariasi (homogen pada pria) karena pria 90% dan wanita hanya 10%.3 31.1 17 – 60 SD Minimal.0 8. Lama hari rawat Mean Median 30.Maksimal 74 . Pada kelas B. Data numerik Tabel 1 Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun 1999 Variabel 1. jenis kelamin mahasiswa bervariasi (heterogen) karena 50% pria dan 50% wanita. tidak diperkenankan secara sekaligus menggunakan tabel dan juga grafik dalam m.

SUTANTO PRIYO HASTONO: Analisis Data b. misalnya apakah variannya homogen atau heterogen. Eksplorasi data juga dapat untuk mendeteksi adanya nilai ekstrim/outlier.0 Bagaimana menginterpretasi tabel di atas? “dilihat konsentrasi/jumlah yang terbesar data pada kelompok mana?” Selain untuk mendeskripsikan masing-masing variabel. apakah distribusinya normal atau tidak. bila ada nilai ekstrim sangat menentukan analisis selanjutnya (bivariat) apakah nilainya akan berkurang. 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 60.0 100.0 30. analisis univariat dapat juga sekaligus untuk mengeksplorasi variabel yang dapat berguna dalam mendiagnosis asumsi statistik lanjut (terutama untuk variabel jenis numerik).0 10. 75 .

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

0 74.0 Cumulative Percent 20.0 26. ‘Cumulative Percent’ 77 . 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. pada contoh di atas ada 20% ibu yang berpendidikan SD.0 32.0 42.0 100. total responden 50 orang.SUTANTO PRIYO HASTONO: Analisis Data 3.0 Valid 1 2 3 4 Total Kolom ‘Frequency’ menunjukkan jumlah kasus dengan nilai yang sesuai.0 26.0 32. hasil dapat dilihat di jendela output.0 100.0 22. Klik ‘OK’. proporsi dapat dilihat pada kolom ‘Percent’. dari jumlah tersebut 10 ibu yang berpendidikan SD. Kolom ‘Valid Percent’ memberi hasil yang sama karena pada data ini tidak ada ’missing cases’.0 22. Pada contoh di atas.0 100.0 Valid Percent 20.

b. yaitu dapat yang melalaui digunakan perintah adalah 78 ‘Frequencies’ perintah Biasanya . peringkasan data dapat dilakukan dengan melaporkan ukuran tengah dan sebarannya.0% dan 26. Penyajian dan Interpretasi di Laporan Penelitian Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan penelitian/laporan tesis. Pendidikan SD SMP SMU PT Total Jumlah 10 11 16 13 50 Persentase 20.0 26.0 100. Dalam menginterpretasikan tabel katagorik dapat dilihat dari variasi dan konsentrasi datanya. Pada contoh di atas ada 42. Ukuran yang digunakan adalah rata-rata. minimal dan maksimal. Sedangkan ukuran sebarannya (variasi) yang digunakan adalah range.0 22.0%) sedangkan untuk pendidikan SD. Data Numerik Pada data numerik. median dan modus.0% ibu yang tingkat pendidikannya SD dan SMP. Adapun penyajian dan interpretasinya sbb: Tabel … Distribusi Responden Menurut Tingkat Pendidikan Di ………… X tahun ….0%.0%. Pada SPSS ada dua cara untuk mengeluarkan atau analisis deskriptif ‘Expolre’. standard deviasi. 22.0 Distribusi tingkat pendidikan responden hampir merata untuk masing-masing tingkat pendidikan. Paling banyak responden berpendidikan SMU yaitu 16 orang (32. SMP dan PT masing-masing 20.0 32.SUTANTO PRIYO HASTONO: Analisis Data menjelaskan tentang persent kumulatif.

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

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

0 4.0 4. Error of Mean Median Mode Std.0 6.0 100.0 4.0 6.0 Cumulative Percent 14.0 100.0 80.0 6.0 10.850 19 35 umur ibu menyusui Frequency 7 3 3 5 5 4 2 5 3 3 3 3 2 2 50 Percent 14.0 8.0 46.0 6.686 24.0 58.0 10.0 Valid Percent 14.0 4.0 68.0 74.0 6.0 10.0 100.0 20.0 6.0 6.0 86.0 92.0 10.0 Valid 19 20 21 22 23 24 25 26 27 30 31 32 34 35 Total 81 .0 4.0 6.10 .0 6.00 19 4.0 6.0 10.0 6.0 54.0 4.0 6.0 10.0 8. Deviation Minimum Maximum 50 0 25.SUTANTO PRIYO HASTONO: Analisis Data Statistics umur ibu menyusui N Valid Missing Mean Std.0 26.0 96.0 36.

0 tahun dan standard deviasi 4. 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. lalu pilih ‘Explore’ 82 . Bila anda ingin memperoleh estimasi interval lakukan analisis eksplorasi data dengan perintah ‘Explore’. Dari menu utama SPSS.SUTANTO PRIYO HASTONO: Analisis Data Histogram 7 6 5 Frequency 4 3 2 1 Mean = 25. nilai rata-rata dapat dilihat pada baris mean. Pada contoh di atas. = 4. Dev. Distribusi frekuensi ditampilkan menurut umur termuda sampai dengan umur tertua dengan informasi tentang jumlah dan persentasenya.85 N = 50 15 20 25 30 35 0 umur ibu menyusui Dari hasil di atas.10 tahun. pilih menu ‘Analyze’. Bentuk distribusi data dapat diketahui dari grafik histogram dan kurve normalnya. Seviation. rata-rata umur ibu adalah 25.85 tahun dengan umur termuda 19 tahun dan yang tertua 35 tahun.1 Std. kemudian pilih submenu ‘descriptive Statistics’. sedangkan nilai standard deviasi dapat dilihat pada baris std. median 24. Adapun caranya sbb: 1.

Klik tombol ‘Plots’. 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 . sehingga tampilannya sbb: 3. dan pilih ‘Normality Plots With Test’ 4.SUTANTO PRIYO HASTONO: Analisis Data 2. Klik ‘Continue’ 5.

00 11. .00 Stem width: Each leaf: Stem & 1 2 2 3 3 . .00 23.00 20.662 umur ibu menyusui Shapiro-Wilk Statistic df . Lilliefors Significance Correction umur ibu menyusui umur ibu menyusui Stem-and-Leaf Plot Frequency 7.547 -. Leaf 9999999 00011122222333334444 5566666777 00011122244 55 10 1 case(s) 84 .002 a.686 . Error .90 24.812 Std.130 50 .035 a Lower Bound Upper Bound Statistic 25.920 50 Sig.48 24.850 19 35 16 9 . Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Tests of Normality Kolmogorov-Smirnov Statistic df Sig. . .10 23.520 4.SUTANTO PRIYO HASTONO: Analisis Data Descriptives umur ibu menyusui Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.00 10. .337 .72 26.00 2. .

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 .

72 s. Uji kolmogorov smirnov. Namun uji kolmogorov sangat sensitif dengan jumlah sampel. Uji kenormalan data: Untuk mengetahui suatu data berdistribusi normal. maksudnya : untuk jumlah sampel yang besar uji kolmogorov cenderung menghasilkan uji yang signifikan (yang artinya bentuk distribusinya tidak normal). berarti distribusi normal 2. bila hasil uji signifkan (p value < 0.48. ada 3 cara untuk mengetahuinya yaitu: 1. Atas dasar kelemahan ini dianjurkan untuk mengetahui kenormalan data lebih baik menggunakan angka skewness atau melihat grafik histogram dan kurve normal 86 . Kita dapat menghitung 95% confidence interval umur yaitu 23. median dan mode. 26.SUTANTO PRIYO HASTONO: Analisis Data Dari hasil analisis ‘Explore’ terlihat juga nilai mean.d. maka distribusinya normal 3. Dilihat dari grafik histogram dan kurve normal.72 sampai 26.05) maka distribusi normal. bila bentuknya menyerupai bel shape. jadi kita 95% yakin bahwa rata-rata umur ibu di populasi berada pada selang 23. Dari hasil tersebut kita dapat melakukan estimasi interval dari umur ibu. Namun yang paling penting dari tampilan explore munculnya angka estimasi interval. bila nilai Skewness dibagi standar errornya menghasilkan angka ≤ 2.48 tahun. Menggunakan nilai Skewness dan standar errornya.

dilihat dari histogram dan kurve normal terlihat bentuk yang normal.72 sampai dengan 26.10 SD 4.48).547/0.48 tahun.10 tahun (95% CI: 23.35 95% CI 23.48 Hasil analisis didapatkan rata-rata umur ibu adalah 25.85 tahun.337 =1. Adapun penyajian dan interpretasinya adalah sbb: Tabel 1 Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun x Variabel Umur Mean 25.85 Minimal.62 . Dari hasil estimasi interval dapat disimpulkan bahwa 95% diyakini bahwa rata-rata umur ibu adalah diantara 23. Umujr termuda 19 tahun dan umur tertua 35 tahun. hasilnya masih dibawah 2. 87 .72 – 26.SUTANTO PRIYO HASTONO: Analisis Data Untuk variabel umur diatas.Maksimal 19 . berarti distribusi normal. Dari hasil tersebut diatas dengan demikian variabel umur disimpulkan berdistribusi normal. 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. selain itu hasil dari perbandingan skwness dan standar error didapatkan: 0.72 – 26.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Klik “Continue” 8.277 Std.790 t -.719 -.6547 Pada tampilan di atas dapat dilihat nilai rata-rata. standar deviasi dan standar error kadar Hb ibu untuk masing-masing kelompok.3951 95% Confidence Interval of the Difference Lower Upper -. Deviation 1.277 gr% dengan standar deviasi 1. . Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 7. Error Mean .9425 .1439 .4712 1.2594 kadar hb pengukuran pertama Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Std.717 Mean Differen ce -. (2-taile d) .363 46.3968 -.4 .SUTANTO PRIYO HASTONO: Analisis Data tahu bahwa ‘0’ kode untuk yang tidak eksklusif dan kode ‘1’ untuk Yang eksklusif.421 10. Klik “OK” untuk menjalankan prosedur perintahnya.364 df 48 Sig.3003 .6505 F kadar hb pengukur an pertama Equal variances assumed Equal variances not assumed .1439 -. Error Differe nce .322 103 . Rata-rata kadar Hb ibu yang menyusui ekslusif adalah 10.072 Sig. dan hasilnya sbb: T-Test Group Statistics status menyusui asi tdk EKSKLUSIVE EKSKLUSIVE N 24 26 Mean 10.9384 .3228 Std.

277 gr% dengan standar deviasi 1.322 gr%. sedangkan untuk ibu yang menyusui non eksklusif rata-rata kadar Hb-nya adalah 10. Adapun bentuk penyajian dan interpretasinya adlah sbb: Tabel … Distribusi Rata-Rata Kadar Hb Responden Menurut Perilaku Menyusui di.259 0.322 1.471 gr%. Pada uji Levene di atas menghasilkan nilai p = 0. Lihat nilai p Levene test.717 artinya tidak ada perbedaan yang signifikan rata-rata kadar Hb antara ibu yang menyusui eksklusif dengan ibu yang menyusui non eksklusif. didapat tidak ada perbedaan varian (varian kedua kelompok sama).05) maka varian sama (equal).SUTANTO PRIYO HASTONO: Analisis Data gr%. Untuk. SPSS akan menampilkan dua uji T.th.05) maka varian berbeda dan bila nilai p > alpha (0. Penyajian dan Interpretasi di laporan penelitian: Seperti pada analisis deskriptif. memilih uji mana yang kita pakai. Pada laporan penelitian kita harus membuat tabel baru untuk menyajikan hasil print out analisis di atas.717 N 26 24 Rata-rata kadar Hb ibu yang menyusui eksklusif adalah 10. 104 .421 SD 1.300 P value 0. dapat dilihat uji kesamaan varian melalui uji Levene. rata-rata kadar Hb-nya adalah 10. Menyusui Ya Eksklusif Tdk Eksklusif Mean 10.. yaitu uji T dengan asumsi varian kedua kelompok sama (equal variances assumed) dan uji T dengan asumsi varian kedua kelompok tidak sama (equal variances not assumed).790 sehingga dapat disimpulkan bahwa pada alpha 5%. print out di atas tidak boleh langsung di copy dan disajikan di laporan penelitian.yaitu sebesar p=0.277 10. sedangkan untuk ibu yang menyusui non eksklusif.471 SE 0. nilai p < alpha (0. Selanjutnya dicari p value uji t pada bagian varian sama (equal variances) di kolom sig (2 tailed) .. Hasil uji T dapat dilihat pada tabel bawah.421 gr% dengan standar deviasi 1.421 gr% dengan standar deviasi 1.471 gr%.

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

Klik ‘OK’ hasilnya tampak sbb T-Test Paired Samples Statistics Mean Pair 1 kadar hb pengukuran pertama kadar hb pengukuran kedua 10. Error Mean .001 Pada tabel pertama terlihat statistik deskriptif berupa rata-rata dan standar deviasi kadar Hb antara pengukuran pertama dan pengukuran kedua.701 49 .0558 Std.707 Sig. Pada pengukuran kedua (hb2) didapat rata-rata kadar Hb adalah 10. Difference Deviati Error on Mean Lower Upper t df Sig.860 N 50 50 Std.38 gr%.1957 .9821 .05 gr%.860 gr% dengan standar deviasi 1.346 gr% dengan standar deviasi 1. Deviation 1. Klik ‘hb1’ 4. . (2-taile d) -. Klik tanda panah sehingga kedua variabel masuk kotak sebelah kanan 6.346 10.000 Paired Samples Test Mean Pair 1 kadar hb pengukuran pertama .1493 Paired Samples Correlations N Pair 1 kadar hb pengukuran pertama & kadar hb pengukuran kedua 50 Correlation . 106 .3835 1.kadar hb pengukuran kedua Paired Differences 95% Confidence Interval of the Std.7931 -.5140 .1389 -. Klik ‘hb2’ 5. Std.2349 -3.SUTANTO PRIYO HASTONO: Analisis Data 3. Rata-rata kadar Hb pada pengukuran pertama (hb1) adalah 10.

perbedaan ini diuji dengan uji T berpasangan menghasilkan nilai p yang dapat dilihat pada kolom “Sig (2-tailed)”. Pada pengukuran kedua didapat rata-rata kadar Hb adalah 10. Penyajian dan Interpretasi di laporan penelitian: Dari hasil yang didapat di atas kemudian angka-angka disusun dalam tabel yang disajikan dalam laporan penelitian.05 gr%. Terlihat nilai mean perbedaan antara pengukuran pertama dan kedua adalah 0.38 1.05 0. Pada contoh di atas didapatkan nilai p=0.346 10. maka dapat disimpulkan ada perbedaan yang signifikan kadar hb antara pengukuran pertama dengan pengukuran kedua. 107 .860 1.346 gr% dengan standar deviasi 1.SUTANTO PRIYO HASTONO: Analisis Data Uji T berpasangan dilaporkan pada tabel kedua. terlihat nilai mean perbedaan antara pengukuran pertama dan kedua adalah 0.38 gr%.001 50 Mean SD SE P value N Rata-rata kadar Hb pada pengukuran pertama adalah 10.514 dengan standar deviasi 0.001 maka dapat disimpulkan ada perbedaan yang signifikan antara kadar Hb pengukuran pertama dan kedua.001. Th…… Variabel Kadar Hb Pengukuran I Pengukuran II 10.14 0. hasil uji statistik didapatkan nilai 0.982. Bentuk penyajian dan interpretasinya sbb: Tabel … Distribusi Rata-Rata Kadar Hb Responden Menurut Pengukuran pertama dan Kedua di ….514 dengan standar deviasi 0.982.860 gr% dengan standar deviasi 1.19 0.

Namun seringkali kita jumpai jumlah kelompok yang lebih dari dua.SUTANTO PRIYO HASTONO: Analisis Data 8 ANALISIS HUBUNGAN KATEGORIK DENGAN NUMERIK UJI ANOVA Pada bab terdahulu telah dijelaskan uji beda mean dua kelompok data baik yang independen maupun dependen. Dalam menganalisis data seperti ini (> 2 kelompok) sangat tidak dianjurkan menggunakan uji T. 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. artinya akan meningkatkan peluang hasil yang keliru. 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. Prinsip uji ANOVA adalah melakukan telaah variabilitas data menjadi dua sumber variasi yaitu variasi dalam kelompok (within) dan variasi antar kelompok (between). bila melakukan uji T berulang kali akan meningkatkan (inflasi) nilai α. maka mean yang dibandingkan menunjuk ada perbedaan. sebaliknya bila hasil perbandingan tersebut menghasilkan lebih dari 1. 108 . kedua. misalnya ingin mengetahui perbedaan mean berat badan bayi untuk daerah Bekasi. pertama kita melakukan uji berulang kali sesuai kombinasi yang mungkin. Bogor dan Tangerang.

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

Honestly Significant different (HSD).Xj tij = Sw2[(1/ni) + (1/nj)] df = n – k Dengan level of significance (α) sbb: α (k2) α* = 110 . Pada modul ini yang akan dibahas adalah metode Bonferroni. Ada berbagaijenis analisis multiple comparasion diantaranya adalah Bonferroni. Perhitungan Bonfrroni adalah sbb Xi .SUTANTO PRIYO HASTONO: Analisis Data perbedaan yang bermakna (Ho ditolak). Scheffe dan lain-lain.

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

Klik “Continue” 9.25 3761.666 241. Klik tombol “Post Hoc”.527 107. Error 78. Deviation 249.209 270.32 3528.10 3003.04 Minim um 2100 2100 3000 3000 2100 Maxim um 2900 3000 4000 4100 4100 SD SMP SMU PT Total 112 .00 Std.27 3431.304 584.232 Std.SUTANTO PRIYO HASTONO: Analisis Data 6.98 3336.60 2889.727 67.623 Lower Bound 2291.18 3994.40 2565. Klik “Continue” 7.54 3170.32 3575.141 82. Klik “OK” Oneway Descriptives berat badan bayi 95% Confidence Interval for Mean N 10 11 16 13 50 Mean 2470. tandai dengan √ pada kotak “Bonferroni” 8.00 2727.951 72.108 386.96 Upper Bound 2648.23 3287.

36 -99.000 .000 .315 .027 95% Confidence Interval Lower Bound Upper Bound -613.000 .SUTANTO PRIYO HASTONO: Analisis Data Test of Homogeneity of Variances berat badan bayi Levene Statistic 2.492 Sig.294 115.2 gram.286 124.02 632.6 gram. .315 .72 -948.288* 1291.54 -384.21 613.468 121.51 25.538* 257.93 -25. Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2727.266* 961.93 *.42 -1368.902 121.977* -1034. The mean difference is significant at the .266* 330.51 -700.0 gram dengan standar deviasi 249.250* -1291.228 110.071 ANOVA berat badan bayi Sum of Squares 12697038 4027962 16725000 df 3 46 49 Mean Square 4232345.538* 1034.862 87564.36 -1634.468 129.000 .02 1368. Pada mereka yang berpendidikan SMU rata-rata berat 113 . .273 SMU PT SD SMU PT SD SMP PT SD SMP SMU -961.000 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. Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470.273 -703.506 df1 3 df2 46 Sig.64 948.05 level. Error 129.027 .977* -330.334 Sig.492 124.14 384.400 F 48.000 . Dari print out ini diperoleh rata-rata berat bayi dan stndar deviasi masing-masing kelompok.72 700.21 -1290.228 119.294 119. .36 1634.000 .000 .76 -1023.250* 703.902 110.76 99.54 -634.36 1290.2 gram dengan standar deviasi 241.64 634.286 115.42 1023.288* SMP SMU PT Std.000 .14 -632.

Pada mereka yang berpendidikan PT rata-rata berat bayinya adalah 3761.9 0. dapat disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan.4 – 2648. berarti pada alpha 5%.3 – 3575.2 3761.1 gram. SD dengan PT.1 386.SUTANTO PRIYO HASTONO: Analisis Data bayinya adalah 3431.5 249. Pada hasil di atas nilai p uji ANOVA dapat diketahui pada kolom “F” dan “Sig”.2 gram dengan standar deviasi 270. Pada Box paling bawah terlihat hasil dari uji ‘Multiple Comparisons Bonferroni” yang berguna untuk menelusuri lebih lanjut kelompok mana saja yang berhubungan signifikan.0005). SMP dengan SMU. terlihat p=0.PT 2470.2 – 2889.0 gram dengan standar deviasi 249. Pada mereka yang 114 . SMP dengan PT dan SMU dengan PT.1 gram.2 gram.6 gram.SMP .SMU . Pada mereka yang berpendidikan SMU rata-rata berat bayinya adalah 3431.6 241.1 – 3994.2 270. maka penulisannnya menjadi p=0.1 3528.3 gram.3 2291.0005 Mean SD 95% CI P value Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470.3 3287.2 gram dengan standar deviasi 270.5 gram dengan standar deviasi 386.20 gram dengan standar deviasi 241.2 3431. Ternyata kelompok signifikan adalah tingkat pendidikan SD dengan SMU.0 2727.SD . Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2727.6 3565. Penyajian dan Interpretasi di laporan Penelitian Tabel … Distribusi Rata-Rata berat Bayi Menurut Tingkat pendidikan Variabel Pendidikan . Untuk mengetahui kelompok yang signifikan dapat terlihat dari kolom Sig.000 (kalau desimalnya 0.

berarti pada alpha 5% dapat disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan.5 gram dengan standar deviasi 386.SMP dengan PT dan SMU dengan PT. SMU. SMP dengan 115 .SUTANTO PRIYO HASTONO: Analisis Data berpendidikan PT rata-rata berat bayinya adalah 3761. SD dengan PT. Analisis lebih lanjut membuktikan bahwa kelompok yang berbeda signifikan adalah tingkat pendidikan SD dengan SMU.3 gram. Hasil uji statistik didapat niali p=0.0005.

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

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

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

Tidak boleh ada sel yang mempunyai nilai harapan (nilai E) kurang dari 5.0.5)2 X = E atau N {|ad-bc|2 – (N/2)]2 X2 = (a+c)(b+d)(a+b)(c+d) 2 3. b. 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).SUTANTO PRIYO HASTONO: Analisis Data Uji kai kuadrat sangat baik untuk tabel dengan derajat kebebasan (df) yang besar. Adapun keterbatasan uji kai kuadrat adalah sbb: a. Jika frekuensi sangat kecil. Keterbatasan Kai Kuadrat Seperti kita ketahui. 119 . Jika keterbatasan tersebut terjadi pada saat uji kai kuadrat. 3 x 4 dsb). lebih dari 20% dari jumlah sel. uji kai kuadrat menuntut frekuensi harapan/ekspektasi (E) dalam masing-masing sel tidak boleh terlampau kecil. misalnya 3 x 2. Oleh karena itu dalam penggunaan kai kuadrat harus memperhatikan keterbatasanketerbatasan uji ini. penggunaan uji ini mungkin kurang tepat. Penggabungan ini tentunya diharapkan tidak sampai membuat datanya kehilangan makna. Tidak boleh ada sel yang mempunyai nilai harapan (nilai E) kurang dari 1. Formula kai kuadrat Yate’s Correction adalah sbb: (|O – E| . peneliti harus menggabungkan katagori-katagori yang berdekatan dalam rangka memperbesar frekuensi harapan dari sel-sel tersebut (penggabungan ini dapat dilakukan untuk analisis tabel silang lebih dari 2 x 2.

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

0 61.0 38. pembuatan persentasenya berdasarkan nilai variabel independen. Dapat dilihat di tabel persentasenya berdasarkan masing-masing kelompok tingkat pendidikan (persentase baris).7 80. tdk eksklusive =1.7%) 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 0.0 40.0%) yang berpengetahuan tinggi.0 66. Pada jenis penelitian survei/Cross sectional atau Kohort.3 20. Contoh di atas dapat di interpretasikan sbb: Dari 50 pasien yang berpendidikan SD. tapi harus konsisten. ada sebanyak 20 (80.0%) yang 121 .6 20. misalnya kodenya: tidak bekerja =0.3 100.7 n 25 24 20 20 89 Tinggi % 50. ada sebanyak 24 (60. bekerja =1 dan eksklusive =0. variabel pendidikan sebagai variabel independen dan pengetahuan sebagai variabel dependen. Tabel … Distribusi Responden menurut Tingkat Pendidikan dan Pengetahuan Pengetahuan Pendidikan N SD SMP SMU PT Jumlah 25 16 10 5 56 Rendah % 50.0 60. Contoh di atas jenis penelitiannya Cross Sectional. Sebetulnya bisa juga kodenya dibalik.0 Pembuatan persentase pada analisis tabel silang harus diperhatikan agar tidak salah dalam menginterpretasi. Dari 30 pasien yang berpendidikan SMU ada sebanyak 20 (66.7 17. Dari 40 pasien yang berpendidikan SMP. Dan dari 25 pasien yang berpendidikan PT. ada sebanyak 25 (50.3 n 50 40 30 25 145 Total % 34.4 27.0 33.0%) pasien mempunyai pengetahuan tinggi.

Dari data ini terlihat ada kecenderungan bahwa semakin tinggi tingkat pendidikan akan semakin tinggi tingkat pengetahuannya.0 50. Pada penelitian yang berjenis kasus kontrol (Case Control) pembuatan persentasenya berdasarkan variabel dependennya.0 25. ada sebanyak 75 (75%) responden berjenis kelamin laki-laki. ada sebanyak (30%) responden yang berjenis kelamin laki-laki. Sedangkan pada kelompok yang tidak menderita kanker paru.0 N 30 70 100 Kontrol % 30. 122 .0 50. misalkan terlihat pada tabel berikut: Tabel … Distribusi Responden Menurut Kasus kanker paru dan Jenis Kelamin Jenis Kelamin Laki-laki Perempuan Jumlah n 75 25 100 Kanker Paru Kasus % 75.SUTANTO PRIYO HASTONO: Analisis Data berpengetahuan tinggi.0 n 105 95 200 Total % 52.5 47.0 Interpretasinya: Dari mereka yang menderita kanker paru.0 70.5 100.

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

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

0% 25 100.0% 26 52.0%) have expected count less than 5.004 Exact Sig.0% 7 28. The minimum expected count is 12.627 18. Risk Estimate 95% Confidence Interval Lower Upper 1.011 . (2-sided) . (1-sided) Pearson Chi-Square Continuity Correctiona Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases . 0 cells (.005 .0% 24 48.0% 50 100.0% 18 72. 00.250 1. Computed only for a 2x2 table b.208 .189 . Sig.0% 32.SUTANTO PRIYO HASTONO: Analisis Data Crosstabs status pekerjaan ibu * status menyusui asi Crosstabulation status menyusui asi tdk EKSKLUSIVE EKSKLUSIVE 17 8 68.0% status pekerjaan ibu KERJA tidak kerja Total Count % within status pekerjaan ibu Count % within status pekerjaan ibu Count % within status pekerjaan ibu Chi-Square Tests Value 8.464 2.816 125 .209 4.244 df 1 1 1 Asymp.005 a.0% Total 25 100.412 50 .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 5.010 7. (2-sided) Exact Sig.005 .490 8.013b 6.853 50 1 .

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

sehingga uji ini tidak dapat untuk mengetahui derajat/kekuatan hubungan dua variabel.357). sedangkan nilai RR digunakan bila jenis penelitiannya Kohort.250 (95% CI: 1. 4 x 2 dsb.011. Nilai OR digunakan untuk jenis penelitian Cross Sectional dan Case Control.. Untuk mengetahui besar/kekuatan hubungan banyak metodenya tergantung latar belakangdisiplin keilmuannya. Pada perintah Crosstab nilai OR akan keluar bila tabel silang 2 x 2.189). misal untuk ilmu sosial dengan melihat koefisien Phi. maka nilai OR dapat diperoleh dengan analisis regresi logistik sederhana dengan cara membuat “Dummy variable” 127 . Pada hasil di atas nilai OR terdapat pada baris Odds ratio yaitu 5. sedangkan untuk bidang kesehatan terutama kesehatan masyarakat digunakan nilai OR atau RR.46 kali untuk menyusui eksklusif dibandingkan ibu yang bekerja.464 (95% CI: 1.627 – 18.464 sbb: Ibu yang tidak bekerja mempunyai peluang 5. misalnya 3 x 2.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. Dengan kata lain dapat disimpulkan bahwa ada hubungan status pekerjaan dengan perilaku menyusui eksklusif. koefisien Contingency dan cramer’s V. berarti kesimpulannya ada perbedaan perilaku menyusui eksklusif antara ibu yang bekerja dengan ibu yang tidak bekerja. bila tabel silang lebih dari 2 x 2. Uji Chi square hanya dapat digunakan untuk mengetahuiada/tidaknya hubungan dua variabel.209 – 4. Pada data ini berasal dari penelitian Cross Sectional maka kita dapat menginterpretasikan nialai OR=5. Sedangkan nilai RR terlihat dari baris For Cohort yaitu bearnya 2. Sig” dan terlihat p valuenya = 0.

128 .0 28.0 52.0 48.0%) yang menyusui secara eksklusif. artinya ibu tidak bekerja mempunyai peluang 5.SUTANTO PRIYO HASTONO: Analisis Data Penyajian dan Interpretasi di Laporan Penelitian: Tabel … Distribusi Responden Menurut Jenis Pekerjaan dan Perilaku menyusui Jenis Pekerjaan n bekerja Tdk Bekerja Jumlah 17 7 26 Menyusui Tdk Eksklusif % 68.6 – 18. Sedangkan diantara ibu yang tidak bekerja. Dari hasil analisis diperoleh pula nilai OR=5.464.464 1. ada 18 (72.46 kali untuk menyusui eksklusif dibanding ibu yang bekerja.011 maka dapat disimpulkan ada perbedaan proporsi kejadian menyusui eksklusif antara ibu tidak bekerja dengan ibu yang bekerja (ada hubungan yang signifikan antara pekerjaan dengan perilaku menyusui).0 72.011 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.0 n 25 25 50 % 100 100 100 5. Hasil uji statistik diperoleh nilai p=0.0 Eksklusif n 8 18 24 % 32.3 0.

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

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

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

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

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

100%.aΣY .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. 1 atau antara 0% s.SUTANTO PRIYO HASTONO: Analisis Data Se = ΣY2 . atau dengan kata lain R2 menunjukkan seberapa jauh variabel independen dapat memprediksi variabel dependen.d.d. Koeifisien determinasi berguna untuk mengetahui seberapa besar variasi variabel dependen (Y) dapat dijelaskan oleh variabel independen (X). 134 .Semakin besar nilai R square semakin baik/semakin tepat variabel independen memprediksi variabel dependen. Koefisien determinasi dapat dihitung dengan mengkuadratkan nilai r. atau dengan formula R2=r2.

A.SAV’ dengan mengambil variabel yang bersifat numerik yaitu umur dengan kadar Hb (diambil Hb pengukuran pertama: Hb1). Klik ‘OK” dan terlihat hasilnya sbb: 135 .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.SAV’ 2. 4. kemudian pilih ‘Correlate’. dan muncullah menu Bivariate Correlations: 3. Aktifkan data ‘ASI. klik ‘Analyze’. dan lalu pilih ‘Bivariate’. lalu masukkan ke kotak sebelah kanan ‘variables’. Dari menu utama SPSS. Korelasi Untuk mengeluarkan uji korelasi langkahnya adalah sbb: 1.

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

masukkan ke kotak Independent 6. 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). Error of the Estimate 430.468 Adjusted R Square .684a . masukkan ke kotak Dependent 5. berat badan ibu 137 . klik ‘berat badan bayi’.456 Std. Predictors: (Constant). Klik ‘OK’. caranya 4. dan hasilnya sbb: Regression Model Summary Model 1 R R Square .715 a.

.099 . Error 657. 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.38.965 185515.8% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi.0005. dan menghasilkan nilai p=0.0005. berat badan bayi dapat diperkirakan jika kita tahu nilai berat badan ibu.680 6. persamaan garis dan p value. Nilai koefisien determinasi dapat dilihat dari nilai R Square (anda dapat lihat pada tabel ‘Model Summary’) yaitu besarnya 0.468 artinya.93 dan nilai b = 44.929 391.SUTANTO PRIYO HASTONO: Analisis Data ANOVAb Model 1 Sum of Squares 7820262 8904738 16725000 df 1 48 49 Mean Square 7820261. Jadi pada alpha 5% kita menolak 138 . berat badan ibu b. Uji uji statistik untuk koefisien regresi dapat dilihat pada kolom Sig T.676 44.154 Sig.93 + 44.376 F 42. Selanjutnya pada tabel ANOVAb . Dependent Variable: berat badan bayi Coefficientsa Unstandardized Coefficients B Std.38(berat badan ibu) Dengan persamaan tersebut. . Dari hasil diatas didapat nilai konstant (nilai ini merupakan nilai intercept atau nilai a) sebesar 657. Predictors: (Constant).000a Regression Residual Total a.383 6. sehingga persamaan regresinya: Y = a + bX Berat badan bayi = 657.000 a.836 Standardized Coefficients Beta . 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.684 Model 1 (Constant) berat badan ibu t 1.

38 gr bila berat badan ibu bertambah setiap satu kilogram. Nilai koefisien dengan determinasi 0.38(berat badan ibu) Berat badan bayi= 657.684) dan berpola positif artinya semakin bertambah berat badan ibu semakin besar berat badan bayinya.0005 Hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan kuat (r=0.468 artinya .SUTANTO PRIYO HASTONO: Analisis Data hipotesis nol.93 + 44.005). Penyajian dan Interpretasi Tabel … Analisis Korelasi dan regresi berat badan ibu dengan berat badan bayi Variabel Umur R 0.468 Persamaan garis bbayi =657. maka: Berat badan bayi =657. Hasil uji statistik didapatkan ada hubungan yang signifikan antara berat badan ibu dengan berat badan bayi (p=0.8.38 berarti bahwa variabel berat badan bayi akan bertambah sebesar 44. 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. berarti ada hubngan linier antara berat badan ibu dengan berat badan bayi. persamaan garis regresi yang kita peroleh dapat menerangkan 46. Misalkan kita ingin mengetahui berat badan bayi jika diketahui berat badan ibu sebesar 60 kg.38(60) 139 . Dari nilai b=44.684 R2 0.93 + 44.6% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi.38*bbibu P value 0.

pilih ‘Scatter’ 2. Klik ‘Graphs.73 Ingat prediksi regresi tidak dapat menghasil. pada kotak ‘Fit Line. klik grafiknya 2 kali 8.kan angka yang tepat seperti di atas. Untuk mengeluarkan garisnya. Nilai Z dihitung dari tabel Z dengan tingkat kepercyaan 95% dan didapat nilai Z = 1.96 * 430. Pada kotak Y Axis isikan variabel dependennya (masukkan veriabel dependennya (masukkan Hb1) 4.201 Jadi dengan tingkat kepercayaan 95%. Terlihat di layar grafik scatter plot-nya (garis regresi belum ada?) 7.715 (lihat di kotak Model Summary).5 gr s. Error of The estimate’(SEE) yang besarnya adalah 430. Klik ‘OK’ 6.d 4164.96. namun perkiraannya tergantung dari nilai ‘Std. Klik Total 10. Klik Sampel klik ‘Define’ 3. klik’Chart’ 9.9 gr C. Membuat Grafik Prediksi Langkahnya: 1. klik ‘OK’ maka muncul garis regresi 140 . sehingga variasinya 1. Dengan demikianvariasi variabel dependen = Z*SEE. Pada kotak X Axis isikan variabel independennya (masukkan veriabel dependennya (masukkan Umur) 5.SUTANTO PRIYO HASTONO: Analisis Data Berat badan bayi = 3320. untuk berat badan ibu 60 kg diprediksikan berat badan bayinya adalah diantara 2476.715 = ± 844.

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

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

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

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

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

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

10 dikeluarkan dari model. c).25.005 artinya variabel yang dapat masuk model bila variabel tersebut mempunyai nilai P lebih kecil atau sama dengan 0. lakukan pemilihan variabel yang masuk dalam model. Metode melakukan pertimbangan aspek substansi. maka variabel tersebut masuk dalam model multivariat. memasukkan semua variabel independen dengan serentak satu langkah. Ada beberapa metode untuk melakukan pemilihan variabel independen dalam analisis multivariat regresi linier ganda. ENTER.25 namun secara substansi penting. Korelasi parsial adalah adalah korelasi antara variabel independen dengan dependen. STEPWISE.SUTANTO PRIYO HASTONO: Analisis Data dependen (bivariat). maka variabel tersebut dapat masuk ke multivariat. Seperti halnya forward. bila hasil uji bivariat mempunyai nilai p<0. model ini merupakan kombinasi antara metode backward dan Forward. Kriteria pengeluaran atau P-out (POUT) adalah 0. sampai semua variabel yang memenuhi kriteria tersebut masuk ke dalam model.05. artinya variabel yang mempunyai nilai P lebih besar atau sama dengan 0. yaitu: a). BACKWARD. Untuk variabel yang p value-nya > 0. metode Stepwise dimulai dari tanpa 147 ini yang tepat/sering digunakan. tetapi kemudian satu persatu variabel independen dikeluarkan dari model berdasarkan kriteria kemaknaan tertentu. meamasukkan semua variabel ke dalam model. FORWARD. tanpa melewati kriteria kemanaan statistik tertentu. kriteria variabel yang dapat masuk P-in (PIN) adalah 0. 2) Lakukan analisis secara bersamaan. variabel yang pertama kali dikeluarkan adalah variabel yang mempunyai korelasi parsial terkecil dengan variabel dependen. measukkan satu persatu variabel dari hasil pengkorelasian variabel dan memenuhi kriteria kemaknaan statistik untuk masuk ke dalam model. d). b). karena dalam pemodelan kita dapat . Variabel yang masuk pertama kali adalah variabel yang mempunyai korelasi parsial terbesar dengan variabel dependen dan yang memenuhi kriteria tertentu untuk dapat masuk model.10.

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

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

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

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

544 189 -.034 189 Birth weight (gram) .010 189 No History of physician prematur visits in first e labor trimester . 152 .003 .044 .055 189 .180* . (2-tailed) N Age of mother 1 189 .013 189 .140 .044 .090 .140 .SUTANTO PRIYO HASTONO: Analisis Data 4.141 -. (2-tailed) N Pearson Correlation Sig.328 189 .055 189 189 1 -.544 189 . (2-tailed) N Pearson Correlation Sig.180* .215** .013 189 1 189 .058 .328 189 189 .05 level (2-tailed). (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig.072 .219 189 .186* .141 .155* . **.219 189 History of premature labor Birth weight (gram) *.054 .010 189 .003 189 .155* .426 189 -. Klik tombol ‘OK’ Muncul dilayar hasil sbb: Correlations Correlations Weight of mother (pounds) . Correlation is significant at the 0.072 .01 level (2-tailed).090 .054 189 -.186* . Correlation is significant at the 0.058 .215** .426 189 189 1 189 -.034 189 1 189 Age of mother Weight of mother (pounds) No physician visits in first trimester Pearson Correlation Sig.

namun demikian oleh karena secara substansi frekuensi anc merupakan faktor yang sangat penting mempengaruhi berat badan bayi. frekuensi anc (p=0.25 (yaitu p=0. maka variabel frekuensi anc tetap diikutkan dalam analisis multivariat. Sedangkan untuk variabel frekuensi anc mempunyai p value > 0.Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’. berat badan (p=0.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4. b. 153 . Ket: kotak test varibles tempat memasukkan variabel numeriknya. kemudian pilih sub menu “Compare Means’.010). pilih menu ‘Analyze”. frekuensi prematur (p=0. Dari hasil ini dapat kita simpulkan bahwa variabel umur.034).Dari menu utama SPSS.426) sehingga tidak bisa masuk ke multivariat. ingat jangan sampai terbalik. sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya. berat badan dan frekuensi prematur mempunayi p value < 0.Klik variabel ‘smoke’ dan masukkan ke kotak‘Grouping Variable’. Bivariat uji t: melakukan analisis bivariat untuk variabel independen berjenis katagorik: merokok dan riwayat hipertensi 1. 3.25.426). lalu pilih “Independen-Samples T Test” 2. Merokok Langkahnya: 1.SUTANTO PRIYO HASTONO: Analisis Data Hasil dari analisis bivariat dengan korelasi didapatkan nilai p value untuk variabel umur (p=219). dengan demikian ketiga variabel tersebut dapat lanjut masuk ke pemodelan multivariat.

Pada contoh ini. kita tahu bahwa ‘0’ tidak merokok dan kode ‘1’ untuk Yang merokok. Deviation 752. dan hasilnya sbb: T-Test Group Statistics Smoking status No Yes N 115 74 Mean 3054. kemudian di layar nampak kotak isian.24 Std.163 76.409 660. Klik “Continue” 10. Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak. Klik “OK” untuk menjalankan prosedur perintahnya. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 9.SUTANTO PRIYO HASTONO: Analisis Data 5. Error Mean 70.Klik ‘Define Group’.96 2773.732 Birth weight (gram) 154 .075 Std.

(variabel yang sebelumnya (variabel smoke) dikeluarkan dahulu baru ‘ht’ dimasukkan 155 .SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Sig.221 t 2.709 170.634 df 187 2.713 103.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4. dengan demikian p value yang dihasilkan < 0.713 Std. . kemudian pilih sub menu “Compare Means’.Dari menu utama SPSS.25 maka variabel merokok dapat lanjut ke multivariat. Riwayat Hipertensi Langkahnya: 1.0 . lalu pilih “Independen-Samples T Test” 2.Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’.009 Mean Differen ce 281. pilih menu ‘Analyze”.693 492.009.Klik variabel ‘ht’ dan masukkan ke kotak‘Grouping Variable’.467 487. 3. ingat jangan sampai terbalik.508 Sig. Ket: kotak test varibles tempat memasukkan variabel numeriknya.007 281. Error Differenc e 106.974 76.969 95% Confidence Interval of the Difference Lower Upper 70. (2-tail ed) .7 F Birth weight (gram) Equal variances assumed Equal variances not assumed 1. sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya.0 Hasil analisis hubungan merokok dengan berat bayi menghasilkan p value = 0. 2.

SUTANTO PRIYO HASTONO: Analisis Data 5. Error Mean 53. Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak. kita tahu bahwa ‘0’ tidak ada hipertensi dan kode ‘1’ ada hipertensi’.Klik ‘Define Group’.Klik “OK” untuk menjalankan prosedur perintahnya. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 6.75 Std. kemudian di layar nampak kotak isian.341 Std.309 264.813 Birth weight (gram) 156 . dan hasilnya sbb: Group Statistics History of hypertension No Yes N 177 12 Mean 2972.31 2536.Klik “Continue” 7. Deviation 709.226 917. Pada contoh ini.

(2-taile d) . maka variabel tersebut harus dikeluarkan dalam model. Adapun proses selengkapnya sbb: 1.56 1. tahap berikutnya melakukan analisis multivariat secara bersama-sama.419 Sig. lwt.045 Mean Differe nce 435.05. Variabel yang valid dalam model multivariat adalah variabel yang mempunyai p value < 0.612 11. smoke.908 .045. Pengeluaran variabel dilakukan tidak serempak. . Pada kotak ‘dependen isikan variabel dependen (dalam hal ini berarti bwt) dan kotak ‘independen’ isikan variabel independennya (dalam hal ini age. Error Differen ce 215. ptl.56 270.5 1025 Dari hasil analisis bivariat uji t antara variabel riwayat adanya hipertensi dengan berat bayi didapatkan p value = 0. sorot dan klik ‘Linier’ lalu muncul menu regresi linier.133 435. Bila dalam model multivariat dijumpai variabel yang p value nya > 0.709 95% Confidence Interval of the Difference Lower Upper 10. ht. berarti p valuenya < 0. a. melainkan bertahap satu per satu dikeluarkan dimulai dari p value yang terbesar. sorot ‘Regression’.SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Std.1 F Birth weight (gram) Equal variances assumed Equal variances not assumed 1. Langkah Kedua : Pemodelan Multivariat Setelah tahap bivariat selesai.25 sehiingga variabel riwayat adanya hipertensi dapat lanjut ke analisis multivariat Dengan demikian selesailah sudah seleksi semua variabel independen. Klik ‘Analyisis’.019 df 187 Sig.126 -153. B.05. ftv) 157 . dari 6 variabel independen semuaanya masuk ke proses berikutnya yaitu ke analisis multivariat.235 t 2.024 861.

History of hypertension. Error of the Estimate 696.SUTANTO PRIYO HASTONO: Analisis Data 5.116 Adjusted R Square . Weight of mother (pounds) 158 . Pada kotak ‘Method’.829 a. Age of mother.340a . dan hasilnya Regression Model Summary Model 1 R R Square . History of premature labor. Abaikan lainnya 7. pilih Enter’ 6. No physician visits in first trimester. Klik ‘OK’. Predictors: (Constant).086 Std. Smoking status.

052 . Dependent Variable: Birth weight (gram) Coefficientsa Unstandardized Coefficients B Std. No physician visits in first trimester. Dependent Variable: Birth weight (gram) Dari kotak ‘Model Sumarry” didapatkan nilai R Square sebesar 0.423 F 3.SUTANTO PRIYO HASTONO: Analisis Data ANOVAb Model 1 Sum of Squares 11543236 88373817 99917053 df 6 182 188 Mean Square 1923872. History of premature labor.928 106.193 -. .150 dan frekuensi anc (no physician) p=0.954 a.. Age of mother.476.004 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 7.665 -. variabel yang p valuenya > 0. Dengan demikian variabel yang kita coba keluarkan adalah frekuensi anc(No physician.193 -1.734 .611 485570. Ternyata dari 6 variabel indepeden (lihat kolom sig di kotak Coefficients) ada 3 variabel yang p valuenya > 0.201 -.574 215.698 -2.962 Sig. artinya keenamm variabel independen dapat menjelaskan variabel berat bayi sebesar 11.6 % sedangkan sisanya dijelaskan oleh variabel lain.230 -2. Tahap berikutnya mengeluarkan variabel yang p valuenya > 0.445 -2.104 -. riwayat prematur (history prematur) p=0. pengeluaran variabel dimulai dari p value yang terbesar.777 105. Namun demikian prinsip pemodelan harus yang sederhana variabelnya sehingga masing-masing variabel indepeden perlu di cek nilai p valuenya. Weight of mother (pounds) b.253 -154.002 -574. Smoking status.793 -232.847 1.954. yaitu umur (age) p=0.022 4. .862 299.008 . 159 . History of hypertension. Error 2315.05 dikeluarkan daari model.).000 .008 . Predictors: (Constant).481 49.057 Sig.156 -.476 .150 .162 10.001a Regression Residual Total a.442 7.05.116.705 Standardized Coefficients Beta .715 2.001 berarti persamaan garis regresi secara keseluruhan sudah signifikan.030 .05. Dari hasil uji statistik (lihat kotak anova) didapatkan p value = 0.

747 -573.000 .340a .116 Adjusted R Square . Dependent Variable: Birth weight (gram) Setelah variabel frekuensi anc dikeluarkan.156 -. Age of mother. Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja. ada perubahan besar( berubah lebih dari 10 %) untuk R Square dan Coef.116. History of hypertension.680 Sig.074 7. 3.104 -.718 -2.051 .759 105.191 213. Bila ada perubahan yang besar maka variabel tersebut tidak jadi dikeluarkan dalam model (tetap dipertahankan di model). History of premature labor. dan hasilnya sbb: Model Summary Model 1 R R Square . Untuk nilai R Square ternyata tidak ada perunbahan yaitu tetap 0. sorot ‘Regression’.091 Std.051 9. Error 2317. namun sekarang anda harus keluarkan variabel ‘no physician’ dan masukkan ke kotak Variable di sebelah kiri. Klik ‘Analysis’.841 Standardized Coefficients Beta .781 -232.007 .719 2. Smoking status. Sekarang kita bandingkan nilai coefisien B untuk variabel umur.801 .SUTANTO PRIYO HASTONO: Analisis Data Langkahnya: 1. B. kita cek dulu apakah setelah dikeluarkan. Klik OK. Weight of mother (pounds) Coefficientsa Unstandardized Coefficients B Std. .608 297.224 -153.929 a. Error of the Estimate 694.192 Model 1 (Constant) Age of mother Weight of mother (pounds) Smoking status History of premature labor History of hypertension t 7. 160 .448 -2. sorot dan klik ‘Linier’ 2.198 -1.008 a. Predictors: (Constant). Pada kotak Independen juga masih lengkap ada 6 variabel.029 . Sedangkan untuk coefisian B.638 106.201 -.011 1.149 .473 .807 4.

namun sekarang anda harus keluarkan variabel ‘umur (age)’ dan masukkan ke kotak Variable di sebelah kiri.SUTANTO PRIYO HASTONO: Analisis Data berat ibu.094 Std. Predictors: (Constant). Error of the Estimate 694.0 4. Klik ‘Analysis’.7 573. Selankutnya kita lihat kembali bahwa pada model masih ada variabel yang p value > 0.336a . ternyata tidak ada yang berubah lebih dari 10 %.1 % Dari perhitungan perubahan nilai coefisien B pada masing-masing variabel.2 -154. dengan demikian variabel frekuensi anc kita keluarkan dari model.016 a. Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja. 1.7 -232. Weight of mother (pounds) 161 .1 % 0.473). sorot ‘Regression’. History of premature labor.113 Adjusted R Square . Sekarang kita akan keluarkan variabel umur (p value =0.0 -574.0 - perubahan Coef. Smoking status. Langkah/proses : 1. riwayat prematur dan riwayat hiperteni antara sebelum dan sesudah variabel frekuensi anc dikeluarkan.8 Anc dikeluarkan 7.05. dan hasilnya sbb: Model Summary Model 1 R R Square . Pada kotak Independen juga masih terisi ada 5 variabel. hasil perhitungannya sbb: Variabel Age bwt smoke ptl hi ftv Anc msih ada 7.2 -2. merokok. Klik OK.7 -232. 3. sorot dan klik ‘Linier’ 2.4 % 0% 0% 0. History of hypertension.1 4.2 153.

566 1.379 -2. Langkah selanjutnya mengeluarkan variabel Riwayat mengalami prematur.3 % Dari hasil perhitungan perubahan coef.007 a. .148 Standardized Coefficients Beta .1 4. sedangkan untuk Masih lengkap 7. 6.8 % 6.244 -1. dan hasilnya sbb: 162 .412 -582.476 2. Dependent Variable: Birth weight (gram) Setelah variabel umur perhitungannya sbb: Variabel Age bwt smoke ptl hi ftv dikeluarkan.159 -. .925 -2.0 -236.5 - perubahan Coef.847 umur dikeluarkan 5.2 -154.4 145. Error 2449.113.004 . Pada kotak independen variabel riwayat mengalami prematur dikeluarkan dan dimasukkan ke kotak variable disebelah kiri.121 233.098 -.1 % 1.169 .195 Model 1 (Constant) Weight of mother (pounds) Smoking status History of premature labor History of hypertension t 10. nilai R Square ternyata ada sedikit coefisian B. Prosesnya/langkahnya sama dengan diatas.SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Unstandardized Coefficients B Std. hasil perunbahan yaitu menjadi 0.211 -.0 -574.000 .. Klik Analysis. dengan demikian variabel umur kita keluarkan dari model.2 -2. Ternyata tidak ada yang lebih dari 10 %.417 213.338 105.dst.035 -236.026 .4 582. sorot Regression.733 Sig.7 -232.3 % 1.721 105.779 5. .420 -145.

722 1.05 dengan demikian proses pencarian variabel yang masuk dalam model telah selesai dan model yang terakhir adalah sbb: 163 .534 -2. Smoking status.009 -586.089 Std.812 213. Weight of mother (pounds) Coefficientsa Unstandardized Coefficients B Std.7 % 1. 12.104 Adjusted R Square .177 -.0 -574.000 . Predictors: (Constant).104.707 a.2 -154.322a .3 % Hasil perhitungan setelah dikeluarkan variabel prematur. ternyata coefisin B pada variabel beat badan ibu (bwt) beubah sebesar 12.7 -232.012 . History of hypertension.847 Prematur keluar 5.646 Standardized Coefficients Beta .197 Model 1 (Constant) Weight of mother (pounds) Smoking status History of hypertension t 10.4 582.374 3. Dependent Variable: Birth weight (gram) Hasil R Square turun sedikit yaitu menjadi 0. Dari hasil analisis ternyata tidak ada lagi yang p valuenya > 0.391 5.105 230.002 .3 % 1. Error 2390.3 % dengan demikian variabel riwayat mengalami prematur tidak jadi dikeluarkan dan tetap dipertahankan dalam model multivariat. .746 Sig.130 -2. B dapat dilihat sbb: Variabel Age bwt smoke ptl hi ftv Masih lengkap 7.224 -.007 a. Sedangkan hasil perhitungan perubahan Coef.5 perubahan Coef.352 -263.SUTANTO PRIYO HASTONO: Analisis Data Model Summary Model 1 R R Square .3 -236. Error of the Estimate 695.1 4.2 -2.710 103.

.060 1. Adapun uji asumsinya sbb: Langkahnya: 1.336a . Weight of mother (pounds) b.476 2. Error of the Estimate 694. sorot dan klik ‘Linier’ 2.925 .056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a. Predictors: (Constant).420 -582.026 . sorot ‘Regression’. Dependent Variable: Birth weight (gram) Coefficientsa Stand ardize d Coeffi cients Beta .566 -145.338 213. Dependent Variable: Birth weight (gram) Langkah selanjutnya UJI ASUMSI Agar persaman garis yang digunkan untuk memprediksi menghasilkan angka yang valid.SUTANTO PRIYO HASTONO: Analisis Data Model Summaryb Model 1 R R Square .159 -.195 -.925 -2. History of premature labor.037 1. Error 233.035 -236.004 . maka persamaan yang dihasilkan harus memenuhi asumsi-asumsi yang diersyaratkan uji regresi linier ganda.211 -.094 Std.007 .943 .379 Sig.733 -1.121 5.098 t 10.412 Std. History of hypertension.244 -2.113 Adjusted R Square .779 1. Masukan dalam kotak Independen variabel berat badan ibu (lwt).222 a.000 . merokok(smoke).964 .417 Collinearity Statistics Tolera nce VIF . riwayat hipertensi (hi) dan variabel riwayat prematur(ptl) 164 .148 105.169 Mo de l 1 Unstandardized Coefficients B 2449.081 1.721 105.Klik ‘Analysis’. Masukkan dalam kotak Dependen variabel ‘bwt’ 3. Smoking status.016 DurbinWatson .947 1.

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

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

593 .469 .173 Mean 2944.768 . History of hypertension. berarti asumsi 167 .59. +2 berarti asumsi independensi terpenuhi.399 2943.SUTANTO PRIYO HASTONO: Analisis Data Residuals Statisticsa Predicted Value Std.001 -3.010 5. Deleted Residual Mahal.d.079 1. History of premature labor.005 708. Tidak diperbolehkan nilai observasi yang berbeda yang diukur dari satu individu diukur dua kali.03 2.222 a.094 Std.682 292.000 103. Untuk mengetahui asuamsi ini dilakukan dengan cara mengeluarkan uji Durbin Watson.769 2.316 -3. sebaliknya bila nilai Durbin < -2 atau > +2 berarti asumsi tidak terpenuhi Model Summaryb Model 1 R R Square . Error of the Estimate 694.000 .423 2.631 2.004 Maximum 3602.320 .000 45.019 .43 -2082. Asumsi Independensi Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std.610 -3.336a .989 1.97 1921. Weight of mother (pounds) b.000 . Smoking status.000 . bila nilai Durbin –2 s. Distance Cook's Distance Centered Leverage Value Minimum 2249.113 Adjusted R Square .222.016 DurbinWatson .77 -2.407 251. Residual Deleted Residual Stud.007 .196 686.001 .015 -2102. Jadi nilai dari tiap-tiap individu saling berdiri sendiri.028 N 189 189 189 189 189 189 189 189 189 189 189 189 a. Dependent Variable: Birth weight (gram) Dari hasil uji didapatkan koefisien Durbin Watson independensi terpenuhi.804 3616.021 Std.73 . Predictors: (Constant).193 1955.209 .66 . Dengan demikian asumsi Eksistensi terpenuhi b.619 1. Dependent Variable: Birth weight (gram) Hasil dari output diatas menunjukkan angka residual dengan mean 0.000 3. 0. Deviation 245.084 .979 . Residual Stud.835 67.000 dan standar deviasi 686.782 1940.923 .835 32.

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. 168 .861 Sig. Dependent Variable: Birth weight (gram) Dari output diatas menghasilkan uji anova 0. History of hypertension. History of premature labor.965 F 5. X3. X2. Smoking status. Asumsi Linieritas Nilai mean dari variabel Y untuk suatu kombinasi X1. …. Hasil uji asumsi : ANOVAb Model 1 Sum of Squares 11291987 88625066 99917053 df 4 184 188 Mean Square 2822996. Predictors: (Constant). Untuk mengetahui asumsi linieritas dapat diketahui dari uji ANOVA (overall F test) bila hasilnya signifilan (p value<alpha) maka moodel berbentuk linier.0005. Homoscedasticity dapat diketahui dengan melakukan pembuatan plot residual.778 481657.000a Regression Residual Total a. . Xk terletak pada garis/bidang linier yang dibentuk dari persamaan regresi. Asumsi Homoscedascity Varian nilai variabel Y sama untuk semua nilai variabel X. maka diduga variannya terjadi heteroscedasticity. Weight of mother (pounds) b.SUTANTO PRIYO HASTONO: Analisis Data c. Sebaliknya bila titik tebaran membentuk pola tertentu misalnya mengelompok di bawah atau di atas garis tengah nol. berarti asumsi linearitas terpenuhi d.

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

53E-16 Std. Dev. = 0.989 N = 189 Regression Standardized Residual 170 .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.

Untuk mendeteksi collinearity dapat diketahui dari nilai VIF (variance inflation factor).6 0.4 0.2 0.0 0.0 Observed Cum Prob Dari grafik histogram dan grafik normal P-P plot terbukti bahwa bentuk distribusinya normal.8 Expected Cum Prob 0.0 0.0 0. 171 .SUTANTO PRIYO HASTONO: Analisis Data Normal P-P Plot of Regression Standardized Residual Dependent Variable: Birth weight (gram) 1. bila nilai VIF lebih dari 10 maka mengindikasikan telah terjadi collinearity.8 1.2 0. f.Diagostik Multicollinearity Dalam regresi linier tidak boleh terjadi sesama variabel independen berkorelasi secara kuat (multicollinearity). berarti asumsi normality terpenuhi.6 0.4 0.

060 1.417 Collinearity Statistics Tolera nce VIF .007 . Namun karena secara substansi antar variabel dipandang tidak interaksi maka uji interaksi tidak dilakukan. Smoking status.026 .081 1.222 a. History of premature labor. Error 233.SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Stand ardize d Coeffi cients Beta . .338 213.004 . Predictors: (Constant).779 1. Sehingga model yang terakhir adalah sbb: Model Summaryb Model 1 R R Square .000 . Weight of mother (pounds) b.037 1.943 .094 Std.476 2.964 .211 -. Dependent Variable: Birth weight (gram) Dari hasil uji asumsi didapatkan nilai VIF tidak lebih dari 10.412 Std.159 -.566 -145. Error of the Estimate 694.244 -2.113 Adjusted R Square . Langkah sekanjutnya adalah UJI INTERAKSI.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a.925 -2.947 1.016 DurbinWatson .035 -236.148 105.169 Mo de l 1 Unstandardized Coefficients B 2449. History of hypertension.195 -.733 -1.098 t 10.420 -582.336a .379 Sig.925 . 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.721 105.121 5. Dependent Variable: Birth weight (gram) 172 .

Atau dapat diartikan kedua variabel tersebut secara signifikan dapat utnuk memprediksi variabel berat bayi. peresamaat regresi yang diperoleh adalah Berat Bayi = 2449.113 artinya bahwa model regresi yang diperoleh dapat menjelaskan 11. berarti pada alpha 5% kita dapat menyatakan bahwa model regresi cocok (fit) dengan data yang ada.. Pada kotak ‘Coefficient’ kita dapat memperoleh persamaaan garisnya.121 5.779 1.925 .037 1.476 2.195 -.004 .582Hi – 145.SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Stand ardize d Coeffi cients Beta .566 -145.ternyata variabel independen yang masuk model regresi adalah berat badan ibu. dan riwayat prematur.4 Ptl 173 .060 1.159 -. riwayat hipertensi.0 Lwt – 236. Dependent Variable: Birth weight (gram) Interpretasi model: Setelah dilakuikan analisis . kita lihat hasil uji F yang menunjukkan nilai P (sig) = 0.733 -1. Pada tabel ‘Model Summary’ terlihat koefisien determinasi (R square) menunjukkan nilai 0. Dari hasil di atas. Atau dengan kata lain keempat variabel independen tsb dapat menjelaskan variasi variabel berat bayi sebesar 11.412 Std.169 Mo de l 1 Unstandardized Coefficients B 2449.947 1.148 105. Kemudian pada kotak ‘ANOVA’.000 .211 -. pada kolom B (di bagian Variabel In Equation) di atas.000. .056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a.035 -236.379 Sig.943 . kita dapat mengetahui koefisien regresi masing-masing variabel.925 -2.026 .4 smoke .3 %.420 -582.721 105.417 Collinearity Statistics Tolera nce VIF .964 .338 213.007 .244 -2.3 % variasi variabel dependen berat bayi.098 t 10.081 1. ibu merokok. Error 233.1+5.

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

Variabel katagorik yang dikotom adalah variabel yang mempunyai dua nilai variasi. REGRESI LOGISTIK Berbeda dengan regresi linier yang variabel dependennya numerik. Pengamatan dilakukan pada 100 orang sampel.SUTANTO PRIYO HASTONO: Analisis Data 13 puas dll). bayi BBLR dan Normal. artinya katagorik yang terdiri dari dua kelompok. dan lain-lain Perbedaan antara regresi linear dengan regresi logistik terletak pada jenis variabel dependennya. puas/tidak A. REGRESI LOGISTIK SEDERHANA 1. didapatkan hasil : No PJK 1 0 2 22 0 3 23 1 4 24 0 5 25 0 6 27 1 7 28 0 8 29 1 9 30 1 10 32 0 11 33 0 … … … … … … 100 70 1 Umur 20 175 . regreesi logistik merupakan jenis regresi yang mempunyai ciri khusus. merokok dan tidak merokok. misalnya hidup/mati. Pendahuluan Analisis regresi logistik adalah salah satu pendekatan model matematis yang digunakan untuk menganalisis hubungan satu atau beberapa variabel independen dengan sebuah variabel dependen katagorik yang bersifat dikotom/binary. misalnya sakit-tidak Sakit. Untuk memahami lebih jelas tentang regresi logistik coba kita lihat contoh analisis penelitian yang mempelajari hubungan antara variabel umur dengan kejadian penyakit jantung koroner. Regresi linear digunakan apabila variabel dependennya numerik . yaitu variabel dependennya berbentuk variabel katagorik (terutama yang dikotomus. sedangkan regresi logistik diogunakan pada data yang dependennya berbentuk katagorik yang dikotom.

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

2 0.7 0.6 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. Diawali peningkatan yang landai.63 0. pembuatan diagram tebar tersebut merupakan cara untuk mendeteksi/mengetahui hubungan pada analisis regresi linier.1 0 20 . Kalau kita cermati.10 0.25 0.80 0. garis tersebut menyerupai huruf S.13 0. namun ada 177 .8 0.4 0.9 0.46 0.43 Umur 20 – 29 30 – 34 35 – 39 40 – 44 45 – 49 50 – 54 55 – 59 60 – 69 Total Jumlah 10 15 12 15 13 8 17 10 100 Pada tabel terlihat bahwa ada peningkatan proporsi kejadian jantung pada kelompok umur semakin tua/lanjut.76 0.5 0. kemudian meningkat tajam dan kemudian landai kembali. Kemudian kita coba sajikan data tersebut dengan grafik dan hasilnya dapat dilihat pada grafik berikut: 0.29 30 – 34 35 – 39 40 – 44 45 – 49 50 – 54 55 – 59 60 – 69 Pada grafik tyer.33 0.3 0.lihat jelas adanya peningkatan yang tidak linear antara proporsi kejadian PJK dengan peningkatan umur.

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

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

1 + e-(α + β1X1 + β2X2 + … + βiXi) 4. Berapa peluang mereka yang kadar katekolaminnya rendah mempunyai risiko untuk terjadi PJK? c. Bandingkan risiko terjadi PJK antara mereka yang kadar katekolaminnya tinggi dengan yang kadar katekolaminnya rendah? Jawab: Dengan model regresi logistik maka pada soal tersebut modelnya adalah: f(z) = 1 . 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). Pemberian kode nilai variabel adalah sbb: Untuk variabel PJK Untuk variabel KAT Pertanyaan: a. Contoh Kasus Contoh studi follow up selama 9 tahun. Berapa peluang mereka yang kadar katekolaminnya tinggi mempunyai risiko untuk terjadi PJK? b.SUTANTO PRIYO HASTONO: Analisis Data Z = α + β1X1 Z = α + β1X1 + β2X2 + … + βiXi (Regresi logistik sederhana) (Regresi logistik berganda) Bila nilai Z dimasukkan pada fungsi Z. 1 + e-z 180 1 = timbul penyakit jantung koroner 0 = tidak ada penyakit jantung koroner 1 = kadar katekolamin darah tinggi 0 = kadar katekolamin darah rendah . maka rumus fungsi Z adalah f(z) = 1 .

037 atau sekitar 4% 1 + e-(-3. 1 + e-α + β1KAT Misdalkan didapatkan hasil analisis dengan paket program statistik sbb: α = -3. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya rendah Oleh karena kadar katekolamin rendah diberi angka 0. maka modelnya : P(X) = 1 . = 0.SUTANTO PRIYO HASTONO: Analisis Data Nilai f(z) dapat diganti dengan P(X). maka masukkan nilai KAT=0 pada model di atas. maka: P(X) = 1 . hasilnya: P(X) = 1 .947 = 2. b. Oleh karena kadar katekolamin tinggi diberi angka 1.911 + 0.911 + 0.652*0) jadi mereka/individu yang kadar katekolaminnya rendah dalam darah mempunyai risiko untuk terjadinya PJK sebesar 2% selama periode follow up.037 = 1. Arti dari angka di atas adalah mereka yang kaadar 181 .911 dan β1 = 0.652.911 + 0. c. maka rumusnya: P(X) = 1 . maka masukkan nilai KAT=1 pada model di atas. Besar risiko kedua kelompok tersebut P1(X) = 0. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya tinggi. 1 + e-(-3.019 Angka tersebut di atas sebenarnya adalah risiko relatif (RR)yang diperoleh secara direk.019 atau sekitar 2% 1 + e-(-3.652*1) jadi mereka/individu yang kadar katekolaminnya tinggi dalam darah mempunyai risiko untuk terjadinya PJK sebesar 4% selama periode follow up.0 P0(X) 0. 1 + e-z Bila Z = α + β1KAT.652KAT) Dari model tersebut coba kita jawab pertanyaan di atas: a. = 0. hasilnya: P(X) = 1 .

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

Melakukan analisis bivariat antara masing-masing variabel independen dengan variabel dependennya.SUTANTO PRIYO HASTONO: Analisis Data B. 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. Y 183 . Bila hasil uji bivariat mempunyai nilai p < 0. yaitu: a. Pada regresi logistik. REGRESI LOGISTIK GANDA Pada pembahasan di atas sudah diperkenalkan mengenai regresi logistik sederhana. diperlukan prosedur pemilihan variabel sbb: 1).25.25 tetap diikutkan ke multivariat bila variabel tsb secara substansi penting. Pada pemodelan ini semua variabel dianggap penting sehingga estimasi dapat dilakukan estimasi beberapa koefisien regresi logistik sekaligus. Seperti juga pada regresi linier. Kegunaan analisis regresi logistik ganda mencakup dua hal. Model Prediksi Pemodelan dengan tujuan untuk memperoleh model yang tediri dari beberapa variabel independen yang dianggap terbaik untuk memprediksi kejadian variabel dependen. keuntunngan regresi logistik ganda adalah kemampuannya untuk memasukkan beberapa variabel dalam satu model. Namun bisa saja p value > 0. maka variabel tersebut dapat masuk model multivariat. variabel independennya boleh campuran antara variabel katagorik dan numerik. Namun sebaiknya variabel independennya berupa katagorik karena dalam menginterpretasi hasil analisis akan lebih mudah.

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

mencakup variabel utama . Lakukan penilaian konfonding. Lakukan penilaian interaksi. 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. 2). semua kandidat konfonding dan kandidat interaksi (interaksi diabuat antara variabel utama dengan semua variabel konfonding). 185 .SUTANTO PRIYO HASTONO: Analisis Data Tahapan pemodelan: 1). 3). Lakukan pemodelan lengkap. 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.

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

950 1. klik ‘CI for Exp(B)’ 6. .I. Variable(s) entered on step 1: age.0% C.032 . Klik ‘Continue’ 7.732 Wald 2.105 . 187 .893 1.760 2. dan hasilnya sbb: Block 1: Method = Enter Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 2.760 2.385 S.E.635 .011 Step a 1 age Const ant B -.097 .469 a.760 df 1 1 1 Sig.599 Exp(B) .SUTANTO PRIYO HASTONO: Analisis Data 5. .097 Variables in the Equation 95.for EXP(B) Lower Upper . Klik tombol ‘Options’ .051 .276 df 1 1 Sig.097 . . Klik “OK”.

097 berarti variabel umur p value nya <0.25 sehingga variabel umur dapat dilanjutkan ke analisis multivariat. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. Klik “Binary Logistic”.89-1.01) 2. Pilih “Analyze” 2. tepatnya 3 kelompok(yaitu :ras 188 .950 (95% CI: 0. pada tampilan Block 1 didapatkan hasil omnibus test pada bagian Bloc dengan p value 0. Dari tampilan SPSS nilai OR dapat diketahui dari kolom Exp(B) yaitu sebesar 0. Pada variabel ras perlu dilakukan dummy oleh karena variabel ras berjenis katagorik dengan isi lebih dari 2 nilai.Analisis bivariat antara “ras” dengan “bblr” 1. Tampilannya sbb: 5. Pilih “Regression” 3. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates variabel ‘age’ dikeluarkan dan gantilah dengan mengisikan variabel ‘race’. 4.SUTANTO PRIYO HASTONO: Analisis Data Dari hasil output.

000 . dan tampilannya: 6. Klik Continue. lalu klik Change.082 . klik pilihan ‘first’ pada bagian Reference category.082 .010 5.010 df 2 2 2 Sig.010 5.082 189 . hitam dan lainnya). pindahkan ‘race’ dari kotak covariates ke kotak categorical covariates.SUTANTO PRIYO HASTONO: Analisis Data putih. Klik OK Categorical Variables Codings Parameter coding (1) (2) .000 .000 .000 1. . layar ke menu logistic 7. Klik tombol Categorical.000 1.000 Race White Black Other Frequency 96 26 67 Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 5.

000 Exp(B) 2. Pilih “Analyze” 2. Klik “Binary Logistic”. .045 190 .E.022 4.155 S.328 artinya ras kuliat hitam akan berisiko bayinya bblr sebesar 2.0% C. sehingga variabel ras dapt lanjut ke multivariat.328 1. .087 berarti p value < 0. 3.022 4.348 .772 3.463 .085 .889 .922 3.323 3.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95. Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4. Analisis bivariat antara “hipertensi” dengan “bblr” 1.for EXP(B) Lower Upper . 4.636 -1. Variable(s) entered on step 1: race. Klik OK.25.I.330 df 2 1 1 1 Sig.736 B Stea p1 race race(1) race(2) Constant . OR untuk race(2) besarnya 1.068 . Hasil uji didapatkan p value 0. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ht”.955 5.939 .89 kali lebi tinggi dibandingkan ras kulit putih.345 23. Pilih “Regression” 3.3 kali lebih tinggi dibandingkan ras kulit putih. terlihat ada dua nilai OR yaitu OR untuk race(1) 2.315 a.89 artinya ras kelompok lainnya mempunyai risiko bayinya bblr sebesar 1.045 .845 .045 .239 Wald 4. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.067 . .022 df 1 1 1 Sig. Dari output dapat diketahui juga nilai OR dummy.

for EXP(B) Lower Upper 1. Variable(s) entered on step 1: ui.249 df 1 1 Sig.024 (p value < 0. .I. Variable(s) entered on step 1: ht.024 Variables in the Equation 95.046 . .045 (p value < 0.0% C.162 29.076 5.0% C.877 S.947 S. Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 5.25) berarti masuk dalam multivariat 4.088 Step a 1 ht Constant B 1.25). Pilih “Analyze” 8.000 Exp(B) 3.024 .214 -. Klik OK.176 Wald 5.979 28.139 5. Analisis bivariat antara “kelainan uterus” dengan “bblr” 7. . .076 df 1 1 1 Sig.416 a.165 Wald 3.for EXP(B) Lower Upper 1.000 Exp(B) 2.388 a.023 .947 -. Hasil uji didapatkan p value = 0.365 .021 11. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.E.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95. maka variabel kelainan uterus dapat lanjut ke multivariat 191 .E. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ui”.608 .076 5.I.024 .578 .072 df 1 1 Sig. Klik “Binary Logistic”.417 . Pilih “Regression” 9. . 10. Hasil p value 0.834 Step a 1 ui Constant B .

4.Pilih “Analyze” 2.379 Variables in the Equation 95.867 df 1 1 1 Sig.Analisis bivariat antara “periksa hamil” dengan “bblr” 1.643 1.027 192 . .I. .687 S. Klik OK. maka variabel ini dapat dianalisis multivariat.874 . 6.773 df 1 1 1 Sig.135 -.188 Step a 1 ftv Constant B -.503 a. Variable(s) entered on step 1: ftv.0% C.379 . Hasil uji p value = 0. .SUTANTO PRIYO HASTONO: Analisis Data 5.379 (p value > 0.389 .Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ftv”. Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square .Pilih “Regression” 3.027 .867 4.25) sehingga secara statistik tidak dapat lanjut ke multivariat.Klik “Binary Logistic”.195 Wald . muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.Analisis bivariat antara “merokok” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4.427 df 1 1 Sig.E. namun karena secara substansi variabel periksa hamil sangat penting.000 Exp(B) .379 .for EXP(B) Lower Upper .773 .744 12.027 .773 .867 4. .157 .

045 0.E.I.852 25.391 30.197 4.25 sehingga variabel riwayat adanya prematur dapat masuk ke multivariat Hasil seleksi bivariat : Variabel Umur Ras Hipertensi Kelainan uterus Periksa hamil Merokok Prematur P value 0.779 6.151 Step a 1 ptl Constant B .009 berarti < 0.25) dengan demikian variabel merokok dapat masuk ke multivariat. 7. .SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.779 df 1 1 1 Sig.Analisis bivariat antara “prematur” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 6.009 .215 Wald 4.027 0.for EXP(B) Lower Upper 1.082 0. .381 a.0% C.964 S.for EXP(B) Lower Upper 1.000 Exp(B) 2. Hasil analisis bivariat didapatkan p value = 0.802 -.000 Exp(B) 2.011 . . Variable(s) entered on step 1: ptl.320 .097 0.370 df 1 1 Sig.337 a.I.027 ( < 0.022 .779 6. .009 .E.783 Step a 1 smoke Constant B .009 193 . .024 0.627 df 1 1 Sig.028 .0% C.379 0. Variable(s) entered on step 1: smoke.087 S.081 3.175 Wald 6. Hasil analisis didapatkan p value sebesar 0.317 .230 .009 Variables in the Equation 95.704 -1.

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

SUTANTO PRIYO HASTONO: Analisis Data

7. Kilik ‘OK’

Logistic Regression
Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper .894 1.031 1.025 1.185 1.219 .964 1.132 .909 .736 7.345 6.280 5.639 3.654 13.451 5.468 1.384

Step a 1

age race race(1) race(2) smoke ptl ht ui ftv Constant

B -.041 1.009 1.003 .964 .630 1.361 .802 .009 -1.183

S.E. .036 .502 .426 .391 .340 .631 .458 .161 .919

Wald 1.249 6.783 4.034 5.560 6.090 3.429 4.648 3.066 .003 1.659

df 1 2 1 1 1 1 1 1 1 1

Sig. .264 .034 .045 .018 .014 .064 .031 .080 .954 .198

Exp(B) .960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 .306

a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui, ftv.

Dari hasil analisis terlihat ada 4 variabel yang p valuenya > 0,05 yaitu age, ptl, ui dan ftv, yang terbesar adalah ftv, sehingga pemodelan selanjutnya variabel ftv dikeluarkan dari model. Dengan langkah yang sama akhirnya diperoleh hasil sbb. 195

SUTANTO PRIYO HASTONO: Analisis Data

Logistic Regression
Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper .896 1.030 1.025 1.184 1.219 .963 1.134 .908 7.347 6.262 5.632 3.651 13.341 5.454

Step a 1

age race race(1) race(2) smoke ptl ht ui Constant

B -.040 1.009 1.002 .963 .629 1.358 .800 -1.184

S.E. .036 .503 .425 .390 .340 .629 .457 .919

Wald 1.275 6.781 4.035 5.562 6.086 3.423 4.663 3.063 1.661

df 1 2 1 1 1 1 1 1 1

Sig. .259 .034 .045 .018 .014 .064 .031 .080 .197

Exp(B) .960 2.744 2.723 2.620 1.875 3.889 2.226 .306

a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui.

Setelah ftv dikeluarkan kita lihat perubahan nilai OR untuk variabel age, race, smoke, ptl, ht, dan ui. Variabel Age Race(1) Race(2) Smoke Ptl Ht ui ftv OR ftv ada 0.960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 OR ftv tak ada 0.960 2.744 2.723 2.620 1.875 3.889 2.226 perubahan OR 0% 0% 0% 0% 0,1 % 0.3 % 0,1 %

Dengan hasil perbandingan OR terlihat tidak ada yang > 10 % dengan demikian dikeluarkan dalam model. Selanjutnya variabel yang terbesar p valuenya adalah umur, dengan demikian dikelurkan dar model dan hasilnya Hasilnyanya :

196

SUTANTO PRIYO HASTONO: Analisis Data

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.113 1.271 1.263 .925 1.131 .970 7.916 6.538 5.747 3.422 13.537 5.692

B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.088 1.059 .991 .576 1.364 .855 -2.146

S.E. .501 .418 .387 .334 .633 .451 .386

Wald 7.968 4.723 6.422 6.569 2.975 4.640 3.585 30.917

df 2 1 1 1 1 1 1 1

Sig. .019 .030 .011 .010 .085 .031 .058 .000

Exp(B) 2.968 2.883 2.694 1.779 3.912 2.350 .117

a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.

Setelah variabel umur dikeluarkan, kita cek lagi perubahan OR untuk variabel yang masih aktif di model. Variabel Age Race(1) Race(2) Smoke Ptl Ht ui ftv OR age ada 0.960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 OR age tak ada 2.968 2.883 2.694 1.779 3.912 2.350 8,2 % 5,7 % 2,7 % 5,2 % 0.3 % 5,4 % perubahan OR

Dari analisis perbandingan OR, ternyata perubahannya < 10 %, dengan demikian variabel umur dikeluarkan dari model Langkah selanjutnya mengeluarkan variabel yang p valuenya > 0,05, variabel ptl dikeluarkan model, hasilnya

197

SUTANTO PRIYO HASTONO: Analisis Data

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.090 1.315 1.419 1.133 1.158 7.704 6.640 6.286 13.379 6.458

B Step a 1 race race(1) race(2) smoke ht ui Constant 1.064 1.083 1.094 1.359 1.006 -2.092

S.E. .499 .413 .380 .630 .438 .380

Wald 8.245 4.545 6.877 8.299 4.660 5.262 30.307

df 2 1 1 1 1 1 1

Sig. .016 .033 .009 .004 .031 .022 .000

Exp(B) 2.897 2.955 2.986 3.894 2.734 .123

a. Variable(s) entered on step 1: race, smoke, ht, ui.

Setelah ptl dikeluarkan, kita lihat perubahan OR nya: Variabel OR ptl ada OR ptl tak ada Age Race(1) Race(2) Smoke Ptl Ht ui ftv 0.960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 2.897 2.955 2.986 3.894 2.734 -

perubahan OR 5,6 % 8,3 % 13,8 % 0.2 % 22,6 %

Ternyata setelah ptl dikeluarkan, OR variabel merokok dan kelainan uterus berubah > 10 %, dengan demikian variabel ptl dimasukkan kembali dalam model. Kemudian variabel ui dikeluarkan dalam model karena p valuenya > 0,05, dan hasilnya sbb:

198

390 5.286 4.996 1. dengan demikian variabel ui masuk kembali dalam model.586 df 2 1 1 1 1 1 1 Sig.132 a.007 3.009 2.008 .5 % 8. 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 0.9 % 13.025 S.390 2.062 1.382 .280 .958 2.727 2.707 3.712 6.794 3.007 .988 1.4 % 3.411 .960 2.032 .372 Wald 8. Akhirnya model yang dihasilkan adalah sbb: 199 .009 .034 .902 2.062 7. smoke.894 2.958 2.321 1.513 6. ptl.221 .629 .726 11.743 2.for EXP(B) Lower Upper 1.052 . ht.596 29.229 1.793 B Step a 1 race race(1) race(2) smoke ht ptl Constant 1.626 5.2 % 6. .949 6.640 3.E.000 Exp(B) 2. .325 .I. ternyata variabel ht berubah > 10 %.622 1.696 -2.085 . Variable(s) entered on step 1: race.1 % - Setelah dilakukan perbandingan OR.894 2.016 .0% C.877 3.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.764 4.707 2.500 .086 1.

.538 5.030 .387 . C.994 .779 3.585 30.263 . Kotak dependen isikan low 3. .000 26.916 6. klik analysis.747 3.334 .560 df 1 1 7 Sig.970 7. ptl.085 .422 6. Klik tombol Next 5.692 B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.271 1. Kotak Kovariat isikan Race.364 .058 .925 1. klik OK lihat hasilnya pada bagian Block 2 Block 2: Method = Enter Omnibus Tests of Model Coefficients Chisquare . . Langkahnya: 1. UJI INTERAKSI Uji interaksi dilakukan pada variabel yang diduga secara substansi ada interaksi.000 .576 1.994 .451 .501 .883 2.011 .975 4.855 -2.694 1.418 .E.031 .000 Exp(B) 2. ui.113 1.088 1.146 S.386 Wald 7.912 2. misalkan kita duga merokok berinteraksi dengan hipertensi. Dalam kasus sekarang. kalau memang tidak ada tidak perlu dilakukan uji interaksi. ptl.968 2.723 6. ht.569 2. klik binary ogistik 2. ht dan ui 4.131 .010 .640 3. klik regression.0% C.for EXP(B) Lower Upper 1.350 .000 Step 1 Step Block Model 200 . smoke. isikan : smoke*ht ke kotak kovariat 6.422 13.991 .117 a.968 4.059 .I.019 . Variable(s) entered on step 1: race.537 5. smoke.917 df 2 1 1 1 1 1 1 1 Sig.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.633 .

085 .E.000 Exp(B) 2.779 3.0% C.117 a.723 6.E.058 .865 3.694 1. . ptl.236 .387 . .968 2.692 B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.211 2.854 .917 df 2 1 1 1 1 1 1 1 Sig.576 1.569 2.334 .418 . .994 .386 Wald 7.419 . berarti : tidak ada interaksi antara merokok dengan hipertensi.013 .896 2.010 .019 .087 .680 3.364 .058 .451 .555 5.990 .779 3.117 a.360 .900 4.921 .875 df 2 1 1 1 1 1 1 1 1 Sig.451 1.438 19.831 .692 6.502 .000 Exp(B) 2.088 1.397 .693 12.059 .912 2.010 -2.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95. 201 .747 3.975 4.968 4.082 7. Variable(s) entered on step 1: race.019 .011 . ui.350 .969 2.031 .010 .109 1.05.585 30.I.336 .283 . . model yang valid adalah model tanpa ada interaksi: MODEL TERAKHIR Variables in the Equation 95.350 1.491 B Step a 1 race race(1) race(2) smoke ptl ht ui ht by smoke Constant 1.584 .633 .855 -2.422 13.030 .088 1.970 7.994 (lihat bagian step) berarti lebih besar dari 0.692 1.883 2.422 6.for EXP(B) Lower Upper 1.387 6.537 5.925 1.946 6.991 .I.538 5.937 2.102 .640 3.0% C.501 . Dengan demikian pemodelan telah selesai.030 .970 .059 .000 30.268 1.011 .271 1.916 6. Variable(s) entered on step 1: ht * smoke .765 .for EXP(B) Lower Upper 1. ht.883 2. terlihat hasil uji omnibusnya memperlihatkan p value = 0.386 Wald 7.146 S.852 5.113 1.263 .131 . smoke.146 S.576 1. Pada output bagian Block 2:Methode=Enter.

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

148 -1.222 a. 203 . Klik “Binary Logistic”. dan hasilnya sbb: Logistic Regression Variables in the Equation 95.722 .160 .052 20.159 1. kerja * sikap . .432 Wald .kerja*bbibu.000 .SUTANTO PRIYO HASTONO: Analisis Data KASUS KEDUA : REGRESI LOGISTIK MODEL FAKTOR RISIKO Tujuan analisis : Untuk mengetahui hubungan pekerjaan dengan menyusui eksklusive Variabel independen utama : Pkerjaan Variabel dependen : Eksklusive Variabel konfounding : umur.760 1.999 . sikap.722 1.105 df 1 1 1 1 1 1 Sig.849 1. Pilih “Regression” 3. kerja*umur1.681 -.949 6E+008 1. Pilih “Analyze” 2. Klik ‘OK’.186 .160 .109 .114 28420. kerja * umur1 .279 .000 . umur1.I. 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. umur1.869 1. . Langkah pertama: menyusun model mencakup semua variabel dan variabel interaksi Cara 1. sikap.0% C.E. Variable(s) entered on step 1: kerja. kerja*sikap) 4.648 .197 . bbibu. 28420.000 .583 Stea p1 kerja umur1 sikap kerja by umur1 kerja by sikap Constant B -20.514 56. .208 .for EXP(B) Lower Upper . muncul menu dialog yang berisi kotak Dependent dan Covariat.972 . berat badan ibu dan sikap A.999 .000 5.351 .372 .000 1.293 Exp(B) .275 1.505 S.

022 18.SUTANTO PRIYO HASTONO: Analisis Data Dari output model penuh/lengkap ini kita lakukan uji interaksi.039 .191 . langkah selanjutnya uji konfounding 204 .795 .175 -1.609 .741 .239 Wald 4.212 5. .05).0% C.753 1. .0% C.156 1.749 . Variable(s) entered on step 1: kerja.718 1.274 1. Variable(s) entered on step 1: kerja.582 1.177 .645 .217 -.616 Stea p1 kerja umur1 sikap kerja by sikap Constant B -. variabel dikatakan berinteraksi bila p valuenya < 0.053 . .202 Step a 1 kerja umur1 sikap Consta nt B 1.051 .376 2.157 .445 2.641 9.036 . 1.601 . Dari hasil di atas variabel interaksi ”Pekerjaan by umur” mempunyai nilai p terbesar (p=0.273 3.for EXP(B) Lower Upper .893 1. Dan model menjadi: Logistic Regression Variables in the Equation 95.I.959 9.384 df 1 1 1 1 Sig.666 1.074 14.146 . Setelah dikeluarkan hasilnya: Variables in the Equation 95.067 3. Dari output diatas. umur1. pengeluaran dilakukan secara bertahap dari variabel interaksi yang p value-nya terbesar. sikap.205 Exp(B) .999) sehingga variabel tersebut dikeluarkan dari model.060 .876 S.878 1.152 a.991 92.942 1.610 df 1 1 1 1 1 Sig. Seleksinya dengan mengeluarkan secara bertahapVariabel interaksi yang tidak signifikan (p>0.I.for EXP(B) Lower Upper 1.971 86. sikap.114 .264 1.056 a.557 .483 Wald .05.E.05.E.020 Exp(B) 3.812 . kerja * sikap .178 .035 -2.261 . variabel interaksi ‘kerja by sikap’ harus dikeluarkan dari model karana p valuenya > 0. kesimpulannya tidak ada variabel interasksi. Dengan demikian hasil uji interaksi sudah selesai.592 .881 S.076 1.260 . umur1.

985 1.032 .091 df 1 1 Sig.006 .429 Wald 7.111)/4.127 14.111 =32. bila perubahannya > 10 %. Variable(s) entered on step 1: kerja.SUTANTO PRIYO HASTONO: Analisis Data UJI KONFOUNDING Uji konfounding dengan cara melihat perbedaan nilai OR untuk variabel utama dengan dikeluarkannya variabel kandidat konfounding.754 S.6 % .464 . dan harus dikeluarkan dari model Langkah selanjutnya mengeluarkan variabel umur.0% C. .for EXP(B) Lower Upper 1.959)/4.618 . .018 Exp(B) 4.for EXP(B) Lower Upper 1.113 Wald 4.357 Step a 1 kerja Const ant B 1.471 a.378 -2.073 a.9 % .585 4.660 1.110 10. Setelah variabel umur dikeluarkan terlihat perubahan OR variabel utama: kerja sebesar : (5.036 . . Model terakhir : 205 . Untuk itu variabel umur harus tetap ikut dalam model sebagai konfounding hubungan kerja dengan menyusui eksklusive. Variable(s) entered on step 1: kerja. Dengan demikian variabel sikap bukan konfounding.627 18.I.111 – 3. setelah dikeluarkan dari model hasiilnya sbb:’ Variables in the Equation 95.079 Exp(B) 5.0% C.E.698 -.I.E.555 df 1 1 1 Sig. Dengan demikian variabel umur merupakan variabel konfounding. maka varaibel tsb dianggap sebagai variabel konfounding.165 99. Setelah variabel sikap dikeluarkan terlihat perubahan OR variabel utama kerja sebesar : (4.135 1. .754 Stea p1 kerja umur1 Constant B 1. setelah dikeluarkan hasilnya: Variables in the Equation 95. umur1.111 =3.389 5.464-4.783 .545 3. Tahap pertama : akan dikeluarkan variabel Sikap.413 2.624 S.

Variable(s) entered on step 1: kerja.783 .for EXP(B) Lower Upper 1. ternyata.113 Wald 4.660 1.032 . .378 -2.165 99. 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”.E. Interpretasi: Setelah dilakukan analisis confounding.754 Stea p1 kerja umur1 Constant B 1.135 1.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.413 2.018 Exp(B) 4.036 .110 10.624 S.127 14. umur1.389 5.555 df 1 1 1 Sig.0% C.I.073 a. . umur merupakan confounding hubungan pekerjaan dengan menyusui eksklusif.985 1.585 4. 206 .

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

SUTANTO PRIYO HASTONO: Analisis Data 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