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

718.= -------------. Menggunakan Program SPSS Mencari nilai r dengan Program SPSS sangat mudah.718 √ [2900-2809] [205820-203401] √ (91)(2419) √ 220129 Nilai r hitung 0. pilih Reliability Analysis.= ----------------------------------------√ [20. hasilnya sebagai berikut : 5 .= ---------------. hasilnya sebagai berikut : Gambar 1 : Menu Data View untuk Uji Kuesioner Selanjutnya lakukan langkah-langkah sebagai berikut: Klik Analyze. tidak perlu menggunakan rumus (pelajari dulu pada bagian MEMULAI DENGAN SPSS (Halaman 9) pada pedoman ini). jika dibandingkan dengan nilai r Tabel (Lihat Tabel Product Moment dengan n=20 serta alpha 5%) adalah 0. pilih Scale. Untuk mengetahui nilai r P2-P9.= 0. 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. maka P1(pertanyaan no 1) dinyatakan valid.451) 24240 . menggunakan rumus dan cara seperti diatas.23903 r = --------------------------------------------. sehingga r hitung lebih besar dari r tabel.Sehingga : 20(1212)-(53.444.145-(53)2] [20. Berdasarkan contoh kuesioner dan hasil uji di atas.10291-(451)2] √ [ 2900-2809] [205820-203401] 24240 – 23903 337 337 r = --------------------------------------------. masukkan ke dalam program SPSS. b.

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

50 .75 5.832 .384 .397 .75 5. Deviation N of Items 22. dan cases.90 4.611 .308 Pertanyaan7 2.825 Item Statistics Mean Std.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 19.671 .586 .65 5.826 Pertanyaan6 19.90 5.410 Pertanyaan5 2.816 Pertanyaan4 19.823 Pertanyaan5 19.55 6. Deviation Pertanyaan1 2.804 Pertanyaan7 19.308 Pertanyaan4 2.565 .565 .803 PertanyaaN3 19.410 Pertanyaan8 1.Reliability Statistics Cronbach's Alpha N of Items .80 . memperlihatkan hasil proses validitas dan reliabilitas.65 .803 Pertanyaan8 21.798 Pertanyaan2 19. std dev (standar deviasi).00 4.389 . Bagian pertama menunjukkan hasil statistic deskriptif masing-masing pertanyaan dalam mean.800 Pertanyaan9 21.602 .523 9 Penjelasan: Berdasarkan Print out (1) tersebut terdapat dua pengertian.489 Pertanyaan6 2.05 4.787 .410 PertanyaaN3 2.489 Pertanyaan2 2.608 . Yang penting adalah bagian kedua.253 .65 .75 5.632 .461 .455 .80 .90 .366 2.65 5.80 .145 .145 .90 .513 Pertanyaan9 1. 7 .788 Scale Statistics Mean Variance Std.

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

Deviation N 2.780 14.642 .80 .0 a.444).997 .0 Total 20 100.631 .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. artinya ke tujuh pertanyaan tersebut valid (lihat Corrected Item-Total Correlation. semua lebih dari 0.795 14.50 . Deviation N of Items 4.537 .489 20 2.593 .20 3.55 2.308 20 2. Reliability Statistics Cronbach's Alpha N of Items .60 2.892 .806 14.379 .20 3. ternyata nilai r semua pertanyaan lebih besar dari nilai r tabel.513 20 1.582 .075 7 Setelah diuji kembali dengan tujuh pertanyaan.90 .484 .773 Scale Statistics Variance Std.664 .45 2.718.10 Item Statistics Mean Std.410 20 2.305 2.817 7 Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9 Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9 Mean 17.90 .30 3.410 20 1.788 15.989 .30 3.802 14.55 .6018.502 .Case Processing Summary N % Cases Valid 20 100. Catatan : Perlu diingat bahwa terjadi perbedaan hasil penghitungan (P1) menggunakan rumus diperoleh 0. Listwise deletion based on all variables in the procedure.802 15.502 .308 20 2.65 .0 Excludeda 0 . sedangkan jika menggunakan program SPSS diperoleh 0.379 .80 . 9 .

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

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

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

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

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

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

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

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

1 : Mean. median.1.00 3 ____________________________________________________________ Berdasarkan Tabel 4. Median. dapat dilaporkan bahwa variabel umur dan jumlah anak normal.50 34 Jumlah Anak 2. hal ini terlihat bahwa mean.00 3 1 5 Berdasarkan print out 3. dan Modus berdasarkan Umur Ibu dan Jumlah Anak _____________________________________________________________ Variabel Mean Median Modus _______ _______ _______ Umur Ibu 35.Print Out 03 : Frequencies Statistics Umur Ibu N Valid Missing Mean Median Mode Minimum Maximum 40 0 35. Sedangkan pada umumnya responden mempunyai anak rata-rata 2. diman umur tersebut merupakan umur produktif.82 3.50 34 23 54 Jumlah Anak 40 0 2. dapat dituangkan dalam laporan penelitian sebagai berikut : Tabel 4.85 34. Print out 4 : Frequency Table (Variabel umur) 18 .85 34. Rata-rata responden berusia 35. dan modusnya hampir berimpitan.85 tahun.8 dibulatkan (3) pada usia relatif muda.82 3.

0 100.0 77.5 5.0 5. Jumlah Anak Frequency 3 13 15 6 3 40 Percent Valid Percent 7.5 5.5 100.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 2.0 5.5 2.5 92.5 7.5 92.5 2.5 100.0 7.0 5.0 37.5 50.0 10.5 37.5 2. Dalam hal ini modusnya umur 34 tahun 5 orang.0 2.5 7.5 77.0 5.0 5.5 2.0 Valid 1 2 3 4 5 Total 19 .5 40.5 2.5 5.0 17.5 7.5 32.5 37. Print out 5 : Variabel jumlah anak.0 100.5 100.0 10.5 2.0 Cumulative Percent 2.0 5.5 72.0 55.0 5.5 7.0 5.5 7.0 Cumulative Percent 7.0 5.5 2.5 2.5 12.5 22.5 100.0 Valid 23 24 25 26 27 28 30 32 33 34 35 36 37 40 41 42 43 44 45 54 Total Print out 4.5 12.5 67.5 2.0 7.0 5.5 12.5 30.5 5.0 5.5 15.0 7.5 62.0 5.0 15.0 2. ini memberi informasi yang jelas mengenai modus (umur berapa) dan frekuensinya.5 2.5 87.5 32.0 2.0 5.0 57.5 97.5 15.5 5.0 5.

berdasarkan jumlah anak. b. Data Ketagorik Untuk mencari persentase masing-masing variable sesuai dengan hasil ukur. hasilnya seperti pada gambar 16 berikut ini : Gambar 16 : Variabel yang akan dianalisis sudah masuk ke kotak Variable(s) Selanjunya klik OK. pilih Analyze – Descriptif statistics – arahkan/sorot Frecuencies dan klik. Semua variable yang berada pada sel sebelah kiri. Perlu diperhatikan bila terjadi kekeliruan dalam mengambil variabel (sudah berada pada kotak Variable(s). Berikut ini hasil analisa data univariat pada masing-masing variabel. sebanyak 15 orang (37. sorotlah dan pindahkan ke sebelah kanan (Variabel(s)). maka sorotlah variabel yang keliru dan klik anak panah yang mengarah ke kotak utama (Frequencies). Maka akan muncul dialog frequencies. modusnya beranak 3.5%). Jadi modusnya adalah beranak 3. akan muncul besaran masing-masing variable termasuk persentasenya (%). Print out 6 menunjukkan hasil analisa univariat. maka variable tersebut berpindah ke kotak utama.Berdasarkan print out 5. Print out 6 : Frequency Table (sebagian telah dihilangkan karena tidak diperlukan) 20 . dapat ditemukan bahwa responden.

0 52.6 21.0 Variabel : Pola makan Ibu Frequency Valid Baik Kurang Baik Total 27 24 51 Percent Valid Percent Cumulative Percent 52.6 29.9 45.0 Valid Percent Cumulative Percent 43.0 31.9 45.0 21 .4 100.7 33.3 100.5 21.6 100.4 100.9 100.4 25.9 100.5 21.9 47.0 Variabel : Keturunan dari Orang Tuanya Frequenc y Percent Valid Keturunan Asi Eksklusif Tidak Keturunan Asi Eksklusif Total 28 23 51 54.0 Valid Percent Cumulative Percent 66.9 47.0 Variabel : Pola KB Ibu Frequency Valid Kalender Non Kalender Total 34 17 51 Percent 66.1 100.0 43.6 100.6 21.0 Variabel : Pendidikan Ibu Frequency Valid Tinggi Menegah Rendah Tidak sekolah Total 16 13 11 11 51 Percent 31.1 56.1 56.0 Variabel : Pekerjaan Ibu Frequency Valid Tidak bekerja Bekerja Total 36 15 51 Percent 70.0 Valid Percent Cumulative Percent 31.3 100.4 25.0 52.6 29.4 100.1 100.4 56.9 78.9 100.6 100.0 Valid Percent 54.9 100.7 33.0 Cumulative Percent 70.Variabel : Pola menyusui eksklusif Frequency Valid Eksklusif Non Eksklusif Total 22 29 51 Percent 43.1 100.7 100.1 100.0 Valid Percent 70.1 100.0 Cumulative Percent 54.0 66.

kemudian klik Continue. selanjutnya klik OK. 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. Jika menghendaki adanya grafik. 22 . Sedangkan cara membacanya sama seperti contoh diatas.2 76.7 9. salah satu saja.3 13.0 _________________________________________________ Berdasarkan Tabel 4.2 100. histograms. dapat dilaporkan bahwa responden yang berperilaku menyusui secara eksklusif lebih sedikit (43.0 Valid Percent 5.2 : Distribusi Perilaku Menyusui _________________________________________________ Pola menyusui Jumlah % _________________________________________________ Eksklusif 22 43.3 13. maka cara menyusun dalam tabel dan membacanya sebagai berikut : Tabel 4.9 35.2.1 Non eksklusif 29 65. klik bentuk grafik yang diinginkan (Pie chart).8 100.3 35.7 9. pie chart.9%).5 90.9 35.3 35. maka lakukan : Klik chart (pada Gambar 12) untuk menampilkan pilihan grafik (bar chart.9 ___ ____ Jumlah 51 100. tidak perlu menampilkan tabel dan grafik. dll).9 41. Pada contoh berikut variabel banyak anak.0 Cumulative Percent 5.0 Catatan : Untuk keperluan penyusunan laporan. Sebagai contoh diambil variabel pola menyusui secara eksklusif.8 100.1%) dibandingkan dengan non eksklusif (65.Print out 6 dapat disusun dalam sebuah laporan penelitian.

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

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

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

0 % within Pendidikan 43. 0 cells (.9% 100.0% Ibu Rendah Count 10 17 27 Expected Count 11.516 Correctionb Likelihood . Sig.Exact Sig. 0 cells (.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% 63.0% Ibu Total Count 22 29 51 Expected Count 22.4 13. (2.405 .6 24. b. di bawah print out tersebut : a. (2.0% 100.Exact Sig.0%) have expected count less than 5.4 27. The minimum expected 26 . (b) Chi-Square Tests Asymp.350 Ratio Fisher's Exact .1% 56. Computed only for a 2x2 table Print out Chi Square test.0 % within Pendidikan 50.351 Square Continuity .258 Test N of Valid 51 Cases a.6 15.(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 10.35.422 1 .0 29.0%) have expected count less than 5. Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).872 1 . Df sided) sided) (1-sided) Value Pearson Chi.0 % within Pendidikan 37.0 51. memberikan informasi nilai peluang (p value).0% 50.0% 100.870a 1 .

0 % within Pendidikan 43.351 Square Continuity .0% 63. di bawah print out tersebut : a.350 Ratio Fisher's Exact .0% 100.Exact Sig. b.0% Ibu Rendah Count 10 17 27 Expected Count 11. 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% 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. (2. 0 cells (.0 29.0 51.0% 100.0% 50. The minimum expected 27 .9% 100.0 % within Pendidikan 37.258 Test N of Valid 51 Cases a.0 % within Pendidikan 50.0%) have expected count less than 5. Computed only for a 2x2 table Print out Chi Square test.1% 56. Df sided) sided) (1-sided) Value Pearson Chi. (2.870a 1 .422 1 . Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).0% Ibu Total Count 22 29 51 Expected Count 22. memberikan informasi nilai peluang (p value).Exact Sig. (b) Chi-Square Tests Asymp.0%) have expected count less than 5.35.405 .4 13. 0 cells (.4 27.6 15.516 Correctionb Likelihood .872 1 .6 24. The minimum expected count is 10.

(b) Chi-Square Tests Asymp.35.870a 1 . memberikan informasi nilai peluang (p value).0% 100.0 51.0% Ibu Rendah Count 10 17 27 Expected Count 11.0 29.1% 56.351 Square Continuity .872 1 .258 Test N of Valid 51 Cases a.6 15.6 24.9% 100.0%) have expected count less than 5.350 Ratio Fisher's Exact . 0 cells (. The minimum expected 28 . b. di bawah print out tersebut : a. Sig.4 13.0%) have expected count less than 5.4 27. The minimum expected count is 10.0 % within Pendidikan 37.Exact Sig.0% Ibu Total Count 22 29 51 Expected Count 22.405 . 0 cells (. Df sided) sided) (1-sided) Value Pearson Chi.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 % within Pendidikan 43. (2. Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).516 Correctionb Likelihood .0 % within Pendidikan 50. (2. Computed only for a 2x2 table Print out Chi Square test.Exact Sig.422 1 .0% 63.0% 100.(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% 50.

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. Pada contoh diatas secara statistik tidak berhubungan. disusun menjadi satu tabel. dan (c). keturunan. status pekerjaan.516.201. Hasil uji Chi Square dilaporkan bahwa nilai p value 0. tidak terdapat hubungan antara tingkat pendidikan dengan perilaku menyusui secara eksklusif. Lower 0.Pada Risk Estimate. Menuangkan dalam laporan penelitian Ketiga print out 8 (a). Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%. Kemudian CI 95%. Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah seperti diatas termasuk pola penyusunan tabel dan cara membacanya. Berikut ini tampilan Variable View (nama-nama variabel). Tabel tersebut diberi judul : Hubungan Tingkat Pendidikan dengan Perilaku Menyusui Tabel 4.516 > 0.516 1.55-5. dan tingkat pendidikan.556 dan Upper 5.05). (b). Variabel dependennya kejadian kanker. Gambar 19 : Variable View 29 . 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.9) 51(100%) _____________________________________________________________________ Berdasarkan Tabel 4.7(0.20) Rendah 10 (37%) 17 (63%) 27(100%) _______ _______ ________ Jumlah 22 (43. artinya lebih besar dibandingkan dengan nilai alpha (0. Pada contoh ini responden yang berpendidikan tinggi mempunyai peluang 1.3. dibandingkan dengan yang berpendidikan rendah (37%). dan independenya perilaku merokok.1%) 29 (56. memberi informasi tentang peluang variabel independen terhadap dependen.700 kali untuk berperilaku ASI eksklusif dibandingkan dengan yang berpendidikan tinggi (lihat kolom Value pada Odds Ratio for Pendidikan Ibu (Tinggi / Rendah)). maka risk estimate tidak perlu dibuat laporannya.

lakukanlangkah seperti pada Gambar 20. Print out 9 : Crosstabs 30 . Berikut ini akan ditamplkan print out analisa haubungan perilaku merokok dengan kejadian kanker. 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.Variabel-variabel tersebut kemudian dimasukkan datanya.

Perilaku merokok (a) Perilaku merokok * Kejadian kanker Crosstabulation Kejadian kanker Kanker Non kanker Perokok Count 24 6 berat Expected Count 15.935 16.0 % within Perilaku 52. The minimum expected count is 9.0% 21 21. (b).487 N of Valid Cases 51 Print out 9: (a).0% 51 51.1% merokok Total 30 30.3% 85.9% 47. 0 cells (.0% Pearson Chi-Square Continuity 18.0 100.9 % within Perilaku 14.149 (Perokok berat / Kurang Baik) For cohort Kejadian kanker = Kanker 5. disusun menjadi satu tabel. (b) Chi-Square Tests Asymp.000 .209 For cohort Kejadian kanker = Non kanker .88.0% 20. Sig.275 1 . diberi judul : Hubungan Perilaku Merokok dengan Kejadian Kanker.0 100.277 109.0%) have expected count less than 5. dan (c).7% merokok Total Count 27 24 Expected Count 27.1 9.412a 1 .000 5.000 31 .0% merokok Kurang Baik Count 3 18 Expected Count 11.855 1 . Exact Sig. Exact Sig.1 % within Perilaku 80.233 .000 Correctionb Likelihood Ratio 23.0 100.000 N of Valid Cases 51 a. Computed only for a 2x2 table (c) Risk Estimate 95% Confidence Interval Value Lower Upper Odds Ratio for Perilaku merokok 24.600 1.0 24.9 14. b.112 .000 Fisher's Exact Test . (1Value Df (2-sided) (2-sided) sided) 21.

langkah ujinya sebagai berikut : Pilih Analyze – Compare mean – Independen samples T test.27109.000. Uji t Uji t dapat digunakan untuk mengukur variabel katagorik dan numerik. ingin mengetahui hubungan usia dan keturunan dengan kejadian hipertensi.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. Katagorik dengan Numerik (Gunakan contoh Lampiran 4) Sebuah contoh penelitian dengan melibatkatkan 40 masyarakat di perkotaan.9%) 24 (47. Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%. diyakini terdapat hubungan antara perilaku merokok dengan kejadian kanker.000 < 0.4. Variabel usia merupakan numerik dengan skala ratio.3%).14) Ringan 3 (14.1. dapat dilaporkan bahwa responden yang terkena kanker lebih banyak (80%) berperilaku merokok berat dibandingkan dengan yang merokok ringan (14.3%) 18 (85.1) 51(100%) _______________________________________________________________________ Berdasarkan Tabel 4. b. artinya respondengan yang merokok berat mempunyai peluang untuk terkena kanker 24 kali dibandingkan dengan yang merokok ringan. maupun numerik dengan numerik. Setelah variabel dibuat dan data dimasukkan (Gunakan Data Lampiran 3). maka muncul dialog sebagai berikut: Gambar 21 : Independen samples T test 32 . Hasil uji Chi Square dilaporkan bahwa nilai p value 0.Tabel 4. b.14).7%) 21(100%) ________ _______ ________ Jumlah 27 (52.27-109. artinya lebih kecil dibandingkan dengan nilai alpha (0. Sedangkan hasil uji OR diperoleh nilai 24 (5. sedangkan kejadian hipertensi dan keturunan berupa katagorik dengan skala ordinal.000 24(5.05). Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah diatas.

dan koding 1 masukkan ke kotak Group2.455 4.45 dengan standar deviasi 33 . Perhatikan gambar berikut ini. Setelah variabel umur masuk. kemudian klik anak panah arah kolom Test variable(s). (2.059 8. klik anak panah ke arah kolom Grouping variable.806 F Sig.96 . kemudian pilih Define Groups.073 Untuk mencari nilai mean kedua variable. Pada contoh ini mean usia untuk hipertensi 48. lihat print out (a) pada colum mean dan standart deviation.00 12. Mean Deviation Std.912 . Klik Continoe.715 7.45 12. Difference Mean Error Sig. Setelah masuk.707 .998 3.112 not 0 assumed .064 (b) Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means 95% Confidence Interval of the Std.Differ Differen Lowe tailed) ence ce r Upper .Kemudian klik variabel umur.763 8.143 .112 38 assumed Equal variances 35. masukkan angka koding yang pertama (misalnya 0) ke kotak Group1. pilih OK.684 48. klik variabel kejadian hipertensi. 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.588 2.455 4. Error Mean 48. t Df Umur Equal responden variances .672 7.911 .

Jika nilai p < alpha. Responden yang hipertensi lebih banyak dibandingkan dengan non hipertensi. tetapi jika varian > alpha. Tetapi jika varian berbeda.988. Sedangkan 12.00 dengan standar deviasinya Kemudian untuk melihat apakah ada perbedaan mean umur. maka ada perbedaan mean keduanya.911 sehingga > alpha 0. makan akan muncul dialog Gambar 22 : Dialog Uji t Dependen 34 .05. Karena varian sama.707 sehingga > 0.988 18 __________________________________________________________________ Berdasarkan Tabel 4.05. lihat print out (b).5 Perbedaan Varian Kejadian Hipertensi __________________________________________________________________ Kejadian hipertensi Mean Standar defiasi p value Jumlah Hipertensi 48.45 12. terlebih dahulu mengetahui variannya. Hasil uji t diperoleh p value 0. maka varian sama.911 sehingga dapat disimpulkan dengan alpha 5% tidak terdapat perbedaan mean umur antara yang hipertensi dengan non hipertensi.2. Setelah data dimasukan sesuai variabel yang dibuat. Jika varian sama. uji t gunakan Equal variances not assumed pada colums Sig (2-tailed).588 0. Untuk penelitian lain tetapi dengan jenis variabel yang sama dapat menyesuaikan. atau berat badan sebelum dan sesudah puasa (bagi yang berpuasa). maka dapat disimpulkan tidak terdapat perbedaan antara mean umur hipertensi dengan non hipertensi. Numerik dengan Numerik Pada bagian ini akan menguji dua variabel numerik dengan numerik yang berasal dari satu sumber (bisa disebut pengukuran pre dan post). lakukan langkah sebagai berikut (Gunakan Data Lampiran 5): Pilih Analyze – Compare mean – Samples T test Paired. yang non hipertensi meanya 48.12.911 22 Non hipertensi 48. dan lain-lain. Hasil tersebut jika dituangkan dalam sebuah laporan dapat disusun sebagai berikut: Tabel 4.00 dengan standar deviasi 12. maka varian sama.998.588.588. Untuk mengetahui apakah ada perbedaan kedua kelompok tersebut.5 dapat dilaporkan bahwa mean umur responden yang hipertensi 48. Pada kesemapatan ini suatu penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah melakukan diet selama 3 bulan. Misalnya penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah diet. Jika nilai varian < alpha (0. b. apakah sama atau berbeda (lihat Levene's Test for Equality of Variances pada kolum Sig). maka uji t gunakan Equal variances assumed pada colums Sig (2-tailed). Pada contoh di atas nilai varian 0. Sedangkan mean yang non hipertensi 48.05) maka varian berbeda.00 12. maka nilai p = 0.45 dengan standar deviasi 12. Nilai tersebut bandingkan dengan nilai alpha.

55 _____________________________________________________________________ Berdasarkan Tabel 4.400 2.Langkah selanjutnya klik variable berat badan sebelum diet.55 kg.6 dapat dilaporkan bahwa mean berat badan sebelum melakukan diet 64.341 t Sig. (2taile df d) Pair Berat sebelum 1 diet .459 2.95 1. lihat niali mean variable yang dibandingkan serta Standar deviasinya. klik anak panah (variabel tersebut masuk ke variable2). kemudian klik anak panah (variabel tersebut masuk ke variable1).6 Perbedaan Mean Sebelum dan Sesudah Diet ______________________________________________________________________ Pengukuran Diet Mean Mean Standar defiasi p value Jumlah Kelompok Pengujian Pengujian Sebelum diet 64.55 40 7.005 9 Pada print out (a). Menuangkan dalam laporan penelitian : Tabel 4.00 39 .421 (b) Paired Samples Test Paired Differences 95% Confidence Interval of the Std.465 . Difference Mea Deviati Error n on Mean Lower Upper 1. Deviation 7.945 Std.173 63. 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.95 kg. kemudian klil berat setelah diet.94 0.256 1. Error Mean 1. Sedangkan print out (b) untuk mencari nilai mean pengujian (kolom mean) dan nilai p value (kolom Sig (2-tailed)). sedangkan setelah diet turun menjadi 63.40 0 2. Std.942 . Selanjutnya klik OK.005 40 Sesudah diet 63. Hasil uji perbedaan mean 35 .Berat setelah diet 3.

Hastono (2001) mengutif pendapat Calton. menyebutkan kekuatan hubungan dua variabel secara kuantitatif dapat dibagi menjadi empat area: Nilai r = 0.50. Sedangkan yang berpola negatif.00 – 0. Perlu diketahui bahwa hubungan kedua variabel dapat berpola positif maupun negatif. misalnya hubungan umur dengan kadar Hb-nya. 36 . hubungan linier negatif sempurna. UJI KORELASI DAN REGRESI LINIER SEDERHANA Diatas telah dijelaskan uji Chi Square (kategorik dengan kategorik). Sedangkan untuk mengetahui bentuk hubungan antara dua variabel (positif atau negatif). menggunakan analisis regresi. hubungan linier positif sempurna.51 – 0. Jikan nilai r = +1. Setiap penambahan berat badan diikuti kenaikan tekanan daranya. Apakah hubungan kedua variabel tersebut berpola positif atau sebaliknya. secara manual dapat digunakan rumus Product Moment yang sudah dijelaskan di atas.75. Nilai r = 0. Disini dapat dijelaskan setiap kenaikan umur akan menurunkan kadar Hb-nya. Apakah hubungan berat badan dan tekanan darah mempunyai derajat yang kuat atau lemah. Sedangkan nilai p dalam pengujian 0. Jika nilai r = -1. Hubungan berpola positif apabila terjadi kenaikan satu pada suatu variabel. Nilai korelasi (r). artinya tidak ada hubungan linier keduanya. Kuat lemahnya hubungan dapat dilihat dari tebaran datanya. dan numerik dengan numerik. Nilai r = 0.400 dengan standar deviasi 2. dapat dilihat pada diagram tebar/pencar (scatter plot).00. uji t numerik dengan kategorik. juga dapat mengetahui arah hubungan dua variabel numerik.25.94. atau bila diketaui arahnya maka : -1 sampai dengan +1.005. Nilai r = 0. artinya keduanya berhubungan sedang. dan sebaliknya semakin jarang tebaranya berarti semakin lemah hubungannya.76 – 1. artinya keduanya berhubungan kuat. Uji-uji tersebut tidak bisa mengetahui sejauh mana keeratan masing-masing variabel. maka diikuti oleh variabel yang lain. 1. Contoh penelitian tentang hubungan berat badan dengan tekanan darah. sehingga dapat disimpulkan dengan kepercayaan 95% diyakini terdapat perbedaan mean berat badan sebelum dan sesudah melakukan diet. Untuk mengetahui derajat keeratan hubungan variabel yang diuji digunakan analisis korelasi. artinya tidak ada hubungan atau hubungannya lemah.1. F. Untuk mempermudah pemahan derajat keeratan serta pola hubungan. Jika nilai r = 0. artinya lebih kecil dari nilai alpha. Semakin rapat tebarnya berarti semakin kuat hubungannya. Nilai r (koefisien korelasi) berkisar dari 0 sampai dengan 1. artinya hubungannya sangat kuat atau sempurna. Analisis Korelasi Hasil analisis korelasi dapat mengetahui derajat keeratan hubungan.26 – 0.

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

000 Penurunan berat per Pearson . Pada contoh ini diperoleh 0.556** .01 level (2-tailed). Tampilannya sebagai berikut : Pada posisi ini lakukan klik OK. Hasil tersebut jika dituangkan dalam laporan penelitian. 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. sebagai berikut : 38 . (2-tailed) . Penurunan berat per bulan . (2-tailed) N 40. dengan cara klik variabel yang akan dipindah kemudian klik anak panah.000 N 40 **.556).Pada menu ini pindahkan variabel yang berada pada kotak sebelah kiri (yang akan diuji) ke kotak sebelah kanan.000 40. maka akan pindah ke sebelah kanan. Nilai r dapat dilihat pada baris pertama kolom ke tiga.000 Correlation Sig. Kekuatan hubungan keduanya kuat (0. Sehingga dapat disimpulkan terdapat pengaruh antara lama olah raga per minggu dengan penurunan berat badan per bulan. Dalam contoh ini nilai p value diperoleh 0.556.000 Print out 11 memberi informasi hasil uji kedua variabel untuk mencari korelasinya.556** bulan Correlation Sig. sedangkan nilai p value pada baris kedua kolom kedua. Correlation is significant at the 0.000.000 40 1. Lakukan untuk variabel yang lain dengan cara yang sama.

__________________________________________________________________ Variabel r p value _____ _____ Lama olah raga dan penurunan berat badan 0. dengan keyakinan 95% terdapat hubungan antara lama olah raga perminggu dengan perurunan berat badan. pilih Linier. Demikian variabel independen (lama olah raga per minggu) dengan cara yang sama masukkan ke kotak Independnt(s). maka masuklah ke kotak tersebut. Regresi Sederhana Pada contoh di atas variabel independennya lama olah raga perminggu sedangkan dependenya penurunan berat badan per bulan.7. Tampilannya sebagai berikut : Langkah selanjutnya klik OK.000 __________________________________________________________________ Berdasarkan Tabel 4. Gunakan Data Lampiran 5. dengan demikian dapat disimpulkan.000. Untuk mengetahui derajat penurunan berat badan lakukan langkah sebagai berikut : Klik Analyze.556 dan p value 0. 2. maka timbul menu : Langkah selanjutnya. masukkan variabel dependen (penurunan berat badan) ke kolom Dependent dengan mengeklik variabel tersebut kemudian klik anak panah. Hubungan keduanya adalah kuat (r=0556).7 : Pengaruh Lama Olahraga dengan Penurunan Berat Badan.556 0.Tabel 4. dapat dijelaskan bahwa hubungan lama olah raga dengan penurunan berat badan diperoleh nilai r 0. pilih Regression. maka hasil sebagai berikut: 39 .

Persamaan garis tersebut dapat diperkirakan penurunan berat badan jika diketahui penambahan lama olah raga per minggunya. Print out ini diperoleh nilai p value (pada kolom Sig).651 Total 35.120 . Error Beta t Sig. sebesar 0.000.728 38 . dan nilai p value. Sehingga rumus matematis tersebut Y = -0.445 kg.497 . sehingga persamaan regresinya : Y = a+bX.000 per mingg a.617 Frekuensi olah raga . sehingga didapat nilai konstant (nilai a adalah koefisien lama olah raga per minggu) sebesar -0.108 . dan (nilai b adalah koefisien penurunan berat badan) 0. Dependent Variable: Penurunan berat per bulan Hasil di atas yang lebih penting melihat koefisien determinasi. artinya perubahan nilai X akan berpengaruh pada nilai Y). Nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary).047 16. Predictors: (Constant).803+0. Selanjutnya pada print out ANOVA. 1 Regression 11. artinya persamaan garis regresi yang kita peroleh dapat menerangkan 30. Rumus tersebut dapat dijelaskan. artinya nilai Y tergantung dari nilai X).05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh.803. dan X adalah lama olah raga perminggu (variabel independen. Predictors: (Constant).000a Residual 24. sebesar 0.556 .Print out 12 : Regression (a) Model Summary Model R R Square Adjusted R Square a 1 .114 1.445 kali lama olah raga perminggu.445 .047 1 11.309 .803 .445.976 . yaitu pada kolom B. memberi informasi tentang kesesuaian dari model terhadap data. Frekuensi olah raga per minggu Std. Dependent Variable: Penurunan berat per bulan (c) Coefficientsa Standardize Unstandardized d Coefficients Coefficients Model B Std. persamaan garis.9% variasi penurunan berat badan. Pada contoh di atas dapat dijelaskan bahwa jika terjadi penambahan frekuensi olah raga satu jam perminggunya akan terjadi penambahan penurunan berat badan 0.807 (b) ANOVA Model Sum of Squares Df Mean Square F Sig. 1 (Constant) -. Y = Penurunan berat badan (variabel dependen. Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a). Frekuensi olah raga per mingg b. 40 .291 a. yang artinya pada alpha 0. Error of the Estimate .775 39 a.309.556 4.

9% variasi penurunan berat badan. Contoh lain : Hubungan Umur dengan Lama Hari Rawat Dengan cara yang sama.000 Dengan demikian dapat dijelaskan dengan alpha 0. yang berarti ada pengaruh linier antara lama olah raga perminggu dengan penurunan berat badan. maka print out penelitian sebagai berikut : Print Out 13 : Regression (Hubungan Umur dengan Lama Hari Rawat) 41 . Analisis Korelasi dan Regresi Lama Olah Raga dengan Berat Badan __________________________________________________________________ Variabel r R2 Persamaan garis p value __ _____ ______________________________ _____ Lama olah raga 0.000).7 dapat dijelaskan bahwa hubungan lama olah raga dengan penurunan berat badan kuat (0.55). Penyajian dalam Laporan Penelitian Tabel 4.Hasil uji statistik untuk koefisien regresi dapat dijelaskan pada kolom Sig.803+0.445 artinya jika terjadi penambahan frekuensi (jam) olah raga perminggunya akan terjadi penurunan berat badan sebesar =0. sehingga diperoleh nilai p value = 0. Nilai penurunan berat badan = 0.55 0.7.445*olah raga 0. View Data hasil penelitian sebagai berikut: Kemudian lakukan langkah yang sama pada contoh sebelumnya (Lama olah raga dengan penurunan berat badan).445. dan berpola positif. Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara lama olah raga perminggu dengan penurunan berat badan (p value 0.309 Berat badan= -0.000 __________________________________________________________________ Berdasarkan Tabel 4.05 kita menolak hipotesis nol (Ho).309 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 30. Nilai koefisien determinasi 0. artinya semakin lama berolah raga setiap minggunya akan menurunkan berat badannya lebih rendah.

Sehingga rumus matematis tersebut Y = -0. dan X adalah lama olah raga perminggu (variabel independen). Dependent Variable: lama rawat df Mean Square 1 6. sehingga persamaan regresinya : Y = a+bX. Error of the Estimate a 1 . sebesar 0. Error Beta 1. Diperoleh nilai p value (pada kolom Sig). jika terjadi penambahan umur pasien. umur (b) ANOVAb Sum of Model Squares 1 Regression 6.365 a.445 kali Umur.400. yaitu pada kolom B.400 Residual .970 T Sig.133 4 F 48.023 .160 . yang artinya pada alpha 0. Dengan demikian dapat dijelaskan. Sehingga dapat dijelaskan jika terjadi penambahan usia satu tahun akan terjadi penambahan lama hari rawat 0.006.712 . Selanjutnya pada print out ANOVA.05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh. Predictors: (Constant).967 . umur b.941 .970 .400 Total 6. pada alpha 0.803+0.000 Sig.16 artinya jika terjadi penambahan usia satu tahun akan terjadi penambahan hari rawat 0.1% variasi penambahan lama hari rawat.16.922 .006a Model 1 (Constant) umur (c) Coefficientsa Unstandardized Standardized Coefficients Coefficients B Std. yang berarti ada hubungan linier antara usia dengan lama hari rawat.400 3 .144 6. sebesar 0.006.160.800 a.006 a. Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a). 42 . Rumus tersebut dapat dijelaskan. 1. Predictors: (Constant). Dependent Variable: lama rawat Hasil penelitian (Print out 13).05 kita menolak hipotesis nol (Ho).16. Hasil uji statistik untuk koefisien regresi diperoleh nilai p value = 0. Y = Penambahan hari rawat (variabel dependen).941. nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary). artinya persamaan garis regresi yang kita peroleh dapat menerangkan 94. Persamaan garis tersebut dapat diperkirakan penambahan lama hari rawat jika diketahui penambahan umurnya. sehingga didapat nilai konstant (nilai a adalah koefisien penambahan umur) sebesar 1.(a) Model Summary Adjusted R Model R R Square Square Std.928 . Nilai penambahan tersebut = 0. dan (nilai b adalah koefisien penambahan lama hari rawat) 0. . memberi informasi tentang kesesuaian dari model terhadap data.400 .

3%) 34(100%) 0.006 __________________________________________________________________ Berdasarkan Tabel 4.16. lebih banyak dibandingkan 43 . Nilai koefisien determinasi 0. Terakhir adalah pendapat peneliti berdasarkan fakta-fakta maupun pengalaman yang dimiliki.1% variasi penambahan lama hari rawat.9) 71(100%) ______________________________________________________________________ Berdasarkan tabel 4.970).9 dapat dilaporakan bahwa pengetahuan tentang hipertensi dengan kategori baik.7%) 12 (35.8 dapat dijelaskan bahwa hubungan Umur dengan lama hari rawat sangat kuat (0. Berikutnya dibandingkan dengan hasil penelitian terdahulu (sejenis).006). Baik Jumlah p value OR ________ _________ ________ ______ ____________ Baik 22 (64.0%) 37(100%) (1.4+0. dan berpola positif. Contoh pembahasan : Sebuah penelitian ingin mengetahui hubungan pengetahuan dengan perilaku kontrol penderita hipertensi. yang melakukan kontrol baik 22 orang (64.941 Hari rawat = 1. Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara umur dengan lama hari rawat (p value 0.9 : Hubungan Pengetahuan dengan Perilaku Kontrol ______________________________________________________________________ Perilaku Kontrol Pengetahuan Baik Krg. G. dibandingkan dengan literatur yang ada (biasanya telah diuraikan pada bab II).941 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 94. Hasil penelitiannya sebagai berikut (Bagian hasil) : Tabel 4.0%) 27 (73.802-13.8.7%).1%) 39 (54.16*Umur 0. artinya jika terjadi penambahan usia akan terjadi penambahan lama hari rawat.598) _______ _______ ________ Jumlah 32 (45.970 0. jika terjadi penurunan usia satu tahun akan terjadi pengurangan lama hari rawat 0. CARA MELAKUKAN PEMBAHASAN Pembahasan yang baik untuk satu pokok bahasan (satu variabel) mencakup 4 hal.003 4. yaitu paragraf pertama mengenai rangkuman hasil penelitian. Penyajian dalam Laporan Penelitian Tabel 4. Analisis Korelasi dan Regresi Umur dengan Lama Hari Rawat __________________________________________________________________ Variabel r R2 Persamaan garis p value ____ _____ _______________________ _____ Umur 0.Sebalinya.950 Kurang baik 10 (27.

dapat disimpulkan ada hubungan bermakna antara pengetahuan dengan perilaku kontrol responden ke puskesmas.05. terbentuknya suatu perilaku baru terutama pada orang dewasa dimulai pada domain kognitif.950 (1. Dalam penelitian ini disebutkan bahwa seseorang dalam berpengetahuan baik mempunyai tindakan yang baik dalam pengendalian hipertensi dibandingkan dengan responden yang pengetahuan buruk. jika dilakukan pembahasan seperti berikut : Hubungan pengetahuan dengan perilaku kontrol Hasil uji Chi Square diperoleh p value = 0. stroke dan gangguan penglihatan adalah konsekuensi yang umum dari hipertensi. Berdasarkan hasil pada tabel 4. 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. dari pengalaman dan penelitian perilaku yang didasari oleh pengetahuan akan lebih langgeng daripada perilaku yang tidak didasarkan oleh pengetahuan (Notoatmojo.05).950.0%). misalnya gagal jantung. Pada beberapa organ seperti jantung. dengan confidence interval (CI) 95% diperoleh nilai odds ratio (OR) = 4.8. gagal ginjal. otak dan mata. Dengan demikian dapat disimpulkan bahwa pengetahuan seseorang mempunyai pengaruh terhadap perilaku individu dalam melakukan kontrol ke sarana pelayanan kesehatan. artinya responden yang berpengetahuan baik mempunyai peluang berperilaku kontrol baik 4. ginjal. 44 . Dengan melakukan kontrool secara rutin dapat mengurangi resiko penderita hipertensi pada tingkat yang lebih tinggi.003 sehingga lebih kecil dari 0. Pengetahuan atau kognitif merupakan domain yang sangat penting untuk terbentuknya tindakan seseorang (overt behaviour).dengan yang berpengetahuan kurang baik. sehingga dapat disimpulkan ada hubungan antara pengetahuan dengan perilaku kontrol responden ke puskesmas. akan mengalami kerusakan. Hasil uji Chi Square diperoleh p value = 0. Pengetahuan merupakan hasil dari tahu dan ini terjadi setelah orang melakukan pengindraan terhadap suatu objek tertentu. ginjal. Hasil ini juga didukung oleh nilai OR 4.802–13. Hasil penelitian ini sesuai dengan penelitian Budiharto (2001). Peningkatan tekanan darah yang berkepanjangan akan merusak pembuluh darah yang ada disebagian besar tubuh. dan lain-lain. menyebutkan bahwa ada hubungan yang signifikan antara pengetahuan dengan pengendalian hipertensi di wilayah kerja Puskesmas Sidorejo Kabupaten Lampung Timur. Gagal jantung.003 artinya < nilai alfa (0.950 kali dibandingkan dengan responden yang berpengetahuan kurang baik.598). 10 orang (27. Hasil penelitian juga melaporkan. 2003).

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

Sign up to vote on this title
UsefulNot useful