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

= 0.145-(53)2] [20. pilih Scale.718. hasilnya sebagai berikut : 5 . masukkan ke dalam program SPSS. b.718 √ [2900-2809] [205820-203401] √ (91)(2419) √ 220129 Nilai r hitung 0. Menggunakan Program SPSS Mencari nilai r dengan Program SPSS sangat mudah. Berdasarkan contoh kuesioner dan hasil uji di atas.23903 r = --------------------------------------------. Jika diantara nilai r hitung ternyata ada yang kurang dari 0.451) 24240 . maka P1(pertanyaan no 1) dinyatakan valid. menggunakan rumus dan cara seperti diatas.= -------------. jika dibandingkan dengan nilai r Tabel (Lihat Tabel Product Moment dengan n=20 serta alpha 5%) adalah 0.10291-(451)2] √ [ 2900-2809] [205820-203401] 24240 – 23903 337 337 r = --------------------------------------------. 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). sehingga r hitung lebih besar dari r tabel. pilih Reliability Analysis.444 maka pertanyaan tersebut tidak valid dan perlu diperbaiki atau dikeluarkan dari daftar pertanyaan. Untuk mengetahui nilai r P2-P9.444.= ----------------------------------------√ [20.Sehingga : 20(1212)-(53.= ---------------.

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

Yang penting adalah bagian kedua.397 .803 PertanyaaN3 19. 7 . Bagian pertama menunjukkan hasil statistic deskriptif masing-masing pertanyaan dalam mean.75 5.80 .389 .602 .455 . std dev (standar deviasi).489 Pertanyaan2 2.145 .80 .90 .90 5.489 Pertanyaan6 2.608 .804 Pertanyaan7 19.826 Pertanyaan6 19.565 .65 5. memperlihatkan hasil proses validitas dan reliabilitas.50 .Reliability Statistics Cronbach's Alpha N of Items .823 Pertanyaan5 19.384 .523 9 Penjelasan: Berdasarkan Print out (1) tersebut terdapat dua pengertian.65 5.80 .832 . dan cases.825 Item Statistics Mean Std.410 Pertanyaan8 1.803 Pertanyaan8 21.65 .145 .787 .75 5. Deviation Pertanyaan1 2.366 2.308 Pertanyaan7 2.308 Pertanyaan4 2.05 4.510 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 19.410 PertanyaaN3 2.00 4.611 .410 Pertanyaan5 2.671 .90 .586 .800 Pertanyaan9 21.461 .788 Scale Statistics Mean Variance Std.632 .90 4. Deviation N of Items 22.55 .55 6.75 5.816 Pertanyaan4 19.798 Pertanyaan2 19.513 Pertanyaan9 1.565 .65 .253 .

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

444).537 .308 20 2.80 . sedangkan jika menggunakan program SPSS diperoleh 0.510 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.80 .410 20 1.997 .20 3.788 15. Deviation N 2.718.0 Excludeda 0 .305 2.410 20 2.773 Scale Statistics Variance Std.484 .50 .806 14. Catatan : Perlu diingat bahwa terjadi perbedaan hasil penghitungan (P1) menggunakan rumus diperoleh 0.55 .989 .593 .892 .379 . Listwise deletion based on all variables in the procedure. semua lebih dari 0.60 2.308 20 2.10 Item Statistics Mean Std.502 .6018.582 .631 .795 14. 9 .642 .664 .90 .802 15.20 3.0 Total 20 100. Deviation N of Items 4.817 7 Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9 Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9 Mean 17.780 14.075 7 Setelah diuji kembali dengan tujuh pertanyaan.90 .55 2.Case Processing Summary N % Cases Valid 20 100.30 3.489 20 2.0 a.513 20 1. Reliability Statistics Cronbach's Alpha N of Items .30 3.45 2.379 .65 .802 14. ternyata nilai r semua pertanyaan lebih besar dari nilai r tabel.502 .

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

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

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

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

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

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

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

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

dan modusnya hampir berimpitan.50 34 23 54 Jumlah Anak 40 0 2.82 3. diman umur tersebut merupakan umur produktif.85 34. dapat dituangkan dalam laporan penelitian sebagai berikut : Tabel 4. Sedangkan pada umumnya responden mempunyai anak rata-rata 2. median. dapat dilaporkan bahwa variabel umur dan jumlah anak normal.Print Out 03 : Frequencies Statistics Umur Ibu N Valid Missing Mean Median Mode Minimum Maximum 40 0 35.85 34.85 tahun.00 3 1 5 Berdasarkan print out 3.82 3. Rata-rata responden berusia 35. dan Modus berdasarkan Umur Ibu dan Jumlah Anak _____________________________________________________________ Variabel Mean Median Modus _______ _______ _______ Umur Ibu 35.1 : Mean. Print out 4 : Frequency Table (Variabel umur) 18 . Median.00 3 ____________________________________________________________ Berdasarkan Tabel 4.8 dibulatkan (3) pada usia relatif muda.50 34 Jumlah Anak 2. hal ini terlihat bahwa mean.1.

0 5.0 Cumulative Percent 2.5 5.0 Cumulative Percent 7.5 2.5 7.0 5.5 12.0 2. Print out 5 : Variabel jumlah anak.0 5.0 5. Jumlah Anak Frequency 3 13 15 6 3 40 Percent Valid Percent 7.5 12.5 2.0 5.5 72.5 2.0 7.0 5.0 2.5 5.5 7.0 57.5 97.5 67.0 5.5 100.5 5.5 2.0 10.5 15.5 22. Dalam hal ini modusnya umur 34 tahun 5 orang.0 5.0 15.5 30. ini memberi informasi yang jelas mengenai modus (umur berapa) dan frekuensinya.5 50.5 37.5 100.0 5.5 5.5 40.5 7.0 5.0 7.0 Valid 1 2 3 4 5 Total 19 .0 55.0 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 2.5 92.0 100.5 100.0 5.5 32.5 37.0 5.0 5.5 2.5 7.0 37.5 2.0 2.5 15.5 92.0 17.5 100.5 2.0 100.0 7.0 5.5 77.5 2.5 12.0 10.5 5.5 87.5 7.5 2.0 77.Umur Ibu Frequency 1 1 1 2 1 1 2 3 3 5 2 1 2 2 2 2 4 2 2 1 40 Percent Valid Percent 2.5 32.5 62.

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

1 100.6 21.1 100.1 100.4 56.0 Valid Percent 70.6 29.0 Valid Percent Cumulative Percent 43.4 25.9 47.3 100.0 52.7 33.0 Cumulative Percent 70.9 45.1 100.0 Valid Percent Cumulative Percent 66.Variabel : Pola menyusui eksklusif Frequency Valid Eksklusif Non Eksklusif Total 22 29 51 Percent 43.4 25.0 Valid Percent Cumulative Percent 31.9 100.0 Variabel : Pendidikan Ibu Frequency Valid Tinggi Menegah Rendah Tidak sekolah Total 16 13 11 11 51 Percent 31.4 100.0 52.1 100.0 Valid Percent 54.6 21.0 31.6 29.6 100.0 Variabel : Pola makan Ibu Frequency Valid Baik Kurang Baik Total 27 24 51 Percent Valid Percent Cumulative Percent 52.1 56.9 100.5 21.5 21.9 100.0 Variabel : Pola KB Ibu Frequency Valid Kalender Non Kalender Total 34 17 51 Percent 66.4 100.7 100.0 21 .0 Variabel : Keturunan dari Orang Tuanya Frequenc y Percent Valid Keturunan Asi Eksklusif Tidak Keturunan Asi Eksklusif Total 28 23 51 54.9 78.7 33.3 100.1 56.9 47.0 Variabel : Pekerjaan Ibu Frequency Valid Tidak bekerja Bekerja Total 36 15 51 Percent 70.4 100.0 Cumulative Percent 54.6 100.6 100.0 66.9 100.0 43.9 45.

3 35. Sebagai contoh diambil variabel pola menyusui secara eksklusif. maka cara menyusun dalam tabel dan membacanya sebagai berikut : Tabel 4.2. selanjutnya klik OK. tidak perlu menampilkan tabel dan grafik.8 100.9%). dapat dilaporkan bahwa responden yang berperilaku menyusui secara eksklusif lebih sedikit (43.3 13.7 9. salah satu saja. Sedangkan cara membacanya sama seperti contoh diatas. histograms.0 Catatan : Untuk keperluan penyusunan laporan.5 90. dll).9 ___ ____ Jumlah 51 100.0 _________________________________________________ Berdasarkan Tabel 4.9 41.9 35.0 Valid Percent 5.3 35. 22 . Jika menghendaki adanya grafik.9 35.1 Non eksklusif 29 65. 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 5.2 100.3 13.8 100.2 76. kemudian klik Continue. klik bentuk grafik yang diinginkan (Pie chart). pie chart.2 : Distribusi Perilaku Menyusui _________________________________________________ Pola menyusui Jumlah % _________________________________________________ Eksklusif 22 43. Pada contoh berikut variabel banyak anak. maka lakukan : Klik chart (pada Gambar 12) untuk menampilkan pilihan grafik (bar chart.7 9.Print out 6 dapat disusun dalam sebuah laporan penelitian.1%) dibandingkan dengan non eksklusif (65.0 Cumulative Percent 5.

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

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

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

0 51.0% 100.0 % within Pendidikan 43.405 .870a 1 .4 13. 0 cells (. Sig.Exact Sig.0%) have expected count less than 5.0% 100. Df sided) sided) (1-sided) Value Pearson Chi.350 Ratio Fisher's Exact . The minimum expected count is 10. (b) Chi-Square Tests Asymp. The minimum expected 26 .(a) Pendidikan Ibu * Pola menyusui eksklusif Crosstabulation Pola menyusui eksklusif Non Eksklusif Eksklusif Total Pendidik Tinggi Count 12 12 24 an Ibu Expected Count 10. memberikan informasi nilai peluang (p value). Computed only for a 2x2 table Print out Chi Square test.6 24.6 15.0% Ibu Rendah Count 10 17 27 Expected Count 11.0% 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 27.1% 56.872 1 .422 1 .258 Test N of Valid 51 Cases a. (2. 0 cells (.516 Correctionb Likelihood .0%) have expected count less than 5.9% 100.0 % within Pendidikan 37.0% 50.351 Square Continuity . di bawah print out tersebut : a.0% Ibu Total Count 22 29 51 Expected Count 22. Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).35.0% 63. (2. b.Exact Sig.0 % within Pendidikan 50.0 29.

b.(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. Df sided) sided) (1-sided) Value Pearson Chi.0 % within Pendidikan 37.0% 100.870a 1 . Sig.4 27.0% 63.6 24.0%) have expected count less than 5. (b) Chi-Square Tests Asymp.258 Test N of Valid 51 Cases a. di bawah print out tersebut : a.405 . The minimum expected 27 .6 15.351 Square Continuity .0% 100.516 Correctionb Likelihood . Computed only for a 2x2 table Print out Chi Square test.0%) have expected count less than 5.0 29. The minimum expected count is 10.0% Ibu Rendah Count 10 17 27 Expected Count 11. (2.Exact Sig. (2. Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).0 % within Pendidikan 43.0% 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 cells (.Exact Sig.35.0% 50. 0 cells (.4 13.350 Ratio Fisher's Exact .0% Ibu Total Count 22 29 51 Expected Count 22.0 51.872 1 . memberikan informasi nilai peluang (p value).422 1 .1% 56.0 % within Pendidikan 50.9% 100.

872 1 .0 % within Pendidikan 43.0%) have expected count less than 5.0% 63. The minimum expected count is 10. (2.516 Correctionb Likelihood . memberikan informasi nilai peluang (p value). The minimum expected 28 .6 24. (2. 0 cells (.4 13.258 Test N of Valid 51 Cases a.405 . (b) Chi-Square Tests Asymp.1% 56. Sig. b.870a 1 . 0 cells (.0% Ibu Total Count 22 29 51 Expected Count 22. di bawah print out tersebut : a.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. Df sided) sided) (1-sided) Value Pearson Chi.9% 100.422 1 . Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).(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% 100.Exact Sig.0 % within Pendidikan 50.351 Square Continuity .0% Ibu Rendah Count 10 17 27 Expected Count 11.0% 50.4 27.350 Ratio Fisher's Exact .Exact Sig.0 29.0 % within Pendidikan 37. Computed only for a 2x2 table Print out Chi Square test.0% 100.6 15.35.0%) have expected count less than 5.0 51.

Tabel tersebut diberi judul : Hubungan Tingkat Pendidikan dengan Perilaku Menyusui Tabel 4. Gambar 19 : Variable View 29 . Menuangkan dalam laporan penelitian Ketiga print out 8 (a).9) 51(100%) _____________________________________________________________________ Berdasarkan Tabel 4. dapat dilaporkan bahwa responden yang berperilaku menyusui secara eksklusif lebih banyak (50%) pada berpendidikan tinggi. tidak terdapat hubungan antara tingkat pendidikan dengan perilaku menyusui secara eksklusif.7(0. dan tingkat pendidikan. Pada contoh diatas secara statistik tidak berhubungan.516 1.Pada Risk Estimate. keturunan. memberi informasi tentang peluang variabel independen terhadap dependen.3.05).556 dan Upper 5. dibandingkan dengan yang berpendidikan rendah (37%).201. maka risk estimate tidak perlu dibuat laporannya. Berikut ini tampilan Variable View (nama-nama variabel). Pada contoh ini responden yang berpendidikan tinggi mempunyai peluang 1. dan independenya perilaku merokok. disusun menjadi satu tabel. (b).700 kali untuk berperilaku ASI eksklusif dibandingkan dengan yang berpendidikan tinggi (lihat kolom Value pada Odds Ratio for Pendidikan Ibu (Tinggi / Rendah)). Hasil uji Chi Square dilaporkan bahwa nilai p value 0.516. Kemudian CI 95%. Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah seperti diatas termasuk pola penyusunan tabel dan cara membacanya. Variabel dependennya kejadian kanker. dan (c).516 > 0. Lower 0. artinya lebih besar dibandingkan dengan nilai alpha (0.20) Rendah 10 (37%) 17 (63%) 27(100%) _______ _______ ________ Jumlah 22 (43.3 : Hubungan Pendidikan dengan Perilaku Menyusui _______________________________________________________________________ Perilaku Menyusui Pendidikan Eksklusif Non Eksklusif Jumlah p value OR ______________________________________________________________________ Tinggi 12 (50%) 12 (50%) 24(100%) 0. Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%.55-5.1%) 29 (56. 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. status pekerjaan.

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

88.487 N of Valid Cases 51 Print out 9: (a).000 .1 % within Perilaku 80.9 % within Perilaku 14.0% merokok Kurang Baik Count 3 18 Expected Count 11. Exact Sig. Sig. diberi judul : Hubungan Perilaku Merokok dengan Kejadian Kanker.7% merokok Total Count 27 24 Expected Count 27.0 % within Perilaku 52.000 31 . (b) Chi-Square Tests Asymp.0 24.000 Correctionb Likelihood Ratio 23. disusun menjadi satu tabel.0 100. (b).277 109.Perilaku merokok (a) Perilaku merokok * Kejadian kanker Crosstabulation Kejadian kanker Kanker Non kanker Perokok Count 24 6 berat Expected Count 15.000 5. b.0 100.209 For cohort Kejadian kanker = Non kanker . 0 cells (. dan (c).149 (Perokok berat / Kurang Baik) For cohort Kejadian kanker = Kanker 5.0% 51 51.112 .000 Fisher's Exact Test . (1Value Df (2-sided) (2-sided) sided) 21.233 .855 1 .9% 47.000 N of Valid Cases 51 a. Exact Sig.0%) have expected count less than 5.3% 85.412a 1 .1 9.0% 20.9 14.600 1. The minimum expected count is 9.0 100.1% merokok Total 30 30.0% Pearson Chi-Square Continuity 18.0% 21 21. Computed only for a 2x2 table (c) Risk Estimate 95% Confidence Interval Value Lower Upper Odds Ratio for Perilaku merokok 24.275 1 .935 16.

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. Setelah variabel dibuat dan data dimasukkan (Gunakan Data Lampiran 3).7%) 21(100%) ________ _______ ________ Jumlah 27 (52. maupun numerik dengan numerik. sedangkan kejadian hipertensi dan keturunan berupa katagorik dengan skala ordinal.3%) 18 (85.14).Tabel 4.000 < 0. Uji t Uji t dapat digunakan untuk mengukur variabel katagorik dan numerik. artinya respondengan yang merokok berat mempunyai peluang untuk terkena kanker 24 kali dibandingkan dengan yang merokok ringan.9%) 24 (47.1) 51(100%) _______________________________________________________________________ Berdasarkan Tabel 4. Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%. Sedangkan hasil uji OR diperoleh nilai 24 (5. b. langkah ujinya sebagai berikut : Pilih Analyze – Compare mean – Independen samples T test. Hasil uji Chi Square dilaporkan bahwa nilai p value 0. Variabel usia merupakan numerik dengan skala ratio. Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah diatas.27109. dapat dilaporkan bahwa responden yang terkena kanker lebih banyak (80%) berperilaku merokok berat dibandingkan dengan yang merokok ringan (14.000 24(5.27-109.1. maka muncul dialog sebagai berikut: Gambar 21 : Independen samples T test 32 . diyakini terdapat hubungan antara perilaku merokok dengan kejadian kanker.000.4.05). artinya lebih kecil dibandingkan dengan nilai alpha (0.14) Ringan 3 (14.3%). b.

klik variabel kejadian hipertensi. Error Mean 48.998 3. Pada contoh ini mean usia untuk hipertensi 48. Setelah masuk.112 not 0 assumed .112 38 assumed Equal variances 35. Difference Mean Error Sig. dan koding 1 masukkan ke kotak Group2.45 dengan standar deviasi 33 .45 12. 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.763 8. Mean Deviation Std.672 7. kemudian klik anak panah arah kolom Test variable(s).588 2. Klik Continoe. (2.715 7. klik anak panah ke arah kolom Grouping variable. lihat print out (a) pada colum mean dan standart deviation.Differ Differen Lowe tailed) ence ce r Upper .455 4.806 F Sig. t Df Umur Equal responden variances . Perhatikan gambar berikut ini. kemudian pilih Define Groups.059 8.00 12. masukkan angka koding yang pertama (misalnya 0) ke kotak Group1.143 .96 .684 48. Setelah variabel umur masuk.455 4.911 .912 .Kemudian klik variabel umur.073 Untuk mencari nilai mean kedua variable. pilih OK.064 (b) Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means 95% Confidence Interval of the Std.707 .

maka varian sama.00 12.998. Hasil uji t diperoleh p value 0.12. dan lain-lain. Pada kesemapatan ini suatu penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah melakukan diet selama 3 bulan.5 Perbedaan Varian Kejadian Hipertensi __________________________________________________________________ Kejadian hipertensi Mean Standar defiasi p value Jumlah Hipertensi 48. lihat print out (b). Untuk mengetahui apakah ada perbedaan kedua kelompok tersebut. maka dapat disimpulkan tidak terdapat perbedaan antara mean umur hipertensi dengan non hipertensi. maka uji t gunakan Equal variances assumed pada colums Sig (2-tailed).05. b.707 sehingga > 0. Untuk penelitian lain tetapi dengan jenis variabel yang sama dapat menyesuaikan. Misalnya penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah diet.911 sehingga dapat disimpulkan dengan alpha 5% tidak terdapat perbedaan mean umur antara yang 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).2.05.988 18 __________________________________________________________________ Berdasarkan Tabel 4. apakah sama atau berbeda (lihat Levene's Test for Equality of Variances pada kolum Sig). Jika nilai varian < alpha (0.45 12. Jika varian sama. Karena varian sama.911 sehingga > alpha 0. makan akan muncul dialog Gambar 22 : Dialog Uji t Dependen 34 .588. Jika nilai p < alpha.45 dengan standar deviasi 12. atau berat badan sebelum dan sesudah puasa (bagi yang berpuasa).588.988. Responden yang hipertensi lebih banyak dibandingkan dengan non hipertensi. maka ada perbedaan mean keduanya.911 22 Non hipertensi 48. yang non hipertensi meanya 48. maka nilai p = 0. Sedangkan mean yang non hipertensi 48. uji t gunakan Equal variances not assumed pada colums Sig (2-tailed).00 dengan standar deviasi 12. Sedangkan 12.5 dapat dilaporkan bahwa mean umur responden yang hipertensi 48. Tetapi jika varian berbeda. Nilai tersebut bandingkan dengan nilai alpha.00 dengan standar deviasinya Kemudian untuk melihat apakah ada perbedaan mean umur. terlebih dahulu mengetahui variannya. lakukan langkah sebagai berikut (Gunakan Data Lampiran 5): Pilih Analyze – Compare mean – Samples T test Paired.05) maka varian berbeda.588 0. maka varian sama. Hasil tersebut jika dituangkan dalam sebuah laporan dapat disusun sebagai berikut: Tabel 4. tetapi jika varian > alpha. Setelah data dimasukan sesuai variabel yang dibuat. Pada contoh di atas nilai varian 0.

40 0 2. kemudian klil berat setelah diet.95 N 40 Std. lihat niali mean variable yang dibandingkan serta Standar deviasinya. Menuangkan dalam laporan penelitian : Tabel 4. Sedangkan print out (b) untuk mencari nilai mean pengujian (kolom mean) dan nilai p value (kolom Sig (2-tailed)). kemudian klik anak panah (variabel tersebut masuk ke variable1). Selanjutnya klik OK.256 1. (2taile df d) Pair Berat sebelum 1 diet .6 dapat dilaporkan bahwa mean berat badan sebelum melakukan diet 64.945 Std.173 63. klik anak panah (variabel tersebut masuk ke variable2).94 0.95 kg.95 1. Difference Mea Deviati Error n on Mean Lower Upper 1. sedangkan setelah diet turun menjadi 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 64.400 2. Deviation 7.55 _____________________________________________________________________ Berdasarkan Tabel 4.459 2.Berat setelah diet 3.465 .55 kg.341 t Sig.Langkah selanjutnya klik variable berat badan sebelum diet.942 . Hasil uji perbedaan mean 35 .005 9 Pada print out (a). Std.005 40 Sesudah diet 63.421 (b) Paired Samples Test Paired Differences 95% Confidence Interval of the Std. Error Mean 1.00 39 .55 40 7.6 Perbedaan Mean Sebelum dan Sesudah Diet ______________________________________________________________________ Pengukuran Diet Mean Mean Standar defiasi p value Jumlah Kelompok Pengujian Pengujian Sebelum diet 64.

Semakin rapat tebarnya berarti semakin kuat hubungannya. Analisis Korelasi Hasil analisis korelasi dapat mengetahui derajat keeratan hubungan.76 – 1.1. juga dapat mengetahui arah hubungan dua variabel numerik. dan numerik dengan numerik. misalnya hubungan umur dengan kadar Hb-nya. uji t numerik dengan kategorik. Perlu diketahui bahwa hubungan kedua variabel dapat berpola positif maupun negatif. Untuk mempermudah pemahan derajat keeratan serta pola hubungan. Uji-uji tersebut tidak bisa mengetahui sejauh mana keeratan masing-masing variabel. Hubungan berpola positif apabila terjadi kenaikan satu pada suatu variabel. Kuat lemahnya hubungan dapat dilihat dari tebaran datanya. Setiap penambahan berat badan diikuti kenaikan tekanan daranya. Apakah hubungan kedua variabel tersebut berpola positif atau sebaliknya.400 dengan standar deviasi 2. artinya hubungannya sangat kuat atau sempurna. Disini dapat dijelaskan setiap kenaikan umur akan menurunkan kadar Hb-nya. Sedangkan nilai p dalam pengujian 0. atau bila diketaui arahnya maka : -1 sampai dengan +1.75. Nilai r = 0. Nilai korelasi (r). Apakah hubungan berat badan dan tekanan darah mempunyai derajat yang kuat atau lemah.25. F. artinya tidak ada hubungan linier keduanya. menyebutkan kekuatan hubungan dua variabel secara kuantitatif dapat dibagi menjadi empat area: Nilai r = 0. Jikan nilai r = +1.005. Nilai r = 0.50. dan sebaliknya semakin jarang tebaranya berarti semakin lemah hubungannya. UJI KORELASI DAN REGRESI LINIER SEDERHANA Diatas telah dijelaskan uji Chi Square (kategorik dengan kategorik). Nilai r = 0. maka diikuti oleh variabel yang lain.51 – 0. sehingga dapat disimpulkan dengan kepercayaan 95% diyakini terdapat perbedaan mean berat badan sebelum dan sesudah melakukan diet. Nilai r (koefisien korelasi) berkisar dari 0 sampai dengan 1. menggunakan analisis regresi. Sedangkan yang berpola negatif.00. secara manual dapat digunakan rumus Product Moment yang sudah dijelaskan di atas. Sedangkan untuk mengetahui bentuk hubungan antara dua variabel (positif atau negatif). Jika nilai r = -1. artinya tidak ada hubungan atau hubungannya lemah. artinya lebih kecil dari nilai alpha. 36 . Hastono (2001) mengutif pendapat Calton. 1. Untuk mengetahui derajat keeratan hubungan variabel yang diuji digunakan analisis korelasi.26 – 0. dapat dilihat pada diagram tebar/pencar (scatter plot). artinya keduanya berhubungan sedang.94.00 – 0. Contoh penelitian tentang hubungan berat badan dengan tekanan darah. Jika nilai r = 0. hubungan linier negatif sempurna. hubungan linier positif sempurna. artinya keduanya berhubungan kuat.

Tujuannya untuk membuat perkiraan nilai suatu variabel (dependen) melalui variabel yang lain (independen).1. hubungan usia (independen) dengan tekanan darah (dependen). maka muncul menu : 37 . Suatu contoh. Regresi linier sederhana Uji regresi linier sederhana merupakan suatu model matematis yang dapat digunakan untuk mengetahui bentuk hubungan antar dua variabel atau lebih. Gunakan Data Lampiran 5. lakukan langkah-langkah berikut : Klik Analyze. klik Bivariate. pilih Correlate. Dengan uji regresi ini jika diketahui berat badannya dapat diperkirakan tekanan darahnya. maka akan diketahui penurunan hari rawatnya. Berikut akan dijelaskan aplikasi Korelasi dan Regresi Sebuah penelitian ingin mengetahui hubungan frekuensi olah raga dengan penurunan berat badan. 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). Dengan dinaikkan dosisnya.

01 level (2-tailed).556** bulan Correlation Sig.000 Penurunan berat per Pearson . Penurunan berat per bulan . Nilai r dapat dilihat pada baris pertama kolom ke tiga.556). Lakukan untuk variabel yang lain dengan cara yang sama. (2-tailed) N 40. Correlation is significant at the 0.000 Correlation Sig. Kekuatan hubungan keduanya kuat (0. Pada contoh ini diperoleh 0. dengan cara klik variabel yang akan dipindah kemudian klik anak panah.000.000 40. sebagai berikut : 38 . Dalam contoh ini nilai p value diperoleh 0. sedangkan nilai p value pada baris kedua kolom kedua.000 Print out 11 memberi informasi hasil uji kedua variabel untuk mencari korelasinya.556** .Pada menu ini pindahkan variabel yang berada pada kotak sebelah kiri (yang akan diuji) ke kotak sebelah kanan. 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. (2-tailed) . Tampilannya sebagai berikut : Pada posisi ini lakukan klik OK.000 N 40 **.556.000 40 1. Hasil tersebut jika dituangkan dalam laporan penelitian. Sehingga dapat disimpulkan terdapat pengaruh antara lama olah raga per minggu dengan penurunan berat badan per bulan. maka akan pindah ke sebelah kanan.

masukkan variabel dependen (penurunan berat badan) ke kolom Dependent dengan mengeklik variabel tersebut kemudian klik anak panah. Demikian variabel independen (lama olah raga per minggu) dengan cara yang sama masukkan ke kotak Independnt(s).000 __________________________________________________________________ Berdasarkan Tabel 4.556 0. 2.556 dan p value 0. Gunakan Data Lampiran 5.7 : Pengaruh Lama Olahraga dengan Penurunan Berat Badan. pilih Regression. maka timbul menu : Langkah selanjutnya.Tabel 4. __________________________________________________________________ Variabel r p value _____ _____ Lama olah raga dan penurunan berat badan 0. maka hasil sebagai berikut: 39 . dengan keyakinan 95% terdapat hubungan antara lama olah raga perminggu dengan perurunan berat badan. Tampilannya sebagai berikut : Langkah selanjutnya klik OK. pilih Linier. dapat dijelaskan bahwa hubungan lama olah raga dengan penurunan berat badan diperoleh nilai r 0. dengan demikian dapat disimpulkan.7. Untuk mengetahui derajat penurunan berat badan lakukan langkah sebagai berikut : Klik Analyze. Regresi Sederhana Pada contoh di atas variabel independennya lama olah raga perminggu sedangkan dependenya penurunan berat badan per bulan. Hubungan keduanya adalah kuat (r=0556).000. maka masuklah ke kotak tersebut.

445 . sehingga didapat nilai konstant (nilai a adalah koefisien lama olah raga per minggu) sebesar -0.445 kali lama olah raga perminggu. Dependent Variable: Penurunan berat per bulan (c) Coefficientsa Standardize Unstandardized d Coefficients Coefficients Model B Std.000a Residual 24. Error Beta t Sig.556 . Nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary).9% variasi penurunan berat badan.309 .000 per mingg a. Frekuensi olah raga per mingg b.309. sebesar 0. yang artinya pada alpha 0. Predictors: (Constant).775 39 a.617 Frekuensi olah raga .05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh.047 16. sebesar 0. 40 .976 .108 .445 kg. Sehingga rumus matematis tersebut Y = -0. Rumus tersebut dapat dijelaskan. Frekuensi olah raga per minggu Std. Selanjutnya pada print out ANOVA. Pada contoh di atas dapat dijelaskan bahwa jika terjadi penambahan frekuensi olah raga satu jam perminggunya akan terjadi penambahan penurunan berat badan 0.728 38 .Print out 12 : Regression (a) Model Summary Model R R Square Adjusted R Square a 1 .497 .000.803 . 1 Regression 11. artinya persamaan garis regresi yang kita peroleh dapat menerangkan 30.114 1. Persamaan garis tersebut dapat diperkirakan penurunan berat badan jika diketahui penambahan lama olah raga per minggunya.445. memberi informasi tentang kesesuaian dari model terhadap data. Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a). Y = Penurunan berat badan (variabel dependen. artinya nilai Y tergantung dari nilai X).803. yaitu pada kolom B.291 a. dan nilai p value. persamaan garis. Print out ini diperoleh nilai p value (pada kolom Sig).807 (b) ANOVA Model Sum of Squares Df Mean Square F Sig. Dependent Variable: Penurunan berat per bulan Hasil di atas yang lebih penting melihat koefisien determinasi.120 . dan X adalah lama olah raga perminggu (variabel independen.651 Total 35. artinya perubahan nilai X akan berpengaruh pada nilai Y). sehingga persamaan regresinya : Y = a+bX. dan (nilai b adalah koefisien penurunan berat badan) 0. 1 (Constant) -.556 4.803+0.047 1 11. Predictors: (Constant). Error of the Estimate .

Penyajian dalam Laporan Penelitian Tabel 4.000). Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara lama olah raga perminggu dengan penurunan berat badan (p value 0.55).803+0.445*olah raga 0.000 __________________________________________________________________ Berdasarkan Tabel 4. artinya semakin lama berolah raga setiap minggunya akan menurunkan berat badannya lebih rendah.000 Dengan demikian dapat dijelaskan dengan alpha 0. maka print out penelitian sebagai berikut : Print Out 13 : Regression (Hubungan Umur dengan Lama Hari Rawat) 41 . Nilai penurunan berat badan = 0.445.7 dapat dijelaskan bahwa hubungan lama olah raga dengan penurunan berat badan kuat (0.309 Berat badan= -0. yang berarti ada pengaruh linier antara lama olah raga perminggu dengan penurunan berat badan. sehingga diperoleh nilai p value = 0.7. dan berpola positif. Contoh lain : Hubungan Umur dengan Lama Hari Rawat Dengan cara yang sama.445 artinya jika terjadi penambahan frekuensi (jam) olah raga perminggunya akan terjadi penurunan berat badan sebesar =0.55 0.05 kita menolak hipotesis nol (Ho).Hasil uji statistik untuk koefisien regresi dapat dijelaskan pada kolom Sig. Analisis Korelasi dan Regresi Lama Olah Raga dengan Berat Badan __________________________________________________________________ Variabel r R2 Persamaan garis p value __ _____ ______________________________ _____ Lama olah raga 0.309 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 30. View Data hasil penelitian sebagai berikut: Kemudian lakukan langkah yang sama pada contoh sebelumnya (Lama olah raga dengan penurunan berat badan).9% variasi penurunan berat badan. Nilai koefisien determinasi 0.

133 4 F 48. yang berarti ada hubungan linier antara usia dengan lama hari rawat.941 . Diperoleh nilai p value (pada kolom Sig). dan (nilai b adalah koefisien penambahan lama hari rawat) 0.006a Model 1 (Constant) umur (c) Coefficientsa Unstandardized Standardized Coefficients Coefficients B Std. Dependent Variable: lama rawat df Mean Square 1 6.365 a.400 Total 6. artinya persamaan garis regresi yang kita peroleh dapat menerangkan 94.006 a. Dengan demikian dapat dijelaskan.400. Y = Penambahan hari rawat (variabel dependen).16. yang artinya pada alpha 0. Sehingga dapat dijelaskan jika terjadi penambahan usia satu tahun akan terjadi penambahan lama hari rawat 0.144 6.160 . Predictors: (Constant).712 .16.160.928 . Persamaan garis tersebut dapat diperkirakan penambahan lama hari rawat jika diketahui penambahan umurnya. . Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a). sebesar 0. sehingga didapat nilai konstant (nilai a adalah koefisien penambahan umur) sebesar 1. Error of the Estimate a 1 .006. Nilai penambahan tersebut = 0. Sehingga rumus matematis tersebut Y = -0.1% variasi penambahan lama hari rawat.967 . Hasil uji statistik untuk koefisien regresi diperoleh nilai p value = 0. 42 .000 Sig.970 .05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh. memberi informasi tentang kesesuaian dari model terhadap data.970 T Sig. umur (b) ANOVAb Sum of Model Squares 1 Regression 6.922 . umur b. Selanjutnya pada print out ANOVA. 1. Dependent Variable: lama rawat Hasil penelitian (Print out 13).803+0.400 . dan X adalah lama olah raga perminggu (variabel independen). Rumus tersebut dapat dijelaskan. sehingga persamaan regresinya : Y = a+bX.023 .(a) Model Summary Adjusted R Model R R Square Square Std. yaitu pada kolom B.16 artinya jika terjadi penambahan usia satu tahun akan terjadi penambahan hari rawat 0.800 a.400 Residual .941. pada alpha 0.05 kita menolak hipotesis nol (Ho). jika terjadi penambahan umur pasien. nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary).400 3 . sebesar 0.445 kali Umur. Predictors: (Constant). Error Beta 1.006.

yang melakukan kontrol baik 22 orang (64.1% variasi penambahan lama hari rawat.16*Umur 0.3%) 34(100%) 0. artinya jika terjadi penambahan usia akan terjadi penambahan lama hari rawat. Contoh pembahasan : Sebuah penelitian ingin mengetahui hubungan pengetahuan dengan perilaku kontrol penderita hipertensi.0%) 27 (73.970 0.16.970). Penyajian dalam Laporan Penelitian Tabel 4. CARA MELAKUKAN PEMBAHASAN Pembahasan yang baik untuk satu pokok bahasan (satu variabel) mencakup 4 hal.006 __________________________________________________________________ Berdasarkan Tabel 4. Berikutnya dibandingkan dengan hasil penelitian terdahulu (sejenis).941 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 94.8 dapat dijelaskan bahwa hubungan Umur dengan lama hari rawat sangat kuat (0.9 : Hubungan Pengetahuan dengan Perilaku Kontrol ______________________________________________________________________ Perilaku Kontrol Pengetahuan Baik Krg. dibandingkan dengan literatur yang ada (biasanya telah diuraikan pada bab II).941 Hari rawat = 1. Hasil penelitiannya sebagai berikut (Bagian hasil) : Tabel 4. jika terjadi penurunan usia satu tahun akan terjadi pengurangan lama hari rawat 0.9) 71(100%) ______________________________________________________________________ Berdasarkan tabel 4.003 4. lebih banyak dibandingkan 43 .1%) 39 (54.950 Kurang baik 10 (27. Analisis Korelasi dan Regresi Umur dengan Lama Hari Rawat __________________________________________________________________ Variabel r R2 Persamaan garis p value ____ _____ _______________________ _____ Umur 0.7%) 12 (35.006).802-13. Baik Jumlah p value OR ________ _________ ________ ______ ____________ Baik 22 (64. Nilai koefisien determinasi 0. G.598) _______ _______ ________ Jumlah 32 (45.8. Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara umur dengan lama hari rawat (p value 0.4+0.0%) 37(100%) (1.9 dapat dilaporakan bahwa pengetahuan tentang hipertensi dengan kategori baik. yaitu paragraf pertama mengenai rangkuman hasil penelitian.7%).Sebalinya. Terakhir adalah pendapat peneliti berdasarkan fakta-fakta maupun pengalaman yang dimiliki. dan berpola positif.

Gagal jantung. Berdasarkan hasil pada tabel 4. Pada beberapa organ seperti jantung. otak dan mata. Hasil penelitian ini sesuai dengan penelitian Budiharto (2001). misalnya gagal jantung. 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. artinya responden yang berpengetahuan baik mempunyai peluang berperilaku kontrol baik 4. dari pengalaman dan penelitian perilaku yang didasari oleh pengetahuan akan lebih langgeng daripada perilaku yang tidak didasarkan oleh pengetahuan (Notoatmojo.8. ginjal. ginjal. menyebutkan bahwa ada hubungan yang signifikan antara pengetahuan dengan pengendalian hipertensi di wilayah kerja Puskesmas Sidorejo Kabupaten Lampung Timur.003 sehingga lebih kecil dari 0. gagal ginjal. Hasil penelitian ini sesuai dengan pendapat Hatta (1996).05). Dengan melakukan kontrool secara rutin dapat mengurangi resiko penderita hipertensi pada tingkat yang lebih tinggi.802–13.950 kali dibandingkan dengan responden yang berpengetahuan kurang baik. Hasil uji Chi Square diperoleh p value = 0. 2003). terbentuknya suatu perilaku baru terutama pada orang dewasa dimulai pada domain kognitif. stroke dan gangguan penglihatan adalah konsekuensi yang umum dari hipertensi. dapat disimpulkan ada hubungan bermakna antara pengetahuan dengan perilaku kontrol responden ke puskesmas.05. Dengan demikian dapat disimpulkan bahwa pengetahuan seseorang mempunyai pengaruh terhadap perilaku individu dalam melakukan kontrol ke sarana pelayanan kesehatan. dan lain-lain.dengan yang berpengetahuan kurang baik.0%). Pengetahuan merupakan hasil dari tahu dan ini terjadi setelah orang melakukan pengindraan terhadap suatu objek tertentu.598). Pengetahuan atau kognitif merupakan domain yang sangat penting untuk terbentuknya tindakan seseorang (overt behaviour). sehingga dapat disimpulkan ada hubungan antara pengetahuan dengan perilaku kontrol responden ke puskesmas. akan mengalami kerusakan.950 (1. dengan confidence interval (CI) 95% diperoleh nilai odds ratio (OR) = 4. 44 . 10 orang (27. Hasil ini juga didukung oleh nilai OR 4. 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.003 artinya < nilai alfa (0. Hasil penelitian juga melaporkan.950. Peningkatan tekanan darah yang berkepanjangan akan merusak pembuluh darah yang ada disebagian besar tubuh.

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

Sign up to vote on this title
UsefulNot useful