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)-(XY) r = -------------------------------------- [NX2-(X)2] [NY2-(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 = -------------------------------------- [NX2-(X)2] [NY2-(Y)2]

Sehingga : 20(1212)-(53.451) 24240 - 23903 r = --------------------------------------------- = ---------------------------------------- [20.145-(53)2] [20.10291-(451)2] [ 2900-2809] [205820-203401] 24240 23903 337 337 r = --------------------------------------------- = ---------------- = -------------- = 0,718 [2900-2809] [205820-203401] (91)(2419) 220129 Nilai r hitung 0,718, jika dibandingkan dengan nilai r Tabel (Lihat Tabel Product Moment dengan n=20 serta alpha 5%) adalah 0,444, sehingga r hitung lebih besar dari r tabel, maka P1(pertanyaan no 1) dinyatakan valid. Untuk mengetahui nilai r P2-P9, menggunakan rumus dan cara seperti diatas. Jika diantara nilai r hitung ternyata ada yang kurang dari 0,444 maka pertanyaan tersebut tidak valid dan perlu diperbaiki atau dikeluarkan dari daftar pertanyaan. b. Menggunakan Program SPSS Mencari nilai r dengan Program SPSS sangat mudah, tidak perlu menggunakan rumus (pelajari dulu pada bagian MEMULAI DENGAN SPSS (Halaman 9) pada pedoman ini). Berdasarkan contoh kuesioner dan hasil uji di atas, masukkan ke dalam program SPSS, hasilnya sebagai berikut : Gambar 1 : Menu Data View untuk Uji Kuesioner

Selanjutnya lakukan langkah-langkah sebagai berikut: Klik Analyze, pilih Scale, pilih Reliability Analysis, hasilnya sebagai berikut :

Gambar 2 : Menu Nama-nama Pertanyaan (P1-P9)

Langkah selanjutnya pindahkan semua variabel P1 - P9 ke kotak Items (Boleh satu per satu atau secara bersamaan), dengan cara mengeklik P1-P9, kemudian klik anak panah, maka variabel berpindah. Perhatikan gambar berikut : Gambar 3 : Menu Nama Pertanyaan sudah dipindahkan ke kotak Items

Setelah semua masuk ke kotak Items, klik Statistic, kemudian klik Item, Scale, dan Scale if item deleted. Klik Continue, kemudian klik OK. Hasilnya berupa print out dapat dilihat sebagai berikut : Reliability (Print out 1) Scale: ALL VARIABLES

Reliability Statistics Cronbach's Alpha N of Items .825 Item Statistics Mean Std. Deviation Pertanyaan1 2.65 .489 Pertanyaan2 2.80 .410 PertanyaaN3 2.90 .308 Pertanyaan4 2.80 .410 Pertanyaan5 2.65 .489 Pertanyaan6 2.90 .308 Pertanyaan7 2.80 .410 Pertanyaan8 1.50 .513 Pertanyaan9 1.55 .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 19.90 4.832 .602 .798 Pertanyaan2 19.75 5.145 .565 .803 PertanyaaN3 19.65 5.608 .455 .816 Pertanyaan4 19.75 5.461 .384 .823 Pertanyaan5 19.90 5.253 .389 .826 Pertanyaan6 19.65 5.397 .611 .804 Pertanyaan7 19.75 5.145 .565 .803 Pertanyaan8 21.05 4.787 .586 .800 Pertanyaan9 21.00 4.632 .671 .788 Scale Statistics Mean Variance Std. Deviation N of Items 22.55 6.366 2.523 9 Penjelasan: Berdasarkan Print out (1) tersebut terdapat dua pengertian. Bagian pertama menunjukkan hasil statistic deskriptif masing-masing pertanyaan dalam mean, std dev (standar deviasi), dan cases. Yang penting adalah bagian kedua, memperlihatkan hasil proses validitas dan reliabilitas.

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

Reliability (Print out 2) Scale: ALL VARIABLES

Case Processing Summary N % Cases Valid 20 100.0 Excludeda 0 .0 Total 20 100.0 a. Listwise deletion based on all variables in the procedure. Reliability Statistics Cronbach's Alpha N of Items .817

Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9

Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9 Mean 17.10

Item Statistics Mean Std. Deviation N 2.65 .489 20 2.80 .410 20 2.90 .308 20 2.90 .308 20 2.80 .410 20 1.50 .513 20 1.55 .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 14.45 2.997 .631 .780 14.30 3.379 .502 .802 14.20 3.642 .484 .806 14.20 3.537 .582 .795 14.30 3.379 .502 .802 15.60 2.989 .593 .788 15.55 2.892 .664 .773 Scale Statistics Variance Std. Deviation N of Items 4.305 2.075 7

Setelah diuji kembali dengan tujuh pertanyaan, ternyata nilai r semua pertanyaan lebih besar dari nilai r tabel, artinya ke tujuh pertanyaan tersebut valid (lihat Corrected Item-Total Correlation, semua lebih dari 0,444). Catatan : Perlu diingat bahwa terjadi perbedaan hasil penghitungan (P1) menggunakan rumus diperoleh 0,718, sedangkan jika menggunakan program SPSS diperoleh 0,6018. 9

Terjadi perbedaan keduanya, hal ini mungkin terjadi pada pengolahan dengan rumus terjadi pembulatan, sedangkan dengan program tidak demikian, sehingga terjadi selisih angka, namun hasil akhirnya keduanya menyatakan valid. 2. Reliabilitas Hasil pengujian validitas (Print out 2) menunjukkan ketujuh pertanyaan valid. Tahap berikutnya adalah mengetahui uji reliabilitasnya. Untuk mengetahui rliabel atau tidak, kaidahnya adalah membandingkan nilai r tabel dengan nilai Alpha ( Print out Reliability Statistics, pada kolom Cronbachs Alpha). Jika nila Alpha lebih besar dari nilai r tabel (0,444), maka pertanyaan tersebut reliabel. Berdasarkan uji tersebut ternyata niai Alpha = 0,817. Dapat disimpulkan ketujuh pertanyaan tersebut valid dan reliabel, sehingga dapat digunakan sebagai alat pengumpulan data penelitian. D. MEMULAI DENGAN SPSS Mengoperasikan program SPSS tidak terlalu sulit. Untuk membuka Program SPSS, klik dua kali pada ikon tersebut (Ikon dapat berada dimenu utama atau dapat pada sub menu, silahkan mencarinya, karena masing-masing pengguna menempatkannya berbeda-beda). Selanjutnya akan muncul SPSS.16.0. (Untuk versi 16, tetapi jika versi yang lain menyesuaikan). Perhatikan tampilan gambar 4 berikut ini : Gambar 4 : Menu Utama

Untuk memulai Program SPSS klik dua kali pada simbol tersebut (dilingkari), akan muncul SPSS for Windows. Kemudian muncul menu pilihan : Klik Cancel apabila akan membatalkan pengaktifan SPSS, jika meneruskan klik Allow. Setelah klik Allow, maka akan muncul dialog sebagai berikut : Gambar 5 : Menu Pilihan Membuka Data (File)

10

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

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

Setelah semua variabel dibuat dengan lengkap, selanjutnya pilih Data View, maka akan muncul seperti pada gambar 8 Gambar 8 : Menu Nama Variabel telah siap untuk entri data

12

Pada Gambar 8 ini menunjukkan nama-nama variabel sesuai inisialnya masing-masing. Langkah selanjutnya memasukkan data (angka koding - jika datanya katagorik) sesuai variabel masing-masing (ingat angka koding harus sesuai dengan definisi operasionalnya masing-masing), atau angka biasa (usia, 67, 50, dll) Gambar 9, menunjukkan data telah dimasukkan dalan variabel masing-masing. Gambar 9 : Data Penelitian setelah dientry (Data lengkap lihat Lampiran 1; 51 responden)

Gambar 9, diatas memberikan gambaran data hasil penelitian yang telah dimasukkan ke dalam variabel masing-masing (sebagian angka murni (usia, juman), selebihnya angka koding). Variabel tersebut adalah usia, juman (jumlah anak), asieksklu (Status asi eksklusif), pendidik (pendidikan), pekerjaan, pomak (pola makan), keturunan, KB (pola KB yang digunakan).

E. ANALISA DATA 13

1. Sebelum membahas lebih lanjut mengenai analisa hasil penelitian baik secara univariat, bivariat maupun multivariat, terlebih dahulu perlu dipelajari mengenai bagaimana mengelompokkan data numerik menjadi katagorik (Recode), dan menggabungkan variabel (Compute) atau mengurangi data numerik menjadi satu variabel yang baru. a. Mengelompokkan data (recode) Sebagai bahan latihan mengenai hal ini gunakan data hasil penelitian (Lampiran 1), pada variabel usia. Kelompokkan usia dalam : Usia muda < 40 tahun, dewasa 40-55 tahun, dan usia lanjut >55 tahun. Langkah-langkahnya sebagai berikut: Aktifkan File data Latihan 1 pada program SPSS, 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. Pada sel Name : (isikan nama variabel baru dalam contoh umur1), kemudian klik Change, dan isi kotak Label dengan kata yang diinginkan (dalam hal ini umur dikelompokkan). Perhatikan gambar berikut ini: Gambar 10 : Menu Utama dalam Langkah Recode

Selanjutnya klik Old and New Values, maka akan muncul dialog Gambar 11.

14

Gambar : 11. Menu Pilihan Pengelompokan Variabel

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

Gambar 12 : Dialog Utama dalam Compute 15

Selanjutnya isi sel Target Variabel dengan nama Variabel baru (misalnya berat1), 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. Perhatikan Gambar 13, berikut ini : Gambar 13 : Variabel yang digabungkan

Kemudian klik OK, maka variabel baru berat1 sudah muncul pada Variabel View urutan terakhir (perhatikan dengan baik). Selanjutnya perbaiki Desimalnya dan nama Labelnya sesuai kehendak. Untuk keperluan yang lain prosesnya sama, yang membedakan hanya simbul matematikanya. 1. Univariat a. Data Numerik (mean, median, modus, dll) Mengambil contoh hasil penelitian di atas (Lampiran 2), hasil analisis univariat, harus disesuaikan dengan jenis datanya masing-masing. Untuk numerik carilah mean, median, dan modusnya. Tetapi untuk kategorik, kelompokkan sesuai dengan DO-nya (biasanya %). 16

Mencari mean, median, dan modus, ikuti langkah-langkah berikut ini: Klik Analyze Descriptive Statistics Klik 123 Frequencies, maka akan muncul dialog seperti gambar 14. Langkah selanjutnya masukkan variabel umur ibu (usia) dan Jumlah Anak (juman) ke sel Variable(s), dengan langkah Klik variabel Umur Ibu, kemudian klik anak panah (lakukan juga untuk variabel Jumlah anak), maka keduanya akan berpindah ke sel Variables(s). Perhatikan Gambar 15. Gambar 14 : Menu Uji Univariat (Frequencies)

Gambar 15 : Uji Univariat (Variabel Siap Diuji)

Langkah selanjutnya Klik Statistics Klik Mean, Median, Modus, Maximum, dan Minimum, kemudian Klik Continues, dan Klik OK, maka hasilnya sebagai berikut (ada bagian yang sudah dibuang, karena dianggap tidak perlu) :

17

Print Out 03 : Frequencies

Statistics Umur Ibu N Valid Missing Mean Median Mode Minimum Maximum 40 0 35.85 34.50 34 23 54 Jumlah Anak 40 0 2.82 3.00 3 1 5

Berdasarkan print out 3, dapat dituangkan dalam laporan penelitian sebagai berikut : Tabel 4.1 : Mean, Median, dan Modus berdasarkan Umur Ibu dan Jumlah Anak _____________________________________________________________ Variabel Mean Median Modus _______ _______ _______ Umur Ibu 35,85 34,50 34 Jumlah Anak 2,82 3,00 3 ____________________________________________________________ Berdasarkan Tabel 4.1, dapat dilaporkan bahwa variabel umur dan jumlah anak normal, hal ini terlihat bahwa mean, median, dan modusnya hampir berimpitan. Rata-rata responden berusia 35,85 tahun, diman umur tersebut merupakan umur produktif. Sedangkan pada umumnya responden mempunyai anak rata-rata 2,8 dibulatkan (3) pada usia relatif muda. Print out 4 : Frequency Table (Variabel umur)

18

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 2.5 2.5 2.5 2.5 2.5 2.5 5.0 5.0 2.5 2.5 2.5 2.5 5.0 5.0 7.5 7.5 7.5 7.5 12.5 12.5 5.0 5.0 2.5 2.5 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 10.0 10.0 5.0 5.0 5.0 5.0 2.5 2.5 100.0 100.0 Cumulative Percent 2.5 5.0 7.5 12.5 15.0 17.5 22.5 30.0 37.5 50.0 55.0 57.5 62.5 67.5 72.5 77.5 87.5 92.5 97.5 100.0

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, ini memberi informasi yang jelas mengenai modus (umur berapa) dan frekuensinya. Dalam hal ini modusnya umur 34 tahun 5 orang. Print out 5 : Variabel jumlah anak. Jumlah Anak Frequency 3 13 15 6 3 40 Percent Valid Percent 7.5 7.5 32.5 32.5 37.5 37.5 15.0 15.0 7.5 7.5 100.0 100.0 Cumulative Percent 7.5 40.0 77.5 92.5 100.0

Valid 1 2 3 4 5 Total

19

Berdasarkan print out 5, dapat ditemukan bahwa responden, berdasarkan jumlah anak, modusnya beranak 3, sebanyak 15 orang (37,5%). Jadi modusnya adalah beranak 3. b. Data Ketagorik Untuk mencari persentase masing-masing variable sesuai dengan hasil ukur, pilih Analyze Descriptif statistics arahkan/sorot Frecuencies dan klik. Maka akan muncul dialog frequencies. Semua variable yang berada pada sel sebelah kiri, sorotlah dan pindahkan ke sebelah kanan (Variabel(s)), hasilnya seperti pada gambar 16 berikut ini :

Gambar 16 : Variabel yang akan dianalisis sudah masuk ke kotak Variable(s)

Selanjunya klik OK, akan muncul besaran masing-masing variable termasuk persentasenya (%). Perlu diperhatikan bila terjadi kekeliruan dalam mengambil variabel (sudah berada pada kotak Variable(s), maka sorotlah variabel yang keliru dan klik anak panah yang mengarah ke kotak utama (Frequencies), maka variable tersebut berpindah ke kotak utama. Berikut ini hasil analisa data univariat pada masing-masing variabel. Print out 6 menunjukkan hasil analisa univariat. Print out 6 : Frequency Table (sebagian telah dihilangkan karena tidak diperlukan)

20

Variabel : Pola menyusui eksklusif Frequency Valid Eksklusif Non Eksklusif Total 22 29 51 Percent 43.1 56.9 100.0 Valid Percent Cumulative Percent 43.1 56.9 100.0 43.1 100.0

Variabel : Pendidikan Ibu Frequency Valid Tinggi Menegah Rendah Tidak sekolah Total 16 13 11 11 51 Percent 31.4 25.5 21.6 21.6 100.0 Valid Percent Cumulative Percent 31.4 25.5 21.6 21.6 100.0 31.4 56.9 78.4 100.0

Variabel : Pekerjaan Ibu Frequency Valid Tidak bekerja Bekerja Total 36 15 51 Percent 70.6 29.4 100.0 Valid Percent 70.6 29.4 100.0 Cumulative Percent 70.6 100.0

Variabel : Pola makan Ibu Frequency Valid Baik Kurang Baik Total 27 24 51 Percent Valid Percent Cumulative Percent 52.9 47.1 100.0 52.9 47.1 100.0 52.9 100.0

Variabel : Keturunan dari Orang Tuanya Frequenc y Percent Valid Keturunan Asi Eksklusif Tidak Keturunan Asi Eksklusif Total 28 23 51 54.9 45.1 100.0 Valid Percent 54.9 45.1 100.0 Cumulative Percent 54.9 100.0

Variabel : Pola KB Ibu Frequency Valid Kalender Non Kalender Total 34 17 51 Percent 66.7 33.3 100.0 Valid Percent Cumulative Percent 66.7 33.3 100.0 66.7 100.0

21

Print out 6 dapat disusun dalam sebuah laporan penelitian. Sebagai contoh diambil variabel pola menyusui secara eksklusif, maka cara menyusun dalam tabel dan membacanya sebagai berikut : Tabel 4.2 : Distribusi Perilaku Menyusui _________________________________________________ Pola menyusui Jumlah % _________________________________________________ Eksklusif 22 43,1 Non eksklusif 29 65,9 ___ ____ Jumlah 51 100,0 _________________________________________________ Berdasarkan Tabel 4.2. dapat dilaporkan bahwa responden yang berperilaku menyusui secara eksklusif lebih sedikit (43,1%) dibandingkan dengan non eksklusif (65,9%). Jika menghendaki adanya grafik, maka lakukan : Klik chart (pada Gambar 12) untuk menampilkan pilihan grafik (bar chart, histograms, pie chart, dll), klik bentuk grafik yang diinginkan (Pie chart), kemudian klik Continue, selanjutnya klik OK. Pada contoh berikut variabel banyak anak, 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 5.9 35.3 35.3 13.7 9.8 100.0 Valid Percent 5.9 35.3 35.3 13.7 9.8 100.0 Cumulative Percent 5.9 41.2 76.5 90.2 100.0

Catatan : Untuk keperluan penyusunan laporan, salah satu saja, tidak perlu menampilkan tabel dan grafik. Sedangkan cara membacanya sama seperti contoh diatas. 22

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

23

Langkah selanjutnya pilih Analyze, Crostabs, dan dialognya sebagai berikut : Gambar 18 : Variabel yang sudah siap diolah

Pada Gambar 18, langkah selanjutnya pindahkan variabel independen (pendidikan ibu) ke kotak Row(s) dengan cara klik variabel pendidikan ibu, klik anak panah ke kotak Row(s), maka variabel pendidikan ibu masuk ke kotak Row(s) tersebut. Kemudian masukkan variabel dependen (Pola menyusui eksklusif) ke kotak Column(s) dengan cara klik variabelnya, klik anak panah ke arah kotak Column(s) tersebut. Maka dialognya seperti pada Gambar berikut ini :

Kemudian klik statistics, pilih / klik chi square, correlations, dialognya:

risk. Berikut

Langkah selanjutnya klik continoue. Kemudian pilih cells, klik observed, expected, row. Berikut dialognya : 24

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

25

(a) Pendidikan Ibu * Pola menyusui eksklusif Crosstabulation Pola menyusui eksklusif Non Eksklusif Eksklusif Total Pendidik Tinggi Count 12 12 24 an Ibu Expected Count 10.4 13.6 24.0 % within Pendidikan 50.0% 50.0% 100.0% Ibu Rendah Count 10 17 27 Expected Count 11.6 15.4 27.0 % within Pendidikan 37.0% 63.0% 100.0% Ibu Total Count 22 29 51 Expected Count 22.0 29.0 51.0 % within Pendidikan 43.1% 56.9% 100.0% 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. (b) Chi-Square Tests Asymp. Sig. (2- Exact Sig. (2- Exact Sig. Df sided) sided) (1-sided)

Value

Pearson Chi.870a 1 .351 Square Continuity .422 1 .516 Correctionb Likelihood .872 1 .350 Ratio Fisher's Exact .405 .258 Test N of Valid 51 Cases a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 10,35. b. Computed only for a 2x2 table

Print out Chi Square test, memberikan informasi nilai peluang (p value). Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b), di bawah print out tersebut : a. 0 cells (.0%) have expected count less than 5. The minimum expected

26

(a) Pendidikan Ibu * Pola menyusui eksklusif Crosstabulation Pola menyusui eksklusif Non Eksklusif Eksklusif Total Pendidik Tinggi Count 12 12 24 an Ibu Expected Count 10.4 13.6 24.0 % within Pendidikan 50.0% 50.0% 100.0% Ibu Rendah Count 10 17 27 Expected Count 11.6 15.4 27.0 % within Pendidikan 37.0% 63.0% 100.0% Ibu Total Count 22 29 51 Expected Count 22.0 29.0 51.0 % within Pendidikan 43.1% 56.9% 100.0% 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. (b) Chi-Square Tests Asymp. Sig. (2- Exact Sig. (2- Exact Sig. Df sided) sided) (1-sided)

Value

Pearson Chi.870a 1 .351 Square Continuity .422 1 .516 Correctionb Likelihood .872 1 .350 Ratio Fisher's Exact .405 .258 Test N of Valid 51 Cases a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 10,35. b. Computed only for a 2x2 table

Print out Chi Square test, memberikan informasi nilai peluang (p value). Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b), di bawah print out tersebut : a. 0 cells (.0%) have expected count less than 5. The minimum expected

27

(a) Pendidikan Ibu * Pola menyusui eksklusif Crosstabulation Pola menyusui eksklusif Non Eksklusif Eksklusif Total Pendidik Tinggi Count 12 12 24 an Ibu Expected Count 10.4 13.6 24.0 % within Pendidikan 50.0% 50.0% 100.0% Ibu Rendah Count 10 17 27 Expected Count 11.6 15.4 27.0 % within Pendidikan 37.0% 63.0% 100.0% Ibu Total Count 22 29 51 Expected Count 22.0 29.0 51.0 % within Pendidikan 43.1% 56.9% 100.0% 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. (b) Chi-Square Tests Asymp. Sig. (2- Exact Sig. (2- Exact Sig. Df sided) sided) (1-sided)

Value

Pearson Chi.870a 1 .351 Square Continuity .422 1 .516 Correctionb Likelihood .872 1 .350 Ratio Fisher's Exact .405 .258 Test N of Valid 51 Cases a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 10,35. b. Computed only for a 2x2 table

Print out Chi Square test, memberikan informasi nilai peluang (p value). Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b), di bawah print out tersebut : a. 0 cells (.0%) have expected count less than 5. The minimum expected

28

Pada Risk Estimate, memberi informasi tentang peluang variabel independen terhadap dependen. Pada contoh ini responden yang berpendidikan tinggi mempunyai peluang 1.700 kali untuk berperilaku ASI eksklusif dibandingkan dengan yang berpendidikan tinggi (lihat kolom Value pada Odds Ratio for Pendidikan Ibu (Tinggi / Rendah)). Kemudian CI 95%. Lower 0,556 dan Upper 5,201. Pada contoh diatas secara statistik tidak berhubungan, maka risk estimate tidak perlu dibuat laporannya.

Menuangkan dalam laporan penelitian Ketiga print out 8 (a), (b), dan (c), disusun menjadi satu tabel. Tabel tersebut diberi judul : Hubungan Tingkat Pendidikan dengan Perilaku Menyusui Tabel 4.3 : Hubungan Pendidikan dengan Perilaku Menyusui _______________________________________________________________________ Perilaku Menyusui Pendidikan Eksklusif Non Eksklusif Jumlah p value OR ______________________________________________________________________ Tinggi 12 (50%) 12 (50%) 24(100%) 0.516 1.7(0,55-5.20) Rendah 10 (37%) 17 (63%) 27(100%) _______ _______ ________ Jumlah 22 (43,1%) 29 (56,9) 51(100%) _____________________________________________________________________ Berdasarkan Tabel 4.3, dapat dilaporkan bahwa responden yang berperilaku menyusui secara eksklusif lebih banyak (50%) pada berpendidikan tinggi, dibandingkan dengan yang berpendidikan rendah (37%). Hasil uji Chi Square dilaporkan bahwa nilai p value 0.516, artinya lebih besar dibandingkan dengan nilai alpha (0.516 > 0.05). Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%, tidak terdapat hubungan antara tingkat pendidikan dengan perilaku menyusui secara eksklusif. Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah seperti diatas termasuk pola penyusunan tabel dan cara membacanya. 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. Variabel dependennya kejadian kanker, dan independenya perilaku merokok, status pekerjaan, keturunan, dan tingkat pendidikan. Berikut ini tampilan Variable View (nama-nama variabel). Gambar 19 : Variable View

29

Variabel-variabel tersebut kemudian dimasukkan datanya, 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, lakukanlangkah seperti pada Gambar 20. Berikut ini akan ditamplkan print out analisa haubungan perilaku merokok dengan kejadian kanker. Print out 9 : Crosstabs

30

Perilaku merokok

(a) Perilaku merokok * Kejadian kanker Crosstabulation Kejadian kanker Kanker Non kanker Perokok Count 24 6 berat Expected Count 15.9 14.1 % within Perilaku 80.0% 20.0% merokok Kurang Baik Count 3 18 Expected Count 11.1 9.9 % within Perilaku 14.3% 85.7% merokok Total Count 27 24 Expected Count 27.0 24.0 % within Perilaku 52.9% 47.1% merokok

Total 30 30.0 100.0% 21 21.0 100.0% 51 51.0 100.0%

Pearson Chi-Square Continuity 18.855 1 .000 Correctionb Likelihood Ratio 23.275 1 .000 Fisher's Exact Test .000 .000 N of Valid Cases 51 a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 9,88. b. Computed only for a 2x2 table (c) Risk Estimate 95% Confidence Interval Value Lower Upper Odds Ratio for Perilaku merokok 24.000 5.277 109.149 (Perokok berat / Kurang Baik) For cohort Kejadian kanker = Kanker 5.600 1.935 16.209 For cohort Kejadian kanker = Non kanker .233 .112 .487 N of Valid Cases 51 Print out 9: (a), (b), dan (c), disusun menjadi satu tabel, diberi judul : Hubungan Perilaku Merokok dengan Kejadian Kanker.

(b) Chi-Square Tests Asymp. Sig. Exact Sig. Exact Sig. (1Value Df (2-sided) (2-sided) sided) 21.412a 1 .000

31

Tabel 4.4 : Hubungan Perilaku Merokok dengan Kejadian Kanker _______________________________________________________________________ Kejadian Kanker Perilaku merokok Kanker Non Kanker Jumlah p value OR ________ __________ ________ ______ _____________ Berat 24 (80%) 6 (20%) 30(100%) 0.000 24(5,27-109,14) Ringan 3 (14,3%) 18 (85,7%) 21(100%) ________ _______ ________ Jumlah 27 (52,9%) 24 (47,1) 51(100%) _______________________________________________________________________ Berdasarkan Tabel 4.4, dapat dilaporkan bahwa responden yang terkena kanker lebih banyak (80%) berperilaku merokok berat dibandingkan dengan yang merokok ringan (14,3%). Hasil uji Chi Square dilaporkan bahwa nilai p value 0.000, artinya lebih kecil dibandingkan dengan nilai alpha (0.000 < 0.05). Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%, diyakini terdapat hubungan antara perilaku merokok dengan kejadian kanker. Sedangkan hasil uji OR diperoleh nilai 24 (5,27109,14), artinya respondengan yang merokok berat mempunyai peluang untuk terkena kanker 24 kali dibandingkan dengan yang merokok ringan. Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah diatas. b. Uji t Uji t dapat digunakan untuk mengukur variabel katagorik dan numerik, maupun numerik dengan numerik. b.1. Katagorik dengan Numerik (Gunakan contoh Lampiran 4) Sebuah contoh penelitian dengan melibatkatkan 40 masyarakat di perkotaan, ingin mengetahui hubungan usia dan keturunan dengan kejadian hipertensi. Variabel usia merupakan numerik dengan skala ratio, sedangkan kejadian hipertensi dan keturunan berupa katagorik dengan skala ordinal. Setelah variabel dibuat dan data dimasukkan (Gunakan Data Lampiran 3), langkah ujinya sebagai berikut : Pilih Analyze Compare mean Independen samples T test, maka muncul dialog sebagai berikut: Gambar 21 : Independen samples T test

32

Kemudian klik variabel umur, kemudian klik anak panah arah kolom Test variable(s). Setelah variabel umur masuk, klik variabel kejadian hipertensi, klik anak panah ke arah kolom Grouping variable. Perhatikan gambar berikut ini.

Setelah masuk, kemudian pilih Define Groups, masukkan angka koding yang pertama (misalnya 0) ke kotak Group1, dan koding 1 masukkan ke kotak Group2. Klik Continoe, pilih OK. 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. Mean Deviation Std. Error Mean 48.45 12.588 2.684 48.00 12.998 3.064

(b) Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means 95% Confidence Interval of the Std. Difference Mean Error Sig. (2- Differ Differen Lowe tailed) ence ce r Upper .911 .455 4.059 8.672 7.763 8.715 7.806

Sig.

Df

Umur Equal responden variances .143 .707 .112 38 assumed Equal variances 35.96 .112 not 0 assumed

.912

.455

4.073

Untuk mencari nilai mean kedua variable, lihat print out (a) pada colum mean dan standart deviation. Pada contoh ini mean usia untuk hipertensi 48,45 dengan standar deviasi 33

12,588. Sedangkan 12,998.

yang non hipertensi meanya 48,00 dengan standar deviasinya

Kemudian untuk melihat apakah ada perbedaan mean umur, lihat print out (b). Untuk mengetahui apakah ada perbedaan kedua kelompok tersebut, terlebih dahulu mengetahui variannya, apakah sama atau berbeda (lihat Levene's Test for Equality of Variances pada kolum Sig). Jika nilai varian < alpha (0.05) maka varian berbeda, tetapi jika varian > alpha, maka varian sama. Jika varian sama, maka uji t gunakan Equal variances assumed pada colums Sig (2-tailed). Tetapi jika varian berbeda, uji t gunakan Equal variances not assumed pada colums Sig (2-tailed). Nilai tersebut bandingkan dengan nilai alpha. Jika nilai p < alpha, maka ada perbedaan mean keduanya. Pada contoh di atas nilai varian 0.707 sehingga > 0.05, maka varian sama. Karena varian sama, maka nilai p = 0.911 sehingga dapat disimpulkan dengan alpha 5% tidak terdapat perbedaan mean umur antara yang hipertensi dengan non hipertensi. Hasil tersebut jika dituangkan dalam sebuah laporan dapat disusun sebagai berikut: Tabel 4.5 Perbedaan Varian Kejadian Hipertensi __________________________________________________________________ Kejadian hipertensi Mean Standar defiasi p value Jumlah Hipertensi 48,45 12,588 0,911 22 Non hipertensi 48,00 12,988 18 __________________________________________________________________ Berdasarkan Tabel 4.5 dapat dilaporkan bahwa mean umur responden yang hipertensi 48,45 dengan standar deviasi 12,588. Sedangkan mean yang non hipertensi 48.00 dengan standar deviasi 12.988. Responden yang hipertensi lebih banyak dibandingkan dengan non hipertensi. Hasil uji t diperoleh p value 0.911 sehingga > alpha 0.05, maka dapat disimpulkan tidak terdapat perbedaan antara mean umur hipertensi dengan non hipertensi. Untuk penelitian lain tetapi dengan jenis variabel yang sama dapat menyesuaikan. b.2. Numerik dengan Numerik Pada bagian ini akan menguji dua variabel numerik dengan numerik yang berasal dari satu sumber (bisa disebut pengukuran pre dan post). Misalnya penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah diet, atau berat badan sebelum dan sesudah puasa (bagi yang berpuasa), dan lain-lain. Pada kesemapatan ini suatu penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah melakukan diet selama 3 bulan. Setelah data dimasukan sesuai variabel yang dibuat, lakukan langkah sebagai berikut (Gunakan Data Lampiran 5): Pilih Analyze Compare mean Samples T test Paired, makan akan muncul dialog Gambar 22 : Dialog Uji t Dependen

34

Langkah selanjutnya klik variable berat badan sebelum diet, kemudian klik anak panah (variabel tersebut masuk ke variable1), kemudian klil berat setelah diet, klik anak panah (variabel tersebut masuk ke variable2). Selanjutnya klik OK. 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 64.95 N 40 Std. Deviation 7.945 Std. Error Mean 1.256 1.173

63.55 40 7.421 (b) Paired Samples Test Paired Differences 95% Confidence Interval of the Std. Std. Difference Mea Deviati Error n on Mean Lower Upper 1.40 0 2.942 .465 .459 2.341

Sig. (2taile df d)

Pair Berat sebelum 1 diet - Berat setelah diet

3.00 39 .005 9

Pada print out (a), lihat niali mean variable yang dibandingkan serta Standar deviasinya. Sedangkan print out (b) untuk mencari nilai mean pengujian (kolom mean) dan nilai p value (kolom Sig (2-tailed)). Menuangkan dalam laporan penelitian : Tabel 4.6 Perbedaan Mean Sebelum dan Sesudah Diet ______________________________________________________________________ Pengukuran Diet Mean Mean Standar defiasi p value Jumlah Kelompok Pengujian Pengujian Sebelum diet 64,95 1,400 2,94 0,005 40 Sesudah diet 63,55 _____________________________________________________________________ Berdasarkan Tabel 4.6 dapat dilaporkan bahwa mean berat badan sebelum melakukan diet 64,95 kg, sedangkan setelah diet turun menjadi 63,55 kg. Hasil uji perbedaan mean 35

1,400 dengan standar deviasi 2.94. Sedangkan nilai p dalam pengujian 0,005, artinya lebih kecil dari nilai alpha, sehingga dapat disimpulkan dengan kepercayaan 95% diyakini terdapat perbedaan mean berat badan sebelum dan sesudah melakukan diet. F. UJI KORELASI DAN REGRESI LINIER SEDERHANA Diatas telah dijelaskan uji Chi Square (kategorik dengan kategorik), uji t numerik dengan kategorik, dan numerik dengan numerik. Uji-uji tersebut tidak bisa mengetahui sejauh mana keeratan masing-masing variabel. Untuk mengetahui derajat keeratan hubungan variabel yang diuji digunakan analisis korelasi. Sedangkan untuk mengetahui bentuk hubungan antara dua variabel (positif atau negatif), menggunakan analisis regresi. 1. Analisis Korelasi Hasil analisis korelasi dapat mengetahui derajat keeratan hubungan, juga dapat mengetahui arah hubungan dua variabel numerik. Apakah hubungan berat badan dan tekanan darah mempunyai derajat yang kuat atau lemah. Apakah hubungan kedua variabel tersebut berpola positif atau sebaliknya. Untuk mempermudah pemahan derajat keeratan serta pola hubungan, dapat dilihat pada diagram tebar/pencar (scatter plot). Kuat lemahnya hubungan dapat dilihat dari tebaran datanya. Semakin rapat tebarnya berarti semakin kuat hubungannya, dan sebaliknya semakin jarang tebaranya berarti semakin lemah hubungannya. Nilai korelasi (r), secara manual dapat digunakan rumus Product Moment yang sudah dijelaskan di atas. Nilai r (koefisien korelasi) berkisar dari 0 sampai dengan 1, atau bila diketaui arahnya maka : -1 sampai dengan +1. Jika nilai r = 0, artinya tidak ada hubungan linier keduanya. Jika nilai r = -1, hubungan linier negatif sempurna, Jikan nilai r = +1, hubungan linier positif sempurna. Perlu diketahui bahwa hubungan kedua variabel dapat berpola positif maupun negatif, Hubungan berpola positif apabila terjadi kenaikan satu pada suatu variabel, maka diikuti oleh variabel yang lain. Contoh penelitian tentang hubungan berat badan dengan tekanan darah. Setiap penambahan berat badan diikuti kenaikan tekanan daranya. Sedangkan yang berpola negatif, misalnya hubungan umur dengan kadar Hb-nya. Disini dapat dijelaskan setiap kenaikan umur akan menurunkan kadar Hb-nya. Hastono (2001) mengutif pendapat Calton, menyebutkan kekuatan hubungan dua variabel secara kuantitatif dapat dibagi menjadi empat area: Nilai r = 0,00 0,25, artinya tidak ada hubungan atau hubungannya lemah. Nilai r = 0,26 0,50, artinya keduanya berhubungan sedang, Nilai r = 0,51 0,75, artinya keduanya berhubungan kuat, Nilai r = 0,76 1,00, artinya hubungannya sangat kuat atau sempurna.

36

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

37

Pada menu ini pindahkan variabel yang berada pada kotak sebelah kiri (yang akan diuji) ke kotak sebelah kanan, dengan cara klik variabel yang akan dipindah kemudian klik anak panah, maka akan pindah ke sebelah kanan. Lakukan untuk variabel yang lain dengan cara yang sama. Tampilannya sebagai berikut :

Pada posisi ini lakukan klik OK, 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 1.000 Correlation Sig. (2-tailed) N 40.000 Penurunan berat per Pearson .556** bulan Correlation Sig. (2-tailed) .000 N 40 **. Correlation is significant at the 0.01 level (2-tailed).

Penurunan berat per bulan .556** .000 40 1.000 40.000

Print out 11 memberi informasi hasil uji kedua variabel untuk mencari korelasinya. Nilai r dapat dilihat pada baris pertama kolom ke tiga. Pada contoh ini diperoleh 0,556, sedangkan nilai p value pada baris kedua kolom kedua. Dalam contoh ini nilai p value diperoleh 0,000. Sehingga dapat disimpulkan terdapat pengaruh antara lama olah raga per minggu dengan penurunan berat badan per bulan. Kekuatan hubungan keduanya kuat (0,556). Hasil tersebut jika dituangkan dalam laporan penelitian, sebagai berikut :

38

Tabel 4.7 : Pengaruh Lama Olahraga dengan Penurunan Berat Badan. __________________________________________________________________ Variabel r p value _____ _____ Lama olah raga dan penurunan berat badan 0,556 0,000 __________________________________________________________________ Berdasarkan Tabel 4.7, dapat dijelaskan bahwa hubungan lama olah raga dengan penurunan berat badan diperoleh nilai r 0,556 dan p value 0,000, dengan demikian dapat disimpulkan, dengan keyakinan 95% terdapat hubungan antara lama olah raga perminggu dengan perurunan berat badan. Hubungan keduanya adalah kuat (r=0556). 2. Regresi Sederhana Pada contoh di atas variabel independennya lama olah raga perminggu sedangkan dependenya penurunan berat badan per bulan. Gunakan Data Lampiran 5. Untuk mengetahui derajat penurunan berat badan lakukan langkah sebagai berikut : Klik Analyze, pilih Regression, pilih Linier, maka timbul menu :

Langkah selanjutnya, masukkan variabel dependen (penurunan berat badan) ke kolom Dependent dengan mengeklik variabel tersebut kemudian klik anak panah, maka masuklah ke kotak tersebut. Demikian variabel independen (lama olah raga per minggu) dengan cara yang sama masukkan ke kotak Independnt(s). Tampilannya sebagai berikut :

Langkah selanjutnya klik OK, maka hasil sebagai berikut: 39

Print out 12 : Regression (a) Model Summary Model R R Square Adjusted R Square a 1 .556 .309 .291 a. Predictors: (Constant), Frekuensi olah raga per minggu Std. Error of the Estimate .807

(b) ANOVA Model Sum of Squares Df Mean Square F Sig. 1 Regression 11.047 1 11.047 16.976 .000a Residual 24.728 38 .651 Total 35.775 39 a. Predictors: (Constant), Frekuensi olah raga per mingg b. Dependent Variable: Penurunan berat per bulan (c) Coefficientsa Standardize Unstandardized d Coefficients Coefficients Model B Std. Error Beta t Sig. 1 (Constant) -.803 .497 .114 1.617 Frekuensi olah raga .445 .108 .556 4.120 .000 per mingg a. Dependent Variable: Penurunan berat per bulan Hasil di atas yang lebih penting melihat koefisien determinasi, persamaan garis, dan nilai p value. Nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary), sebesar 0,309, artinya persamaan garis regresi yang kita peroleh dapat menerangkan 30,9% variasi penurunan berat badan. Selanjutnya pada print out ANOVA, memberi informasi tentang kesesuaian dari model terhadap data. Print out ini diperoleh nilai p value (pada kolom Sig), sebesar 0,000, yang artinya pada alpha 0,05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh. Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a), yaitu pada kolom B, sehingga didapat nilai konstant (nilai a adalah koefisien lama olah raga per minggu) sebesar -0,803, dan (nilai b adalah koefisien penurunan berat badan) 0,445, sehingga persamaan regresinya : Y = a+bX. Rumus tersebut dapat dijelaskan, Y = Penurunan berat badan (variabel dependen, artinya nilai Y tergantung dari nilai X), dan X adalah lama olah raga perminggu (variabel independen, artinya perubahan nilai X akan berpengaruh pada nilai Y). Sehingga rumus matematis tersebut Y = -0,803+0,445 kali lama olah raga perminggu. Persamaan garis tersebut dapat diperkirakan penurunan berat badan jika diketahui penambahan lama olah raga per minggunya. 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. 40

Hasil uji statistik untuk koefisien regresi dapat dijelaskan pada kolom Sig, sehingga diperoleh nilai p value = 0,000 Dengan demikian dapat dijelaskan dengan alpha 0,05 kita menolak hipotesis nol (Ho), yang berarti ada pengaruh linier antara lama olah raga perminggu dengan penurunan berat badan. Nilai penurunan berat badan = 0,445 artinya jika terjadi penambahan frekuensi (jam) olah raga perminggunya akan terjadi penurunan berat badan sebesar =0,445. Penyajian dalam Laporan Penelitian Tabel 4.7. Analisis Korelasi dan Regresi Lama Olah Raga dengan Berat Badan __________________________________________________________________ Variabel r R2 Persamaan garis p value __ _____ ______________________________ _____ Lama olah raga 0,55 0,309 Berat badan= -0,803+0,445*olah raga 0,000 __________________________________________________________________ Berdasarkan Tabel 4.7 dapat dijelaskan bahwa hubungan lama olah raga dengan penurunan berat badan kuat (0,55), dan berpola positif, artinya semakin lama berolah raga setiap minggunya akan menurunkan berat badannya lebih rendah. Nilai koefisien determinasi 0,309 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 30,9% variasi penurunan berat badan. Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara lama olah raga perminggu dengan penurunan berat badan (p value 0,000). Contoh lain : Hubungan Umur dengan Lama Hari Rawat Dengan cara yang sama, View Data hasil penelitian sebagai berikut:

Kemudian lakukan langkah yang sama pada contoh sebelumnya (Lama olah raga dengan penurunan berat badan), maka print out penelitian sebagai berikut : Print Out 13 : Regression (Hubungan Umur dengan Lama Hari Rawat)

41

(a) Model Summary Adjusted R Model R R Square Square Std. Error of the Estimate a 1 .970 .941 .922 .365 a. Predictors: (Constant), umur (b) ANOVAb Sum of Model Squares 1 Regression 6.400 Residual .400 Total 6.800 a. Predictors: (Constant), umur b. Dependent Variable: lama rawat df Mean Square 1 6.400 3 .133 4 F 48.000 Sig. .006a

Model 1 (Constant) umur

(c) Coefficientsa Unstandardized Standardized Coefficients Coefficients B Std. Error Beta 1.400 .712 .160 .023 .970

T Sig. 1.967 .144 6.928 .006

a. Dependent Variable: lama rawat Hasil penelitian (Print out 13), nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary), sebesar 0,941, artinya persamaan garis regresi yang kita peroleh dapat menerangkan 94,1% variasi penambahan lama hari rawat, jika terjadi penambahan umur pasien. Selanjutnya pada print out ANOVA, memberi informasi tentang kesesuaian dari model terhadap data. Diperoleh nilai p value (pada kolom Sig), sebesar 0,006, yang artinya pada alpha 0,05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh. Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a), yaitu pada kolom B, sehingga didapat nilai konstant (nilai a adalah koefisien penambahan umur) sebesar 1,400, dan (nilai b adalah koefisien penambahan lama hari rawat) 0,160, sehingga persamaan regresinya : Y = a+bX. Rumus tersebut dapat dijelaskan, Y = Penambahan hari rawat (variabel dependen), dan X adalah lama olah raga perminggu (variabel independen). Sehingga rumus matematis tersebut Y = -0,803+0,445 kali Umur. Persamaan garis tersebut dapat diperkirakan penambahan lama hari rawat jika diketahui penambahan umurnya. Sehingga dapat dijelaskan jika terjadi penambahan usia satu tahun akan terjadi penambahan lama hari rawat 0,16. Hasil uji statistik untuk koefisien regresi diperoleh nilai p value = 0,006. Dengan demikian dapat dijelaskan, pada alpha 0,05 kita menolak hipotesis nol (Ho), yang berarti ada hubungan linier antara usia dengan lama hari rawat. Nilai penambahan tersebut = 0,16 artinya jika terjadi penambahan usia satu tahun akan terjadi penambahan hari rawat 0,16. 42

Sebalinya, jika terjadi penurunan usia satu tahun akan terjadi pengurangan lama hari rawat 0,16.

Penyajian dalam Laporan Penelitian Tabel 4.8. Analisis Korelasi dan Regresi Umur dengan Lama Hari Rawat __________________________________________________________________ Variabel r R2 Persamaan garis p value ____ _____ _______________________ _____ Umur 0,970 0,941 Hari rawat = 1,4+0,16*Umur 0,006 __________________________________________________________________ Berdasarkan Tabel 4.8 dapat dijelaskan bahwa hubungan Umur dengan lama hari rawat sangat kuat (0,970), dan berpola positif, artinya jika terjadi penambahan usia akan terjadi penambahan lama hari rawat. Nilai koefisien determinasi 0,941 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 94,1% variasi penambahan lama hari rawat. Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara umur dengan lama hari rawat (p value 0,006). G. CARA MELAKUKAN PEMBAHASAN Pembahasan yang baik untuk satu pokok bahasan (satu variabel) mencakup 4 hal, yaitu paragraf pertama mengenai rangkuman hasil penelitian, dibandingkan dengan literatur yang ada (biasanya telah diuraikan pada bab II). Berikutnya dibandingkan dengan hasil penelitian terdahulu (sejenis). Terakhir adalah pendapat peneliti berdasarkan fakta-fakta maupun pengalaman yang dimiliki. Contoh pembahasan : Sebuah penelitian ingin mengetahui hubungan pengetahuan dengan perilaku kontrol penderita hipertensi. Hasil penelitiannya sebagai berikut (Bagian hasil) : Tabel 4.9 : Hubungan Pengetahuan dengan Perilaku Kontrol ______________________________________________________________________ Perilaku Kontrol Pengetahuan Baik Krg. Baik Jumlah p value OR ________ _________ ________ ______ ____________ Baik 22 (64,7%) 12 (35,3%) 34(100%) 0.003 4.950 Kurang baik 10 (27,0%) 27 (73,0%) 37(100%) (1,802-13,598) _______ _______ ________ Jumlah 32 (45,1%) 39 (54,9) 71(100%) ______________________________________________________________________ Berdasarkan tabel 4.9 dapat dilaporakan bahwa pengetahuan tentang hipertensi dengan kategori baik, yang melakukan kontrol baik 22 orang (64.7%), lebih banyak dibandingkan 43

dengan yang berpengetahuan kurang baik, 10 orang (27.0%). Hasil uji Chi Square diperoleh p value = 0,003 artinya < nilai alfa (0,05), sehingga dapat disimpulkan ada hubungan antara pengetahuan dengan perilaku kontrol responden ke puskesmas. Hasil penelitian juga melaporkan, dengan confidence interval (CI) 95% diperoleh nilai odds ratio (OR) = 4.950 (1.80213.598), artinya responden yang berpengetahuan baik mempunyai peluang berperilaku kontrol baik 4.950 kali dibandingkan dengan responden yang berpengetahuan kurang baik. Berdasarkan hasil pada tabel 4.8, jika dilakukan pembahasan seperti berikut : Hubungan pengetahuan dengan perilaku kontrol Hasil uji Chi Square diperoleh p value = 0,003 sehingga lebih kecil dari 0,05, dapat disimpulkan ada hubungan bermakna antara pengetahuan dengan perilaku kontrol responden ke puskesmas. Hasil ini juga didukung oleh nilai OR 4,950. Hasil penelitian ini sesuai dengan pendapat Hatta (1996), 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. Pengetahuan merupakan hasil dari tahu dan ini terjadi setelah orang melakukan pengindraan terhadap suatu objek tertentu, terbentuknya suatu perilaku baru terutama pada orang dewasa dimulai pada domain kognitif. Pengetahuan atau kognitif merupakan domain yang sangat penting untuk terbentuknya tindakan seseorang (overt behaviour), dari pengalaman dan penelitian perilaku yang didasari oleh pengetahuan akan lebih langgeng daripada perilaku yang tidak didasarkan oleh pengetahuan (Notoatmojo, 2003). Hasil penelitian ini sesuai dengan penelitian Budiharto (2001), menyebutkan bahwa ada hubungan yang signifikan antara pengetahuan dengan pengendalian hipertensi di wilayah kerja Puskesmas Sidorejo Kabupaten Lampung Timur. Dalam penelitian ini disebutkan bahwa seseorang dalam berpengetahuan baik mempunyai tindakan yang baik dalam pengendalian hipertensi dibandingkan dengan responden yang pengetahuan buruk. Peningkatan tekanan darah yang berkepanjangan akan merusak pembuluh darah yang ada disebagian besar tubuh. Pada beberapa organ seperti jantung, ginjal, otak dan mata, akan mengalami kerusakan. Gagal jantung, gagal ginjal, stroke dan gangguan penglihatan adalah konsekuensi yang umum dari hipertensi. Dengan demikian dapat disimpulkan bahwa pengetahuan seseorang mempunyai pengaruh terhadap perilaku individu dalam melakukan kontrol ke sarana pelayanan kesehatan. Dengan melakukan kontrool secara rutin dapat mengurangi resiko penderita hipertensi pada tingkat yang lebih tinggi, misalnya gagal jantung, ginjal, dan lain-lain.

44

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

45