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

masukkan ke dalam program SPSS.10291-(451)2] √ [ 2900-2809] [205820-203401] 24240 – 23903 337 337 r = --------------------------------------------. pilih Scale.= 0. Menggunakan Program SPSS Mencari nilai r dengan Program SPSS sangat mudah. b. hasilnya sebagai berikut : 5 .718. Untuk mengetahui nilai r P2-P9. pilih Reliability Analysis.444 maka pertanyaan tersebut tidak valid dan perlu diperbaiki atau dikeluarkan dari daftar pertanyaan.Sehingga : 20(1212)-(53. hasilnya sebagai berikut : Gambar 1 : Menu Data View untuk Uji Kuesioner Selanjutnya lakukan langkah-langkah sebagai berikut: Klik Analyze. Berdasarkan contoh kuesioner dan hasil uji di atas. tidak perlu menggunakan rumus (pelajari dulu pada bagian MEMULAI DENGAN SPSS (Halaman 9) pada pedoman ini).444.= -------------.451) 24240 . Jika diantara nilai r hitung ternyata ada yang kurang dari 0.145-(53)2] [20. maka P1(pertanyaan no 1) dinyatakan valid.718 √ [2900-2809] [205820-203401] √ (91)(2419) √ 220129 Nilai r hitung 0.= ---------------. sehingga r hitung lebih besar dari r tabel. jika dibandingkan dengan nilai r Tabel (Lihat Tabel Product Moment dengan n=20 serta alpha 5%) adalah 0. menggunakan rumus dan cara seperti diatas.23903 r = --------------------------------------------.= ----------------------------------------√ [20.

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

671 .366 2. Yang penting adalah bagian kedua. Deviation Pertanyaan1 2.75 5.80 .410 PertanyaaN3 2. memperlihatkan hasil proses validitas dan reliabilitas.632 .825 Item Statistics Mean Std.565 .308 Pertanyaan7 2.50 . Deviation N of Items 22.803 Pertanyaan8 21.397 .461 .55 6.90 .253 .308 Pertanyaan4 2.513 Pertanyaan9 1.832 .826 Pertanyaan6 19.489 Pertanyaan2 2.90 4.608 .00 4.816 Pertanyaan4 19.455 .65 5.389 .800 Pertanyaan9 21.05 4.65 .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 19.145 .586 .611 .75 5.803 PertanyaaN3 19. std dev (standar deviasi).Reliability Statistics Cronbach's Alpha N of Items . 7 .384 .90 .410 Pertanyaan5 2.523 9 Penjelasan: Berdasarkan Print out (1) tersebut terdapat dua pengertian.65 5.90 5. dan cases.65 .787 .823 Pertanyaan5 19.55 .80 .602 .410 Pertanyaan8 1.80 .798 Pertanyaan2 19.75 5.145 .489 Pertanyaan6 2.804 Pertanyaan7 19.565 .788 Scale Statistics Mean Variance Std. Bagian pertama menunjukkan hasil statistic deskriptif masing-masing pertanyaan dalam mean.

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

989 .45 2.444).593 .718.20 3.780 14.631 . Deviation N 2.997 .60 2.55 .20 3.788 15.410 20 2.513 20 1.817 7 Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9 Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9 Mean 17. artinya ke tujuh pertanyaan tersebut valid (lihat Corrected Item-Total Correlation.502 .642 . Listwise deletion based on all variables in the procedure.537 .773 Scale Statistics Variance Std.795 14.892 .308 20 2. Catatan : Perlu diingat bahwa terjadi perbedaan hasil penghitungan (P1) menggunakan rumus diperoleh 0.0 Total 20 100. ternyata nilai r semua pertanyaan lebih besar dari nilai r tabel.30 3.802 14.80 .489 20 2.664 .802 15. sedangkan jika menggunakan program SPSS diperoleh 0. semua lebih dari 0.6018.308 20 2. Reliability Statistics Cronbach's Alpha N of Items .410 20 1.510 20 Item-Total Statistics Scale Corrected Cronbach's Scale Mean if Variance if Item-Total Alpha if Item Item Deleted Item Deleted Correlation Deleted 14.379 .80 .65 .305 2. Deviation N of Items 4.484 .90 .50 .0 a.582 .502 .10 Item Statistics Mean Std.Case Processing Summary N % Cases Valid 20 100.30 3.90 .55 2.0 Excludeda 0 .379 . 9 .075 7 Setelah diuji kembali dengan tujuh pertanyaan.806 14.

Jika nila Alpha lebih besar dari nilai r tabel (0.16.444). kaidahnya adalah membandingkan nilai r tabel dengan nilai Alpha ( Print out Reliability Statistics. silahkan mencarinya. Reliabilitas Hasil pengujian validitas (Print out 2) menunjukkan ketujuh pertanyaan valid.817.Terjadi perbedaan keduanya. Selanjutnya akan muncul SPSS. (Untuk versi 16.0. Untuk mengetahui rliabel atau tidak. Tahap berikutnya adalah mengetahui uji reliabilitasnya. sedangkan dengan program tidak demikian. Kemudian muncul menu pilihan : Klik Cancel apabila akan membatalkan pengaktifan SPSS. Perhatikan tampilan gambar 4 berikut ini : Gambar 4 : Menu Utama Untuk memulai Program SPSS klik dua kali pada simbol tersebut (dilingkari). maka pertanyaan tersebut reliabel. klik dua kali pada ikon tersebut (Ikon dapat berada dimenu utama atau dapat pada sub menu. MEMULAI DENGAN SPSS Mengoperasikan program SPSS tidak terlalu sulit. tetapi jika versi yang lain menyesuaikan). hal ini mungkin terjadi pada pengolahan dengan rumus terjadi pembulatan. D. karena masing-masing pengguna menempatkannya berbeda-beda). jika meneruskan klik Allow. sehingga dapat digunakan sebagai alat pengumpulan data penelitian. Setelah klik Allow. Berdasarkan uji tersebut ternyata niai Alpha = 0. sehingga terjadi selisih angka. pada kolom Cronbach’s Alpha). Untuk membuka Program SPSS. maka akan muncul dialog sebagai berikut : Gambar 5 : Menu Pilihan Membuka Data (File) 10 . akan muncul SPSS for Windows. namun hasil akhirnya keduanya menyatakan valid. 2. Dapat disimpulkan ketujuh pertanyaan tersebut valid dan reliabel.

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

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

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

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

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

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

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

Median.85 34.00 3 ____________________________________________________________ Berdasarkan Tabel 4.8 dibulatkan (3) pada usia relatif muda.82 3. dapat dilaporkan bahwa variabel umur dan jumlah anak normal.82 3. hal ini terlihat bahwa mean. Print out 4 : Frequency Table (Variabel umur) 18 .Print Out 03 : Frequencies Statistics Umur Ibu N Valid Missing Mean Median Mode Minimum Maximum 40 0 35.50 34 23 54 Jumlah Anak 40 0 2.85 34. dapat dituangkan dalam laporan penelitian sebagai berikut : Tabel 4.85 tahun. Rata-rata responden berusia 35. dan Modus berdasarkan Umur Ibu dan Jumlah Anak _____________________________________________________________ Variabel Mean Median Modus _______ _______ _______ Umur Ibu 35. diman umur tersebut merupakan umur produktif. dan modusnya hampir berimpitan.1 : Mean.50 34 Jumlah Anak 2. Sedangkan pada umumnya responden mempunyai anak rata-rata 2.1.00 3 1 5 Berdasarkan print out 3. median.

5 2.5 2.5 2.5 5.5 7.0 100.0 37.0 5.0 77.0 10.5 92.0 7.0 5.5 5.0 7.0 15.5 50.5 62.0 100.5 2.0 2.5 2.5 7.5 77.5 5.5 72.5 12.5 7.5 32.0 5.5 2.0 5. ini memberi informasi yang jelas mengenai modus (umur berapa) dan frekuensinya.0 55.5 5.5 100.0 5.0 Cumulative Percent 2.5 32. Jumlah Anak Frequency 3 13 15 6 3 40 Percent Valid Percent 7.0 5.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 57.0 5.5 37.0 Valid 1 2 3 4 5 Total 19 .5 40.0 Cumulative Percent 7.5 2.5 7.5 12.5 7.0 7.5 67.5 2.5 2.0 5.0 5.0 2.0 2.0 5.5 97.0 5. Dalam hal ini modusnya umur 34 tahun 5 orang.5 92.0 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 87.5 37.5 15.0 5.5 100.0 17.5 22.0 5.5 100.5 2.0 10.5 30.5 12.5 15.0 5.5 5.5 100. Print out 5 : Variabel jumlah anak.

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

9 100.6 21.Variabel : Pola menyusui eksklusif Frequency Valid Eksklusif Non Eksklusif Total 22 29 51 Percent 43.4 100.4 56.9 47.1 100.1 100.7 33.4 25.3 100.0 52.0 31.6 100.0 21 .0 Variabel : Pola makan Ibu Frequency Valid Baik Kurang Baik Total 27 24 51 Percent Valid Percent Cumulative Percent 52.4 100.1 100.7 100.9 47.0 Valid Percent 54.1 100.9 100.9 78.7 33.6 21.4 25.0 43.0 Cumulative Percent 70.3 100.0 52.5 21.0 Valid Percent Cumulative Percent 31.6 29.1 56.0 Variabel : Keturunan dari Orang Tuanya Frequenc y Percent Valid Keturunan Asi Eksklusif Tidak Keturunan Asi Eksklusif Total 28 23 51 54.1 56.5 21.0 Cumulative Percent 54.0 66.0 Valid Percent 70.0 Valid Percent Cumulative Percent 43.0 Variabel : Pendidikan Ibu Frequency Valid Tinggi Menegah Rendah Tidak sekolah Total 16 13 11 11 51 Percent 31.9 100.9 45.9 100.0 Variabel : Pekerjaan Ibu Frequency Valid Tidak bekerja Bekerja Total 36 15 51 Percent 70.6 29.4 100.1 100.9 45.0 Valid Percent Cumulative Percent 66.0 Variabel : Pola KB Ibu Frequency Valid Kalender Non Kalender Total 34 17 51 Percent 66.6 100.6 100.

9%). Sebagai contoh diambil variabel pola menyusui secara eksklusif.2. histograms.7 9.9 35.9 ___ ____ Jumlah 51 100.0 Catatan : Untuk keperluan penyusunan laporan.9 35.1 Non eksklusif 29 65. dll). tidak perlu menampilkan tabel dan grafik. klik bentuk grafik yang diinginkan (Pie chart). pie chart.Print out 6 dapat disusun dalam sebuah laporan penelitian.8 100.3 35.8 100.3 13.0 Cumulative Percent 5. Sedangkan cara membacanya sama seperti contoh diatas.3 35.2 76. dapat dilaporkan bahwa responden yang berperilaku menyusui secara eksklusif lebih sedikit (43.3 13.1%) dibandingkan dengan non eksklusif (65. maka cara menyusun dalam tabel dan membacanya sebagai berikut : Tabel 4. Pada contoh berikut variabel banyak anak. salah satu saja.9 41.0 Valid Percent 5. maka lakukan : Klik chart (pada Gambar 12) untuk menampilkan pilihan grafik (bar chart.5 90. 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. kemudian klik Continue.7 9.2 100.0 _________________________________________________ Berdasarkan Tabel 4.2 : Distribusi Perilaku Menyusui _________________________________________________ Pola menyusui Jumlah % _________________________________________________ Eksklusif 22 43. selanjutnya klik OK. 22 .

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

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

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

0 29.0 % within Pendidikan 43. b.0% 50.350 Ratio Fisher's Exact .Exact Sig.4 13. 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.870a 1 .351 Square Continuity . Df sided) sided) (1-sided) Value Pearson Chi.Exact Sig.4 27.0% Ibu Total Count 22 29 51 Expected Count 22.(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% 63.0 51.0% 100.516 Correctionb Likelihood . 0 cells (. Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).0% 100.6 15. (b) Chi-Square Tests Asymp.0 % within Pendidikan 50. The minimum expected 26 .35. The minimum expected count is 10. memberikan informasi nilai peluang (p value).422 1 .0%) have expected count less than 5. di bawah print out tersebut : a. Sig.872 1 .6 24.0% Ibu Rendah Count 10 17 27 Expected Count 11.1% 56.258 Test N of Valid 51 Cases a.9% 100.0%) have expected count less than 5. (2. (2.405 . Computed only for a 2x2 table Print out Chi Square test.0 % within Pendidikan 37.

0% 100.0% Ibu Rendah Count 10 17 27 Expected Count 11.0 % within Pendidikan 37.Exact Sig.0 % within Pendidikan 50.0% 63.405 .9% 100. (2.350 Ratio Fisher's Exact . The minimum expected count is 10. Sig. Computed only for a 2x2 table Print out Chi Square test.0 29.0% 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.0 % within Pendidikan 43. Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b). 0 cells (.(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.Exact Sig. (b) Chi-Square Tests Asymp.351 Square Continuity .6 15.1% 56.0%) have expected count less than 5.0%) have expected count less than 5. memberikan informasi nilai peluang (p value).0% 50.258 Test N of Valid 51 Cases a.0% 100. 0 cells (.422 1 . di bawah print out tersebut : a.516 Correctionb Likelihood .35.0% Ibu Total Count 22 29 51 Expected Count 22.6 24. The minimum expected 27 .4 27. (2.870a 1 . Df sided) sided) (1-sided) Value Pearson Chi.872 1 .0 51.

0 % within Pendidikan 50.0 51. Computed only for a 2x2 table Print out Chi Square test.516 Correctionb Likelihood .0% 50.0 % within Pendidikan 37.258 Test N of Valid 51 Cases a. b.6 24.0% Ibu Rendah Count 10 17 27 Expected Count 11.Exact Sig. 0 cells (. Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b). (2.872 1 . memberikan informasi nilai peluang (p value).0 % within Pendidikan 43.0%) have expected count less than 5. di bawah print out tersebut : a.0% Ibu Total Count 22 29 51 Expected Count 22. (2.0% 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. (b) Chi-Square Tests Asymp.35. Df sided) sided) (1-sided) Value Pearson Chi.351 Square Continuity . The minimum expected 28 .6 15.Exact Sig.9% 100.1% 56.0% Ibu Print out 8 “Pendidikan Ibu*Pola menyusui eksklusif Crosstabulation” memberikan informasi perbandingan proporsi tingkat pendidikan antara yang tinggi dengan yang rendah terhadap perilaku menyusui secara eksklusif.4 27. 0 cells (. Sig.0% 100. The minimum expected count is 10.0% 63.0 29.870a 1 .350 Ratio Fisher's Exact .422 1 .405 .0%) have expected count less than 5.4 13.

Lower 0. Pada contoh ini responden yang berpendidikan tinggi mempunyai peluang 1. artinya lebih besar dibandingkan dengan nilai alpha (0. dan (c). Variabel dependennya kejadian kanker. Menuangkan dalam laporan penelitian Ketiga print out 8 (a).516. dan independenya perilaku merokok. dibandingkan dengan yang berpendidikan rendah (37%).516 1. tidak terdapat hubungan antara tingkat pendidikan dengan perilaku menyusui secara eksklusif. Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%. Berikut ini tampilan Variable View (nama-nama variabel). keturunan. 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. Tabel tersebut diberi judul : Hubungan Tingkat Pendidikan dengan Perilaku Menyusui Tabel 4. status pekerjaan.20) Rendah 10 (37%) 17 (63%) 27(100%) _______ _______ ________ Jumlah 22 (43. Kemudian CI 95%.556 dan Upper 5. Gambar 19 : Variable View 29 . memberi informasi tentang peluang variabel independen terhadap dependen. Hasil uji Chi Square dilaporkan bahwa nilai p value 0.55-5. dapat dilaporkan bahwa responden yang berperilaku menyusui secara eksklusif lebih banyak (50%) pada berpendidikan tinggi. Pada contoh diatas secara statistik tidak berhubungan.516 > 0.7(0. disusun menjadi satu tabel. dan tingkat pendidikan. Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah seperti diatas termasuk pola penyusunan tabel dan cara membacanya.700 kali untuk berperilaku ASI eksklusif dibandingkan dengan yang berpendidikan tinggi (lihat kolom Value pada Odds Ratio for Pendidikan Ibu (Tinggi / Rendah)).9) 51(100%) _____________________________________________________________________ Berdasarkan Tabel 4.201.05). (b).3 : Hubungan Pendidikan dengan Perilaku Menyusui _______________________________________________________________________ Perilaku Menyusui Pendidikan Eksklusif Non Eksklusif Jumlah p value OR ______________________________________________________________________ Tinggi 12 (50%) 12 (50%) 24(100%) 0. maka risk estimate tidak perlu dibuat laporannya.Pada Risk Estimate.3.1%) 29 (56.

Print out 9 : Crosstabs 30 . 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.Variabel-variabel tersebut kemudian dimasukkan datanya.

412a 1 . dan (c).0 100. 0 cells (.9 14. Sig.1% merokok Total 30 30.112 . disusun menjadi satu tabel.149 (Perokok berat / Kurang Baik) For cohort Kejadian kanker = Kanker 5. (b) Chi-Square Tests Asymp.000 .0% merokok Kurang Baik Count 3 18 Expected Count 11.0%) have expected count less than 5.275 1 . diberi judul : Hubungan Perilaku Merokok dengan Kejadian Kanker.9 % within Perilaku 14. Exact Sig. Exact Sig.935 16.3% 85.277 109.88.000 N of Valid Cases 51 a.0% 51 51.000 Correctionb Likelihood Ratio 23.209 For cohort Kejadian kanker = Non kanker . Computed only for a 2x2 table (c) Risk Estimate 95% Confidence Interval Value Lower Upper Odds Ratio for Perilaku merokok 24.1 % within Perilaku 80.0% 20.0 100.233 .0% 21 21.000 Fisher's Exact Test . The minimum expected count is 9. b.9% 47. (1Value Df (2-sided) (2-sided) sided) 21.487 N of Valid Cases 51 Print out 9: (a).1 9.Perilaku merokok (a) Perilaku merokok * Kejadian kanker Crosstabulation Kejadian kanker Kanker Non kanker Perokok Count 24 6 berat Expected Count 15.7% merokok Total Count 27 24 Expected Count 27.000 5.0 % within Perilaku 52.855 1 .600 1.0% Pearson Chi-Square Continuity 18.0 24.0 100.000 31 . (b).

000 < 0.1. sedangkan kejadian hipertensi dan keturunan berupa katagorik dengan skala ordinal. Uji t Uji t dapat digunakan untuk mengukur variabel katagorik dan numerik. ingin mengetahui hubungan usia dan keturunan dengan kejadian hipertensi. Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah diatas. dapat dilaporkan bahwa responden yang terkena kanker lebih banyak (80%) berperilaku merokok berat dibandingkan dengan yang merokok ringan (14.3%).1) 51(100%) _______________________________________________________________________ Berdasarkan Tabel 4.14). Sedangkan hasil uji OR diperoleh nilai 24 (5.05). Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%. artinya respondengan yang merokok berat mempunyai peluang untuk terkena kanker 24 kali dibandingkan dengan yang merokok ringan.7%) 21(100%) ________ _______ ________ Jumlah 27 (52. Variabel usia merupakan numerik dengan skala ratio.3%) 18 (85.9%) 24 (47. Katagorik dengan Numerik (Gunakan contoh Lampiran 4) Sebuah contoh penelitian dengan melibatkatkan 40 masyarakat di perkotaan. langkah ujinya sebagai berikut : Pilih Analyze – Compare mean – Independen samples T test. diyakini terdapat hubungan antara perilaku merokok dengan kejadian kanker.4.000 24(5. b.Tabel 4. Setelah variabel dibuat dan data dimasukkan (Gunakan Data Lampiran 3).14) Ringan 3 (14.000.27-109. b. Hasil uji Chi Square dilaporkan bahwa nilai p value 0.4 : 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. maupun numerik dengan numerik.27109. maka muncul dialog sebagai berikut: Gambar 21 : Independen samples T test 32 . artinya lebih kecil dibandingkan dengan nilai alpha (0.

112 38 assumed Equal variances 35.707 . Pada contoh ini mean usia untuk hipertensi 48.073 Untuk mencari nilai mean kedua variable.Differ Differen Lowe tailed) ence ce r Upper .143 . dan koding 1 masukkan ke kotak Group2.912 . t Df Umur Equal responden variances . masukkan angka koding yang pertama (misalnya 0) ke kotak Group1. pilih OK.00 12.455 4.059 8. Klik Continoe.112 not 0 assumed . Error Mean 48.806 F Sig. (2.588 2.45 dengan standar deviasi 33 . klik variabel kejadian hipertensi.96 .064 (b) Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means 95% Confidence Interval of the Std. Mean Deviation Std. klik anak panah ke arah kolom Grouping variable. Setelah masuk.455 4.998 3. Perhatikan gambar berikut ini. 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.911 . kemudian pilih Define Groups. Difference Mean Error Sig. Setelah variabel umur masuk.45 12.672 7.Kemudian klik variabel umur.763 8.715 7. lihat print out (a) pada colum mean dan standart deviation. kemudian klik anak panah arah kolom Test variable(s).684 48.

atau berat badan sebelum dan sesudah puasa (bagi yang berpuasa). lihat print out (b).911 sehingga dapat disimpulkan dengan alpha 5% tidak terdapat perbedaan mean umur antara yang hipertensi dengan non hipertensi. apakah sama atau berbeda (lihat Levene's Test for Equality of Variances pada kolum Sig). dan lain-lain. maka varian sama. Untuk penelitian lain tetapi dengan jenis variabel yang sama dapat menyesuaikan.707 sehingga > 0. Responden yang hipertensi lebih banyak dibandingkan dengan non hipertensi. Misalnya penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah diet. Untuk mengetahui apakah ada perbedaan kedua kelompok tersebut.5 Perbedaan Varian Kejadian Hipertensi __________________________________________________________________ Kejadian hipertensi Mean Standar defiasi p value Jumlah Hipertensi 48. Sedangkan 12. terlebih dahulu mengetahui variannya. maka uji t gunakan Equal variances assumed pada colums Sig (2-tailed). tetapi jika varian > alpha. Tetapi jika varian berbeda. Jika nilai p < alpha.00 12.5 dapat dilaporkan bahwa mean umur responden yang hipertensi 48.2.588. maka dapat disimpulkan tidak terdapat perbedaan antara mean umur hipertensi dengan non hipertensi.588 0. b. Sedangkan mean yang non hipertensi 48. maka nilai p = 0.00 dengan standar deviasi 12.45 dengan standar deviasi 12. makan akan muncul dialog Gambar 22 : Dialog Uji t Dependen 34 .998.05.05.588. Nilai tersebut bandingkan dengan nilai alpha.05) maka varian berbeda. Jika varian sama.988 18 __________________________________________________________________ Berdasarkan Tabel 4. maka ada perbedaan mean keduanya. Jika nilai varian < alpha (0.45 12.911 sehingga > alpha 0.911 22 Non hipertensi 48. Numerik dengan Numerik Pada bagian ini akan menguji dua variabel numerik dengan numerik yang berasal dari satu sumber (bisa disebut pengukuran pre dan post).988. Hasil tersebut jika dituangkan dalam sebuah laporan dapat disusun sebagai berikut: Tabel 4. Setelah data dimasukan sesuai variabel yang dibuat. Pada contoh di atas nilai varian 0. Pada kesemapatan ini suatu penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah melakukan diet selama 3 bulan. Hasil uji t diperoleh p value 0.00 dengan standar deviasinya Kemudian untuk melihat apakah ada perbedaan mean umur. Karena varian sama. yang non hipertensi meanya 48. maka varian sama. uji t gunakan Equal variances not assumed pada colums Sig (2-tailed).12. lakukan langkah sebagai berikut (Gunakan Data Lampiran 5): Pilih Analyze – Compare mean – Samples T test Paired.

Menuangkan dalam laporan penelitian : Tabel 4.95 kg.6 Perbedaan Mean Sebelum dan Sesudah Diet ______________________________________________________________________ Pengukuran Diet Mean Mean Standar defiasi p value Jumlah Kelompok Pengujian Pengujian Sebelum diet 64. (2taile df d) Pair Berat sebelum 1 diet . Deviation 7.40 0 2.942 .465 . 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. Selanjutnya klik OK. sedangkan setelah diet turun menjadi 63.6 dapat dilaporkan bahwa mean berat badan sebelum melakukan diet 64.945 Std.94 0.55 40 7.00 39 .005 9 Pada print out (a).Langkah selanjutnya klik variable berat badan sebelum diet.Berat setelah diet 3. Difference Mea Deviati Error n on Mean Lower Upper 1. Hasil uji perbedaan mean 35 . lihat niali mean variable yang dibandingkan serta Standar deviasinya.459 2. klik anak panah (variabel tersebut masuk ke variable2). kemudian klik anak panah (variabel tersebut masuk ke variable1). Sedangkan print out (b) untuk mencari nilai mean pengujian (kolom mean) dan nilai p value (kolom Sig (2-tailed)).95 N 40 Std.55 _____________________________________________________________________ Berdasarkan Tabel 4.55 kg.256 1. Error Mean 1.421 (b) Paired Samples Test Paired Differences 95% Confidence Interval of the Std.400 2.173 63.341 t Sig.95 1.005 40 Sesudah diet 63. kemudian klil berat setelah diet. Std.

artinya tidak ada hubungan atau hubungannya lemah. secara manual dapat digunakan rumus Product Moment yang sudah dijelaskan di atas. Untuk mempermudah pemahan derajat keeratan serta pola hubungan. dan numerik dengan numerik.75. Apakah hubungan berat badan dan tekanan darah mempunyai derajat yang kuat atau lemah. Jika nilai r = -1.26 – 0. hubungan linier negatif sempurna. Semakin rapat tebarnya berarti semakin kuat hubungannya.1.00 – 0.400 dengan standar deviasi 2. misalnya hubungan umur dengan kadar Hb-nya. Nilai r = 0. Disini dapat dijelaskan setiap kenaikan umur akan menurunkan kadar Hb-nya. uji t numerik dengan kategorik.94. Apakah hubungan kedua variabel tersebut berpola positif atau sebaliknya. artinya hubungannya sangat kuat atau sempurna. Sedangkan nilai p dalam pengujian 0.50. Setiap penambahan berat badan diikuti kenaikan tekanan daranya. Kuat lemahnya hubungan dapat dilihat dari tebaran datanya. Hastono (2001) mengutif pendapat Calton. juga dapat mengetahui arah hubungan dua variabel numerik.76 – 1. Analisis Korelasi Hasil analisis korelasi dapat mengetahui derajat keeratan hubungan.51 – 0. Nilai korelasi (r). sehingga dapat disimpulkan dengan kepercayaan 95% diyakini terdapat perbedaan mean berat badan sebelum dan sesudah melakukan diet. UJI KORELASI DAN REGRESI LINIER SEDERHANA Diatas telah dijelaskan uji Chi Square (kategorik dengan kategorik). Contoh penelitian tentang hubungan berat badan dengan tekanan darah. Nilai r (koefisien korelasi) berkisar dari 0 sampai dengan 1. maka diikuti oleh variabel yang lain. F. artinya keduanya berhubungan kuat. dan sebaliknya semakin jarang tebaranya berarti semakin lemah hubungannya. menyebutkan kekuatan hubungan dua variabel secara kuantitatif dapat dibagi menjadi empat area: Nilai r = 0. Sedangkan yang berpola negatif. Perlu diketahui bahwa hubungan kedua variabel dapat berpola positif maupun negatif. atau bila diketaui arahnya maka : -1 sampai dengan +1.25. menggunakan analisis regresi.00. dapat dilihat pada diagram tebar/pencar (scatter plot). artinya lebih kecil dari nilai alpha. 36 . Jika nilai r = 0. Jikan nilai r = +1. hubungan linier positif sempurna. Sedangkan untuk mengetahui bentuk hubungan antara dua variabel (positif atau negatif). artinya keduanya berhubungan sedang. artinya tidak ada hubungan linier keduanya. Hubungan berpola positif apabila terjadi kenaikan satu pada suatu variabel. Nilai r = 0. Uji-uji tersebut tidak bisa mengetahui sejauh mana keeratan masing-masing variabel. Nilai r = 0. Untuk mengetahui derajat keeratan hubungan variabel yang diuji digunakan analisis korelasi.005. 1.

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

dengan cara klik variabel yang akan dipindah kemudian klik anak panah.000 N 40 **.000.556** bulan Correlation Sig.556** . sedangkan nilai p value pada baris kedua kolom kedua. (2-tailed) . Lakukan untuk variabel yang lain dengan cara yang sama. Nilai r dapat dilihat pada baris pertama kolom ke tiga.556.000 40. Pada contoh ini diperoleh 0.000 Correlation Sig.556). Kekuatan hubungan keduanya kuat (0.Pada menu ini pindahkan variabel yang berada pada kotak sebelah kiri (yang akan diuji) ke kotak sebelah kanan.000 40 1.01 level (2-tailed). (2-tailed) N 40. 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 Penurunan berat per Pearson . Hasil tersebut jika dituangkan dalam laporan penelitian. Dalam contoh ini nilai p value diperoleh 0. Sehingga dapat disimpulkan terdapat pengaruh antara lama olah raga per minggu dengan penurunan berat badan per bulan.000 Print out 11 memberi informasi hasil uji kedua variabel untuk mencari korelasinya. sebagai berikut : 38 . Correlation is significant at the 0. maka akan pindah ke sebelah kanan. Penurunan berat per bulan . Tampilannya sebagai berikut : Pada posisi ini lakukan klik OK.

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

yang artinya pada alpha 0.309 . Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a).108 . sehingga didapat nilai konstant (nilai a adalah koefisien lama olah raga per minggu) sebesar -0. artinya nilai Y tergantung dari nilai X).803 . Nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary).445 kg.807 (b) ANOVA Model Sum of Squares Df Mean Square F Sig.803+0. Dependent Variable: Penurunan berat per bulan Hasil di atas yang lebih penting melihat koefisien determinasi. sebesar 0. Rumus tersebut dapat dijelaskan. Dependent Variable: Penurunan berat per bulan (c) Coefficientsa Standardize Unstandardized d Coefficients Coefficients Model B Std. Sehingga rumus matematis tersebut Y = -0.9% variasi penurunan berat badan.728 38 . dan X adalah lama olah raga perminggu (variabel independen. sehingga persamaan regresinya : Y = a+bX.976 . persamaan garis.445.05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh.000.497 . Error Beta t Sig.803. Frekuensi olah raga per mingg b. artinya perubahan nilai X akan berpengaruh pada nilai Y).000a Residual 24. Frekuensi olah raga per minggu Std. Predictors: (Constant). Error of the Estimate .445 .000 per mingg a. Print out ini diperoleh nilai p value (pada kolom Sig).775 39 a. sebesar 0. dan (nilai b adalah koefisien penurunan berat badan) 0.Print out 12 : Regression (a) Model Summary Model R R Square Adjusted R Square a 1 . dan nilai p value. yaitu pada kolom B. Y = Penurunan berat badan (variabel dependen.309.556 4.047 1 11. memberi informasi tentang kesesuaian dari model terhadap data.120 . 1 Regression 11.651 Total 35. 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 0.617 Frekuensi olah raga . artinya persamaan garis regresi yang kita peroleh dapat menerangkan 30.291 a. Predictors: (Constant). 40 .556 .114 1.047 16.445 kali lama olah raga perminggu. Selanjutnya pada print out ANOVA. 1 (Constant) -.

309 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 30.7 dapat dijelaskan bahwa hubungan lama olah raga dengan penurunan berat badan kuat (0.9% variasi penurunan berat badan.05 kita menolak hipotesis nol (Ho).55). Analisis Korelasi dan Regresi Lama Olah Raga dengan Berat Badan __________________________________________________________________ Variabel r R2 Persamaan garis p value __ _____ ______________________________ _____ Lama olah raga 0. artinya semakin lama berolah raga setiap minggunya akan menurunkan berat badannya lebih rendah.000 Dengan demikian dapat dijelaskan dengan alpha 0.000).55 0. dan berpola positif. sehingga diperoleh nilai p value = 0. Nilai penurunan berat badan = 0. Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara lama olah raga perminggu dengan penurunan berat badan (p value 0.7. View Data hasil penelitian sebagai berikut: Kemudian lakukan langkah yang sama pada contoh sebelumnya (Lama olah raga dengan penurunan berat badan). Contoh lain : Hubungan Umur dengan Lama Hari Rawat Dengan cara yang sama.445. maka print out penelitian sebagai berikut : Print Out 13 : Regression (Hubungan Umur dengan Lama Hari Rawat) 41 .803+0.000 __________________________________________________________________ Berdasarkan Tabel 4.309 Berat badan= -0. Penyajian dalam Laporan Penelitian Tabel 4. Nilai koefisien determinasi 0.445 artinya jika terjadi penambahan frekuensi (jam) olah raga perminggunya akan terjadi penurunan berat badan sebesar =0.Hasil uji statistik untuk koefisien regresi dapat dijelaskan pada kolom Sig.445*olah raga 0. yang berarti ada pengaruh linier antara lama olah raga perminggu dengan penurunan berat badan.

Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a).16.400 Total 6. memberi informasi tentang kesesuaian dari model terhadap data.970 .445 kali Umur.160 . yaitu pada kolom B. 42 . artinya persamaan garis regresi yang kita peroleh dapat menerangkan 94.16. Dengan demikian dapat dijelaskan.160.006.05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh. Selanjutnya pada print out ANOVA. sehingga didapat nilai konstant (nilai a adalah koefisien penambahan umur) sebesar 1. nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary). dan (nilai b adalah koefisien penambahan lama hari rawat) 0. Dependent Variable: lama rawat Hasil penelitian (Print out 13).800 a.400 Residual .365 a. sebesar 0.928 . Persamaan garis tersebut dapat diperkirakan penambahan lama hari rawat jika diketahui penambahan umurnya.05 kita menolak hipotesis nol (Ho).941. sehingga persamaan regresinya : Y = a+bX. pada alpha 0. Error Beta 1.006.000 Sig. sebesar 0.16 artinya jika terjadi penambahan usia satu tahun akan terjadi penambahan hari rawat 0. Predictors: (Constant).712 .1% variasi penambahan lama hari rawat.803+0. dan X adalah lama olah raga perminggu (variabel independen).970 T Sig. yang berarti ada hubungan linier antara usia dengan lama hari rawat. Diperoleh nilai p value (pada kolom Sig).941 . 1. umur (b) ANOVAb Sum of Model Squares 1 Regression 6.133 4 F 48.006a Model 1 (Constant) umur (c) Coefficientsa Unstandardized Standardized Coefficients Coefficients B Std.006 a.967 . .(a) Model Summary Adjusted R Model R R Square Square Std. umur b.922 .400 3 .144 6.400 . yang artinya pada alpha 0. Error of the Estimate a 1 . Dependent Variable: lama rawat df Mean Square 1 6. Sehingga rumus matematis tersebut Y = -0. Hasil uji statistik untuk koefisien regresi diperoleh nilai p value = 0. Predictors: (Constant). Sehingga dapat dijelaskan jika terjadi penambahan usia satu tahun akan terjadi penambahan lama hari rawat 0. Y = Penambahan hari rawat (variabel dependen).023 . Nilai penambahan tersebut = 0. jika terjadi penambahan umur pasien.400. Rumus tersebut dapat dijelaskan.

lebih banyak dibandingkan 43 . Terakhir adalah pendapat peneliti berdasarkan fakta-fakta maupun pengalaman yang dimiliki. Hasil penelitiannya sebagai berikut (Bagian hasil) : Tabel 4. artinya jika terjadi penambahan usia akan terjadi penambahan lama hari rawat.1% variasi penambahan lama hari rawat.9) 71(100%) ______________________________________________________________________ Berdasarkan tabel 4.003 4. jika terjadi penurunan usia satu tahun akan terjadi pengurangan lama hari rawat 0. Penyajian dalam Laporan Penelitian Tabel 4.8. G. Contoh pembahasan : Sebuah penelitian ingin mengetahui hubungan pengetahuan dengan perilaku kontrol penderita hipertensi. Berikutnya dibandingkan dengan hasil penelitian terdahulu (sejenis).950 Kurang baik 10 (27.006 __________________________________________________________________ Berdasarkan Tabel 4.1%) 39 (54.941 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 94.970). yaitu paragraf pertama mengenai rangkuman hasil penelitian.16.16*Umur 0. Analisis Korelasi dan Regresi Umur dengan Lama Hari Rawat __________________________________________________________________ Variabel r R2 Persamaan garis p value ____ _____ _______________________ _____ Umur 0.4+0. dibandingkan dengan literatur yang ada (biasanya telah diuraikan pada bab II). Baik Jumlah p value OR ________ _________ ________ ______ ____________ Baik 22 (64.970 0.0%) 37(100%) (1.7%) 12 (35. Nilai koefisien determinasi 0.598) _______ _______ ________ Jumlah 32 (45.9 : Hubungan Pengetahuan dengan Perilaku Kontrol ______________________________________________________________________ Perilaku Kontrol Pengetahuan Baik Krg.Sebalinya.9 dapat dilaporakan bahwa pengetahuan tentang hipertensi dengan kategori baik.802-13.0%) 27 (73.7%).8 dapat dijelaskan bahwa hubungan Umur dengan lama hari rawat sangat kuat (0. yang melakukan kontrol baik 22 orang (64.3%) 34(100%) 0. CARA MELAKUKAN PEMBAHASAN Pembahasan yang baik untuk satu pokok bahasan (satu variabel) mencakup 4 hal.006). Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara umur dengan lama hari rawat (p value 0.941 Hari rawat = 1. dan berpola positif.

Dengan melakukan kontrool secara rutin dapat mengurangi resiko penderita hipertensi pada tingkat yang lebih tinggi. Pengetahuan atau kognitif merupakan domain yang sangat penting untuk terbentuknya tindakan seseorang (overt behaviour). Berdasarkan hasil pada tabel 4.003 sehingga lebih kecil dari 0. Hasil ini juga didukung oleh nilai OR 4. Hasil uji Chi Square diperoleh p value = 0. stroke dan gangguan penglihatan adalah konsekuensi yang umum dari hipertensi. 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. sehingga dapat disimpulkan ada hubungan antara pengetahuan dengan perilaku kontrol responden ke puskesmas. Hasil penelitian juga melaporkan. ginjal. otak dan mata. Pada beberapa organ seperti jantung.802–13. dari pengalaman dan penelitian perilaku yang didasari oleh pengetahuan akan lebih langgeng daripada perilaku yang tidak didasarkan oleh pengetahuan (Notoatmojo. jika dilakukan pembahasan seperti berikut : Hubungan pengetahuan dengan perilaku kontrol Hasil uji Chi Square diperoleh p value = 0.003 artinya < nilai alfa (0. Hasil penelitian ini sesuai dengan pendapat Hatta (1996). Gagal jantung.950 kali dibandingkan dengan responden yang berpengetahuan kurang baik. dengan confidence interval (CI) 95% diperoleh nilai odds ratio (OR) = 4.950 (1. Dengan demikian dapat disimpulkan bahwa pengetahuan seseorang mempunyai pengaruh terhadap perilaku individu dalam melakukan kontrol ke sarana pelayanan kesehatan. misalnya gagal jantung. gagal ginjal. 2003). akan mengalami kerusakan.05). ginjal. 44 . Peningkatan tekanan darah yang berkepanjangan akan merusak pembuluh darah yang ada disebagian besar tubuh.dengan yang berpengetahuan kurang baik.0%). 10 orang (27.05. menyebutkan bahwa ada hubungan yang signifikan antara pengetahuan dengan pengendalian hipertensi di wilayah kerja Puskesmas Sidorejo Kabupaten Lampung Timur.598).8. dan lain-lain. Hasil penelitian ini sesuai dengan penelitian Budiharto (2001).950. Dalam penelitian ini disebutkan bahwa seseorang dalam berpengetahuan baik mempunyai tindakan yang baik dalam pengendalian hipertensi dibandingkan dengan responden yang pengetahuan buruk. Pengetahuan merupakan hasil dari tahu dan ini terjadi setelah orang melakukan pengindraan terhadap suatu objek tertentu. dapat disimpulkan ada hubungan bermakna antara pengetahuan dengan perilaku kontrol responden ke puskesmas. artinya responden yang berpengetahuan baik mempunyai peluang berperilaku kontrol baik 4. terbentuknya suatu perilaku baru terutama pada orang dewasa dimulai pada domain kognitif.

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

Sign up to vote on this title
UsefulNot useful