A.

PENDAHULUAN Pengolahan data hasil penelitian jika respondenya cukup besar (lebih dari 100) dan diolah secara manual (menghitung dengan rumus-rumus yang digunakan) cukup melelahkan, bahkan keakuratan hasil penghitungannya lemah. Era teknologi, untuk mengurangi beban pengolahan data hasil penelitian dapat diselesaikan dengan bantuan Program Statistical Product and Service Solutions (SPSS), khususnya bidang kesehatan. Program ini akan membantu siapa saja yang membutuhkan, dari yang sederhana sampai pada yang cukup rumit. Yang sederhana misalnya untuk mengetahui, mean, media, modus, distribusi frekuensi, dan lain-lain. Yang lebih rumit dari melihat perbedaan, hubungan (positif atau negatif), seberapa kuat hubungannya, berapa resikonya, dan lain-lain sesuai dengan kebutuhan. Secara umum modul ini akan membahas alat ukur, reabilitas dan validitas, pengolahan dan analisa hasil. Termasuk juga menyinggung cara melakukan pembahasan. B. ALAT UKUR Umumnya mahasiswa/peneliti pemula dalam menyusun alat ukur, khususnya dalam bentuk kuesioner kurang memahami. Membauat alat ukur yang baik untuk sebuah variabel tidaklah mudah, kecuali alat ukurnya sudah ada (milik peneliti lain yang sudah di uji validitas dan riliabilitasnya dapat digunakan. Jika menggunakan alat ukur milik seseorang harus mencantumkan nama jelas pemilik dan tahunnya). Jika belum ada kuesioner yang baku, maka peneliti harus menyusun sendiri. Penelitian berangkat dari sebuh masalah, dan biasanya didukung oleh sebuah atau beberapa teori. Teori-teori tersebut diturunkan menjadi sebuah kerangka konsep, kemudian diturunkan lagi menjadi berbagai variabel. Alat ukur/pertanyaan yang baik harus berdasarkan isi dari variabel yang diukur. Jumlah pertanyaan dalam sebuah variabel sangat relative tergantung dari luas tidaknya variabel tersebut, bisa hanya satu, lima, bahkan ada 20 pertanyaan atau lebih. Contoh, untuk mengukur variabel umur cukup satu pertanyaan “Tanggal berapa Saudara dilahirkan?”. Tetapi jika akan mengukur kepuasan pasien rawat inap terhadap asuhan keperawatan / pelayanan keperawatan, memerlukan beberapa pertanyaaan. Pertanyaan harus mencakup hal-hal apa saja yang dilakukan oleh perawat. Kegiatan-kegiatan tersebut harus menjadi pertanyaan-pertanyaan. Tidak dibenarkan hanya mengajukan pertanyaan : Apakah Saudara puas dengan pelayanan keperawatan di sini? Ini bukan pertanyaan sebuah penelitian yang baik. Akurasi keilmiahannya sangat rendah. Hendaknya peneliti mengajukan beberapa pertanyaan misalnya : Apakah perawat bekerja sesuai jadual yang telah ditentukan? Apakah perawat ramah dalam memberikan asuhan keperawatan?, Apakah perawat selalu mengucapkan salam setiap mengunjungi Saudara? Apakah perawat cepat tanggap dalam memberikan asuhan keperawatan? Apakah perawat selalu memberi penjelasan setiap tindakan yang akan dilakukan?, Apakah perawat selalau memberi penjelasan tentang perkembangan penyakit yang Saudara derita?, Apakah perawat selalu menggunakan sarung tangan dalam melakukan asuhan keperawatan? Dan lain-lain. Untuk mengetahui alat ukur yang kita susun baik, perlu diuji validitas dan reliabilitasnya. C. VALIDITAS DAN RELIABILITAS 1

1. Validitas Validitas berasal dari kata validity yang berarti sejauh mana ketepatan dan kecermatan alat ukur yang kita susun untuk mengukur sebuah variabel. Alat ukur ini harus benar-benar sesuai, jika hal tersebut diabaikan, hasil pengukurannya tidak sesuai dengan harapan. Ketepatan disini apakah alat ukur tersebut sudah sesuai dengan hasil yang diinginkan. Sedangkan kecermatan mencakup apakah semua sisi sudah dibuat pertanyaannya. Contoh yang paling mudah alat ukur untuk mengukur tinggi badan, gunakan meteran, jangan menggunakan tali rapia. Mengukur berat badan balita gunakan timbagan gantung, jangan menggunakan timbangan injak. Untuk mengetahui alat ukur yang digunakan valid atau tidak, tergantung dari variabel yang akan diukur. Untuk mengukur berat badan balita dengan timbangan gantung, mudah dan jelas. Tetapi jika mengukur kepuasan pelanggan tidak semudah itu, perlu beberapa pertanyaan supaya hasilnya benar-benar sesuai yang diharapkan. Kesahihan alat ukur, perlu diujicobakan. Hasil uji coba dilakukan korelasi antar skor masing-masing pertanyaan dengan skor totalnya. Suatu pertanyaan dikatakan valid bila skor tersebut berkorelasi secara signifikan dengan skor totalnya. Nilai tersebut disebut r (Korelasi Pearson Product Moment). Mencari nilai r dapat secara manual (menggunakan rumus) maupun menggunakan Program SPSS. a. Menggunakan Rumus (Manual) Jika menghitung secara manual, rumusnya sebagai berikut : N(∑XY)-(∑X∑Y) r = --------------------------------------√ [N∑X2-(∑X)2] [N∑Y2-(∑Y)2] Penjelasan : r = Nilai r yang dicari, N = Jumlah sampel, X = Nilai per pertanyaan, Y = Jumlah nilai per responden, ∑= Penjumlahan. Ketentuan hasil uji : Jika r hitung pada masing-masing pertanyaan lebih besar dari r tabel, maka pertanyaan tersebut valid (dapat digunakan). Tetapi iika r hitung lebih kecil dari r tabel, maka pertanyaan tersebut tidak valid (tidak dapat digunakan). Pertanyaan yang tidak valid dapat dihapuskan atau diperbaiki. Contoh Kuesioner Mencari Nilai r : Seorang mahasiswa/peneliti ingin melakukan penelitian dengan judul “Faktor-faktor yang Berhubungan dengan Kepuasan Pasien Rawat Inap di RS X - Bandarlampung. Variabel independenya : tingkat pendidikan, usia, pelayanan keperawatan, pelayanan medis, kebersi2

han lingkungan. Sedangkan dependennya kepuasan. Pada contoh ini hanya akan membahas variabel pelayanan keperawatan. Variabel yang lain pola pengujiannya sama. Variabel pelayanan keperawatan diukur dengan sembilan pertanyaan, yaitu : 1. 2. 3. 4. 5. 6. 7. 8. 9. Apakah perawat bekerja sesuai jadual yang telah ditentukan? a. Tidak, b. Kadang-kadang, c. Ya Apakah perawat ramah dalam memberikan asuhan keperawatan?, a. Tidak ramah, b. Kadang-kadang, c. Ramah. Apakah perawat selalu mengucapkan salam setiap mengunjungi Saudara? a. Tidak pernah, b. Jarang, c. Sering. Apakah perawat cepat tanggap dalam memberikan asuhan keperawatan? a. Tidak tanggap, b. Kadang-kadang, c. Ya Apakah perawat selalu memberi penjelasan setiap tindakan yang akan dilakukan?, a. Jarang, b. Kadang-kadang, c. Ya Apakah perawat selalau memberi penjelasan tentang perkembangan penyakit yang Saudara derita?, a. Jarang, b. Kadang-kadang, c. Ya Apakah perawat selalu menggunakan sarung tangan dalam melakukan asuhan keperawatan? a. Tidak pernah, b. Jarang, c. selalu. Apakah petugas mempunyai anak kecil? a. Tidak tahu, b. Sepertinya punya, c. Mempunyai, Apakah petugas tersebut mempunyai tugas ganda? a. Tidak tahu, b. Kadang-kadang, c. Punya tugas.

Ada sembilan pertanyaan, masing-masing pertanyaan mempunyai tiga alternative jawaban. Jika jawaban a nilai 1, b nilai 2, dan c nilai 3. Jika uji coba terhadap 20 pasien, maka hasilnya sebagai berikut: No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 P1 3 2 2 3 2 3 2 2 3 3 2 3 2 3 3 Tabel 1 : Skor Masing-masing Pertanyaan P2 P3 P4 P5 P6 P7 P8 P9 3 3 3 3 3 3 1 1 2 3 2 3 3 2 1 1 3 3 3 3 3 3 2 2 3 3 3 3 3 3 2 2 2 3 2 3 3 3 2 2 3 3 3 3 3 3 2 2 3 2 3 2 2 2 1 1 2 2 3 2 3 3 1 1 3 3 3 2 3 3 1 1 3 3 3 2 3 3 1 1 2 3 2 2 2 2 1 1 3 3 3 3 3 3 2 2 3 3 3 3 3 3 1 1 3 3 2 3 3 3 1 1 3 3 3 3 3 3 2 2 ∑(Y) 23 19 24 25 22 25 18 19 22 22 17 25 22 22 25 3

16 17 18 19 20 ∑(X)

3 3 3 3 3 53

3 3 3 3 3 56

3 3 3 3 3 58

3 3 3 3 3 56

2 2 3 3 3 53

3 3 3 2 3 3 3 3 3 3 58 56

2 2 2 2 1 30

2 2 2 2 2 31

24 23 25 25 24 451

Untuk dapat menghitung hasil pengukuran tersebut (merujuk rumus di atas) harus menggunakan tabel penolong sebagai berikut (Menguji Pertanyaan no 1 (P1)): Tabel 2: Tabel Penolong Mencari Besaran Masing-masing Nilai Responden X(P1) Y X2 Y2 XY 1 3 23 9 529 69 2 2 19 4 361 38 3 2 24 4 576 48 4 3 25 9 625 75 5 2 22 4 484 44 6 3 25 9 625 75 7 2 18 4 324 36 8 2 19 4 361 38 9 3 22 9 484 66 10 3 22 9 484 66 11 2 17 4 289 34 12 3 25 9 625 75 13 2 22 4 484 44 14 3 22 9 484 66 15 3 25 9 625 75 16 3 24 9 576 72 17 3 23 9 529 69 18 3 25 9 625 75 19 3 25 9 625 75 20 3 24 9 576 72 N=20 ∑X=53 ∑Y=451 ∑X2=145 ∑Y2 = 10291 ∑XY=1212 Penjelasan : X = Nilai per pertanyaan, Y = Jumlah nilai per responden, XY = Nilai per pertanyaan dikali jumlah nilai.

Berdasarkan Tabel 2, selanjutnya nilai masing-masing komponen masukkan ke dalam rumus : N(∑XY)-(∑X)(∑Y) r = --------------------------------------√ [N∑X2-(∑X)2] [N∑Y2-(∑Y)2]

4

= -------------.= ---------------.= ----------------------------------------√ [20.= 0. sehingga r hitung lebih besar dari r tabel. tidak perlu menggunakan rumus (pelajari dulu pada bagian MEMULAI DENGAN SPSS (Halaman 9) pada pedoman ini).451) 24240 . Untuk mengetahui nilai r P2-P9. maka P1(pertanyaan no 1) dinyatakan valid.718 √ [2900-2809] [205820-203401] √ (91)(2419) √ 220129 Nilai r hitung 0.23903 r = --------------------------------------------.145-(53)2] [20.718. Berdasarkan contoh kuesioner dan hasil uji di atas. b. jika dibandingkan dengan nilai r Tabel (Lihat Tabel Product Moment dengan n=20 serta alpha 5%) adalah 0. Menggunakan Program SPSS Mencari nilai r dengan Program SPSS sangat mudah.Sehingga : 20(1212)-(53.444 maka pertanyaan tersebut tidak valid dan perlu diperbaiki atau dikeluarkan dari daftar pertanyaan. pilih Scale.444. pilih Reliability Analysis. hasilnya sebagai berikut : Gambar 1 : Menu Data View untuk Uji Kuesioner Selanjutnya lakukan langkah-langkah sebagai berikut: Klik Analyze. menggunakan rumus dan cara seperti diatas. masukkan ke dalam program SPSS.10291-(451)2] √ [ 2900-2809] [205820-203401] 24240 – 23903 337 337 r = --------------------------------------------. hasilnya sebagai berikut : 5 . Jika diantara nilai r hitung ternyata ada yang kurang dari 0.

klik Statistic. kemudian klik OK. maka variabel berpindah.P9 ke kotak Items (Boleh satu per satu atau secara bersamaan). Scale. Klik Continue. kemudian klik Item. kemudian klik anak panah. Hasilnya berupa print out dapat dilihat sebagai berikut : Reliability (Print out 1) Scale: ALL VARIABLES 6 . Perhatikan gambar berikut : Gambar 3 : Menu Nama Pertanyaan sudah dipindahkan ke kotak Items Setelah semua masuk ke kotak Items.Gambar 2 : Menu Nama-nama Pertanyaan (P1-P9) Langkah selanjutnya pindahkan semua variabel P1 . dengan cara mengeklik P1-P9. dan Scale if item deleted.

75 5.253 .632 .00 4.410 Pertanyaan5 2.389 . std dev (standar deviasi).489 Pertanyaan6 2.145 .611 .510 9 N 20 20 20 20 20 20 20 20 20 Item-Total Statistics Scale Corrected Cronbach's Scale Mean if Variance if Item-Total Alpha if Item Item Deleted Item Deleted Correlation Deleted Pertanyaan1 19.Reliability Statistics Cronbach's Alpha N of Items .65 5.816 Pertanyaan4 19.75 5.90 4.804 Pertanyaan7 19. Deviation Pertanyaan1 2.75 5.825 Item Statistics Mean Std.803 PertanyaaN3 19.80 .65 .823 Pertanyaan5 19.565 . Deviation N of Items 22.410 Pertanyaan8 1.800 Pertanyaan9 21.308 Pertanyaan7 2.461 .410 PertanyaaN3 2.05 4. Bagian pertama menunjukkan hasil statistic deskriptif masing-masing pertanyaan dalam mean.366 2.145 .602 .586 .671 .55 .832 .523 9 Penjelasan: Berdasarkan Print out (1) tersebut terdapat dua pengertian. memperlihatkan hasil proses validitas dan reliabilitas.65 .90 5.308 Pertanyaan4 2.455 .90 .788 Scale Statistics Mean Variance Std.397 .80 .608 .80 .513 Pertanyaan9 1. dan cases.565 .489 Pertanyaan2 2.65 5. Yang penting adalah bagian kedua.384 .803 Pertanyaan8 21.90 .50 .826 Pertanyaan6 19.55 6.787 . 7 .798 Pertanyaan2 19.

P2. berikutnya uji reliabilitas. pengujian dimulai dari validitas kuesioner. Seperti telah disinggung di atas. lihat Tabel Product Moment.Berdasarkan kaidah analisis. karena P4 dan P5 harus dikeluarkan dari daftar. P6. P9 dinyatakan valid. P7. Uji validitas untuk mengetahui perbandingan nilai r hitung dengan r tabel. n=20).444. Hasilnya sebagai berikut: Reliability (Print out 2) Scale: ALL VARIABLES 8 . Langkah selanjutnya. pertanyaan dinyatakan valid apabila nilai r hitung lebih besar dibandingkan dengan r tabel. P8. P9. P8. dengan demikian P4 dan P5 tidak valid. P7. P2. selebihnya P1. Berdasarkan hasil uji di atas ternyata nilai r P4 dan P5 lebih kecil dari r tabel (0. Sedangkan P1. P3. P6. P3. yang dinyatakan valid perlu diuji kembali. Untuk mengetahui nilai r hitung perhatikan nilai yang berada di bawah penjelasan “Corrected Item-Total Correlation”.

593 .6018.308 20 2. ternyata nilai r semua pertanyaan lebih besar dari nilai r tabel.30 3.664 . sedangkan jika menggunakan program SPSS diperoleh 0. 9 .718.788 15.50 .60 2.806 14. artinya ke tujuh pertanyaan tersebut valid (lihat Corrected Item-Total Correlation.30 3.0 Excludeda 0 .55 2.20 3.410 20 1.65 .305 2.410 20 2.773 Scale Statistics Variance Std.513 20 1.379 . Listwise deletion based on all variables in the procedure.582 .484 .817 7 Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9 Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9 Mean 17. Deviation N of Items 4.631 .642 .989 . Deviation N 2.892 . Reliability Statistics Cronbach's Alpha N of Items .80 .55 .0 Total 20 100. semua lebih dari 0.10 Item Statistics Mean Std.780 14.489 20 2.502 .802 15.80 .502 .379 .90 .45 2.075 7 Setelah diuji kembali dengan tujuh pertanyaan.0 a. Catatan : Perlu diingat bahwa terjadi perbedaan hasil penghitungan (P1) menggunakan rumus diperoleh 0.Case Processing Summary N % Cases Valid 20 100.802 14.308 20 2.510 20 Item-Total Statistics Scale Corrected Cronbach's Scale Mean if Variance if Item-Total Alpha if Item Item Deleted Item Deleted Correlation Deleted 14.537 .997 .20 3.90 .795 14.444).

Untuk mengetahui rliabel atau tidak. hal ini mungkin terjadi pada pengolahan dengan rumus terjadi pembulatan. jika meneruskan klik Allow. Tahap berikutnya adalah mengetahui uji reliabilitasnya. maka pertanyaan tersebut reliabel.16. klik dua kali pada ikon tersebut (Ikon dapat berada dimenu utama atau dapat pada sub menu. sehingga terjadi selisih angka.0. MEMULAI DENGAN SPSS Mengoperasikan program SPSS tidak terlalu sulit. Reliabilitas Hasil pengujian validitas (Print out 2) menunjukkan ketujuh pertanyaan valid. akan muncul SPSS for Windows. pada kolom Cronbach’s Alpha). sehingga dapat digunakan sebagai alat pengumpulan data penelitian.817. (Untuk versi 16. namun hasil akhirnya keduanya menyatakan valid. Kemudian muncul menu pilihan : Klik Cancel apabila akan membatalkan pengaktifan SPSS. karena masing-masing pengguna menempatkannya berbeda-beda). Selanjutnya akan muncul SPSS. D.444). Berdasarkan uji tersebut ternyata niai Alpha = 0. Dapat disimpulkan ketujuh pertanyaan tersebut valid dan reliabel. Untuk membuka Program SPSS. tetapi jika versi yang lain menyesuaikan). Setelah klik Allow. sedangkan dengan program tidak demikian. Jika nila Alpha lebih besar dari nilai r tabel (0. 2. kaidahnya adalah membandingkan nilai r tabel dengan nilai Alpha ( Print out Reliability Statistics. maka akan muncul dialog sebagai berikut : Gambar 5 : Menu Pilihan Membuka Data (File) 10 .Terjadi perbedaan keduanya. silahkan mencarinya. Perhatikan tampilan gambar 4 berikut ini : Gambar 4 : Menu Utama Untuk memulai Program SPSS klik dua kali pada simbol tersebut (dilingkari).

yaitu klik OK atau Cancel. Jika akan membuka data yang telah disimpan sebelumnya maka klik OK (nama file di klik dulu). Pada Kolom Type. jika jenis datanya berupa angka (bukan koding. maka akan muncul dialog sebagai berikut : Gambar 6 : Variable View (Menu untuk membuat nama variabel) Gambar 6 menunjukkan menu untuk membuat variabel-variabel penelitian yang akan dikerjakan. Setelah klik Cancel. maka klik numeric atau string (jika datanya berbentuk kategorik). kemudian 11 . dengan mengklik sel pada baris nama variabel yang sedang dibuat. misalnya usia 70 tahun). Ketentuan membuat nama variabel adalah : Kolom Name. ada dua pilihan.Ada dua pilihan dalam menu ini. diisi singkatan (inisial) nama variabel yang diteliti (hurup kecil dan tidak ada sepasi – maksimum 8 karakter). Tetapi jika akan membuat yang baru. maka pilih klik Cancel.

misalnya 0 (nul) atau 1 (satu). isi nama variable yang sesungguhnya (yang tadinya disingkat pada kolom Name. maka apa yang kita tulis tadi akan masuk ke sel yang sesuai. Perilaku Menyusui. dll. maka akan kembali ke menu sebelumnya. selanjutnya pilih Data View. Atau boleh juga tidak perlu diubah-ubah. Kemudian kolom Label masukkan penjelasan angka koding yang sudah dimasukkan pada value di atas. jika numeric tidak perlu diisi. seperti pada Gambar 7 berikut ini : Gambar 7 : Nama-nama variabel Penelitian Setelah semua variabel dibuat dengan lengkap. Misalnya : Pola makan. Kolom Width diisi dengan jumlah karakter yang dibutuhkan : misalnya 4. Jika diisi. Kolom Missing dan seterusnya tidak perlu diisi. Sedangkan Kolom Decimals. jika tidak dikehendaki ketik 0 (nul). Berikut ini sebuah contoh membuat nama variabel penelitian dengan judul “Faktor-faktor yang Berhubungan dengan Perilaku Menyusui Secara Eksklusif” (Gunakan data Lampiran 2). Riwayat Hipertensi. Sedangkan kolom Values. 6. maka lakukan klik dua kali pada sel tersebut.pilih OK. Setelah selesai. atau koding yang lain. diisi jika datanya kategorik. Untuk koding yang lain prosesnya sama. maka akan muncul seperti pada gambar 8 Gambar 8 : Menu Nama Variabel telah siap untuk entri data 12 . silahkan klik OK. Untuk value isi dengan angka koding. Kolom Label. Kemudian klik Add. tetapi jika datanya kategorik tidak perlu diisi. 8 dan lain-lain. jika data numeric isi berapa angka di belakang koma. Untuk variable yang lain prosesnya sama seperti yang sudah dilakukan.

51 responden) Gambar 9. keturunan. pomak (pola makan).jika datanya katagorik) sesuai variabel masing-masing (ingat angka koding harus sesuai dengan definisi operasionalnya masing-masing). atau angka biasa (usia. KB (pola KB yang digunakan). juman (jumlah anak).Pada Gambar 8 ini menunjukkan nama-nama variabel sesuai inisialnya masing-masing. Variabel tersebut adalah usia. asieksklu (Status asi eksklusif). 50. Gambar 9 : Data Penelitian setelah dientry (Data lengkap lihat Lampiran 1. 67. pendidik (pendidikan). selebihnya angka koding). Langkah selanjutnya memasukkan data (angka koding . dll) Gambar 9. ANALISA DATA 13 . E. pekerjaan. juman). diatas memberikan gambaran data hasil penelitian yang telah dimasukkan ke dalam variabel masing-masing (sebagian angka murni (usia. menunjukkan data telah dimasukkan dalan variabel masing-masing.

Kelompokkan usia dalam : Usia muda < 40 tahun. dewasa 40-55 tahun. pada variabel usia. maka akan muncul dialog Gambar 11. dan lakukan langkah-langkah sebagai berikut : Klik Transform-recode-pilih into deffernt variables (diubah menjadi vaiabel baru dan variabel lama tetap ada) – pindahkan variabel yang akan di recode ke kotak Numeric Variabel  Output Variable. dan usia lanjut >55 tahun. a. bivariat maupun multivariat. 14 .1. dan menggabungkan variabel (Compute) atau mengurangi data numerik menjadi satu variabel yang baru. Langkah-langkahnya sebagai berikut: Aktifkan File data Latihan 1 pada program SPSS. kemudian klik Change. Perhatikan gambar berikut ini: Gambar 10 : Menu Utama dalam Langkah Recode Selanjutnya klik Old and New Values. Mengelompokkan data (recode) Sebagai bahan latihan mengenai hal ini gunakan data hasil penelitian (Lampiran 1). terlebih dahulu perlu dipelajari mengenai bagaimana mengelompokkan data numerik menjadi katagorik (Recode). Sebelum membahas lebih lanjut mengenai analisa hasil penelitian baik secara univariat. dan isi kotak Label dengan kata yang diinginkan (dalam hal ini umur dikelompokkan). Pada sel Name : (isikan nama variabel baru – dalam contoh umur1).

langkah selanjutnya ubah status numerik menjadi string. Ternyata data yang terkumpul tidak ada yang berusia di atas 55 tahun. Setelah variabel umur1 muncul dalam Variable View. Jika data hanya dikelompokkan menjadi 2 kategori. Langkah selanjutnya klik Range isi selnya (dengan umur 55). Langkah selanjutnya sama seperti di atas. sehingga kode 2 tidak muncul dalam Data View. maka variabel umur1 datanya menjadi kategorik sesuai dengan DO-nya. dan Add . dan buat pengelompokan sesuai dengan Definisi Operasionalnya (DO). maupun mengurangi dengan variabel yang lain. Untuk mengisi batas bawah pilih Range Lowst trough (dalam hal ini 39. maka muncul dialog. dan klik Add. seperti gambar 12. dan terakhir Continue. isi pada sel Value dengan angka 0. Gambar 12 : Dialog Utama dalam Compute 15 . isi Value 2. gabungkan variabel sebelum dan sesudah diet menjadi variabel “berat1”. maka yang harus di isi pada lembar dialog hanya batas bawah (pilih Range Lowst Trough) dan batas atas (Trough Highest). Lambang-lambang matematika membantu kita untuk melakukan hal itu. Menggabungkan variabel (Compute) Program SPSS juga memberikan fasilitas untuk menggabungkan 2 variabel menjadi variabel yang baru. maka langkahnya : Klik Transform – pilih Compute. dan OK. Aktifkan Latihan 4 (mengukur berat badan sebelum dan sesudah diet). Menu Pilihan Pengelompokan Variabel Langkah selanjutnya jika variabel umur1 dikelompokkan menjadi 3 kategori. berikan nama variabelnya (Label).Gambar : 11. b. Kemudan lihat pada Data View. isikan 40 dan though-nya 55 – isi Value dengan kode 1. maka lakukan : klik Range (kelompok umur dewasa). dan klik Add maka akan masuk ke sel Old  New. maka akan masuk ke sel Old  New.

Data Numerik (mean. 1. berikut ini : Gambar 13 : Variabel yang digabungkan Kemudian klik OK. Univariat a. dll) Mengambil contoh hasil penelitian di atas (Lampiran 2). kelompokkan sesuai dengan DO-nya (biasanya %). kemudian klik variabel yang akan digabungkan (sel awal) – klik anak panah kekanan – maka variabel tersebut masuk ke Numeric Expression – pilih tanda plus (+) – klik variabel yang akan ditambahkan (sel awal) – pindahkan ke sel Numeric Expession.Selanjutnya isi sel Target Variabel dengan nama Variabel baru (misalnya berat1). Perhatikan Gambar 13. Untuk numerik carilah mean. Untuk keperluan yang lain prosesnya sama. Tetapi untuk kategorik. Selanjutnya perbaiki Desimalnya dan nama Labelnya sesuai kehendak. maka variabel baru berat1 sudah muncul pada Variabel View urutan terakhir (perhatikan dengan baik). 16 . harus disesuaikan dengan jenis datanya masing-masing. modus. hasil analisis univariat. yang membedakan hanya simbul matematikanya. median. median. dan modusnya.

Gambar 14 : Menu Uji Univariat (Frequencies) Gambar 15 : Uji Univariat (Variabel Siap Diuji) Langkah selanjutnya Klik Statistics – Klik Mean. Perhatikan Gambar 15.Mencari mean. median. maka hasilnya sebagai berikut (ada bagian yang sudah dibuang. Modus. Langkah selanjutnya masukkan variabel umur ibu (usia) dan Jumlah Anak (juman) ke sel Variable(s). maka keduanya akan berpindah ke sel Variables(s). dan Minimum. dan modus. kemudian klik anak panah (lakukan juga untuk variabel Jumlah anak). kemudian Klik Continues. dan Klik OK. dengan langkah Klik variabel Umur Ibu. ikuti langkah-langkah berikut ini: Klik Analyze – Descriptive Statistics – Klik 123 Frequencies. Median. karena dianggap tidak perlu) : 17 . maka akan muncul dialog seperti gambar 14. Maximum.

50 34 Jumlah Anak 2. dapat dilaporkan bahwa variabel umur dan jumlah anak normal. Print out 4 : Frequency Table (Variabel umur) 18 .50 34 23 54 Jumlah Anak 40 0 2. Rata-rata responden berusia 35. dapat dituangkan dalam laporan penelitian sebagai berikut : Tabel 4.1 : Mean.82 3.8 dibulatkan (3) pada usia relatif muda. diman umur tersebut merupakan umur produktif.85 tahun. dan modusnya hampir berimpitan. hal ini terlihat bahwa mean.00 3 ____________________________________________________________ Berdasarkan Tabel 4.85 34. Sedangkan pada umumnya responden mempunyai anak rata-rata 2.Print Out 03 : Frequencies Statistics Umur Ibu N Valid Missing Mean Median Mode Minimum Maximum 40 0 35. Median.82 3.1. dan Modus berdasarkan Umur Ibu dan Jumlah Anak _____________________________________________________________ Variabel Mean Median Modus _______ _______ _______ Umur Ibu 35. median.85 34.00 3 1 5 Berdasarkan print out 3.

5 7.5 100.5 2.5 5.0 5.0 100.0 Valid 1 2 3 4 5 Total 19 .0 5.5 5.5 100.0 5.5 62. Print out 5 : Variabel jumlah anak.0 17.5 67.0 7.0 100.0 2.0 5.5 2.5 2.0 77.Umur Ibu Frequency 1 1 1 2 1 1 2 3 3 5 2 1 2 2 2 2 4 2 2 1 40 Percent Valid Percent 2. ini memberi informasi yang jelas mengenai modus (umur berapa) dan frekuensinya.5 12.5 5.0 Cumulative Percent 7.5 77.5 2.0 7.5 50.0 5.5 12.5 32.0 5.0 5.0 55.0 Cumulative Percent 2.5 2.0 57.5 7.0 10.5 2.5 100.0 10.5 100.5 5.5 22.5 15.5 87.5 2.0 37.5 12.5 7.5 7.0 5. Jumlah Anak Frequency 3 13 15 6 3 40 Percent Valid Percent 7.0 Valid 23 24 25 26 27 28 30 32 33 34 35 36 37 40 41 42 43 44 45 54 Total Print out 4.0 7.5 15.0 5.5 92.0 2.0 5.5 40.5 37.0 5. Dalam hal ini modusnya umur 34 tahun 5 orang.5 2.0 2.5 72.5 2.5 7.5 32.5 5.5 97.5 92.5 37.0 5.5 2.5 30.0 15.0 5.0 5.

dapat ditemukan bahwa responden. Print out 6 : Frequency Table (sebagian telah dihilangkan karena tidak diperlukan) 20 . pilih Analyze – Descriptif statistics – arahkan/sorot Frecuencies dan klik. maka variable tersebut berpindah ke kotak utama. Berikut ini hasil analisa data univariat pada masing-masing variabel. hasilnya seperti pada gambar 16 berikut ini : Gambar 16 : Variabel yang akan dianalisis sudah masuk ke kotak Variable(s) Selanjunya klik OK. Print out 6 menunjukkan hasil analisa univariat. Jadi modusnya adalah beranak 3. sorotlah dan pindahkan ke sebelah kanan (Variabel(s)). akan muncul besaran masing-masing variable termasuk persentasenya (%). maka sorotlah variabel yang keliru dan klik anak panah yang mengarah ke kotak utama (Frequencies). Semua variable yang berada pada sel sebelah kiri. Maka akan muncul dialog frequencies. b.Berdasarkan print out 5. berdasarkan jumlah anak. Data Ketagorik Untuk mencari persentase masing-masing variable sesuai dengan hasil ukur. modusnya beranak 3. Perlu diperhatikan bila terjadi kekeliruan dalam mengambil variabel (sudah berada pada kotak Variable(s). sebanyak 15 orang (37.5%).

9 100.1 100.7 33.1 100.5 21.0 Valid Percent 70.6 21.0 31.0 52.7 33.0 Variabel : Pendidikan Ibu Frequency Valid Tinggi Menegah Rendah Tidak sekolah Total 16 13 11 11 51 Percent 31.0 Cumulative Percent 70.9 45.0 Variabel : Pola KB Ibu Frequency Valid Kalender Non Kalender Total 34 17 51 Percent 66.9 47.9 45.9 100.1 100.0 43.6 100.6 21.9 100.4 25.6 100.1 100.Variabel : Pola menyusui eksklusif Frequency Valid Eksklusif Non Eksklusif Total 22 29 51 Percent 43.0 Variabel : Pola makan Ibu Frequency Valid Baik Kurang Baik Total 27 24 51 Percent Valid Percent Cumulative Percent 52.0 Valid Percent 54.0 Valid Percent Cumulative Percent 43.6 29.0 Valid Percent Cumulative Percent 31.4 100.1 56.9 100.4 56.3 100.5 21.9 78.4 100.0 Variabel : Pekerjaan Ibu Frequency Valid Tidak bekerja Bekerja Total 36 15 51 Percent 70.0 Variabel : Keturunan dari Orang Tuanya Frequenc y Percent Valid Keturunan Asi Eksklusif Tidak Keturunan Asi Eksklusif Total 28 23 51 54.4 25.9 47.0 Cumulative Percent 54.0 52.6 29.1 100.6 100.0 Valid Percent Cumulative Percent 66.3 100.0 21 .7 100.0 66.1 56.4 100.

8 100.0 _________________________________________________ Berdasarkan Tabel 4.1%) dibandingkan dengan non eksklusif (65. Pada contoh berikut variabel banyak anak. Sedangkan cara membacanya sama seperti contoh diatas.7 9.0 Cumulative Percent 5. histograms.2 76.2.9%). pie chart.3 13. selanjutnya klik OK. maka lakukan : Klik chart (pada Gambar 12) untuk menampilkan pilihan grafik (bar chart. salah satu saja.9 41. hasilnya sebagai berikut : Print out 7 : Print out jumlah anak dan grafik lingkaran Variabel : Jumlah Anak Frequency Valid 1 2 3 4 5 Total 3 18 18 7 5 51 Percent 5.7 9.Print out 6 dapat disusun dalam sebuah laporan penelitian. kemudian klik Continue.3 13.2 : Distribusi Perilaku Menyusui _________________________________________________ Pola menyusui Jumlah % _________________________________________________ Eksklusif 22 43. Sebagai contoh diambil variabel pola menyusui secara eksklusif.9 35. dapat dilaporkan bahwa responden yang berperilaku menyusui secara eksklusif lebih sedikit (43.3 35.9 ___ ____ Jumlah 51 100.1 Non eksklusif 29 65. 22 . maka cara menyusun dalam tabel dan membacanya sebagai berikut : Tabel 4. klik bentuk grafik yang diinginkan (Pie chart).8 100. Jika menghendaki adanya grafik.5 90.2 100.3 35.0 Catatan : Untuk keperluan penyusunan laporan. tidak perlu menampilkan tabel dan grafik. dll).0 Valid Percent 5.9 35.

5%. a. Sedangkan variabel independenya tingkat pendidikan dikelompokkan menjadi tinggi dan rendah. Pada contoh-contoh ini menggunakan alpha 5% (0. OR digunakan jika desain Case control. serta lebih baik bertabel 2x2. Nilai peluang yang diperoleh (hitung) dibandingkan dengan nilai alpha yang ditetapkan (bisa : 1%. tergantung dari nilai peluang (p value). Untuk mengetahui dampak resiko yang terpapar dengan yang tidak. 10%). Uji Chi Square (Gunakan data Lampiran 2) Dapat digunakan untuk mengolah data jika datanya (variabel independen maupun dependen) berbentuk katagorik. Langkah-langkah Uji Chi Square sebagai berikut : Pada posisi data sudah siap untuk dianalisis. katagorik dengan numerik. dan cocok untuk data besar. (masing-masing variabel hanya dikelompokkan menjadi 2). ingin mengetahui hubungan perilaku menyusui dengan tingkat pendidikan. Contoh diatas. seperti pada gambar 17 sebagai berikut : Gambar 17 : View Data (Angka koding dan yang lain yang telah dientry) 23 .2. Untuk mengetahui apakah ada hubungan atau tidak kedua variable tersebut. dikelompokkan menjadi menyusui eksklusif dan non eksklusif. Analisa Bivariat Analisa bivariat artinya menguji dua variabel. sedangkan RR jika kohort. apakah berbentuk katagorik dengan katagorik. dapat diketahui dari nilai OR (odds ratio) maupun RR (resiko relative). atau numerik dengan numerik. Variabel dependennya perilaku menyusui.05).

expected. langkah selanjutnya pindahkan variabel independen (pendidikan ibu) ke kotak Row(s) dengan cara klik variabel pendidikan ibu. correlations. klik anak panah ke arah kotak Column(s) tersebut. Berikut dialognya : 24 . dan dialognya sebagai berikut : Gambar 18 : Variabel yang sudah siap diolah Pada Gambar 18. klik anak panah ke kotak Row(s). klik observed. Kemudian masukkan variabel dependen (Pola menyusui eksklusif) ke kotak Column(s) dengan cara klik variabelnya. dialognya: risk. Crostabs. Berikut Langkah selanjutnya klik continoue.Langkah selanjutnya pilih Analyze. Kemudian pilih cells. pilih / klik chi square. row. maka variabel pendidikan ibu masuk ke kotak Row(s) tersebut. Maka dialognya seperti pada Gambar berikut ini : Kemudian klik statistics.

Lihat hasilnya seperti pada print out 8. yaitu “Pendidikan Ibu*Pola menyusui eksklusif Crosstabulation”. Print out tersebut sudah dibuang sebagian yang tidak penting. Chi-Square. Berikut akan dijelaskan satu persatu : Print out 8 : Hubungan Tingkat pendidikan dengan Perilaku Menyusui 25 . Hanya tiga print out yang penting. dan Tests Risk Estimate.Kemudian klik continue dan OK.

(b) Chi-Square Tests Asymp.0% 50.0% 100.6 24.6 15.350 Ratio Fisher's Exact .405 .258 Test N of Valid 51 Cases a. 0 cells (. (2. di bawah print out tersebut : a.0 51.351 Square Continuity .872 1 .9% 100.0% Ibu Rendah Count 10 17 27 Expected Count 11. Computed only for a 2x2 table Print out Chi Square test.870a 1 .0 29.Exact Sig. Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).35.Exact Sig. The minimum expected 26 . (2. memberikan informasi nilai peluang (p value).0%) have expected count less than 5.0% 100.1% 56. 0 cells (.516 Correctionb Likelihood .0% 63.4 27. Sig.0 % within Pendidikan 43.0% Ibu Total Count 22 29 51 Expected Count 22.0%) have expected count less than 5.0 % within Pendidikan 50.(a) Pendidikan Ibu * Pola menyusui eksklusif Crosstabulation Pola menyusui eksklusif Non Eksklusif Eksklusif Total Pendidik Tinggi Count 12 12 24 an Ibu Expected Count 10. The minimum expected count is 10.422 1 .0% Ibu Print out 8 “Pendidikan Ibu*Pola menyusui eksklusif Crosstabulation” memberikan informasi perbandingan proporsi tingkat pendidikan antara yang tinggi dengan yang rendah terhadap perilaku menyusui secara eksklusif.4 13.0 % within Pendidikan 37. b. Df sided) sided) (1-sided) Value Pearson Chi.

memberikan informasi nilai peluang (p value). (2.0% 63.0% Ibu Print out 8 “Pendidikan Ibu*Pola menyusui eksklusif Crosstabulation” memberikan informasi perbandingan proporsi tingkat pendidikan antara yang tinggi dengan yang rendah terhadap perilaku menyusui secara eksklusif.6 24. The minimum expected 27 .0% Ibu Total Count 22 29 51 Expected Count 22.0 % within Pendidikan 50. (b) Chi-Square Tests Asymp. (2.Exact Sig. b. The minimum expected count is 10. Sig.(a) Pendidikan Ibu * Pola menyusui eksklusif Crosstabulation Pola menyusui eksklusif Non Eksklusif Eksklusif Total Pendidik Tinggi Count 12 12 24 an Ibu Expected Count 10. 0 cells (.870a 1 .0% Ibu Rendah Count 10 17 27 Expected Count 11.0% 100.0% 50.350 Ratio Fisher's Exact .9% 100.0%) have expected count less than 5.516 Correctionb Likelihood .872 1 .351 Square Continuity . Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b). di bawah print out tersebut : a.0 51.Exact Sig.1% 56.4 13.35.6 15. Df sided) sided) (1-sided) Value Pearson Chi.0%) have expected count less than 5.0 % within Pendidikan 43.405 .422 1 . Computed only for a 2x2 table Print out Chi Square test.4 27.258 Test N of Valid 51 Cases a. 0 cells (.0 % within Pendidikan 37.0 29.0% 100.

870a 1 . 0 cells (.258 Test N of Valid 51 Cases a.0% 100. (2. The minimum expected 28 .872 1 . b.0% 63.0 % within Pendidikan 37.4 27.35.0% Ibu Print out 8 “Pendidikan Ibu*Pola menyusui eksklusif Crosstabulation” memberikan informasi perbandingan proporsi tingkat pendidikan antara yang tinggi dengan yang rendah terhadap perilaku menyusui secara eksklusif.0%) have expected count less than 5.0%) have expected count less than 5.4 13.0 % within Pendidikan 50.0 51.6 15.0 % within Pendidikan 43. Sig.(a) Pendidikan Ibu * Pola menyusui eksklusif Crosstabulation Pola menyusui eksklusif Non Eksklusif Eksklusif Total Pendidik Tinggi Count 12 12 24 an Ibu Expected Count 10.9% 100.0 29.351 Square Continuity .516 Correctionb Likelihood .0% 100. The minimum expected count is 10.0% Ibu Rendah Count 10 17 27 Expected Count 11.350 Ratio Fisher's Exact .Exact Sig.1% 56. Computed only for a 2x2 table Print out Chi Square test.422 1 . 0 cells (.0% Ibu Total Count 22 29 51 Expected Count 22. (2. di bawah print out tersebut : a.6 24. Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).Exact Sig. (b) Chi-Square Tests Asymp.405 . Df sided) sided) (1-sided) Value Pearson Chi. memberikan informasi nilai peluang (p value).0% 50.

700 kali untuk berperilaku ASI eksklusif dibandingkan dengan yang berpendidikan tinggi (lihat kolom Value pada Odds Ratio for Pendidikan Ibu (Tinggi / Rendah)). dan (c).20) Rendah 10 (37%) 17 (63%) 27(100%) _______ _______ ________ Jumlah 22 (43.516 > 0.05).556 dan Upper 5. (b).9) 51(100%) _____________________________________________________________________ Berdasarkan Tabel 4.516. artinya lebih besar dibandingkan dengan nilai alpha (0. Pada contoh diatas secara statistik tidak berhubungan. Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%. maka risk estimate tidak perlu dibuat laporannya. disusun menjadi satu tabel.201. Lower 0.516 1. dapat dilaporkan bahwa responden yang berperilaku menyusui secara eksklusif lebih banyak (50%) pada berpendidikan tinggi.3 : Hubungan Pendidikan dengan Perilaku Menyusui _______________________________________________________________________ Perilaku Menyusui Pendidikan Eksklusif Non Eksklusif Jumlah p value OR ______________________________________________________________________ Tinggi 12 (50%) 12 (50%) 24(100%) 0. Kemudian CI 95%.1%) 29 (56. Gambar 19 : Variable View 29 . dibandingkan dengan yang berpendidikan rendah (37%). Menuangkan dalam laporan penelitian Ketiga print out 8 (a). Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah seperti diatas termasuk pola penyusunan tabel dan cara membacanya. Tabel tersebut diberi judul : Hubungan Tingkat Pendidikan dengan Perilaku Menyusui Tabel 4. dan independenya perilaku merokok. Variabel dependennya kejadian kanker.7(0. tidak terdapat hubungan antara tingkat pendidikan dengan perilaku menyusui secara eksklusif. Hasil uji Chi Square dilaporkan bahwa nilai p value 0. status pekerjaan. Contoh Analisa Penelitian yang Lain (Gunakan Data Lampiran 3) Berikut ini akan ditampilkan contoh hasil penelitian untuk mengetahui faktor-faktor yang berkaitan dengan kejadian kanker. memberi informasi tentang peluang variabel independen terhadap dependen.3.Pada Risk Estimate. dan tingkat pendidikan. Berikut ini tampilan Variable View (nama-nama variabel). keturunan. Pada contoh ini responden yang berpendidikan tinggi mempunyai peluang 1.55-5.

Variabel-variabel tersebut kemudian dimasukkan datanya. Berikut ini akan ditamplkan print out analisa haubungan perilaku merokok dengan kejadian kanker. Print out 9 : Crosstabs 30 . lakukanlangkah seperti pada Gambar 20. sehingga tampilan pada layar (data view) seperti tampak pada Gambar 20 sebagai berikut: Gambar 20 : Tampilan data (angka koding) Pada dialog ini langkah-langkah untuk mengetahui hubungan kedua variabel.

000 Correctionb Likelihood Ratio 23.000 5.7% merokok Total Count 27 24 Expected Count 27.3% 85.1 9. diberi judul : Hubungan Perilaku Merokok dengan Kejadian Kanker. 0 cells (. Exact Sig.0% 51 51.1% merokok Total 30 30.0 100.209 For cohort Kejadian kanker = Non kanker .412a 1 . Exact Sig.0 % within Perilaku 52. (b).112 .9 % within Perilaku 14. dan (c).935 16.9% 47.000 .855 1 .1 % within Perilaku 80. Sig.0% merokok Kurang Baik Count 3 18 Expected Count 11. (b) Chi-Square Tests Asymp.88.0%) have expected count less than 5.149 (Perokok berat / Kurang Baik) For cohort Kejadian kanker = Kanker 5.000 Fisher's Exact Test .0% Pearson Chi-Square Continuity 18.Perilaku merokok (a) Perilaku merokok * Kejadian kanker Crosstabulation Kejadian kanker Kanker Non kanker Perokok Count 24 6 berat Expected Count 15. b.277 109.0 100. Computed only for a 2x2 table (c) Risk Estimate 95% Confidence Interval Value Lower Upper Odds Ratio for Perilaku merokok 24.0% 21 21.9 14.0% 20. (1Value Df (2-sided) (2-sided) sided) 21.487 N of Valid Cases 51 Print out 9: (a).233 . disusun menjadi satu tabel.600 1.0 100.0 24.275 1 .000 31 . The minimum expected count is 9.000 N of Valid Cases 51 a.

3%).14). maupun numerik dengan numerik.27109.000 24(5. Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah diatas. b.Tabel 4. artinya respondengan yang merokok berat mempunyai peluang untuk terkena kanker 24 kali dibandingkan dengan yang merokok ringan.000 < 0. artinya lebih kecil dibandingkan dengan nilai alpha (0.4.3%) 18 (85.1) 51(100%) _______________________________________________________________________ Berdasarkan Tabel 4.9%) 24 (47. maka muncul dialog sebagai berikut: Gambar 21 : Independen samples T test 32 . Hasil uji Chi Square dilaporkan bahwa nilai p value 0.000. Variabel usia merupakan numerik dengan skala ratio. Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%.4 : Hubungan Perilaku Merokok dengan Kejadian Kanker _______________________________________________________________________ Kejadian Kanker Perilaku merokok Kanker Non Kanker Jumlah p value OR ________ __________ ________ ______ _____________ Berat 24 (80%) 6 (20%) 30(100%) 0. ingin mengetahui hubungan usia dan keturunan dengan kejadian hipertensi. sedangkan kejadian hipertensi dan keturunan berupa katagorik dengan skala ordinal. Sedangkan hasil uji OR diperoleh nilai 24 (5. Katagorik dengan Numerik (Gunakan contoh Lampiran 4) Sebuah contoh penelitian dengan melibatkatkan 40 masyarakat di perkotaan.14) Ringan 3 (14. dapat dilaporkan bahwa responden yang terkena kanker lebih banyak (80%) berperilaku merokok berat dibandingkan dengan yang merokok ringan (14. b.05). diyakini terdapat hubungan antara perilaku merokok dengan kejadian kanker. Setelah variabel dibuat dan data dimasukkan (Gunakan Data Lampiran 3).7%) 21(100%) ________ _______ ________ Jumlah 27 (52.27-109. Uji t Uji t dapat digunakan untuk mengukur variabel katagorik dan numerik.1. langkah ujinya sebagai berikut : Pilih Analyze – Compare mean – Independen samples T test.

998 3.455 4.672 7. Error Mean 48. Pada contoh ini mean usia untuk hipertensi 48.00 12. pilih OK.912 . Setelah variabel umur masuk.763 8. Difference Mean Error Sig.112 38 assumed Equal variances 35. (2. kemudian klik anak panah arah kolom Test variable(s).112 not 0 assumed .45 dengan standar deviasi 33 .715 7.588 2. Mean Deviation Std. Setelah masuk. dan koding 1 masukkan ke kotak Group2. Perhatikan gambar berikut ini. klik anak panah ke arah kolom Grouping variable.45 12. Klik Continoe. lihat print out (a) pada colum mean dan standart deviation.073 Untuk mencari nilai mean kedua variable.96 .059 8.911 .455 4.Kemudian klik variabel umur.064 (b) Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means 95% Confidence Interval of the Std.143 .684 48.Differ Differen Lowe tailed) ence ce r Upper .707 . masukkan angka koding yang pertama (misalnya 0) ke kotak Group1.806 F Sig. Maka akan muncul print out sebagai berikut: Print Out 10: T-Test (a) Group Statistics Kejadian hipertensi Umur Hipertensi responden Non hipertensi N 22 18 Std. klik variabel kejadian hipertensi. t Df Umur Equal responden variances . kemudian pilih Define Groups.

Untuk mengetahui apakah ada perbedaan kedua kelompok tersebut. Hasil tersebut jika dituangkan dalam sebuah laporan dapat disusun sebagai berikut: Tabel 4. Sedangkan 12. Hasil uji t diperoleh p value 0. yang non hipertensi meanya 48.707 sehingga > 0. terlebih dahulu mengetahui variannya. maka dapat disimpulkan tidak terdapat perbedaan antara mean umur hipertensi dengan non hipertensi. Jika nilai varian < alpha (0.588 0.45 dengan standar deviasi 12. Pada contoh di atas nilai varian 0. maka varian sama.911 sehingga dapat disimpulkan dengan alpha 5% tidak terdapat perbedaan mean umur antara yang hipertensi dengan non hipertensi.5 Perbedaan Varian Kejadian Hipertensi __________________________________________________________________ Kejadian hipertensi Mean Standar defiasi p value Jumlah Hipertensi 48. lihat print out (b).998. Numerik dengan Numerik Pada bagian ini akan menguji dua variabel numerik dengan numerik yang berasal dari satu sumber (bisa disebut pengukuran pre dan post). Karena varian sama.05) maka varian berbeda.988. Jika nilai p < alpha. b. maka nilai p = 0. tetapi jika varian > alpha. makan akan muncul dialog Gambar 22 : Dialog Uji t Dependen 34 . Sedangkan mean yang non hipertensi 48.2.588.05.911 22 Non hipertensi 48. Tetapi jika varian berbeda. atau berat badan sebelum dan sesudah puasa (bagi yang berpuasa). maka ada perbedaan mean keduanya. lakukan langkah sebagai berikut (Gunakan Data Lampiran 5): Pilih Analyze – Compare mean – Samples T test Paired.588. maka varian sama. dan lain-lain.00 12. Responden yang hipertensi lebih banyak dibandingkan dengan non hipertensi.00 dengan standar deviasinya Kemudian untuk melihat apakah ada perbedaan mean umur.911 sehingga > alpha 0. maka uji t gunakan Equal variances assumed pada colums Sig (2-tailed). Setelah data dimasukan sesuai variabel yang dibuat. Nilai tersebut bandingkan dengan nilai alpha. Pada kesemapatan ini suatu penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah melakukan diet selama 3 bulan.5 dapat dilaporkan bahwa mean umur responden yang hipertensi 48. Misalnya penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah diet. apakah sama atau berbeda (lihat Levene's Test for Equality of Variances pada kolum Sig).988 18 __________________________________________________________________ Berdasarkan Tabel 4. Jika varian sama.12.45 12. Untuk penelitian lain tetapi dengan jenis variabel yang sama dapat menyesuaikan.05.00 dengan standar deviasi 12. uji t gunakan Equal variances not assumed pada colums Sig (2-tailed).

kemudian klil berat setelah diet.40 0 2. Error Mean 1. Difference Mea Deviati Error n on Mean Lower Upper 1. (2taile df d) Pair Berat sebelum 1 diet .945 Std.421 (b) Paired Samples Test Paired Differences 95% Confidence Interval of the Std. kemudian klik anak panah (variabel tersebut masuk ke variable1). Hasil print out sebagai berikut: Print Out 11: T-Test (Pre dan Post) (a) Paired Samples Statistics Mean Pair 1 Berat sebelum diet Berat setelah diet 64.459 2. Deviation 7. Hasil uji perbedaan mean 35 .00 39 .94 0.6 dapat dilaporkan bahwa mean berat badan sebelum melakukan diet 64.6 Perbedaan Mean Sebelum dan Sesudah Diet ______________________________________________________________________ Pengukuran Diet Mean Mean Standar defiasi p value Jumlah Kelompok Pengujian Pengujian Sebelum diet 64. Sedangkan print out (b) untuk mencari nilai mean pengujian (kolom mean) dan nilai p value (kolom Sig (2-tailed)).55 _____________________________________________________________________ Berdasarkan Tabel 4.005 9 Pada print out (a).55 40 7. sedangkan setelah diet turun menjadi 63. Selanjutnya klik OK.173 63.341 t Sig. Std.942 . lihat niali mean variable yang dibandingkan serta Standar deviasinya.55 kg.95 kg.Langkah selanjutnya klik variable berat badan sebelum diet.400 2.465 .005 40 Sesudah diet 63.95 1.256 1.95 N 40 Std. klik anak panah (variabel tersebut masuk ke variable2). Menuangkan dalam laporan penelitian : Tabel 4.Berat setelah diet 3.

Jika nilai r = 0. artinya keduanya berhubungan sedang. dapat dilihat pada diagram tebar/pencar (scatter plot). hubungan linier negatif sempurna. Nilai korelasi (r).94. Untuk mengetahui derajat keeratan hubungan variabel yang diuji digunakan analisis korelasi. Perlu diketahui bahwa hubungan kedua variabel dapat berpola positif maupun negatif. Sedangkan yang berpola negatif. Nilai r (koefisien korelasi) berkisar dari 0 sampai dengan 1. artinya lebih kecil dari nilai alpha. hubungan linier positif sempurna. Apakah hubungan kedua variabel tersebut berpola positif atau sebaliknya.76 – 1.75.26 – 0. Jika nilai r = -1.50. Sedangkan nilai p dalam pengujian 0.005. uji t numerik dengan kategorik. juga dapat mengetahui arah hubungan dua variabel numerik. F. dan numerik dengan numerik. artinya hubungannya sangat kuat atau sempurna. secara manual dapat digunakan rumus Product Moment yang sudah dijelaskan di atas. maka diikuti oleh variabel yang lain.00 – 0. Uji-uji tersebut tidak bisa mengetahui sejauh mana keeratan masing-masing variabel. Contoh penelitian tentang hubungan berat badan dengan tekanan darah.25. Apakah hubungan berat badan dan tekanan darah mempunyai derajat yang kuat atau lemah. Sedangkan untuk mengetahui bentuk hubungan antara dua variabel (positif atau negatif). Semakin rapat tebarnya berarti semakin kuat hubungannya.1. menggunakan analisis regresi. Analisis Korelasi Hasil analisis korelasi dapat mengetahui derajat keeratan hubungan. Nilai r = 0. artinya keduanya berhubungan kuat.400 dengan standar deviasi 2. UJI KORELASI DAN REGRESI LINIER SEDERHANA Diatas telah dijelaskan uji Chi Square (kategorik dengan kategorik). 36 . Disini dapat dijelaskan setiap kenaikan umur akan menurunkan kadar Hb-nya. Setiap penambahan berat badan diikuti kenaikan tekanan daranya.00. Nilai r = 0. Nilai r = 0.51 – 0. Hastono (2001) mengutif pendapat Calton. sehingga dapat disimpulkan dengan kepercayaan 95% diyakini terdapat perbedaan mean berat badan sebelum dan sesudah melakukan diet. Untuk mempermudah pemahan derajat keeratan serta pola hubungan. Jikan nilai r = +1. artinya tidak ada hubungan linier keduanya. dan sebaliknya semakin jarang tebaranya berarti semakin lemah hubungannya. menyebutkan kekuatan hubungan dua variabel secara kuantitatif dapat dibagi menjadi empat area: Nilai r = 0. 1. Hubungan berpola positif apabila terjadi kenaikan satu pada suatu variabel. artinya tidak ada hubungan atau hubungannya lemah. Kuat lemahnya hubungan dapat dilihat dari tebaran datanya. atau bila diketaui arahnya maka : -1 sampai dengan +1. misalnya hubungan umur dengan kadar Hb-nya.

Contoh lain hubungan penggunaan dosis obat dengan lama kesembuhan (dengan catatan variabel yang lain dikendalikan). hubungan usia (independen) dengan tekanan darah (dependen). lakukan langkah-langkah berikut : Klik Analyze.1. Dengan dinaikkan dosisnya. Regresi linier sederhana Uji regresi linier sederhana merupakan suatu model matematis yang dapat digunakan untuk mengetahui bentuk hubungan antar dua variabel atau lebih. klik Bivariate. Dengan uji regresi ini jika diketahui berat badannya dapat diperkirakan tekanan darahnya. pilih Correlate. Berikut ini tampilan Data View pada Gambar 23 : Gambar 23 : Data View Hasil Penelitian Untuk menguji apakah ada hubungan lama olah raga permingga dengan penurunan berat badan per bulan. Suatu contoh. Berikut akan dijelaskan aplikasi Korelasi dan Regresi Sebuah penelitian ingin mengetahui hubungan frekuensi olah raga dengan penurunan berat badan. Tujuannya untuk membuat perkiraan nilai suatu variabel (dependen) melalui variabel yang lain (independen). maka akan diketahui penurunan hari rawatnya. Gunakan Data Lampiran 5. maka muncul menu : 37 .

maka akan pindah ke sebelah kanan. sebagai berikut : 38 .556** . Correlation is significant at the 0.000 N 40 **. Sehingga dapat disimpulkan terdapat pengaruh antara lama olah raga per minggu dengan penurunan berat badan per bulan.01 level (2-tailed). Penurunan berat per bulan .556. maka hasilnya sebagai berikut : Print out 11 : Uji Lama Olah Raga dengan Penurunan Berat Badan Correlations Frekuensi olah raga per mingg Frekuensi olah raga per minggu Pearson 1. Dalam contoh ini nilai p value diperoleh 0.000 40.000.000 40 1.000 Correlation Sig. Tampilannya sebagai berikut : Pada posisi ini lakukan klik OK.000 Penurunan berat per Pearson . Nilai r dapat dilihat pada baris pertama kolom ke tiga.Pada menu ini pindahkan variabel yang berada pada kotak sebelah kiri (yang akan diuji) ke kotak sebelah kanan.556** bulan Correlation Sig. Kekuatan hubungan keduanya kuat (0.556). Hasil tersebut jika dituangkan dalam laporan penelitian. Pada contoh ini diperoleh 0.000 Print out 11 memberi informasi hasil uji kedua variabel untuk mencari korelasinya. dengan cara klik variabel yang akan dipindah kemudian klik anak panah. sedangkan nilai p value pada baris kedua kolom kedua. (2-tailed) N 40. Lakukan untuk variabel yang lain dengan cara yang sama. (2-tailed) .

dengan demikian dapat disimpulkan. dengan keyakinan 95% terdapat hubungan antara lama olah raga perminggu dengan perurunan berat badan. __________________________________________________________________ Variabel r p value _____ _____ Lama olah raga dan penurunan berat badan 0. pilih Linier.556 dan p value 0. Regresi Sederhana Pada contoh di atas variabel independennya lama olah raga perminggu sedangkan dependenya penurunan berat badan per bulan. maka masuklah ke kotak tersebut. Gunakan Data Lampiran 5.000 __________________________________________________________________ Berdasarkan Tabel 4. Demikian variabel independen (lama olah raga per minggu) dengan cara yang sama masukkan ke kotak Independnt(s).7 : Pengaruh Lama Olahraga dengan Penurunan Berat Badan. masukkan variabel dependen (penurunan berat badan) ke kolom Dependent dengan mengeklik variabel tersebut kemudian klik anak panah.556 0. pilih Regression.7.Tabel 4.000. dapat dijelaskan bahwa hubungan lama olah raga dengan penurunan berat badan diperoleh nilai r 0. Hubungan keduanya adalah kuat (r=0556). 2. maka timbul menu : Langkah selanjutnya. Tampilannya sebagai berikut : Langkah selanjutnya klik OK. Untuk mengetahui derajat penurunan berat badan lakukan langkah sebagai berikut : Klik Analyze. maka hasil sebagai berikut: 39 .

Rumus tersebut dapat dijelaskan. Predictors: (Constant).556 . Selanjutnya pada print out ANOVA. artinya perubahan nilai X akan berpengaruh pada nilai Y). 40 . Frekuensi olah raga per minggu Std. Predictors: (Constant).976 . Nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary). dan X adalah lama olah raga perminggu (variabel independen.047 16. Print out ini diperoleh nilai p value (pada kolom Sig). sebesar 0.651 Total 35.05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh. Y = Penurunan berat badan (variabel dependen. Pada contoh di atas dapat dijelaskan bahwa jika terjadi penambahan frekuensi olah raga satu jam perminggunya akan terjadi penambahan penurunan berat badan 0.445 kg.000 per mingg a.000. yang artinya pada alpha 0.497 . Error of the Estimate . Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a). Persamaan garis tersebut dapat diperkirakan penurunan berat badan jika diketahui penambahan lama olah raga per minggunya.047 1 11.807 (b) ANOVA Model Sum of Squares Df Mean Square F Sig.445 kali lama olah raga perminggu.309. artinya persamaan garis regresi yang kita peroleh dapat menerangkan 30. sebesar 0. sehingga didapat nilai konstant (nilai a adalah koefisien lama olah raga per minggu) sebesar -0.728 38 .9% variasi penurunan berat badan.120 . Frekuensi olah raga per mingg b. dan nilai p value.309 .803. Error Beta t Sig.445. 1 (Constant) -. Dependent Variable: Penurunan berat per bulan Hasil di atas yang lebih penting melihat koefisien determinasi.803 . sehingga persamaan regresinya : Y = a+bX. persamaan garis.000a Residual 24.556 4.445 . yaitu pada kolom B.Print out 12 : Regression (a) Model Summary Model R R Square Adjusted R Square a 1 .108 . artinya nilai Y tergantung dari nilai X).775 39 a. 1 Regression 11. dan (nilai b adalah koefisien penurunan berat badan) 0.617 Frekuensi olah raga .291 a.114 1. Sehingga rumus matematis tersebut Y = -0.803+0. Dependent Variable: Penurunan berat per bulan (c) Coefficientsa Standardize Unstandardized d Coefficients Coefficients Model B Std. memberi informasi tentang kesesuaian dari model terhadap data.

803+0.7.309 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 30.05 kita menolak hipotesis nol (Ho).445. Analisis Korelasi dan Regresi Lama Olah Raga dengan Berat Badan __________________________________________________________________ Variabel r R2 Persamaan garis p value __ _____ ______________________________ _____ Lama olah raga 0.55).309 Berat badan= -0. maka print out penelitian sebagai berikut : Print Out 13 : Regression (Hubungan Umur dengan Lama Hari Rawat) 41 .000). artinya semakin lama berolah raga setiap minggunya akan menurunkan berat badannya lebih rendah.000 __________________________________________________________________ Berdasarkan Tabel 4.9% variasi penurunan berat badan. yang berarti ada pengaruh linier antara lama olah raga perminggu dengan penurunan berat badan. sehingga diperoleh nilai p value = 0. Nilai koefisien determinasi 0.Hasil uji statistik untuk koefisien regresi dapat dijelaskan pada kolom Sig. View Data hasil penelitian sebagai berikut: Kemudian lakukan langkah yang sama pada contoh sebelumnya (Lama olah raga dengan penurunan berat badan). Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara lama olah raga perminggu dengan penurunan berat badan (p value 0.000 Dengan demikian dapat dijelaskan dengan alpha 0. Penyajian dalam Laporan Penelitian Tabel 4. Contoh lain : Hubungan Umur dengan Lama Hari Rawat Dengan cara yang sama.445 artinya jika terjadi penambahan frekuensi (jam) olah raga perminggunya akan terjadi penurunan berat badan sebesar =0.7 dapat dijelaskan bahwa hubungan lama olah raga dengan penurunan berat badan kuat (0. dan berpola positif.445*olah raga 0.55 0. Nilai penurunan berat badan = 0.

sebesar 0.006 a.400.144 6. Sehingga rumus matematis tersebut Y = -0.970 T Sig. Dependent Variable: lama rawat df Mean Square 1 6.970 . dan (nilai b adalah koefisien penambahan lama hari rawat) 0.365 a.160 . Dengan demikian dapat dijelaskan. Persamaan garis tersebut dapat diperkirakan penambahan lama hari rawat jika diketahui penambahan umurnya. Selanjutnya pada print out ANOVA. Error Beta 1.006a Model 1 (Constant) umur (c) Coefficientsa Unstandardized Standardized Coefficients Coefficients B Std. . memberi informasi tentang kesesuaian dari model terhadap data.1% variasi penambahan lama hari rawat. Predictors: (Constant). yang artinya pada alpha 0. Diperoleh nilai p value (pada kolom Sig). umur b.712 .967 .928 .400 Total 6.006. Rumus tersebut dapat dijelaskan. yaitu pada kolom B.160.445 kali Umur. 1. umur (b) ANOVAb Sum of Model Squares 1 Regression 6.16 artinya jika terjadi penambahan usia satu tahun akan terjadi penambahan hari rawat 0. sebesar 0.133 4 F 48.16. dan X adalah lama olah raga perminggu (variabel independen). Dependent Variable: lama rawat Hasil penelitian (Print out 13).922 . pada alpha 0.05 kita menolak hipotesis nol (Ho).(a) Model Summary Adjusted R Model R R Square Square Std.16.400 Residual .803+0. jika terjadi penambahan umur pasien.800 a. Predictors: (Constant). 42 . nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary). Hasil uji statistik untuk koefisien regresi diperoleh nilai p value = 0. Sehingga dapat dijelaskan jika terjadi penambahan usia satu tahun akan terjadi penambahan lama hari rawat 0.000 Sig.941. Nilai penambahan tersebut = 0.400 3 . sehingga persamaan regresinya : Y = a+bX.400 . yang berarti ada hubungan linier antara usia dengan lama hari rawat.006. Y = Penambahan hari rawat (variabel dependen). artinya persamaan garis regresi yang kita peroleh dapat menerangkan 94. Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a).941 .05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh. sehingga didapat nilai konstant (nilai a adalah koefisien penambahan umur) sebesar 1.023 . Error of the Estimate a 1 .

8. G.970 0. Penyajian dalam Laporan Penelitian Tabel 4.16. artinya jika terjadi penambahan usia akan terjadi penambahan lama hari rawat. Contoh pembahasan : Sebuah penelitian ingin mengetahui hubungan pengetahuan dengan perilaku kontrol penderita hipertensi.9 : Hubungan Pengetahuan dengan Perilaku Kontrol ______________________________________________________________________ Perilaku Kontrol Pengetahuan Baik Krg.006 __________________________________________________________________ Berdasarkan Tabel 4. CARA MELAKUKAN PEMBAHASAN Pembahasan yang baik untuk satu pokok bahasan (satu variabel) mencakup 4 hal.003 4.3%) 34(100%) 0.802-13. Baik Jumlah p value OR ________ _________ ________ ______ ____________ Baik 22 (64.1%) 39 (54.9 dapat dilaporakan bahwa pengetahuan tentang hipertensi dengan kategori baik.950 Kurang baik 10 (27. Berikutnya dibandingkan dengan hasil penelitian terdahulu (sejenis).941 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 94.598) _______ _______ ________ Jumlah 32 (45. Analisis Korelasi dan Regresi Umur dengan Lama Hari Rawat __________________________________________________________________ Variabel r R2 Persamaan garis p value ____ _____ _______________________ _____ Umur 0.16*Umur 0.7%). yaitu paragraf pertama mengenai rangkuman hasil penelitian.7%) 12 (35.0%) 27 (73. Terakhir adalah pendapat peneliti berdasarkan fakta-fakta maupun pengalaman yang dimiliki.8 dapat dijelaskan bahwa hubungan Umur dengan lama hari rawat sangat kuat (0.9) 71(100%) ______________________________________________________________________ Berdasarkan tabel 4. yang melakukan kontrol baik 22 orang (64. Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara umur dengan lama hari rawat (p value 0.941 Hari rawat = 1.0%) 37(100%) (1.4+0. lebih banyak dibandingkan 43 .Sebalinya. Hasil penelitiannya sebagai berikut (Bagian hasil) : Tabel 4.970).1% variasi penambahan lama hari rawat. dibandingkan dengan literatur yang ada (biasanya telah diuraikan pada bab II). dan berpola positif. jika terjadi penurunan usia satu tahun akan terjadi pengurangan lama hari rawat 0.006). Nilai koefisien determinasi 0.

dengan confidence interval (CI) 95% diperoleh nilai odds ratio (OR) = 4.8. Hasil penelitian ini sesuai dengan penelitian Budiharto (2001). dapat disimpulkan ada hubungan bermakna antara pengetahuan dengan perilaku kontrol responden ke puskesmas. gagal ginjal. jika dilakukan pembahasan seperti berikut : Hubungan pengetahuan dengan perilaku kontrol Hasil uji Chi Square diperoleh p value = 0.802–13. Hasil ini juga didukung oleh nilai OR 4. Hasil uji Chi Square diperoleh p value = 0.dengan yang berpengetahuan kurang baik. Gagal jantung. otak dan mata. Dengan demikian dapat disimpulkan bahwa pengetahuan seseorang mempunyai pengaruh terhadap perilaku individu dalam melakukan kontrol ke sarana pelayanan kesehatan. pengetahuan adalah sebuah tangga yang pertama bagi segala ilmu yang dipergunakan untuk mencari keterangan-keterangan lebih lanjut tentang suatu masalah dengan jalan mengembangkannya untuk mencari hubungan sebab akibat.950 kali dibandingkan dengan responden yang berpengetahuan kurang baik.0%). Pada beberapa organ seperti jantung.003 sehingga lebih kecil dari 0. 2003).598). Pengetahuan atau kognitif merupakan domain yang sangat penting untuk terbentuknya tindakan seseorang (overt behaviour). sehingga dapat disimpulkan ada hubungan antara pengetahuan dengan perilaku kontrol responden ke puskesmas. ginjal. menyebutkan bahwa ada hubungan yang signifikan antara pengetahuan dengan pengendalian hipertensi di wilayah kerja Puskesmas Sidorejo Kabupaten Lampung Timur. Hasil penelitian ini sesuai dengan pendapat Hatta (1996).05. stroke dan gangguan penglihatan adalah konsekuensi yang umum dari hipertensi.950 (1. artinya responden yang berpengetahuan baik mempunyai peluang berperilaku kontrol baik 4. akan mengalami kerusakan. Dengan melakukan kontrool secara rutin dapat mengurangi resiko penderita hipertensi pada tingkat yang lebih tinggi. dari pengalaman dan penelitian perilaku yang didasari oleh pengetahuan akan lebih langgeng daripada perilaku yang tidak didasarkan oleh pengetahuan (Notoatmojo. Peningkatan tekanan darah yang berkepanjangan akan merusak pembuluh darah yang ada disebagian besar tubuh. Dalam penelitian ini disebutkan bahwa seseorang dalam berpengetahuan baik mempunyai tindakan yang baik dalam pengendalian hipertensi dibandingkan dengan responden yang pengetahuan buruk.003 artinya < nilai alfa (0.05). Hasil penelitian juga melaporkan. 44 . Berdasarkan hasil pada tabel 4. Pengetahuan merupakan hasil dari tahu dan ini terjadi setelah orang melakukan pengindraan terhadap suatu objek tertentu.950. ginjal. 10 orang (27. dan lain-lain. misalnya gagal jantung. terbentuknya suatu perilaku baru terutama pada orang dewasa dimulai pada domain kognitif.

Statistik Deskriptif. 2003 Notoatmodjo.DAFTAR PUSTAKA Budiarto. Statistik Untuk Penelitian. Yayasan Bina Pustaka. UI. Rineka Cipta. Materi Pelatihan Penulisan Artikel Ilmiah Regional. Singgih. Soekidjo. Luknis. Jakarta. Jakarta. Program Pascasarjana FKM UI. Alfa Beta.Konsep dan Aplikasi dengan Excel dan SPSS. 2001 Depdiknas. 2005 Sabri. 1999. dan Sutanto Priya Hastono. 2003 Sugiyono. Andi. Muhammad. Pendidikan dan Perilaku Kesehatan. Jakarta. Sutanto Priyo. Karakteristik Penderita Hipertensi di Puskesmas Sidorejo Kabupaten Lampung Timur. FKM UI. Yogyakarta. Modul Analisa Data. Depok. Rineka Cipta. Biostatistik dan Statistik Kesehatan. Bandung. Santoso. 2001 Hatta. 2007 Hastono. -------------------- 45 . Metodologi Kenelitian Kesehatan. 10-13 April 2008. Soekidjo. Depok. 1996 Notoatmodjo. CV.. Pengantar llmu Pengetahuan.