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

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

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

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

dan PT kode 4. SMU kode 3.SUTANTO PRIYO HASTONO: Analisis Data Tabel 1 Jenis kelamin pasien Jenis Kelamin Laki-laki Perempuan Total Jumlah 40 60 100 Tabel 2 Jenis pendidikan pasien Pendidikan SD SMP SMU PT Total Jumlah 40 10 30 15 100 Dari kedua tabel di atas memperlihatkan bahwa tabel jenis kelamin tidak ada nilai yang hilang (missing). misalnya untuk variabel pendidikan SD kode 1. SMP kode 2. Cara mendeteksi dengan mengeluarkan distribusi frekuensi masing-masing variabel. Dalam entry data biasanya data dimasukkan dalam bentuk kode/coding. Untuk mengetahui kesalahan data berikut ilustrasi keluaran dari variabel pendidikan: 8 . b. sedangkan pada tabel pendidikan ada 5 pasien yang missing. karena total jumlahnya hanya 95 (seharusnya 100). Mengetahui variasi data Dengan mengetahui variasi data akan diketahui apakah data yang di-entry benar atau 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. Mengetahui konsistensi data Cara mendeteksi adanya ketidakkonsistensi data dengan menghubungkan dua variabel. 4. 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. c.d. membandingkan dua tabel Tabel 4 Keikutsertaan KB KB Ya Tidak Total Jumlah 20 80 100 9 . Contoh: 1).

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

SPSS mengenal 2 jenis jendela (Window) yang utama yaitu: a. Untuk memanggil program SPSS dapat dilakukan dua cara : Pertama : Bila tampilan pertama komputer sudah muncul Icon SPSS. maka klik dengan mouse icon tersebut dua kali. ENTRY DATA Setelah kita mengetahui langkah-langkah pengolahan data. analisis statistik deskriptif. analisis lanjut yang sederhana maupun komplek. SPSS merupakan paket program ststistik yang berguna untuk mengolah dan menganalisis data penelitian. pembuatan grafik. dsb. pilih “File Program” dan sorot “SPSS” dan klik dua kali.SUTANTO PRIYO HASTONO: Analisis Data 2. SPSS Data Editor 11 . 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. a. MEMANGGIL SPSS Pertama kali anda harus pastikan bahwa komputer sudah ter-install program SPSS for Windows. modifikasi data. Perkembangan program SPSS sangat cepat dimulai dari program SPSS/PC+(masih under DOS) kemudian berkembang menjadi SPSS for Windows dari versi 6 dan berkembang terus sampai sekarang sudah memasuki versi 11. Di dalam operasionalnya. Dan untuk latihan digunakan SPSS for Windows versi 10. selanjutnya akan dibahas entry data menggunakan SPSS. maka klik “Start”. Kepanjangan dari SPSS yaitu Statistical Program For Social Science. Dengan SPSS semua kebutuhan pengolahan dan analisis data dapat diselesaikan dengan mudah dan cepat.

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

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

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

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

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

900 2.900 2.2 13.2 10.8 10.9 11.5 9.8 9.300 4.800 3.2 10.3 9.2 10.500 3.8 11.100 2.0 12.800 3.5 11.500 3.8 9.8 10.1 10.800 3.1 10.2 11.1 12.1 10.4 8.000 Segera 2 4 1 2 3 5 3 2 3 4 2 2 2 2 1 5 5 5 1 3 2 4 1 2 3 5 1 2 3 4 2 2 2 2 2 5 5 5 1 3 2 2 1 2 2 5 Kolos 1 3 2 3 2 4 4 1 2 4 1 4 1 3 1 4 4 4 1 2 1 3 2 1 4 4 2 1 2 4 1 1 3 3 3 4 4 4 1 2 1 1 1 3 3 4 Lahir 2 3 2 4 4 4 2 1 2 5 2 2 2 4 2 4 4 4 2 4 2 3 2 1 2 4 2 1 1 5 2 2 4 1 4 4 4 4 2 2 2 2 2 4 1 4 sampai 1 4 1 2 3 4 2 2 4 4 1 4 1 4 2 4 4 4 2 4 1 4 1 2 2 4 2 2 1 4 1 1 2 1 2 4 4 4 2 2 1 1 2 2 2 4 17 .1 11.500 4.4 12.000 3.3 12.1 11.600 3.5 9.400 3.900 2.1 9.4 13.1 10.2 10.2 10.1 10.8 10.300 2.1 10.4 bbbayi 2.1 10.8 10.600 3.0 10.2 7.2 10.600 2.1 7.3 9.3 10.500 4.1 10.2 12.100 2.000 3.2 10.400 3.4 12.1 8.2 11.1 9. datanya sbb: no 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 umur 23 24 34 35 19 24 22 19 26 25 21 22 19 20 23 26 27 30 31 32 23 24 34 35 19 24 22 19 26 25 21 22 19 20 23 26 27 30 31 32 21 22 19 20 23 26 didik 1 4 4 3 3 2 1 1 3 4 3 4 2 3 1 3 4 2 4 2 2 3 4 3 3 1 2 1 3 3 4 4 2 3 1 2 4 2 4 1 3 4 2 3 1 3 kerja 0 0 1 0 1 1 1 0 0 1 1 0 1 0 1 0 1 1 0 0 0 0 1 0 1 1 1 0 0 1 1 0 1 0 1 0 1 1 0 0 1 0 1 0 1 0 bbibu 46 47 60 50 55 45 47 46 52 65 60 65 50 55 48 68 70 46 47 48 47 56 74 72 60 49 46 48 57 75 64 67 50 63 50 51 53 54 67 46 60 68 67 60 63 64 eksklu 0 1 0 0 1 1 1 0 1 0 0 1 1 0 1 0 1 1 0 0 0 1 0 0 1 1 1 0 1 0 0 1 1 0 1 0 1 1 0 0 0 1 1 0 1 0 Hb1 10.500 2.1 11.600 2.8 9.8 9.2 11.0 12.SUTANTO PRIYO HASTONO: Analisis Data Survei dilakukan dengan jumlah responden sebanyak 50 orang.0 8.4 12.300 2.1 10.4 11.700 2.900 2.000 3.000 4.2 9.000 3.700 2.2 11.2 11.3 12.300 4.0 12.100 2.600 3.000 4.2 10.3 11.2 11.0 10.1 10.000 3.000 3.1 9.2 9.2 11.3 11.1 11.300 4.1 9.4 9.600 2.500 2.0 12.3 10.2 11.100 3.4 7.1 11.2 10.400 3.2 11.2 10.0 10.800 3.8 10.0 10.8 9.100 2.800 3.2 Hb2 11.1 11.0 8.2 13.8 10.600 3.

umur.3 12. Langkah pertama : Memberi/membuat nama variabel: Layar pada tampilan Workshet di menu data SPSS ada 2 jenis. sehingga muncul tampilan layar “Variable View” Pada tampilan “Variable View” diatas terlihat kolom: Name. Decimals.2 11. didik. yaitu jendela “Data View” dan “Variabel View”. dst.sbb: a.2 10.4 13. Sekarang lakukan : klik “Variable View” di bagian kiri bawah. Membuat Variabel No Adapun tahapannya sbb: 18 .300 2. layar/jendela posisikan pada “Variable View”.2 13.3 3. Type.900 2.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..100 5 5 3 3 4 4 2 1 4 4 4 1 4 4 2 2 A. Selanjutnya kita dapat membuat nama variabelnya dimulai dari No.2 11.800 3. dst..0 12. Width. Untuk membuat nama variabel.

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

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

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

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

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

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

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

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

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

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

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

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

29

SUTANTO PRIYO HASTONO: Analisis Data

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

30

SUTANTO PRIYO HASTONO: Analisis Data

] 3. Klik “Save “, data akan tersimpan

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

31

SUTANTO PRIYO HASTONO: Analisis Data

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

32

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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. sorot Add Variables 51 .sav dan data kedua dengan nama Data4. didik. 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. sorot Merge Files. sex.sav’ dalam kondisi aktif 2.sav. File ‘data3. Langkahnya: 1. misalnya data pertama dengan nama Data3. umur. klik data.

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

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

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

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

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

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

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

187 1. Deviation 1.121 1.121 1.SUTANTO PRIYO HASTONO: Analisis Data 6. Pada bagian ‘Descriptives for’ klik pilihan ‘ítem’. terlihat hasil outputnya sbb : Reliability Statistics Cronbach's Alpha . 9.27 2.100 1.187 N 15 15 15 15 15 59 .40 2. Scale if Item deleted.47 Std.40 2. Pada ‘Model’. biarkan pilihan pada ‘Alpha’ Klik Option ‘Statistics’ 8.47 2. 10. Klik ‘Continue’ Klik ‘OK’.928 N of Items 5 Item Statistics sering terpaksa lembur Bersaing dlm hidup Mudah marah konflik keluarga konflik dgn teman Mean 2. 7..

Pada bagian kedua memperlihatkan hasil dari proses validitas dan reliabilitas. Uji Validitas Untuk mengetahui validitas kuesioner dilakukan dengan membandingkan nilai r tabel dengan nilai r hitung.60 9.514 **) Menentukan nilai r hasil perhitungan Nilai r hasil dapat dilihat pada kolom “Corrected item-Total Correlation” ***) Keputusan Masing-masing pertanyaan/variabel dibandingkan nilai r hasil dengan nilai r tabel.892 .3275) yang nilainya lebih rendah dari r tabel (r=0. ada satu pertanyaan yaitu P2 (r=0.686 15. a. varian dll.124 Corrected Item-Total Correlation . maka pertanyaan tersebut valid.73 9.881 sering terpaksa lembur Bersaing dlm hidup Mudah marah konflik keluarga konflik dgn teman Interpretasi: Hasil analisis reliability memperlihatkan dua bagian.963 Cronbach's Alpha if Item Deleted .124 20. 60 . P4 dan P5 dinyatakan valid.514). Sehingga pertanyaan P2 tidak valid.881 . sedangkan untuk pertanyaan P1.915 . Bagian utama menunjukkan hasil statistik deskriptif masing-masing variabel dalam bentuk mean.955 .971 15. Pada tingkat kemaknaan 5%. ketentuan: bila r hasil > r tabel. P3.60 9.53 Scale Variance if Item Deleted 15.993 .SUTANTO PRIYO HASTONO: Analisis Data Item-Total Statistics Scale Mean if Item Deleted 9.963 .924 15.53 9. Kesimpulan: Terlihat dari 5 pertanyaan. Kaidah yang berlaku bahwa pengujian dimulai dengan menguji validitas kuesioner baru dilanjutkan uji reliabilitas.328 .884 . *) Menentukan nilai r tabel Nilai r tabel dilihat dengan tabel r (pada lampiran) dengan menggunakan df = n2 15-2=13. didapat angka r tabel = 0.

971 . Klik ‘Analyze’ 2.514).993 N of Items 4 Item Statistics sering terpaksa lembur Mudah marah konflik keluarga konflik dgn teman Mean 2.971 .27 7.988 sering terpaksa lembur Mudah marah konflik keluarga konflik dgn teman Interpretasi: Sekarang terlihat bahwa dari keempat pertanyaan.40 2.33 7. Pilih ‘Reliability Analysis’ 4.47 Std. Deviation 1.27 Scale Variance if Item Deleted 11.187 1.996 .994 . Klik “OK” Kemudian muncul tampilan Output sbb: Reliability Statistics Cronbach's Alpha .095 12.33 7.495 Corrected Item-Total Correlation . sehingga dapat disimpulkan keempat pertanyaan tersebut valid.495 12. semua mempunyai nilai r hasil (Corrected item-Total Correlation) berada di atas dari niali r tabel (r=0.40 2.121 1.47 2.994 . Pilih ‘Scale’ 3.996 Cronbach's Alpha if Item Deleted .095 11.187 N 15 15 15 15 Item-Total Statistics Scale Mean if Item Deleted 7.SUTANTO PRIYO HASTONO: Analisis Data Langkah selanjutnya melakukan analisis lagi dengan mengeluarkan pertanyaan yang tidak valid. Masukkan keempat variabel ke dalam kotak ‘Items’ (variabel P2 tidak ikut dianalisis) 5.988 . 61 . Lakukan prosedur/langkah seperti di atas yaitu: 1.121 1.

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

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

a Std. T 1.065. Hasil uji didapatkan nilai koefisien kapaa sebesar 0.262 Approx.065 a. Using the asymptotic standard error assuming the null hypothesis.583 dan p valuenya sebesar 0.845 b Measure of Agreement N of Valid Cases Kappa Approx. 64 .583 10 Asymp. sehingga kesimpulannya: ada perbedaan persepsi mengenai aspek yang diamati antara peneliti dengan numerator. Sig. b. Dengan hasil ini berarti p value > alpha berarti hasil uji kappa tidak signifikan/bermakna. Not assuming the null hypothesis.SUTANTO PRIYO HASTONO: Analisis Data Symmetric Measures Value . Error . .

Analisis data merupakan kegiatan yang sangat penting dalam suatu penelitian. untuk itu perlu diketahui bagaimana menginterpretasi hasil penelitian tersebut. Pada umumnya analisis data bertujuan untuk: a. Sedangkan interpretasi dalam arti luas (analitik) yaitu interpretasi guna mencari makna data hasil penelitian dengan jalan tidak hanya menjelaskan/menganalisis data hasil penelitian tersebut. Analisis mempunyai posisi strategis dalam suatu penelitian. Pendahuluan PENGANTAR ANALISIS DATA Setelah kita selesai melakukan pengolahan data. Namun perlu dimengerti bahwa dengan melakukan analisis tidak dengan sendirinya dapat langsung memberi jawaban penelitian. 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. 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 . yaitu arti sempit dan arti luas. Data mentah (raw data) yang sudah susah payah kita kumpulkan tidak akan ada artinya jika tidak dianalisis. Interpretasi mempunyai dua bentuk.SUTANTO PRIYO HASTONO: Analisis Data 4 1. Menginterpretasi berarti kita menjelaskan hasil analisis guna memperoleh makna/arti.

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

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

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

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

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

jenis kelamin mahasiswa bervariasi (heterogen) karena 50% pria dan 50% wanita.1 17 – 60 SD Minimal.enyampaikan informasi suatu data/variabel. Lama hari rawat Mean Median 30.0 8.9 2 – 60 10. jenis kelamin mahasiswa tidak bervariasi (homogen pada pria) karena pria 90% dan wanita hanya 10%. Contoh penyajian analisis deskriptif: a.Maksimal 74 . Bentuk Penyajian Data Bentuk penyajian analisis univariat dapat berupa tabel atau grafik. Namun perlu diingat bahwa kita dianjurkan hanya memilih salah satu. Data numerik Tabel 1 Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun 1999 Variabel 1.3 31. Umur 2.1 10. Pada kelas B. 3.SUTANTO PRIYO HASTONO: Analisis Data Contoh: Kelas A: mahasiswa 50 dan mahasiswi 50 Kelas B: mahasiswa 90 dan mahasiswi 10 Pada kelas A.1 7. tidak diperkenankan secara sekaligus menggunakan tabel dan juga grafik dalam m.

0 30.0 10.SUTANTO PRIYO HASTONO: Analisis Data b.0 100. misalnya apakah variannya homogen atau heterogen. apakah distribusinya normal atau tidak. 75 . 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 Bagaimana menginterpretasi tabel di atas? “dilihat konsentrasi/jumlah yang terbesar data pada kelompok mana?” Selain untuk mendeskripsikan masing-masing variabel. analisis univariat dapat juga sekaligus untuk mengeksplorasi variabel yang dapat berguna dalam mendiagnosis asumsi statistik lanjut (terutama untuk variabel jenis numerik). bila ada nilai ekstrim sangat menentukan analisis selanjutnya (bivariat) apakah nilainya akan berkurang. Eksplorasi data juga dapat untuk mendeteksi adanya nilai ekstrim/outlier.

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

Klik ‘OK’.0 32.0 100.SUTANTO PRIYO HASTONO: Analisis Data 3. proporsi dapat dilihat pada kolom ‘Percent’.0 26.0 Valid Percent 20.0 74. dari jumlah tersebut 10 ibu yang berpendidikan SD. Kolom ‘Valid Percent’ memberi hasil yang sama karena pada data ini tidak ada ’missing cases’.0 22.0 42.0 100.0 100. seperti sbb: Frequencies Statistics pendidikan formal ibu menyusui N Valid 50 Missing 0 pendidikan formal ibu menyusui Frequency 10 11 16 13 50 Percent 20.0 32. hasil dapat dilihat di jendela output.0 26. Pada contoh di atas. total responden 50 orang. ‘Cumulative Percent’ 77 .0 Cumulative Percent 20.0 22. pada contoh di atas ada 20% ibu yang berpendidikan SD.0 Valid 1 2 3 4 Total Kolom ‘Frequency’ menunjukkan jumlah kasus dengan nilai yang sesuai.

SUTANTO PRIYO HASTONO: Analisis Data menjelaskan tentang persent kumulatif. peringkasan data dapat dilakukan dengan melaporkan ukuran tengah dan sebarannya. median dan modus. Pada contoh di atas ada 42. Ukuran yang digunakan adalah rata-rata.0 Distribusi tingkat pendidikan responden hampir merata untuk masing-masing tingkat pendidikan. standard deviasi. yaitu dapat yang melalaui digunakan perintah adalah 78 ‘Frequencies’ perintah Biasanya . Paling banyak responden berpendidikan SMU yaitu 16 orang (32.0% dan 26.0% ibu yang tingkat pendidikannya SD dan SMP.0 32. Adapun penyajian dan interpretasinya sbb: Tabel … Distribusi Responden Menurut Tingkat Pendidikan Di ………… X tahun ….0%) sedangkan untuk pendidikan SD.0%. Pendidikan SD SMP SMU PT Total Jumlah 10 11 16 13 50 Persentase 20. SMP dan PT masing-masing 20. 22. minimal dan maksimal. Penyajian dan Interpretasi di Laporan Penelitian Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan penelitian/laporan tesis. Sedangkan ukuran sebarannya (variasi) yang digunakan adalah range.0 26. Data Numerik Pada data numerik.0 22.0%.0 100. b. Dalam menginterpretasikan tabel katagorik dapat dilihat dari variasi dan konsentrasi datanya. Pada SPSS ada dua cara untuk mengeluarkan atau analisis deskriptif ‘Expolre’.

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

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

0 4.0 20.0 74.0 68. Error of Mean Median Mode Std.0 8.0 6.0 36.0 6.0 58.10 .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 46.0 10.0 100.0 6.0 92.0 6.0 54.0 100. Deviation Minimum Maximum 50 0 25.0 6.0 26.0 6.0 100.0 4.0 80.0 Valid 19 20 21 22 23 24 25 26 27 30 31 32 34 35 Total 81 .0 10.0 96.0 Valid Percent 14.0 10.SUTANTO PRIYO HASTONO: Analisis Data Statistics umur ibu menyusui N Valid Missing Mean Std.686 24.0 6.0 4.0 10.0 6.0 6.0 6.0 4.0 4.0 Cumulative Percent 14.0 86.0 10.00 19 4.0 4.0 6.0 6.0 8.0 10.

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. Adapun caranya sbb: 1. nilai rata-rata dapat dilihat pada baris mean. sedangkan nilai standard deviasi dapat dilihat pada baris std.85 tahun dengan umur termuda 19 tahun dan yang tertua 35 tahun. Dev.SUTANTO PRIYO HASTONO: Analisis Data Histogram 7 6 5 Frequency 4 3 2 1 Mean = 25. Pada contoh di atas.0 tahun dan standard deviasi 4. = 4. Seviation. pilih menu ‘Analyze’. rata-rata umur ibu adalah 25. kemudian pilih submenu ‘descriptive Statistics’. Dari tampilan grafik dapat dilihat bahwa distribusi variabel umur berbentuk normal Dari hasil di atas belum diperoleh informasi estimasi interval yang penting untuk melakukan estimasi parameter populasi. Bila anda ingin memperoleh estimasi interval lakukan analisis eksplorasi data dengan perintah ‘Explore’. Dari menu utama SPSS. Bentuk distribusi data dapat diketahui dari grafik histogram dan kurve normalnya.1 Std. median 24. lalu pilih ‘Explore’ 82 .10 tahun.

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

662 umur ibu menyusui Shapiro-Wilk Statistic df .337 .00 23.686 . .00 11.48 24. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Tests of Normality Kolmogorov-Smirnov Statistic df Sig.SUTANTO PRIYO HASTONO: Analisis Data Descriptives umur ibu menyusui Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.90 24. Leaf 9999999 00011122222333334444 5566666777 00011122244 55 10 1 case(s) 84 .850 19 35 16 9 . Error .00 2. .002 a.812 Std.00 Stem width: Each leaf: Stem & 1 2 2 3 3 .920 50 Sig.520 4.00 10.00 20. .10 23. . .130 50 . Lilliefors Significance Correction umur ibu menyusui umur ibu menyusui Stem-and-Leaf Plot Frequency 7. .035 a Lower Bound Upper Bound Statistic 25.547 -.72 26.

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 .

Atas dasar kelemahan ini dianjurkan untuk mengetahui kenormalan data lebih baik menggunakan angka skewness atau melihat grafik histogram dan kurve normal 86 .72 s. Dilihat dari grafik histogram dan kurve normal.SUTANTO PRIYO HASTONO: Analisis Data Dari hasil analisis ‘Explore’ terlihat juga nilai mean.05) maka distribusi normal. bila hasil uji signifkan (p value < 0. maka distribusinya normal 3. berarti distribusi normal 2. 26. bila nilai Skewness dibagi standar errornya menghasilkan angka ≤ 2.48. bila bentuknya menyerupai bel shape. ada 3 cara untuk mengetahuinya yaitu: 1.72 sampai 26. Uji kenormalan data: Untuk mengetahui suatu data berdistribusi normal. Namun uji kolmogorov sangat sensitif dengan jumlah sampel. Menggunakan nilai Skewness dan standar errornya.d. Kita dapat menghitung 95% confidence interval umur yaitu 23. jadi kita 95% yakin bahwa rata-rata umur ibu di populasi berada pada selang 23. maksudnya : untuk jumlah sampel yang besar uji kolmogorov cenderung menghasilkan uji yang signifikan (yang artinya bentuk distribusinya tidak normal). Dari hasil tersebut kita dapat melakukan estimasi interval dari umur ibu.48 tahun. Uji kolmogorov smirnov. median dan mode. Namun yang paling penting dari tampilan explore munculnya angka estimasi interval.

48 Hasil analisis didapatkan rata-rata umur ibu adalah 25.48 tahun.35 95% CI 23.72 – 26.10 SD 4.62 .Maksimal 19 .547/0.SUTANTO PRIYO HASTONO: Analisis Data Untuk variabel umur diatas. Umujr termuda 19 tahun dan umur tertua 35 tahun.85 tahun. 87 . Dari hasil estimasi interval dapat disimpulkan bahwa 95% diyakini bahwa rata-rata umur ibu adalah diantara 23.48). Dari hasil tersebut diatas dengan demikian variabel umur disimpulkan berdistribusi normal.72 sampai dengan 26. Penyajian dan Interpretasi di Laporan Penelitian Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan penelitian/laporan tesis. hasilnya masih dibawah 2. dengan standar deviasi 4. Adapun penyajian dan interpretasinya adalah sbb: Tabel 1 Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun x Variabel Umur Mean 25.337 =1.72 – 26.10 tahun (95% CI: 23.85 Minimal. dilihat dari histogram dan kurve normal terlihat bentuk yang normal. berarti distribusi normal. selain itu hasil dari perbandingan skwness dan standar error didapatkan: 0.

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

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

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

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

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

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

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

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

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

0110). oleh karena peluangnya sangat kecil (p=0. maka dapat diartikan bahwa adanya perbedaan tersebut bukan karena faktor kebetulan namun karena memang karena adanya riwayat hipetensi.SUTANTO PRIYO HASTONO: Analisis Data maka berarti peluang adanya perbedaan berat bayi sebesar 1000 gram akibat dari faktor kebetulan (by chance) adalah sebesar 0.0110. Berikut adalah berbagai uji statistik yang dapat digunakan untuk analisis bivariat Variabel I Variabel II Jenis uji statistik yang digunakan Katagorik ↔ Katagorik Katagorik ↔ Numerik Numerik ↔ Numerik Kai kuadrat Fisher Exact Uji T ANOVA Korelasi Regresi 97 .

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

c. Prinsip pengujian dua mean dua mean adalah melihat perbedaan variasi kedua kelompok data. a. Oleh karena itu dalam pengujian ini diperlukan informasi apakah varian kedua kelompok yang diuji sama atau tidak. Data berdistribusi normal/simetris. pada umumnya nilai σ sulit diketahui. sehingga uji beda dua mean biasanya menggunakan uji T (T Test). syarat yang harus dipenuhi: a. uji Z dapat digunakan bila standar deviasi populasi (σ) diketahui dan jumlah sampel besar (>30). b. Uji beda dua mean independen Tujuan: untuk mengetahui perbedaan mean dua dua kelompok data independen. 1.SUTANTO PRIYO HASTONO: Analisis Data Berdasarkan karakteristik data tersebut maka uji beda dua mean dibagi dalam dua kelompok. Variabel yang dihubungkan berbentuk numerik dan katagorik (ket: variabel katagorik hanya dengan dua kelompok). Apabila kedua syarat tersebut tidak terpenuhi maka dilakukan uji . Bentuk varian kedua kelompok data akan berpengaruh pada nilai standar error yang akhirnya akan membedakan rumus pengujiannya. Kedua kelompok data independen. yaitu: uji beda mean independen (uji T independen) dan uji beda mean dependen (uji T dependen).2 99 . Uji untuk varian sama Uji beda dua mean dapat dilakukan dengan menggunakan uji Z atau uji T. Untuk varian yang sama maka bentuk ujinya sbb: X1 – X2 T= Sp (1/n1) + (1/n2) Sp2 = (n1-1) S12 + (n2 – 1) S22 n1 – n2 .

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

Distribusi data normal b. Jenis variabel: numerik dan katagorik (dua kelompok) Formula : d T= S_d / n d = rata-rata deviasi/selisih sampel 1 dengan sampel 2 S_d = standar deviasi dari deviasi/selisih sampel sampel 1 dan sampel 2 101 .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. Syarat : a. Kedua kelompok data dependen/pair c.

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

Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 7. standar deviasi dan standar error kadar Hb ibu untuk masing-masing kelompok.4712 1.277 gr% dengan standar deviasi 1.2594 kadar hb pengukuran pertama Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Std. Deviation 1.9425 .790 t -. Klik “Continue” 8.363 46.072 Sig. Klik “OK” untuk menjalankan prosedur perintahnya. (2-taile d) . dan hasilnya sbb: T-Test Group Statistics status menyusui asi tdk EKSKLUSIVE EKSKLUSIVE N 24 26 Mean 10. Error Mean .4 .364 df 48 Sig. Error Differe nce .1439 .3951 95% Confidence Interval of the Difference Lower Upper -.421 10.719 -.6547 Pada tampilan di atas dapat dilihat nilai rata-rata.SUTANTO PRIYO HASTONO: Analisis Data tahu bahwa ‘0’ kode untuk yang tidak eksklusif dan kode ‘1’ untuk Yang eksklusif.6505 F kadar hb pengukur an pertama Equal variances assumed Equal variances not assumed .322 103 .277 Std.3228 Std. Rata-rata kadar Hb ibu yang menyusui ekslusif adalah 10.9384 . .3003 .717 Mean Differen ce -.1439 -.3968 -.

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).421 SD 1. SPSS akan menampilkan dua uji T. Adapun bentuk penyajian dan interpretasinya adlah sbb: Tabel … Distribusi Rata-Rata Kadar Hb Responden Menurut Perilaku Menyusui di.421 gr% dengan standar deviasi 1. memilih uji mana yang kita pakai.421 gr% dengan standar deviasi 1. Pada uji Levene di atas menghasilkan nilai p = 0. rata-rata kadar Hb-nya adalah 10. 104 . Lihat nilai p Levene test. Hasil uji T dapat dilihat pada tabel bawah.300 P value 0.277 10..277 gr% dengan standar deviasi 1.259 0. Menyusui Ya Eksklusif Tdk Eksklusif Mean 10.322 gr%. print out di atas tidak boleh langsung di copy dan disajikan di laporan penelitian.SUTANTO PRIYO HASTONO: Analisis Data gr%.790 sehingga dapat disimpulkan bahwa pada alpha 5%.471 gr%. sedangkan untuk ibu yang menyusui non eksklusif.471 SE 0.717 N 26 24 Rata-rata kadar Hb ibu yang menyusui eksklusif adalah 10.05) maka varian sama (equal). Selanjutnya dicari p value uji t pada bagian varian sama (equal variances) di kolom sig (2 tailed) . nilai p < alpha (0.322 1. Penyajian dan Interpretasi di laporan penelitian: Seperti pada analisis deskriptif. didapat tidak ada perbedaan varian (varian kedua kelompok sama).717 artinya tidak ada perbedaan yang signifikan rata-rata kadar Hb antara ibu yang menyusui eksklusif dengan ibu yang menyusui non eksklusif.th. Untuk.yaitu sebesar p=0. Pada laporan penelitian kita harus membuat tabel baru untuk menyajikan hasil print out analisis di atas. dapat dilihat uji kesamaan varian melalui uji Levene.05) maka varian berbeda dan bila nilai p > alpha (0.. sedangkan untuk ibu yang menyusui non eksklusif rata-rata kadar Hb-nya adalah 10.471 gr%.

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

0558 Std. Deviation 1.860 N 50 50 Std. Klik tanda panah sehingga kedua variabel masuk kotak sebelah kanan 6.707 Sig.860 gr% dengan standar deviasi 1. Difference Deviati Error on Mean Lower Upper t df Sig.346 gr% dengan standar deviasi 1.5140 . Klik ‘hb1’ 4. 106 .kadar hb pengukuran kedua Paired Differences 95% Confidence Interval of the Std.001 Pada tabel pertama terlihat statistik deskriptif berupa rata-rata dan standar deviasi kadar Hb antara pengukuran pertama dan pengukuran kedua. Error Mean .38 gr%.7931 -.SUTANTO PRIYO HASTONO: Analisis Data 3. Pada pengukuran kedua (hb2) didapat rata-rata kadar Hb adalah 10. (2-taile d) -. Klik ‘OK’ hasilnya tampak sbb T-Test Paired Samples Statistics Mean Pair 1 kadar hb pengukuran pertama kadar hb pengukuran kedua 10.9821 .346 10. . Std.05 gr%. Rata-rata kadar Hb pada pengukuran pertama (hb1) adalah 10.1389 -.1493 Paired Samples Correlations N Pair 1 kadar hb pengukuran pertama & kadar hb pengukuran kedua 50 Correlation .000 Paired Samples Test Mean Pair 1 kadar hb pengukuran pertama . Klik ‘hb2’ 5.2349 -3.701 49 .3835 1.1957 .

terlihat nilai mean perbedaan antara pengukuran pertama dan kedua adalah 0.SUTANTO PRIYO HASTONO: Analisis Data Uji T berpasangan dilaporkan pada tabel kedua. Pada contoh di atas didapatkan nilai p=0.346 10.14 0. maka dapat disimpulkan ada perbedaan yang signifikan kadar hb antara pengukuran pertama dengan pengukuran kedua.001. Terlihat nilai mean perbedaan antara pengukuran pertama dan kedua adalah 0.514 dengan standar deviasi 0. Bentuk penyajian dan interpretasinya sbb: Tabel … Distribusi Rata-Rata Kadar Hb Responden Menurut Pengukuran pertama dan Kedua di ….346 gr% dengan standar deviasi 1.38 1.001 50 Mean SD SE P value N Rata-rata kadar Hb pada pengukuran pertama adalah 10.19 0.38 gr%. Th…… Variabel Kadar Hb Pengukuran I Pengukuran II 10.05 gr%.05 0.982. perbedaan ini diuji dengan uji T berpasangan menghasilkan nilai p yang dapat dilihat pada kolom “Sig (2-tailed)”.001 maka dapat disimpulkan ada perbedaan yang signifikan antara kadar Hb pengukuran pertama dan kedua.514 dengan standar deviasi 0.982.860 1. 107 . Penyajian dan Interpretasi di laporan penelitian: Dari hasil yang didapat di atas kemudian angka-angka disusun dalam tabel yang disajikan dalam laporan penelitian.860 gr% dengan standar deviasi 1. hasil uji statistik didapatkan nilai 0. Pada pengukuran kedua didapat rata-rata kadar Hb adalah 10.

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

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

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

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

00 2727.108 386.04 Minim um 2100 2100 3000 3000 2100 Maxim um 2900 3000 4000 4100 4100 SD SMP SMU PT Total 112 .60 2889.18 3994.666 241.40 2565.623 Lower Bound 2291.27 3431.54 3170.951 72.32 3528.232 Std.25 3761. Deviation 249.141 82.23 3287. Klik “Continue” 7. Klik tombol “Post Hoc”.209 270.00 Std.SUTANTO PRIYO HASTONO: Analisis Data 6.32 3575.96 Upper Bound 2648. Klik “Continue” 9.527 107.727 67. Error 78. tandai dengan √ pada kotak “Bonferroni” 8.98 3336. Klik “OK” Oneway Descriptives berat badan bayi 95% Confidence Interval for Mean N 10 11 16 13 50 Mean 2470.304 584.10 3003.

2 gram.64 634.000 . .6 gram.000 .294 115.027 .64 948.000 .492 Sig.273 SMU PT SD SMU PT SD SMP PT SD SMP SMU -961. Dari print out ini diperoleh rata-rata berat bayi dan stndar deviasi masing-masing kelompok.266* 330.SUTANTO PRIYO HASTONO: Analisis Data Test of Homogeneity of Variances berat badan bayi Levene Statistic 2.000 .72 700.334 Sig.14 384.42 -1368.36 -99.36 1634.468 129.21 613.902 121.977* -1034.538* 257.000 . Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2727.93 *.071 ANOVA berat badan bayi Sum of Squares 12697038 4027962 16725000 df 3 46 49 Mean Square 4232345.36 1290.51 25.000 .538* 1034.228 119.42 1023.0 gram dengan standar deviasi 249. Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470.36 -1634.286 115.72 -948.286 124.76 -1023. Error 129.902 110.862 87564.468 121.02 1368.977* -330.315 .315 .294 119. The mean difference is significant at the .54 -384.000 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 -257.250* 703.400 F 48.506 df1 3 df2 46 Sig.273 -703. .93 -25.288* 1291.492 124. .228 110.05 level.02 632.250* -1291. Pada mereka yang berpendidikan SMU rata-rata berat 113 .14 -632.266* 961.21 -1290.027 95% Confidence Interval Lower Bound Upper Bound -613.2 gram dengan standar deviasi 241.000 .54 -634.51 -700.288* SMP SMU PT Std.000 .76 99.

6 gram.SUTANTO PRIYO HASTONO: Analisis Data bayinya adalah 3431. Pada mereka yang berpendidikan SMU rata-rata berat bayinya adalah 3431. SD dengan PT.6 241. berarti pada alpha 5%.1 – 3994.20 gram dengan standar deviasi 241.3 2291. SMP dengan PT dan SMU dengan PT.0005 Mean SD 95% CI P value Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470.0 gram dengan standar deviasi 249.2 3431.SMU .2 3761.PT 2470.000 (kalau desimalnya 0.5 gram dengan standar deviasi 386.SD .0 2727. Untuk mengetahui kelompok yang signifikan dapat terlihat dari kolom Sig. Ternyata kelompok signifikan adalah tingkat pendidikan SD dengan SMU.1 gram.0005).2 gram dengan standar deviasi 270.1 386. terlihat p=0.SMP . SMP dengan SMU.3 gram.2 270. dapat disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan.4 – 2648.3 – 3575. Pada mereka yang 114 .2 gram. Pada hasil di atas nilai p uji ANOVA dapat diketahui pada kolom “F” dan “Sig”. Penyajian dan Interpretasi di laporan Penelitian Tabel … Distribusi Rata-Rata berat Bayi Menurut Tingkat pendidikan Variabel Pendidikan .2 gram dengan standar deviasi 270.5 249.3 3287.1 gram. maka penulisannnya menjadi p=0. Pada Box paling bawah terlihat hasil dari uji ‘Multiple Comparisons Bonferroni” yang berguna untuk menelusuri lebih lanjut kelompok mana saja yang berhubungan signifikan.2 – 2889. Pada mereka yang berpendidikan PT rata-rata berat bayinya adalah 3761.6 3565. Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2727.9 0.1 3528.

0005. SMU. berarti pada alpha 5% dapat disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan. SD dengan PT. SMP dengan 115 .SMP dengan PT dan SMU dengan PT. Hasil uji statistik didapat niali p=0.3 gram.SUTANTO PRIYO HASTONO: Analisis Data berpendidikan PT rata-rata berat bayinya adalah 3761.5 gram dengan standar deviasi 386. Analisis lebih lanjut membuktikan bahwa kelompok yang berbeda signifikan adalah tingkat pendidikan SD dengan SMU.

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

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

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. 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. c. Khususnya untuk tabel 2x2. Ec dan Ed dapat dicari dengan cara yang sama. 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. dapat mencari nilai X2 dengan menggunakan rumus: N (ad-bc)2 X2 = (a+c)(b+d)(a+b)(c+d) 118 . b.

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

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

6 20.0%) pasien mempunyai pengetahuan tinggi.3 20.0 40. Contoh di atas dapat di interpretasikan sbb: Dari 50 pasien yang berpendidikan SD.0 38. tapi harus konsisten.3 100.7 80. ada sebanyak 20 (80. Contoh di atas jenis penelitiannya Cross Sectional.7 17. Pada jenis penelitian survei/Cross sectional atau Kohort. misalnya kodenya: tidak bekerja =0.3 n 50 40 30 25 145 Total % 34. bekerja =1 dan eksklusive =0.SUTANTO PRIYO HASTONO: Analisis Data dan bekerja kode 0 dan ibu yang menyusui secara eksklusif diberi kode 1 dan non eksklusif diberi kode 0. Dapat dilihat di tabel persentasenya berdasarkan masing-masing kelompok tingkat pendidikan (persentase baris).0 60.7 n 25 24 20 20 89 Tinggi % 50.0%) yang berpengetahuan tinggi. Dari 40 pasien yang berpendidikan SMP.0 61.4 27. Dan dari 25 pasien yang berpendidikan PT. Tabel … Distribusi Responden menurut Tingkat Pendidikan dan Pengetahuan Pengetahuan Pendidikan N SD SMP SMU PT Jumlah 25 16 10 5 56 Rendah % 50.0 Pembuatan persentase pada analisis tabel silang harus diperhatikan agar tidak salah dalam menginterpretasi. variabel pendidikan sebagai variabel independen dan pengetahuan sebagai variabel dependen. ada sebanyak 25 (50. pembuatan persentasenya berdasarkan nilai variabel independen. tdk eksklusive =1.7%) yang berpengetahuan tinggi.0 66.0%) yang 121 . ada sebanyak 24 (60.0 33. Sebetulnya bisa juga kodenya dibalik. Dari 30 pasien yang berpendidikan SMU ada sebanyak 20 (66.

ada sebanyak 75 (75%) responden berjenis kelamin laki-laki. Sedangkan pada kelompok yang tidak menderita kanker paru.0 n 105 95 200 Total % 52. ada sebanyak (30%) responden yang berjenis kelamin laki-laki. misalkan terlihat pada tabel berikut: Tabel … Distribusi Responden Menurut Kasus kanker paru dan Jenis Kelamin Jenis Kelamin Laki-laki Perempuan Jumlah n 75 25 100 Kanker Paru Kasus % 75.0 50.0 Interpretasinya: Dari mereka yang menderita kanker paru.SUTANTO PRIYO HASTONO: Analisis Data berpengetahuan tinggi.0 25. Dari data ini terlihat ada kecenderungan bahwa semakin tinggi tingkat pendidikan akan semakin tinggi tingkat pengetahuannya.0 70. 122 .0 N 30 70 100 Kontrol % 30.5 47.0 50.5 100. Pada penelitian yang berjenis kasus kontrol (Case Control) pembuatan persentasenya berdasarkan variabel dependennya.

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

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

0% 7 28.816 125 .005 a. (2-sided) Exact Sig.412 50 . 00.0% 24 48. (2-sided) .004 Exact Sig.627 18. Computed only for a 2x2 table b.SUTANTO PRIYO HASTONO: Analisis Data Crosstabs status pekerjaan ibu * status menyusui asi Crosstabulation status menyusui asi tdk EKSKLUSIVE EKSKLUSIVE 17 8 68.005 .209 4.208 .244 df 1 1 1 Asymp.464 2.490 8.189 .0% 32.0% 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 8.011 . Sig.0% Total 25 100. Risk Estimate 95% Confidence Interval Lower Upper 1.013b 6.005 .250 1.010 7. (1-sided) Pearson Chi-Square Continuity Correctiona Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases . 0 cells (. The minimum expected count is 12.357 Value Odds Ratio for status pekerjaan ibu (TIDAK KERJA / KERJA) For cohort status menyusui asi = YA EKSKLUSIVE For cohort status menyusui asi = TIDAK EKSKLUS N of Valid Cases 5.0% 25 100.0%) have expected count less than 5.0% 50 100.0% 18 72.0% 26 52.853 50 1 .

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

Pada data ini berasal dari penelitian Cross Sectional maka kita dapat menginterpretasikan nialai OR=5. berarti kesimpulannya ada perbedaan perilaku menyusui eksklusif antara ibu yang bekerja dengan ibu yang tidak bekerja. Uji Chi square hanya dapat digunakan untuk mengetahuiada/tidaknya hubungan dua variabel. misal untuk ilmu sosial dengan melihat koefisien Phi. Sedangkan nilai RR terlihat dari baris For Cohort yaitu bearnya 2. Untuk mengetahui besar/kekuatan hubungan banyak metodenya tergantung latar belakangdisiplin keilmuannya.011. Pada hasil di atas nilai OR terdapat pada baris Odds ratio yaitu 5. sedangkan nilai RR digunakan bila jenis penelitiannya Kohort. Pada perintah Crosstab nilai OR akan keluar bila tabel silang 2 x 2.250 (95% CI: 1.627 – 18. Sig” dan terlihat p valuenya = 0. maka nilai OR dapat diperoleh dengan analisis regresi logistik sederhana dengan cara membuat “Dummy variable” 127 .464 sbb: Ibu yang tidak bekerja mempunyai peluang 5. koefisien Contingency dan cramer’s V.SUTANTO PRIYO HASTONO: Analisis Data Dengan demikian kita menggunakan uji Chi Square yang sudah dilakukan koreksi (Continuity Correction) dengan p value dapat dilihat pada kolom “Asymp. misalnya 3 x 2. Nilai OR digunakan untuk jenis penelitian Cross Sectional dan Case Control.209 – 4.464 (95% CI: 1. 4 x 2 dsb.189). sehingga uji ini tidak dapat untuk mengetahui derajat/kekuatan hubungan dua variabel.46 kali untuk menyusui eksklusif dibandingkan ibu yang bekerja.. sedangkan untuk bidang kesehatan terutama kesehatan masyarakat digunakan nilai OR atau RR. bila tabel silang lebih dari 2 x 2.357). Dengan kata lain dapat disimpulkan bahwa ada hubungan status pekerjaan dengan perilaku menyusui eksklusif.

011 maka dapat disimpulkan ada perbedaan proporsi kejadian menyusui eksklusif antara ibu tidak bekerja dengan ibu yang bekerja (ada hubungan yang signifikan antara pekerjaan dengan perilaku menyusui).464. Sedangkan diantara ibu yang tidak bekerja. ada 18 (72.0 28.464 1. Hasil uji statistik diperoleh nilai p=0.6 – 18. Dari hasil analisis diperoleh pula nilai OR=5. 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 % 68.0 48.0 72.0%) yang menyusui secara eksklusif.0 Eksklusif n 8 18 24 % 32. 128 .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 5.3 0.46 kali untuk menyusui eksklusif dibanding ibu yang bekerja.0 52.

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

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

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

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

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

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

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

000 50 50 . B. jika belum aktifkan data tersebut.SAV. informasi yang muncul terdapat tiga baris. (2-tailed) N **. 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.0005). Dari menu SPSS. Pada kotak ‘Dependen’ isikan variabel yang kita perlakukan sebagai dependen (dalam 136 . dan baris ketiga menampilkan N (jumlah data). pilih ‘Linear’ 3. Dalam kasus ini berarti berat badan ibu sebagai variabel independen dan berat badan bayi sebagai variabel dependen. Correlation is significant at the 0.684 dan nilai p = 0.SUTANTO PRIYO HASTONO: Analisis Data Correlations Correlations berat badan ibu 1 berat badan bayi .SAV. Tampilan analisis korelasi berupa matrik antar variabel yang di korelasi. Pada hasil di atas diperoleh nilai r = 0. Pada tampilan di atas ada beberpa kotak yang harus diisi. 2.000 50 50 berat badan ibu berat badan bayi Pearson Correlation Sig. dalam analisis regresi kita harus menentukan variabel dependen dan variabel independennya.01 level (2-tailed). Pastikan tampilan berada pada data editor ASI.684** 1 . Hasil uji statistik didapatkan ada hubungan yang signifikan antara berat badan ibu dengan berat badan bayi (p = 0.0005. pilih ‘Regression’.684** . Klik ‘Analysis’. (2-tailed) N Pearson Correlation Sig. baris pertama berisi nilai korelasi (r). Regresi Linier Sederhana Berikut akan dilakukan analisis regresi linier dengan menggunakan variabel ‘berat badan ibu’ dan ‘berat badan bayi’ dari data ASI. baris kedua menapilkan nilai p (P value). Adapun caranya: 1.

456 Std. Predictors: (Constant). dan hasilnya sbb: Regression Model Summary Model 1 R R Square .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). Klik ‘berat badan ibu’. berat badan ibu 137 . caranya 4. Error of the Estimate 430. Klik ‘OK’. masukkan ke kotak Independent 6. klik ‘berat badan bayi’.468 Adjusted R Square . masukkan ke kotak Dependent 5.684a .715 a.

38(berat badan ibu) Dengan persamaan tersebut. Dependent Variable: berat badan bayi Coefficientsa Unstandardized Coefficients B Std.SUTANTO PRIYO HASTONO: Analisis Data ANOVAb Model 1 Sum of Squares 7820262 8904738 16725000 df 1 48 49 Mean Square 7820261. sehingga persamaan regresinya: Y = a + bX Berat badan bayi = 657.0005. diperoleh nilai p (di kolom Sig) sebesar 0.684 Model 1 (Constant) berat badan ibu t 1.929 391.680 6.493 Sig.965 185515. Jadi pada alpha 5% kita menolak 138 .836 Standardized Coefficients Beta . . Dependent Variable: berat badan bayi Dari hasil di atas dapat diinterpretasikan dengan mengkaji nilai-nilai yang penting dalam regresi linier diantaranya: koefisien determinasi. persamaan garis regresi yang kita peroleh dapat menerangkan 46.93 dan nilai b = 44.154 Sig. Selanjutnya pada tabel ANOVAb . persamaan garis dan p value.376 F 42.0005.676 44. Nilai koefisien determinasi dapat dilihat dari nilai R Square (anda dapat lihat pada tabel ‘Model Summary’) yaitu besarnya 0. berarti pada alpha 5% kita dapat menyimpulkan bahwa regresi sederhana cocok (fit) dengan data yang ada persamaan garis regresi dapat dilihat pada tabel ‘Coefficienta’ yaitu pada kolom B. dan menghasilkan nilai p=0.468 artinya. berat badan bayi dapat diperkirakan jika kita tahu nilai berat badan ibu.383 6.8% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi. . Error 657.000a Regression Residual Total a. Predictors: (Constant).000 a. Dari hasil diatas didapat nilai konstant (nilai ini merupakan nilai intercept atau nilai a) sebesar 657.099 .38. Uji uji statistik untuk koefisien regresi dapat dilihat pada kolom Sig T. berat badan ibu b.93 + 44.

38 gr bila berat badan ibu bertambah setiap satu kilogram.468 Persamaan garis bbayi =657.SUTANTO PRIYO HASTONO: Analisis Data hipotesis nol.0005 Hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan kuat (r=0.93 + 44.6% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi.38(berat badan ibu) Berat badan bayi= 657. maka: Berat badan bayi =657.93 + 44. berarti ada hubngan linier antara berat badan ibu dengan berat badan bayi.005). Nilai koefisien dengan determinasi 0. Penyajian dan Interpretasi Tabel … Analisis Korelasi dan regresi berat badan ibu dengan berat badan bayi Variabel Umur R 0. Hasil uji statistik didapatkan ada hubungan yang signifikan antara berat badan ibu dengan berat badan bayi (p=0.8. Dari nilai b=44.38*bbibu P value 0. Misalkan kita ingin mengetahui berat badan bayi jika diketahui berat badan ibu sebesar 60 kg.38(60) 139 .684) dan berpola positif artinya semakin bertambah berat badan ibu semakin besar berat badan bayinya. Memprediksi variabel Dependen Dari persamaan garis yang didapat tersebut kita dapat memprediksi variabel dependen (berat badan bayi) dengan variabel independen (berat badan ibu).684 R2 0.38 berarti bahwa variabel berat badan bayi akan bertambah sebesar 44.93 + 44. persamaan garis regresi yang kita peroleh dapat menerangkan 46.468 artinya .

sehingga variasinya 1. klik ‘OK’ maka muncul garis regresi 140 . namun perkiraannya tergantung dari nilai ‘Std. Untuk mengeluarkan garisnya. Nilai Z dihitung dari tabel Z dengan tingkat kepercyaan 95% dan didapat nilai Z = 1. Error of The estimate’(SEE) yang besarnya adalah 430.kan angka yang tepat seperti di atas.96. Pada kotak Y Axis isikan variabel dependennya (masukkan veriabel dependennya (masukkan Hb1) 4. klik’Chart’ 9. Dengan demikianvariasi variabel dependen = Z*SEE. Membuat Grafik Prediksi Langkahnya: 1. Terlihat di layar grafik scatter plot-nya (garis regresi belum ada?) 7.715 (lihat di kotak Model Summary). Klik ‘OK’ 6. Klik Sampel klik ‘Define’ 3. pada kotak ‘Fit Line. Pada kotak X Axis isikan variabel independennya (masukkan veriabel dependennya (masukkan Umur) 5.d 4164.73 Ingat prediksi regresi tidak dapat menghasil.715 = ± 844. untuk berat badan ibu 60 kg diprediksikan berat badan bayinya adalah diantara 2476.96 * 430.9 gr C. klik grafiknya 2 kali 8.5 gr s. Klik ‘Graphs. pilih ‘Scatter’ 2. Klik Total 10.SUTANTO PRIYO HASTONO: Analisis Data Berat badan bayi = 3320.201 Jadi dengan tingkat kepercayaan 95%.

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

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

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

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

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

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

005 artinya variabel yang dapat masuk model bila variabel tersebut mempunyai nilai P lebih kecil atau sama dengan 0. Kriteria pengeluaran atau P-out (POUT) adalah 0. FORWARD. metode Stepwise dimulai dari tanpa 147 ini yang tepat/sering digunakan. sampai semua variabel yang memenuhi kriteria tersebut masuk ke dalam model. kriteria variabel yang dapat masuk P-in (PIN) adalah 0. tanpa melewati kriteria kemanaan statistik tertentu.05. artinya variabel yang mempunyai nilai P lebih besar atau sama dengan 0. karena dalam pemodelan kita dapat . bila hasil uji bivariat mempunyai nilai p<0. BACKWARD. Ada beberapa metode untuk melakukan pemilihan variabel independen dalam analisis multivariat regresi linier ganda. maka variabel tersebut dapat masuk ke multivariat. meamasukkan semua variabel ke dalam model. Korelasi parsial adalah adalah korelasi antara variabel independen dengan dependen. maka variabel tersebut masuk dalam model multivariat. d). yaitu: a). variabel yang pertama kali dikeluarkan adalah variabel yang mempunyai korelasi parsial terkecil dengan variabel dependen.25 namun secara substansi penting. lakukan pemilihan variabel yang masuk dalam model. b). measukkan satu persatu variabel dari hasil pengkorelasian variabel dan memenuhi kriteria kemaknaan statistik untuk masuk ke dalam model.10. ENTER. Untuk variabel yang p value-nya > 0.10 dikeluarkan dari model. Seperti halnya forward. memasukkan semua variabel independen dengan serentak satu langkah. Metode melakukan pertimbangan aspek substansi. c). Variabel yang masuk pertama kali adalah variabel yang mempunyai korelasi parsial terbesar dengan variabel dependen dan yang memenuhi kriteria tertentu untuk dapat masuk model.25. 2) Lakukan analisis secara bersamaan. STEPWISE. tetapi kemudian satu persatu variabel independen dikeluarkan dari model berdasarkan kriteria kemaknaan tertentu.SUTANTO PRIYO HASTONO: Analisis Data dependen (bivariat). model ini merupakan kombinasi antara metode backward dan Forward.

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

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.

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

frekuensi anc : Langkahnya : 1.25 ini tidaklah harus dipenuhi manakala dijumpai ada suatu variabel yang walaupun p value-nya > 0.lwt. a. isikan semua variabel numerik baik untuk variabel independen (age. Namun ketentuan p value<0. Uji yang digunakan pada analisis bivariat tergantung dari variabel yang digunakan. Klik ‘Analysis’. Bivariat uji korelasi : melakukan analisis bivariat untuk variabel independen berjenis numerik: variabel berat badan ibu. sorot ke ‘Correlate’.ftv) dan dependen (bwt) 151 .SUTANTO PRIYO HASTONO: Analisis Data Data selengkapnya ada di lampiran: A.25. Variabel yang dapat masuk model multivariat adalah variabel yang pada analisis bivariatnya mempunyai nilai p (p value) < 0. umur ibu. bila independennya katagorik -> uji t atau uji anova. frekuensi prematur. Langkah pertama pemodelan: SELEKSI BIVARIAT Seleksi bivariat masing-masing variabel independen dengan variabel dependen. sorot dan klik ‘Bivariate’ 2. bila : variabel independennya numerik -> uji korelasi.ptl. maka variabel tersebut dapat diikutkan dalam model multivariat.25 karena secara substansi sangat penting berhubungan dengan variabel dependen. Muncul dilayar menu ‘Bivariate Correlations’ 3. Pada kotak Variables.

034 189 1 189 Age of mother Weight of mother (pounds) No physician visits in first trimester Pearson Correlation Sig.141 . **.090 .044 . (2-tailed) N Pearson Correlation Sig.219 189 History of premature labor Birth weight (gram) *.055 189 .180* .090 .140 .072 .215** .186* .058 . (2-tailed) N Age of mother 1 189 .544 189 .180* .328 189 .010 189 .141 -. Correlation is significant at the 0. (2-tailed) N Pearson Correlation Sig.219 189 . 152 . (2-tailed) N Pearson Correlation Sig.426 189 189 1 189 -.544 189 -.01 level (2-tailed).034 189 Birth weight (gram) .215** .010 189 No History of physician prematur visits in first e labor trimester .SUTANTO PRIYO HASTONO: Analisis Data 4.058 .155* .003 189 .155* .044 .186* .003 .072 . Klik tombol ‘OK’ Muncul dilayar hasil sbb: Correlations Correlations Weight of mother (pounds) .055 189 189 1 -.013 189 . Correlation is significant at the 0.013 189 1 189 .426 189 -.05 level (2-tailed).054 189 -.140 .054 . (2-tailed) N Pearson Correlation Sig.328 189 189 .

426) sehingga tidak bisa masuk ke multivariat.25 (yaitu p=0. 153 . Dari hasil ini dapat kita simpulkan bahwa variabel umur. lalu pilih “Independen-Samples T Test” 2. Merokok Langkahnya: 1. Ket: kotak test varibles tempat memasukkan variabel numeriknya.25.034). b. dengan demikian ketiga variabel tersebut dapat lanjut masuk ke pemodelan multivariat. frekuensi anc (p=0. Sedangkan untuk variabel frekuensi anc mempunyai p value > 0.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4. maka variabel frekuensi anc tetap diikutkan dalam analisis multivariat. frekuensi prematur (p=0. ingat jangan sampai terbalik. pilih menu ‘Analyze”.SUTANTO PRIYO HASTONO: Analisis Data Hasil dari analisis bivariat dengan korelasi didapatkan nilai p value untuk variabel umur (p=219). 3. Bivariat uji t: melakukan analisis bivariat untuk variabel independen berjenis katagorik: merokok dan riwayat hipertensi 1.Klik variabel ‘smoke’ dan masukkan ke kotak‘Grouping Variable’.010).Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’. sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya. namun demikian oleh karena secara substansi frekuensi anc merupakan faktor yang sangat penting mempengaruhi berat badan bayi. berat badan (p=0.426). berat badan dan frekuensi prematur mempunayi p value < 0. kemudian pilih sub menu “Compare Means’.Dari menu utama SPSS.

Error Mean 70. Deviation 752. kemudian di layar nampak kotak isian. Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak. Pada contoh ini.409 660. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 9.075 Std. Klik “OK” untuk menjalankan prosedur perintahnya.24 Std.SUTANTO PRIYO HASTONO: Analisis Data 5.163 76. kita tahu bahwa ‘0’ tidak merokok dan kode ‘1’ untuk Yang merokok.Klik ‘Define Group’.732 Birth weight (gram) 154 . Klik “Continue” 10. dan hasilnya sbb: T-Test Group Statistics Smoking status No Yes N 115 74 Mean 3054.96 2773.

508 Sig.0 Hasil analisis hubungan merokok dengan berat bayi menghasilkan p value = 0. Ket: kotak test varibles tempat memasukkan variabel numeriknya. Riwayat Hipertensi Langkahnya: 1. sedangkan kotak grouping variable untuk memasukkan variabel katagoriknya.Dari menu utama SPSS.974 76. 3.Klik variabel ‘ht’ dan masukkan ke kotak‘Grouping Variable’. lalu pilih “Independen-Samples T Test” 2.25 maka variabel merokok dapat lanjut ke multivariat.969 95% Confidence Interval of the Difference Lower Upper 70. dengan demikian p value yang dihasilkan < 0.009.713 103.0 . kemudian pilih sub menu “Compare Means’. .713 Std.007 281. Error Differenc e 106.221 t 2.709 170.7 F Birth weight (gram) Equal variances assumed Equal variances not assumed 1. pilih menu ‘Analyze”.Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan ‘Grouping Variable’. 2. (2-tail ed) . (variabel yang sebelumnya (variabel smoke) dikeluarkan dahulu baru ‘ht’ dimasukkan 155 . ingat jangan sampai terbalik.SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Sig.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’ 4.009 Mean Differen ce 281.693 492.634 df 187 2.467 487.

Pada contoh ini.813 Birth weight (gram) 156 . kemudian di layar nampak kotak isian.226 917. dan hasilnya sbb: Group Statistics History of hypertension No Yes N 177 12 Mean 2972.75 Std.Klik “Continue” 7. Anda diminta mengisi kode variabel ‘smoke’ ke dalam kedua kotak.309 264.31 2536.SUTANTO PRIYO HASTONO: Analisis Data 5. Deviation 709.341 Std. Error Mean 53.Klik ‘Define Group’.Klik “OK” untuk menjalankan prosedur perintahnya. kita tahu bahwa ‘0’ tidak ada hipertensi dan kode ‘1’ ada hipertensi’. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2” 6.

419 Sig. Adapun proses selengkapnya sbb: 1. sorot ‘Regression’. . a.5 1025 Dari hasil analisis bivariat uji t antara variabel riwayat adanya hipertensi dengan berat bayi didapatkan p value = 0.05. sorot dan klik ‘Linier’ lalu muncul menu regresi linier.56 270.019 df 187 Sig. melainkan bertahap satu per satu dikeluarkan dimulai dari p value yang terbesar. Pada kotak ‘dependen isikan variabel dependen (dalam hal ini berarti bwt) dan kotak ‘independen’ isikan variabel independennya (dalam hal ini age.133 435. maka variabel tersebut harus dikeluarkan dalam model. tahap berikutnya melakukan analisis multivariat secara bersama-sama.05.908 .045 Mean Differe nce 435. Error Differen ce 215.SUTANTO PRIYO HASTONO: Analisis Data Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Std.25 sehiingga variabel riwayat adanya hipertensi dapat lanjut ke analisis multivariat Dengan demikian selesailah sudah seleksi semua variabel independen. (2-taile d) . berarti p valuenya < 0. ftv) 157 .235 t 2. Variabel yang valid dalam model multivariat adalah variabel yang mempunyai p value < 0. dari 6 variabel independen semuaanya masuk ke proses berikutnya yaitu ke analisis multivariat.709 95% Confidence Interval of the Difference Lower Upper 10. ptl.1 F Birth weight (gram) Equal variances assumed Equal variances not assumed 1.024 861.612 11. smoke. Klik ‘Analyisis’. B. lwt. Bila dalam model multivariat dijumpai variabel yang p value nya > 0.126 -153.56 1.045. Pengeluaran variabel dilakukan tidak serempak. Langkah Kedua : Pemodelan Multivariat Setelah tahap bivariat selesai. ht.

086 Std. dan hasilnya Regression Model Summary Model 1 R R Square . Weight of mother (pounds) 158 .116 Adjusted R Square . Pada kotak ‘Method’.340a . Abaikan lainnya 7. Error of the Estimate 696. History of premature labor. Smoking status. No physician visits in first trimester. Predictors: (Constant). History of hypertension. pilih Enter’ 6.SUTANTO PRIYO HASTONO: Analisis Data 5. Klik ‘OK’. Age of mother.829 a.

423 F 3. .253 -154.705 Standardized Coefficients Beta .156 -.193 -.734 .201 -.954 a.715 2. Ternyata dari 6 variabel indepeden (lihat kolom sig di kotak Coefficients) ada 3 variabel yang p valuenya > 0.001a Regression Residual Total a. variabel yang p valuenya > 0.057 Sig.008 .000 . Dari hasil uji statistik (lihat kotak anova) didapatkan p value = 0.445 -2. Smoking status. yaitu umur (age) p=0. Dependent Variable: Birth weight (gram) Dari kotak ‘Model Sumarry” didapatkan nilai R Square sebesar 0.476.150 dan frekuensi anc (no physician) p=0. riwayat prematur (history prematur) p=0. Predictors: (Constant).476 . History of hypertension. Dengan demikian variabel yang kita coba keluarkan adalah frekuensi anc(No physician. History of premature labor.193 -1.001 berarti persamaan garis regresi secara keseluruhan sudah signifikan.481 49. Namun demikian prinsip pemodelan harus yang sederhana variabelnya sehingga masing-masing variabel indepeden perlu di cek nilai p valuenya. . Weight of mother (pounds) b.6 % sedangkan sisanya dijelaskan oleh variabel lain.030 .002 -574.05.150 .022 4.665 -.052 . No physician visits in first trimester.008 . Error 2315.928 106.104 -..611 485570.574 215.954.698 -2. Age of mother.162 10.962 Sig.116.847 1. 159 .230 -2.004 Model 1 (Constant) Age of mother Weight of mother (pounds) Smoking status History of premature labor History of hypertension No physician visits in first trimester t 7. pengeluaran variabel dimulai dari p value yang terbesar.442 7.777 105.05. Dependent Variable: Birth weight (gram) Coefficientsa Unstandardized Coefficients B Std. artinya keenamm variabel independen dapat menjelaskan variabel berat bayi sebesar 11.05 dikeluarkan daari model.).SUTANTO PRIYO HASTONO: Analisis Data ANOVAb Model 1 Sum of Squares 11543236 88373817 99917053 df 6 182 188 Mean Square 1923872. Tahap berikutnya mengeluarkan variabel yang p valuenya > 0.793 -232.862 299.

191 213. History of hypertension.680 Sig.340a .156 -. sorot ‘Regression’. Untuk nilai R Square ternyata tidak ada perunbahan yaitu tetap 0.051 . Pada kotak Independen juga masih lengkap ada 6 variabel. Predictors: (Constant).116 Adjusted R Square .929 a.149 .473 . Error of the Estimate 694. Age of mother. namun sekarang anda harus keluarkan variabel ‘no physician’ dan masukkan ke kotak Variable di sebelah kiri.801 . 160 .007 .807 4.000 .781 -232.224 -153.011 1. Klik OK.104 -.841 Standardized Coefficients Beta . Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja.759 105.091 Std.SUTANTO PRIYO HASTONO: Analisis Data Langkahnya: 1. 3.029 . Sekarang kita bandingkan nilai coefisien B untuk variabel umur. Sedangkan untuk coefisian B. Bila ada perubahan yang besar maka variabel tersebut tidak jadi dikeluarkan dalam model (tetap dipertahankan di model).638 106. Klik ‘Analysis’.448 -2. B.198 -1.608 297. dan hasilnya sbb: Model Summary Model 1 R R Square . sorot dan klik ‘Linier’ 2.718 -2. . ada perubahan besar( berubah lebih dari 10 %) untuk R Square dan Coef.747 -573.116. Smoking status. History of premature labor. kita cek dulu apakah setelah dikeluarkan.201 -. Dependent Variable: Birth weight (gram) Setelah variabel frekuensi anc dikeluarkan.074 7. Weight of mother (pounds) Coefficientsa Unstandardized Coefficients B Std. Error 2317.192 Model 1 (Constant) Age of mother Weight of mother (pounds) Smoking status History of premature labor History of hypertension t 7.719 2.051 9.008 a.

Langkah/proses : 1. 1. Weight of mother (pounds) 161 .2 153. merokok. Klik ‘Analysis’. dengan demikian variabel frekuensi anc kita keluarkan dari model. dan hasilnya sbb: Model Summary Model 1 R R Square . Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan biarkan saja.7 -232.1 % Dari perhitungan perubahan nilai coefisien B pada masing-masing variabel. namun sekarang anda harus keluarkan variabel ‘umur (age)’ dan masukkan ke kotak Variable di sebelah kiri. ternyata tidak ada yang berubah lebih dari 10 %.473).0 4.7 -232.4 % 0% 0% 0.2 -154. Sekarang kita akan keluarkan variabel umur (p value =0.05. History of premature labor. Klik OK.2 -2. riwayat prematur dan riwayat hiperteni antara sebelum dan sesudah variabel frekuensi anc dikeluarkan.1 4. Predictors: (Constant).1 % 0.0 - perubahan Coef. Pada kotak Independen juga masih terisi ada 5 variabel. Smoking status.SUTANTO PRIYO HASTONO: Analisis Data berat ibu. History of hypertension.0 -574. sorot ‘Regression’.094 Std.113 Adjusted R Square .336a . hasil perhitungannya sbb: Variabel Age bwt smoke ptl hi ftv Anc msih ada 7.016 a.8 Anc dikeluarkan 7. Selankutnya kita lihat kembali bahwa pada model masih ada variabel yang p value > 0. Error of the Estimate 694. sorot dan klik ‘Linier’ 2.7 573. 3.

.2 -2.847 umur dikeluarkan 5.7 -232. . sedangkan untuk Masih lengkap 7.0 -236.007 a.721 105. sorot Regression.1 % 1.379 -2. 6.000 .412 -582.8 % 6. Prosesnya/langkahnya sama dengan diatas.dst. .925 -2.4 582. hasil perunbahan yaitu menjadi 0.SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Unstandardized Coefficients B Std. Ternyata tidak ada yang lebih dari 10 %.1 4. Klik Analysis.5 - perubahan Coef. dengan demikian variabel umur kita keluarkan dari model.338 105.3 % Dari hasil perhitungan perubahan coef.420 -145.148 Standardized Coefficients Beta . Langkah selanjutnya mengeluarkan variabel Riwayat mengalami prematur.4 145.2 -154.169 . Dependent Variable: Birth weight (gram) Setelah variabel umur perhitungannya sbb: Variabel Age bwt smoke ptl hi ftv dikeluarkan.566 1.004 . .113.244 -1.0 -574.026 . dan hasilnya sbb: 162 .035 -236. nilai R Square ternyata ada sedikit coefisian B.211 -.121 233.417 213.195 Model 1 (Constant) Weight of mother (pounds) Smoking status History of premature labor History of hypertension t 10. Pada kotak independen variabel riwayat mengalami prematur dikeluarkan dan dimasukkan ke kotak variable disebelah kiri. Error 2449.3 % 1.159 -.779 5.733 Sig.476 2.098 -.

B dapat dilihat sbb: Variabel Age bwt smoke ptl hi ftv Masih lengkap 7.177 -.3 -236.374 3.352 -263.3 % 1.746 Sig.104 Adjusted R Square .391 5.105 230. Sedangkan hasil perhitungan perubahan Coef.197 Model 1 (Constant) Weight of mother (pounds) Smoking status History of hypertension t 10.000 . Error of the Estimate 695.3 % dengan demikian variabel riwayat mengalami prematur tidak jadi dikeluarkan dan tetap dipertahankan dalam model multivariat. Smoking status. Dependent Variable: Birth weight (gram) Hasil R Square turun sedikit yaitu menjadi 0.5 perubahan Coef.104.322a .009 -586.646 Standardized Coefficients Beta .224 -.007 a.2 -154.710 103.002 . Predictors: (Constant).4 582.707 a.05 dengan demikian proses pencarian variabel yang masuk dalam model telah selesai dan model yang terakhir adalah sbb: 163 .7 % 1. Dari hasil analisis ternyata tidak ada lagi yang p valuenya > 0.SUTANTO PRIYO HASTONO: Analisis Data Model Summary Model 1 R R Square .089 Std. Error 2390.2 -2.130 -2.847 Prematur keluar 5.7 -232. .0 -574. ternyata coefisin B pada variabel beat badan ibu (bwt) beubah sebesar 12.3 % Hasil perhitungan setelah dikeluarkan variabel prematur. 12.812 213.1 4.534 -2.722 1. Weight of mother (pounds) Coefficientsa Unstandardized Coefficients B Std. History of hypertension.012 .

000 .222 a. Masukan dalam kotak Independen variabel berat badan ibu (lwt).113 Adjusted R Square . Dependent Variable: Birth weight (gram) Langkah selanjutnya UJI ASUMSI Agar persaman garis yang digunkan untuk memprediksi menghasilkan angka yang valid.336a .098 t 10.379 Sig. History of premature labor. Weight of mother (pounds) b.SUTANTO PRIYO HASTONO: Analisis Data Model Summaryb Model 1 R R Square . Dependent Variable: Birth weight (gram) Coefficientsa Stand ardize d Coeffi cients Beta .925 . Smoking status.Klik ‘Analysis’.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a.925 -2.412 Std.211 -.094 Std.007 . Error of the Estimate 694.566 -145. sorot ‘Regression’. Error 233.476 2.148 105.338 213.721 105.733 -1. Predictors: (Constant). Masukkan dalam kotak Dependen variabel ‘bwt’ 3.016 DurbinWatson .121 5.947 1. .964 .026 . maka persamaan yang dihasilkan harus memenuhi asumsi-asumsi yang diersyaratkan uji regresi linier ganda.081 1. merokok(smoke). riwayat hipertensi (hi) dan variabel riwayat prematur(ptl) 164 .060 1.417 Collinearity Statistics Tolera nce VIF .244 -2. Adapun uji asumsinya sbb: Langkahnya: 1. sorot dan klik ‘Linier’ 2.004 .779 1.037 1.420 -582.943 .195 -. History of hypertension.035 -236.169 Mo de l 1 Unstandardized Coefficients B 2449.159 -.

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

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

010 5.619 1. +2 berarti asumsi independensi terpenuhi.000 45.005 708.03 2.469 .222. Jadi nilai dari tiap-tiap individu saling berdiri sendiri.021 Std.923 .000 3. Dependent Variable: Birth weight (gram) Dari hasil uji didapatkan koefisien Durbin Watson independensi terpenuhi.015 -2102.768 .43 -2082.000 .016 DurbinWatson . Error of the Estimate 694.989 1.610 -3.007 .000 dan standar deviasi 686. History of premature labor.316 -3.000 103.209 .001 -3.000 . Smoking status. Untuk mengetahui asuamsi ini dilakukan dengan cara mengeluarkan uji Durbin Watson.222 a. 0. Deviation 245.d.193 1955.019 .73 . berarti asumsi 167 . Tidak diperbolehkan nilai observasi yang berbeda yang diukur dari satu individu diukur dua kali.000 .196 686. Residual Deleted Residual Stud.631 2.593 .77 -2. bila nilai Durbin –2 s.423 2.769 2. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std. Distance Cook's Distance Centered Leverage Value Minimum 2249.173 Mean 2944.682 292. Weight of mother (pounds) b.97 1921.59. Dependent Variable: Birth weight (gram) Hasil dari output diatas menunjukkan angka residual dengan mean 0.084 .804 3616.001 .979 .835 32.SUTANTO PRIYO HASTONO: Analisis Data Residuals Statisticsa Predicted Value Std. Predictors: (Constant).336a .782 1940. Residual Stud.66 .094 Std.113 Adjusted R Square .028 N 189 189 189 189 189 189 189 189 189 189 189 189 a.004 Maximum 3602. Dengan demikian asumsi Eksistensi terpenuhi b.399 2943.835 67. Deleted Residual Mahal.079 1.407 251. History of hypertension. sebaliknya bila nilai Durbin < -2 atau > +2 berarti asumsi tidak terpenuhi Model Summaryb Model 1 R R Square . Asumsi Independensi Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain.320 .

….000a Regression Residual Total a. Predictors: (Constant). History of premature labor. maka diduga variannya terjadi heteroscedasticity.SUTANTO PRIYO HASTONO: Analisis Data c. Weight of mother (pounds) b. 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. Dependent Variable: Birth weight (gram) Dari output diatas menghasilkan uji anova 0. berarti asumsi linearitas terpenuhi d. Sebaliknya bila titik tebaran membentuk pola tertentu misalnya mengelompok di bawah atau di atas garis tengah nol.778 481657. X3. Bila titik tebaran tidak berpola tertentu dan menyebar merata disekitar garis titik nol maka dapat disebut varian homogen pada setiap nilai X dengan demikian asumsi homoscedasticity terpenuhi. . Xk terletak pada garis/bidang linier yang dibentuk dari persamaan regresi. Untuk mengetahui asumsi linieritas dapat diketahui dari uji ANOVA (overall F test) bila hasilnya signifilan (p value<alpha) maka moodel berbentuk linier. 168 . History of hypertension.0005. Asumsi Homoscedascity Varian nilai variabel Y sama untuk semua nilai variabel X. X2. Smoking status.861 Sig. Homoscedasticity dapat diketahui dengan melakukan pembuatan plot residual.965 F 5.

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

Dev.53E-16 Std. = 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.

0 0.SUTANTO PRIYO HASTONO: Analisis Data Normal P-P Plot of Regression Standardized Residual Dependent Variable: Birth weight (gram) 1.0 Observed Cum Prob Dari grafik histogram dan grafik normal P-P plot terbukti bahwa bentuk distribusinya normal.2 0. bila nilai VIF lebih dari 10 maka mengindikasikan telah terjadi collinearity.0 0.4 0.8 1.6 0.8 Expected Cum Prob 0.6 0.4 0.2 0.Diagostik Multicollinearity Dalam regresi linier tidak boleh terjadi sesama variabel independen berkorelasi secara kuat (multicollinearity).0 0. 171 . Untuk mendeteksi collinearity dapat diketahui dari nilai VIF (variance inflation factor). f. berarti asumsi normality terpenuhi.

Dependent Variable: Birth weight (gram) Dari hasil uji asumsi didapatkan nilai VIF tidak lebih dari 10.476 2.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a.779 1. Weight of mother (pounds) b.094 Std.026 .420 -582.943 . Error 233.566 -145.222 a. .379 Sig.169 Mo de l 1 Unstandardized Coefficients B 2449. Smoking status.733 -1.016 DurbinWatson .004 .113 Adjusted R Square .336a .925 .000 . Langkah sekanjutnya adalah UJI INTERAKSI.007 . Sehingga model yang terakhir adalah sbb: Model Summaryb Model 1 R R Square .159 -.721 105.925 -2. Namun karena secara substansi antar variabel dipandang tidak interaksi maka uji interaksi tidak dilakukan. 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.148 105.338 213. Dependent Variable: Birth weight (gram) 172 .035 -236.195 -.417 Collinearity Statistics Tolera nce VIF .098 t 10.211 -.121 5. Error of the Estimate 694. Predictors: (Constant).060 1.037 1.SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Stand ardize d Coeffi cients Beta .947 1.081 1.244 -2.964 . History of premature labor.412 Std. History of hypertension.

476 2.3 % variasi variabel dependen berat bayi.000.056 (Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor a. berarti pada alpha 5% kita dapat menyatakan bahwa model regresi cocok (fit) dengan data yang ada.4 Ptl 173 .1+5. kita lihat hasil uji F yang menunjukkan nilai P (sig) = 0. Error 233.098 t 10.148 105.0 Lwt – 236.159 -.4 smoke ..ternyata variabel independen yang masuk model regresi adalah berat badan ibu.566 -145.007 .SUTANTO PRIYO HASTONO: Analisis Data Coefficientsa Stand ardize d Coeffi cients Beta .412 Std.169 Mo de l 1 Unstandardized Coefficients B 2449. Atau dapat diartikan kedua variabel tersebut secara signifikan dapat utnuk memprediksi variabel berat bayi.060 1. Dependent Variable: Birth weight (gram) Interpretasi model: Setelah dilakuikan analisis .582Hi – 145.121 5.733 -1.195 -.943 .026 .417 Collinearity Statistics Tolera nce VIF . Dari hasil di atas. peresamaat regresi yang diperoleh adalah Berat Bayi = 2449. kita dapat mengetahui koefisien regresi masing-masing variabel. dan riwayat prematur.000 .420 -582. pada kolom B (di bagian Variabel In Equation) di atas.035 -236.037 1.721 105.925 .081 1.964 . Pada kotak ‘Coefficient’ kita dapat memperoleh persamaaan garisnya.779 1.244 -2. .379 Sig.947 1.211 -. Kemudian pada kotak ‘ANOVA’. Atau dengan kata lain keempat variabel independen tsb dapat menjelaskan variasi variabel berat bayi sebesar 11. riwayat hipertensi.3 %. ibu merokok.004 .338 213.113 artinya bahwa model regresi yang diperoleh dapat menjelaskan 11. Pada tabel ‘Model Summary’ terlihat koefisien determinasi (R square) menunjukkan nilai 0.925 -2.

merokok dan hipertensi.4 gram setelah dikontrol variabel berat badan. Pada hasil di atas berarti variabel yang paling besar pengaruhnya terhadap penentuan berat badan bayi adalah berat badan ibu. B untuk masing-masing variabel adalah sbb: Setiap kenaikan berat badan ibu sebesar 1 kg. Pada ibu yang menderita hipertensi.berat bayinya akan lebih rendah sebesar 582. kita dapat memperkirakan berat badan bayi dengan menggunakan variabel berat badan ibu. maka berat badan bayi akan naik sebesar 5. merokok dan prematur. 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. hipertensi dan prematur Pada ibu yang merokok berat bayinya akan lebih rendah sebesar 236.SUTANTO PRIYO HASTONO: Analisis Data Dengan model persamaan ini. Adapun arti koef. 174 .0 gram setelah dikontrol variabel merokok..5 gram setelah dikontrol variabel berat badan ibu.

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

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

Kalau kita cermati. pembuatan diagram tebar tersebut merupakan cara untuk mendeteksi/mengetahui hubungan pada analisis regresi linier.7 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.lihat jelas adanya peningkatan yang tidak linear antara proporsi kejadian PJK dengan peningkatan umur. namun ada 177 .76 0.80 0.46 0. garis tersebut menyerupai huruf S.9 0. Diawali peningkatan yang landai. kemudian meningkat tajam dan kemudian landai kembali.1 0 20 .8 0. Kemudian kita coba sajikan data tersebut dengan grafik dan hasilnya dapat dilihat pada grafik berikut: 0.4 0.2 0.13 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.63 0.29 30 – 34 35 – 39 40 – 44 45 – 49 50 – 54 55 – 59 60 – 69 Pada grafik tyer.6 0.33 0.10 0.25 0.3 0.5 0.

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

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

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

maka masukkan nilai KAT=1 pada model di atas.019 Angka tersebut di atas sebenarnya adalah risiko relatif (RR)yang diperoleh secara direk. = 0.037 atau sekitar 4% 1 + e-(-3. 1 + e-z Bila Z = α + β1KAT.0 P0(X) 0. Besar risiko kedua kelompok tersebut P1(X) = 0.947 = 2.652. c.652KAT) Dari model tersebut coba kita jawab pertanyaan di atas: a. Oleh karena kadar katekolamin tinggi diberi angka 1. maka: P(X) = 1 . Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya tinggi.911 + 0.652*1) jadi mereka/individu yang kadar katekolaminnya tinggi dalam darah mempunyai risiko untuk terjadinya PJK sebesar 4% selama periode follow up.911 dan β1 = 0. hasilnya: P(X) = 1 . = 0. 1 + e-α + β1KAT Misdalkan didapatkan hasil analisis dengan paket program statistik sbb: α = -3.SUTANTO PRIYO HASTONO: Analisis Data Nilai f(z) dapat diganti dengan P(X). b. Arti dari angka di atas adalah mereka yang kaadar 181 .911 + 0. maka rumusnya: P(X) = 1 . maka masukkan nilai KAT=0 pada model di atas. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya rendah Oleh karena kadar katekolamin rendah diberi angka 0. maka modelnya : P(X) = 1 .652*0) jadi mereka/individu yang kadar katekolaminnya rendah dalam darah mempunyai risiko untuk terjadinya PJK sebesar 2% selama periode follow up.911 + 0. 1 + e-(-3. hasilnya: P(X) = 1 .037 = 1.019 atau sekitar 2% 1 + e-(-3.

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

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

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

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

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

SUTANTO PRIYO HASTONO: Analisis Data 5. Klik ‘Continue’ 7.950 1.469 a.599 Exp(B) .E.385 S.732 Wald 2.032 . .097 Variables in the Equation 95. Variable(s) entered on step 1: age. Klik tombol ‘Options’ .I.011 Step a 1 age Const ant B -.635 . . Klik “OK”.760 df 1 1 1 Sig. klik ‘CI for Exp(B)’ 6.097 .105 .760 2. dan hasilnya sbb: Block 1: Method = Enter Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 2.276 df 1 1 Sig.760 2.097 .0% C. 187 . .051 .for EXP(B) Lower Upper .893 1.

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. 4. Pilih “Regression” 3. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates variabel ‘age’ dikeluarkan dan gantilah dengan mengisikan variabel ‘race’.SUTANTO PRIYO HASTONO: Analisis Data Dari hasil output.01) 2.25 sehingga variabel umur dapat dilanjutkan ke analisis multivariat.Analisis bivariat antara “ras” dengan “bblr” 1.89-1. Pada variabel ras perlu dilakukan dummy oleh karena variabel ras berjenis katagorik dengan isi lebih dari 2 nilai. Klik “Binary Logistic”.097 berarti variabel umur p value nya <0. Tampilannya sbb: 5. Pilih “Analyze” 2.950 (95% CI: 0. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. tepatnya 3 kelompok(yaitu :ras 188 .

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

Analisis bivariat antara “hipertensi” dengan “bblr” 1.922 3. sehingga variabel ras dapt lanjut ke multivariat.463 .SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.889 .25. .736 B Stea p1 race race(1) race(2) Constant .E. terlihat ada dua nilai OR yaitu OR untuk race(1) 2. 4.068 .022 4. Pilih “Analyze” 2. Klik OK.3 kali lebih tinggi dibandingkan ras kulit putih.239 Wald 4.045 . OR untuk race(2) besarnya 1.955 5. Dari output dapat diketahui juga nilai OR dummy. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.89 kali lebi tinggi dibandingkan ras kulit putih.000 Exp(B) 2.045 . Pilih “Regression” 3.330 df 2 1 1 1 Sig.345 23.323 3.022 4.0% C.for EXP(B) Lower Upper .I. .155 S.636 -1.939 .022 df 1 1 1 Sig. Variable(s) entered on step 1: race. Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4.087 berarti p value < 0.348 .045 190 .89 artinya ras kelompok lainnya mempunyai risiko bayinya bblr sebesar 1.772 3. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ht”. .328 1.315 a.067 . Hasil uji didapatkan p value 0. Klik “Binary Logistic”.328 artinya ras kuliat hitam akan berisiko bayinya bblr sebesar 2.845 . 3.085 .

Variable(s) entered on step 1: ht.000 Exp(B) 3. . Analisis bivariat antara “kelainan uterus” dengan “bblr” 7.139 5. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ui”.365 .0% C. Klik “Binary Logistic”.I.for EXP(B) Lower Upper 1.046 .000 Exp(B) 2.947 -.834 Step a 1 ui Constant B .023 .162 29.417 . maka variabel kelainan uterus dapat lanjut ke multivariat 191 .947 S.0% C. .024 (p value < 0. Hasil p value 0. . Variable(s) entered on step 1: ui.021 11.024 . .E. Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 5.249 df 1 1 Sig.165 Wald 3.024 .979 28.076 df 1 1 1 Sig. Pilih “Regression” 9.for EXP(B) Lower Upper 1.076 5.416 a.045 (p value < 0. muncul menu dialog yang berisi kotak Dependent dan kotak Covariates.877 S.076 5. Klik OK.176 Wald 5.25).25) berarti masuk dalam multivariat 4.088 Step a 1 ht Constant B 1.E.072 df 1 1 Sig.214 -. Hasil uji didapatkan p value = 0. .I.388 a.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.578 . 10.024 Variables in the Equation 95.608 . Pilih “Analyze” 8.

25) sehingga secara statistik tidak dapat lanjut ke multivariat.188 Step a 1 ftv Constant B -.867 4.I.379 Variables in the Equation 95.SUTANTO PRIYO HASTONO: Analisis Data 5.027 .Analisis bivariat antara “merokok” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4.773 .Analisis bivariat antara “periksa hamil” dengan “bblr” 1.379 . namun karena secara substansi variabel periksa hamil sangat penting.Klik “Binary Logistic”.389 .643 1.135 -. 4. .503 a.874 .195 Wald .Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan “ftv”.427 df 1 1 Sig.773 .744 12.for EXP(B) Lower Upper . Tampilannya sbb: Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square .379 (p value > 0.157 .Pilih “Analyze” 2.000 Exp(B) . muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. Klik OK.Pilih “Regression” 3. . Variable(s) entered on step 1: ftv.0% C.379 . 6.773 df 1 1 1 Sig. .E.027 192 . .867 df 1 1 1 Sig.867 4. maka variabel ini dapat dianalisis multivariat. Hasil uji p value = 0.687 S.027 .

082 0.320 .SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.022 .25) dengan demikian variabel merokok dapat masuk ke multivariat. .I.779 6.009 berarti < 0. .852 25.0% C.779 df 1 1 1 Sig.783 Step a 1 smoke Constant B .024 0.for EXP(B) Lower Upper 1.25 sehingga variabel riwayat adanya prematur dapat masuk ke multivariat Hasil seleksi bivariat : Variabel Umur Ras Hipertensi Kelainan uterus Periksa hamil Merokok Prematur P value 0.011 . Variable(s) entered on step 1: smoke.009 .009 .230 .627 df 1 1 Sig.197 4.I.779 6.704 -1.000 Exp(B) 2. Hasil analisis bivariat didapatkan p value = 0. .for EXP(B) Lower Upper 1. Hasil analisis didapatkan p value sebesar 0.027 ( < 0.E.028 .391 30.215 Wald 4.081 3.009 Variables in the Equation 95.317 .379 0.045 0.097 0.E.964 S. .087 S.Analisis bivariat antara “prematur” dengan “bblr” Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 6.000 Exp(B) 2.381 a. 7.802 -.337 a.370 df 1 1 Sig.027 0.009 193 . .0% C.175 Wald 6.151 Step a 1 ptl Constant B . Variable(s) entered on step 1: ptl.

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

034 .009 2. .902 2. dengan demikian variabel ui masuk kembali dalam model.500 .4 % 3.062 1.I.086 1.996 1.000 Exp(B) 2.321 1.988 1.016 . . smoke.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.696 -2.229 1.382 .062 7.958 2.411 .794 3.640 3.622 1. Akhirnya model yang dihasilkan adalah sbb: 199 .712 6. Variable(s) entered on step 1: race.390 2.325 .2 % 6.596 29.E.727 2.132 a.958 2.025 S.513 6.052 .007 3.372 Wald 8.1 % - Setelah dilakukan perbandingan OR.for EXP(B) Lower Upper 1.085 .877 3.008 .793 B Step a 1 race race(1) race(2) smoke ht ptl Constant 1.390 5.286 4.764 4.009 . ht.894 2.032 .007 .743 2.0% C.5 % 8.586 df 2 1 1 1 1 1 1 Sig.707 2. Kita lihat kembali perubahan nilai OR setelah variabel ui dikeluarkan : Variabel OR ui ada OR ui tak ada perubahan OR Age Race(1) Race(2) Smoke Ptl Ht ui ftv 0. ternyata variabel ht berubah > 10 %.949 6. ptl.707 3.629 .726 11.280 .221 .626 5.894 2.9 % 13.960 2.

387 . klik analysis.000 Step 1 Step Block Model 200 .779 3. Dalam kasus sekarang. Langkahnya: 1.I.117 a. .723 6.271 1. kalau memang tidak ada tidak perlu dilakukan uji interaksi.263 .640 3. UJI INTERAKSI Uji interaksi dilakukan pada variabel yang diduga secara substansi ada interaksi.E. klik binary ogistik 2. Klik tombol Next 5.747 3.for EXP(B) Lower Upper 1.000 26.131 .019 .350 . klik regression.968 2.569 2.975 4. ui.501 .970 7.538 5.011 .994 .0% C.585 30. C.633 . ptl. ptl.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.991 .576 1. Kotak Kovariat isikan Race.010 .000 Exp(B) 2.146 S.692 B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.560 df 1 1 7 Sig.085 .030 .994 . klik OK lihat hasilnya pada bagian Block 2 Block 2: Method = Enter Omnibus Tests of Model Coefficients Chisquare . isikan : smoke*ht ke kotak kovariat 6. misalkan kita duga merokok berinteraksi dengan hipertensi.422 13. smoke.925 1.855 -2.386 Wald 7. Kotak dependen isikan low 3.334 .113 1. ht. ht dan ui 4.537 5. .694 1.088 1.059 .364 .451 .422 6.058 .418 .968 4. smoke.912 2.000 . Variable(s) entered on step 1: race.916 6.883 2.031 . .917 df 2 1 1 1 1 1 1 1 Sig.

364 .087 .569 2.271 1. Dengan demikian pemodelan telah selesai.896 2.585 30.146 S.0% C.969 2.117 a.019 .268 1.085 .883 2.555 5.640 3. ht.386 Wald 7.692 B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.576 1.334 . .692 6.030 .422 13.350 .for EXP(B) Lower Upper 1.422 6.875 df 2 1 1 1 1 1 1 1 1 Sig.900 4.970 .360 . 201 .058 .975 4.912 2.946 6.501 . berarti : tidak ada interaksi antara merokok dengan hipertensi. Pada output bagian Block 2:Methode=Enter.000 30.397 . smoke.0% C.779 3.680 3. .236 .350 1.723 6.765 . .538 5.991 .for EXP(B) Lower Upper 1.010 .970 7.387 6.537 5.019 .633 .088 1. Variable(s) entered on step 1: ht * smoke .854 .852 5.747 3.013 .131 .451 .387 .694 1.917 df 2 1 1 1 1 1 1 1 Sig.994 (lihat bagian step) berarti lebih besar dari 0.584 .263 .000 Exp(B) 2.010 -2.082 7.059 .336 . .990 .419 . ptl.010 .031 .418 .937 2. Variable(s) entered on step 1: race.E.692 1.968 4.576 1.I.916 6. ui.030 .831 .925 1.059 .146 S.968 2.109 1.113 1.102 .438 19.283 .000 Exp(B) 2.451 1.779 3.491 B Step a 1 race race(1) race(2) smoke ptl ht ui ht by smoke Constant 1.I.883 2.994 .693 12.855 -2.117 a.865 3.E.211 2.058 .011 .011 .921 .502 . terlihat hasil uji omnibusnya memperlihatkan p value = 0.088 1.05. model yang valid adalah model tanpa ada interaksi: MODEL TERAKHIR Variables in the Equation 95.386 Wald 7.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.

Secara sama dapat diinterpretasikan untuk variabel yang lain. Sedangkan variabel riwayat prematur dan kelainan uterus sebagai variabel konfounding. Dari analisis multivariat ternyata variabel yang berhubungan bermakna dengan kejadian BBLR adalah variabel ras. merokok. Untuk melihat variabel mana yang paling besar pengaruhnya terhadap variabel dependen. 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. merokok dan hipertensi. Hasil analisis didapatkan Odds Ratio (OR) dari variabel hipertensi adalah 3.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. Oleh karena analisisnya multivariat/ganda maka nilai OR-nya sudah terkontrol (adjusted) oleh variabel lain yang ada pada model. dilihat dari exp (B) untuk variabel yang signifikan.9. prematur dan uterus. Sedangkan unutk penelitian yang bersifat cross sectional atau case control. interpretasi yang dapat dilakukan hanya menjelaskan nilai OR (Exp B) pada masing-masing variabel. semakin besar nilai exp (B) berarti semakin besar pengaruhnya terhadap variabel dependen yang dianalisis.

000 .999 . .972 . Pilih “Regression” 3. muncul menu dialog yang berisi kotak Dependent dan Covariat.849 1.000 5. Klik “Binary Logistic”. .160 .148 -1. 28420. .505 S. berat badan ibu dan sikap A.114 28420.197 .186 .999 .105 df 1 1 1 1 1 1 Sig. umur1.869 1.160 .760 1.kerja*bbibu.109 . 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.722 .372 .279 .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.I. bbibu. Klik ‘OK’. kerja*sikap) 4.949 6E+008 1.681 -.208 .275 1.432 Wald . sikap.000 . dan hasilnya sbb: Logistic Regression Variables in the Equation 95.for EXP(B) Lower Upper .052 20.514 56. Langkah pertama: menyusun model mencakup semua variabel dan variabel interaksi Cara 1. sikap.159 1. Pilih “Analyze” 2.722 1. kerja * sikap . umur1.293 Exp(B) .000 . kerja*umur1. Variable(s) entered on step 1: kerja. 203 . kerja * umur1 .648 .E.351 .0% C.583 Stea p1 kerja umur1 sikap kerja by umur1 kerja by sikap Constant B -20.000 1.222 a.

812 . pengeluaran dilakukan secara bertahap dari variabel interaksi yang p value-nya terbesar.022 18.152 a. Variable(s) entered on step 1: kerja.445 2.601 .177 . kesimpulannya tidak ada variabel interasksi.076 1. Dan model menjadi: Logistic Regression Variables in the Equation 95. Dengan demikian hasil uji interaksi sudah selesai.592 .for EXP(B) Lower Upper . variabel interaksi ‘kerja by sikap’ harus dikeluarkan dari model karana p valuenya > 0. Seleksinya dengan mengeluarkan secara bertahapVariabel interaksi yang tidak signifikan (p>0.264 1.557 .060 . kerja * sikap .036 .146 .202 Step a 1 kerja umur1 sikap Consta nt B 1.718 1.274 1.753 1.741 . Variable(s) entered on step 1: kerja.260 .053 . . variabel dikatakan berinteraksi bila p valuenya < 0.0% C.035 -2.E.051 .483 Wald .876 S.878 1.239 Wald 4.641 9.376 2.205 Exp(B) .959 9.039 .020 Exp(B) 3.384 df 1 1 1 1 Sig.178 .074 14. 1.609 .795 . Dari hasil di atas variabel interaksi ”Pekerjaan by umur” mempunyai nilai p terbesar (p=0.645 .942 1.157 . sikap.217 -.666 1.I. Setelah dikeluarkan hasilnya: Variables in the Equation 95.for EXP(B) Lower Upper 1. umur1.261 .991 92. Dari output diatas. sikap.881 S.05). .893 1.I. umur1. langkah selanjutnya uji konfounding 204 .056 a.067 3.0% C.971 86.582 1.114 .175 -1.SUTANTO PRIYO HASTONO: Analisis Data Dari output model penuh/lengkap ini kita lakukan uji interaksi.191 .616 Stea p1 kerja umur1 sikap kerja by sikap Constant B -.212 5.E.273 3. .05.999) sehingga variabel tersebut dikeluarkan dari model.610 df 1 1 1 1 1 Sig.749 .05.156 1.

0% C. Dengan demikian variabel sikap bukan konfounding.E.E.357 Step a 1 kerja Const ant B 1. maka varaibel tsb dianggap sebagai variabel konfounding.754 Stea p1 kerja umur1 Constant B 1.018 Exp(B) 4.135 1.073 a.660 1. dan harus dikeluarkan dari model Langkah selanjutnya mengeluarkan variabel umur.985 1.6 % .464 . setelah dikeluarkan hasilnya: Variables in the Equation 95.545 3.111)/4. umur1.165 99.127 14.959)/4.429 Wald 7.032 . .585 4.006 .624 S.110 10.113 Wald 4.9 % .111 – 3. .627 18. Dengan demikian variabel umur merupakan variabel konfounding.783 .754 S.111 =32.378 -2. Model terakhir : 205 . Setelah variabel umur dikeluarkan terlihat perubahan OR variabel utama: kerja sebesar : (5.698 -.for EXP(B) Lower Upper 1. Tahap pertama : akan dikeluarkan variabel Sikap.079 Exp(B) 5.555 df 1 1 1 Sig. Untuk itu variabel umur harus tetap ikut dalam model sebagai konfounding hubungan kerja dengan menyusui eksklusive.413 2.111 =3.I.SUTANTO PRIYO HASTONO: Analisis Data UJI KONFOUNDING Uji konfounding dengan cara melihat perbedaan nilai OR untuk variabel utama dengan dikeluarkannya variabel kandidat konfounding. Setelah variabel sikap dikeluarkan terlihat perubahan OR variabel utama kerja sebesar : (4.036 .091 df 1 1 Sig. . Variable(s) entered on step 1: kerja.for EXP(B) Lower Upper 1.I. Variable(s) entered on step 1: kerja.471 a.464-4.0% C.618 . setelah dikeluarkan dari model hasiilnya sbb:’ Variables in the Equation 95.389 5. . bila perubahannya > 10 %.

073 a.113 Wald 4.585 4. Variable(s) entered on step 1: kerja.036 .783 .E.985 1.378 -2. maka modelnya adalah sbb: Dari model di atas dapat dijelaskan bahwa ibu yang tidak bekerja mempunyai peluang menyusui eksklusif 4 kali dibandingkan ibu yang tidak bekerja setelah dikontrol variabel ”umur”. ternyata.165 99.135 1. .0% C.110 10.018 Exp(B) 4.660 1.127 14.SUTANTO PRIYO HASTONO: Analisis Data Variables in the Equation 95.I.754 Stea p1 kerja umur1 Constant B 1.555 df 1 1 1 Sig.389 5. umur merupakan confounding hubungan pekerjaan dengan menyusui eksklusif.032 .624 S.for EXP(B) Lower Upper 1. Interpretasi: Setelah dilakukan analisis confounding. umur1. 206 .413 2. .

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful