P. 1
Petunjuk Teknis Analisa Data (Fk)

Petunjuk Teknis Analisa Data (Fk)

|Views: 88|Likes:
Published by Eka Narsusi

More info:

Published by: Eka Narsusi on Mar 22, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

09/09/2013

pdf

text

original

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

tidak perlu menggunakan rumus (pelajari dulu pada bagian MEMULAI DENGAN SPSS (Halaman 9) pada pedoman ini).444. pilih Reliability Analysis. maka P1(pertanyaan no 1) dinyatakan valid. hasilnya sebagai berikut : Gambar 1 : Menu Data View untuk Uji Kuesioner Selanjutnya lakukan langkah-langkah sebagai berikut: Klik Analyze. menggunakan rumus dan cara seperti diatas.10291-(451)2] √ [ 2900-2809] [205820-203401] 24240 – 23903 337 337 r = --------------------------------------------. pilih Scale. hasilnya sebagai berikut : 5 . jika dibandingkan dengan nilai r Tabel (Lihat Tabel Product Moment dengan n=20 serta alpha 5%) adalah 0.= -------------.718.145-(53)2] [20. b.= ---------------.= ----------------------------------------√ [20.Sehingga : 20(1212)-(53. Menggunakan Program SPSS Mencari nilai r dengan Program SPSS sangat mudah. Untuk mengetahui nilai r P2-P9.= 0. Jika diantara nilai r hitung ternyata ada yang kurang dari 0.718 √ [2900-2809] [205820-203401] √ (91)(2419) √ 220129 Nilai r hitung 0. Berdasarkan contoh kuesioner dan hasil uji di atas.451) 24240 .444 maka pertanyaan tersebut tidak valid dan perlu diperbaiki atau dikeluarkan dari daftar pertanyaan. masukkan ke dalam program SPSS.23903 r = --------------------------------------------. sehingga r hitung lebih besar dari r tabel.

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

65 .75 5.671 .Reliability Statistics Cronbach's Alpha N of Items .611 .632 .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 19.565 .308 Pertanyaan4 2.565 . 7 .410 Pertanyaan5 2.55 6.800 Pertanyaan9 21.455 .366 2.50 .65 . Yang penting adalah bagian kedua.832 .80 .816 Pertanyaan4 19.788 Scale Statistics Mean Variance Std.803 PertanyaaN3 19.384 . Deviation N of Items 22.145 .65 5.489 Pertanyaan6 2.75 5.825 Item Statistics Mean Std.513 Pertanyaan9 1.803 Pertanyaan8 21.798 Pertanyaan2 19.787 .823 Pertanyaan5 19.00 4.80 . memperlihatkan hasil proses validitas dan reliabilitas.410 PertanyaaN3 2.65 5.253 .602 .90 .75 5.410 Pertanyaan8 1.523 9 Penjelasan: Berdasarkan Print out (1) tersebut terdapat dua pengertian.804 Pertanyaan7 19.80 .489 Pertanyaan2 2. dan cases. Deviation Pertanyaan1 2.308 Pertanyaan7 2.389 .55 . Bagian pertama menunjukkan hasil statistic deskriptif masing-masing pertanyaan dalam mean.90 .826 Pertanyaan6 19.608 .05 4.90 4.145 .90 5.586 .397 .461 . std dev (standar deviasi).

P7. selebihnya P1. P9 dinyatakan valid. Langkah selanjutnya. berikutnya uji reliabilitas.Berdasarkan kaidah analisis. n=20). P8. yang dinyatakan valid perlu diuji kembali. P9. P6. pertanyaan dinyatakan valid apabila nilai r hitung lebih besar dibandingkan dengan r tabel. P2. Sedangkan P1. Untuk mengetahui nilai r hitung perhatikan nilai yang berada di bawah penjelasan “Corrected Item-Total Correlation”. P8. lihat Tabel Product Moment. P3. pengujian dimulai dari validitas kuesioner. Uji validitas untuk mengetahui perbandingan nilai r hitung dengan r tabel. P2. P7. Seperti telah disinggung di atas. P3. Berdasarkan hasil uji di atas ternyata nilai r P4 dan P5 lebih kecil dari r tabel (0.444. dengan demikian P4 dan P5 tidak valid. Hasilnya sebagai berikut: Reliability (Print out 2) Scale: ALL VARIABLES 8 . P6. karena P4 dan P5 harus dikeluarkan dari daftar.

0 Excludeda 0 .817 7 Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9 Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9 Mean 17.989 .631 . Reliability Statistics Cronbach's Alpha N of Items .80 .802 15.773 Scale Statistics Variance Std.795 14.50 .55 2.444). Deviation N 2.806 14.802 14.582 . 9 .60 2.90 . artinya ke tujuh pertanyaan tersebut valid (lihat Corrected Item-Total Correlation.484 .90 .80 .780 14.6018.0 a.997 . sedangkan jika menggunakan program SPSS diperoleh 0.65 .45 2.20 3.10 Item Statistics Mean Std.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 14.30 3.308 20 2.664 . Catatan : Perlu diingat bahwa terjadi perbedaan hasil penghitungan (P1) menggunakan rumus diperoleh 0.410 20 2.718.537 .308 20 2. ternyata nilai r semua pertanyaan lebih besar dari nilai r tabel.642 .593 .410 20 1.892 . Deviation N of Items 4.55 . semua lebih dari 0.305 2.502 .30 3.513 20 1.Case Processing Summary N % Cases Valid 20 100.379 .502 . Listwise deletion based on all variables in the procedure.0 Total 20 100.379 .20 3.788 15.075 7 Setelah diuji kembali dengan tujuh pertanyaan.489 20 2.

Perhatikan tampilan gambar 4 berikut ini : Gambar 4 : Menu Utama Untuk memulai Program SPSS klik dua kali pada simbol tersebut (dilingkari). kaidahnya adalah membandingkan nilai r tabel dengan nilai Alpha ( Print out Reliability Statistics. sehingga dapat digunakan sebagai alat pengumpulan data penelitian. Setelah klik Allow. jika meneruskan klik Allow. Jika nila Alpha lebih besar dari nilai r tabel (0. Untuk mengetahui rliabel atau tidak. akan muncul SPSS for Windows.444). Kemudian muncul menu pilihan : Klik Cancel apabila akan membatalkan pengaktifan SPSS.817.0. sedangkan dengan program tidak demikian. Reliabilitas Hasil pengujian validitas (Print out 2) menunjukkan ketujuh pertanyaan valid. pada kolom Cronbach’s Alpha). maka akan muncul dialog sebagai berikut : Gambar 5 : Menu Pilihan Membuka Data (File) 10 . silahkan mencarinya. hal ini mungkin terjadi pada pengolahan dengan rumus terjadi pembulatan. 2. MEMULAI DENGAN SPSS Mengoperasikan program SPSS tidak terlalu sulit. (Untuk versi 16. klik dua kali pada ikon tersebut (Ikon dapat berada dimenu utama atau dapat pada sub menu. karena masing-masing pengguna menempatkannya berbeda-beda). Tahap berikutnya adalah mengetahui uji reliabilitasnya. maka pertanyaan tersebut reliabel. namun hasil akhirnya keduanya menyatakan valid. Selanjutnya akan muncul SPSS. tetapi jika versi yang lain menyesuaikan). Berdasarkan uji tersebut ternyata niai Alpha = 0. D. Dapat disimpulkan ketujuh pertanyaan tersebut valid dan reliabel. sehingga terjadi selisih angka.Terjadi perbedaan keduanya. Untuk membuka Program SPSS.16.

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

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

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

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

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

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

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

1.00 3 ____________________________________________________________ Berdasarkan Tabel 4. median.82 3. dan modusnya hampir berimpitan.85 tahun.00 3 1 5 Berdasarkan print out 3. Print out 4 : Frequency Table (Variabel umur) 18 . diman umur tersebut merupakan umur produktif.Print Out 03 : Frequencies Statistics Umur Ibu N Valid Missing Mean Median Mode Minimum Maximum 40 0 35. Median.1 : Mean.50 34 Jumlah Anak 2. dapat dituangkan dalam laporan penelitian sebagai berikut : Tabel 4. dan Modus berdasarkan Umur Ibu dan Jumlah Anak _____________________________________________________________ Variabel Mean Median Modus _______ _______ _______ Umur Ibu 35.82 3. Rata-rata responden berusia 35.85 34.85 34. dapat dilaporkan bahwa variabel umur dan jumlah anak normal. Sedangkan pada umumnya responden mempunyai anak rata-rata 2.8 dibulatkan (3) pada usia relatif muda. hal ini terlihat bahwa mean.50 34 23 54 Jumlah Anak 40 0 2.

5 92.5 100.0 17.5 30.5 100.5 97.5 12.0 5.5 7.5 12.0 55.0 2.5 2.5 32.5 5.0 7.5 100.0 5. Jumlah Anak Frequency 3 13 15 6 3 40 Percent Valid Percent 7.5 2.0 15.0 5.5 2.5 87.5 2.5 5.5 7.0 5.0 5.5 92.5 7.0 7.5 37.5 100.0 37.0 2.0 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 32.5 2.0 5.5 2.0 5.0 Cumulative Percent 7.0 5.5 7.5 7.5 5.0 10. ini memberi informasi yang jelas mengenai modus (umur berapa) dan frekuensinya. Print out 5 : Variabel jumlah anak. Dalam hal ini modusnya umur 34 tahun 5 orang.0 5.0 100.0 Valid 1 2 3 4 5 Total 19 .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 2.5 15.0 5.5 77.5 2.0 7.5 15.5 62.5 5.0 5.5 72.5 5.0 Cumulative Percent 2.5 67.5 50.5 12.5 37.5 2.0 5.0 2.5 40.5 22.5 2.0 5.0 100.0 77.5 2.0 10.0 57.

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

0 66.0 Valid Percent 54.6 21.4 56.0 52.7 33.0 Cumulative Percent 70.9 45.9 45.1 100.1 56.0 52.9 78.6 100.9 100.0 Variabel : Pekerjaan Ibu Frequency Valid Tidak bekerja Bekerja Total 36 15 51 Percent 70.9 47.3 100.9 100.1 100.3 100.0 43.7 33.0 21 .6 21.1 100.0 Valid Percent 70.6 29.1 100.0 Cumulative Percent 54.4 25.4 100.Variabel : Pola menyusui eksklusif Frequency Valid Eksklusif Non Eksklusif Total 22 29 51 Percent 43.6 100.0 31.9 100.0 Variabel : Pola makan Ibu Frequency Valid Baik Kurang Baik Total 27 24 51 Percent Valid Percent Cumulative Percent 52.5 21.6 100.9 47.9 100.6 29.4 100.5 21.0 Valid Percent Cumulative Percent 66.4 25.1 100.0 Variabel : Keturunan dari Orang Tuanya Frequenc y Percent Valid Keturunan Asi Eksklusif Tidak Keturunan Asi Eksklusif Total 28 23 51 54.0 Valid Percent Cumulative Percent 31.0 Variabel : Pendidikan Ibu Frequency Valid Tinggi Menegah Rendah Tidak sekolah Total 16 13 11 11 51 Percent 31.0 Valid Percent Cumulative Percent 43.4 100.0 Variabel : Pola KB Ibu Frequency Valid Kalender Non Kalender Total 34 17 51 Percent 66.7 100.1 56.

maka lakukan : Klik chart (pada Gambar 12) untuk menampilkan pilihan grafik (bar chart.3 13. Sebagai contoh diambil variabel pola menyusui secara eksklusif.9 35.7 9.2 100. dll).1 Non eksklusif 29 65.5 90.0 Catatan : Untuk keperluan penyusunan laporan. selanjutnya klik OK.Print out 6 dapat disusun dalam sebuah laporan penelitian.9%).3 13.1%) dibandingkan dengan non eksklusif (65. kemudian klik Continue.2 76. histograms.8 100. salah satu saja.3 35. dapat dilaporkan bahwa responden yang berperilaku menyusui secara eksklusif lebih sedikit (43.2 : Distribusi Perilaku Menyusui _________________________________________________ Pola menyusui Jumlah % _________________________________________________ Eksklusif 22 43. tidak perlu menampilkan tabel dan grafik.0 _________________________________________________ Berdasarkan Tabel 4. Pada contoh berikut variabel banyak anak. Sedangkan cara membacanya sama seperti contoh diatas. Jika menghendaki adanya grafik. 22 .9 35.9 ___ ____ Jumlah 51 100.7 9. maka cara menyusun dalam tabel dan membacanya sebagai berikut : Tabel 4. 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 5.3 35. klik bentuk grafik yang diinginkan (Pie chart).9 41.2.0 Valid Percent 5.8 100. pie chart.0 Cumulative Percent 5.

katagorik dengan numerik. Untuk mengetahui apakah ada hubungan atau tidak kedua variable tersebut. serta lebih baik bertabel 2x2. Analisa Bivariat Analisa bivariat artinya menguji dua variabel.05). Contoh diatas. ingin mengetahui hubungan perilaku menyusui dengan tingkat pendidikan. atau numerik dengan numerik. Untuk mengetahui dampak resiko yang terpapar dengan yang tidak. sedangkan RR jika kohort. Pada contoh-contoh ini menggunakan alpha 5% (0.2. a. Variabel dependennya perilaku menyusui. Uji Chi Square (Gunakan data Lampiran 2) Dapat digunakan untuk mengolah data jika datanya (variabel independen maupun dependen) berbentuk katagorik. seperti pada gambar 17 sebagai berikut : Gambar 17 : View Data (Angka koding dan yang lain yang telah dientry) 23 . 10%). dapat diketahui dari nilai OR (odds ratio) maupun RR (resiko relative). (masing-masing variabel hanya dikelompokkan menjadi 2). dikelompokkan menjadi menyusui eksklusif dan non eksklusif. tergantung dari nilai peluang (p value). OR digunakan jika desain Case control. apakah berbentuk katagorik dengan katagorik. Sedangkan variabel independenya tingkat pendidikan dikelompokkan menjadi tinggi dan rendah. Nilai peluang yang diperoleh (hitung) dibandingkan dengan nilai alpha yang ditetapkan (bisa : 1%. Langkah-langkah Uji Chi Square sebagai berikut : Pada posisi data sudah siap untuk dianalisis. 5%. dan cocok untuk data besar.

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

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

0% 63.422 1 .0 % within Pendidikan 43. memberikan informasi nilai peluang (p value). di bawah print out tersebut : a.(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. Computed only for a 2x2 table Print out Chi Square test.4 13.35. 0 cells (.0% 100.351 Square Continuity .872 1 . 0 cells (.0 % within Pendidikan 37.0% Ibu Rendah Count 10 17 27 Expected Count 11.1% 56.405 .0 51.258 Test N of Valid 51 Cases 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.4 27.0 % within Pendidikan 50.350 Ratio Fisher's Exact .0 29. Sig.9% 100.Exact Sig. Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).516 Correctionb Likelihood . Df sided) sided) (1-sided) Value Pearson Chi. The minimum expected count is 10.0% Ibu Total Count 22 29 51 Expected Count 22.0%) have expected count less than 5.6 15.6 24. (2. (b) Chi-Square Tests Asymp.0% 50.0%) have expected count less than 5.Exact Sig.0% 100. (2. b.870a 1 . The minimum expected 26 .

0 % within Pendidikan 37.351 Square Continuity .870a 1 .6 15.4 27. The minimum expected count is 10.405 .9% 100.Exact Sig. Df sided) sided) (1-sided) Value Pearson Chi.4 13.35.0% 63.0%) have expected count less than 5.516 Correctionb Likelihood .0% Ibu Rendah Count 10 17 27 Expected Count 11. Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b). 0 cells (.422 1 . b. (2.872 1 .0 % within Pendidikan 50.0 % within Pendidikan 43.(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.Exact Sig.0% 100.258 Test N of Valid 51 Cases a. di bawah print out tersebut : a.0% 50. Computed only for a 2x2 table Print out Chi Square test.6 24.0 51.0%) have expected count less than 5. memberikan informasi nilai peluang (p value). Sig.350 Ratio Fisher's Exact .0% Ibu Total Count 22 29 51 Expected Count 22.0% 100.0 29. 0 cells (. (2. (b) Chi-Square Tests Asymp.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. The minimum expected 27 .

0 % within Pendidikan 50.0% 50. The minimum expected count is 10. 0 cells (.0 51.422 1 .0% Ibu Total Count 22 29 51 Expected Count 22.0% 63. b.0% 100.35.872 1 . Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).0% Ibu Rendah Count 10 17 27 Expected Count 11.351 Square Continuity . The minimum expected 28 .Exact Sig.350 Ratio Fisher's Exact . di bawah print out tersebut : a.4 13.0 29.870a 1 .6 15. (b) Chi-Square Tests Asymp.0 % within Pendidikan 37. 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 10.258 Test N of Valid 51 Cases a.516 Correctionb Likelihood .0%) have expected count less than 5.0 % within Pendidikan 43.Exact Sig.0%) have expected count less than 5. (2. Df sided) sided) (1-sided) Value Pearson Chi. memberikan informasi nilai peluang (p value).0% 100.1% 56.405 .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. Sig.4 27. (2. Computed only for a 2x2 table Print out Chi Square test.9% 100.6 24.

3 : Hubungan Pendidikan dengan Perilaku Menyusui _______________________________________________________________________ Perilaku Menyusui Pendidikan Eksklusif Non Eksklusif Jumlah p value OR ______________________________________________________________________ Tinggi 12 (50%) 12 (50%) 24(100%) 0. Pada contoh diatas secara statistik tidak berhubungan. Lower 0. (b).201.20) Rendah 10 (37%) 17 (63%) 27(100%) _______ _______ ________ Jumlah 22 (43. artinya lebih besar dibandingkan dengan nilai alpha (0. Pada contoh ini responden yang berpendidikan tinggi mempunyai peluang 1. status pekerjaan. maka risk estimate tidak perlu dibuat laporannya. Menuangkan dalam laporan penelitian Ketiga print out 8 (a).516 1.55-5. memberi informasi tentang peluang variabel independen terhadap dependen. disusun menjadi satu tabel. Kemudian CI 95%.556 dan Upper 5. Hasil uji Chi Square dilaporkan bahwa nilai p value 0. Gambar 19 : Variable View 29 . Variabel dependennya kejadian kanker. keturunan.516 > 0.516. tidak terdapat hubungan antara tingkat pendidikan dengan perilaku menyusui secara eksklusif.3.9) 51(100%) _____________________________________________________________________ Berdasarkan Tabel 4. dan independenya perilaku merokok. dapat dilaporkan bahwa responden yang berperilaku menyusui secara eksklusif lebih banyak (50%) pada berpendidikan tinggi. dan (c).7(0.05). Tabel tersebut diberi judul : Hubungan Tingkat Pendidikan dengan Perilaku Menyusui Tabel 4.1%) 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.700 kali untuk berperilaku ASI eksklusif dibandingkan dengan yang berpendidikan tinggi (lihat kolom Value pada Odds Ratio for Pendidikan Ibu (Tinggi / Rendah)). Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%. dan tingkat pendidikan.Pada Risk Estimate. dibandingkan dengan yang berpendidikan rendah (37%). Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah seperti diatas termasuk pola penyusunan tabel dan cara membacanya. Berikut ini tampilan Variable View (nama-nama variabel).

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

000 5.0% 21 21.0 100.1 % within Perilaku 80. 0 cells (.0% 20.600 1.0 24.9% 47.209 For cohort Kejadian kanker = Non kanker .0% merokok Kurang Baik Count 3 18 Expected Count 11.3% 85. (1Value Df (2-sided) (2-sided) sided) 21.149 (Perokok berat / Kurang Baik) For cohort Kejadian kanker = Kanker 5. (b) Chi-Square Tests Asymp.277 109.000 Correctionb Likelihood Ratio 23. Computed only for a 2x2 table (c) Risk Estimate 95% Confidence Interval Value Lower Upper Odds Ratio for Perilaku merokok 24.9 14.275 1 .487 N of Valid Cases 51 Print out 9: (a).0% 51 51.000 Fisher's Exact Test .Perilaku merokok (a) Perilaku merokok * Kejadian kanker Crosstabulation Kejadian kanker Kanker Non kanker Perokok Count 24 6 berat Expected Count 15.855 1 . Exact Sig.1% merokok Total 30 30. disusun menjadi satu tabel.0%) have expected count less than 5.0 100. diberi judul : Hubungan Perilaku Merokok dengan Kejadian Kanker. Exact Sig.88. (b).1 9.412a 1 .0% Pearson Chi-Square Continuity 18. The minimum expected count is 9.112 .000 .935 16.0 % within Perilaku 52.9 % within Perilaku 14. b.0 100.233 . Sig.000 N of Valid Cases 51 a.7% merokok Total Count 27 24 Expected Count 27.000 31 . dan (c).

artinya lebih kecil dibandingkan dengan nilai alpha (0. Sedangkan hasil uji OR diperoleh nilai 24 (5. Katagorik dengan Numerik (Gunakan contoh Lampiran 4) Sebuah contoh penelitian dengan melibatkatkan 40 masyarakat di perkotaan.1.Tabel 4. Variabel usia merupakan numerik dengan skala ratio. Setelah variabel dibuat dan data dimasukkan (Gunakan Data Lampiran 3). ingin mengetahui hubungan usia dan keturunan dengan kejadian hipertensi. b.3%).4 : Hubungan Perilaku Merokok dengan Kejadian Kanker _______________________________________________________________________ Kejadian Kanker Perilaku merokok Kanker Non Kanker Jumlah p value OR ________ __________ ________ ______ _____________ Berat 24 (80%) 6 (20%) 30(100%) 0.000 < 0.4.000.000 24(5. Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%.05). dapat dilaporkan bahwa responden yang terkena kanker lebih banyak (80%) berperilaku merokok berat dibandingkan dengan yang merokok ringan (14. Uji t Uji t dapat digunakan untuk mengukur variabel katagorik dan numerik. maka muncul dialog sebagai berikut: Gambar 21 : Independen samples T test 32 . Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah diatas. artinya respondengan yang merokok berat mempunyai peluang untuk terkena kanker 24 kali dibandingkan dengan yang merokok ringan.9%) 24 (47. Hasil uji Chi Square dilaporkan bahwa nilai p value 0. diyakini terdapat hubungan antara perilaku merokok dengan kejadian kanker.3%) 18 (85.7%) 21(100%) ________ _______ ________ Jumlah 27 (52.14) Ringan 3 (14. sedangkan kejadian hipertensi dan keturunan berupa katagorik dengan skala ordinal.1) 51(100%) _______________________________________________________________________ Berdasarkan Tabel 4.14). b. maupun numerik dengan numerik.27109. langkah ujinya sebagai berikut : Pilih Analyze – Compare mean – Independen samples T test.27-109.

806 F Sig.059 8. (2. kemudian pilih Define Groups.998 3.912 . kemudian klik anak panah arah kolom Test variable(s).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 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 . masukkan angka koding yang pertama (misalnya 0) ke kotak Group1.Differ Differen Lowe tailed) ence ce r Upper .715 7. klik anak panah ke arah kolom Grouping variable.143 .672 7.00 12.455 4. Difference Mean Error Sig.684 48.112 38 assumed Equal variances 35. t Df Umur Equal responden variances .763 8.455 4. Setelah variabel umur masuk. Mean Deviation Std. Error Mean 48.96 .45 dengan standar deviasi 33 .Kemudian klik variabel umur. Setelah masuk. Perhatikan gambar berikut ini.112 not 0 assumed .588 2. lihat print out (a) pada colum mean dan standart deviation.073 Untuk mencari nilai mean kedua variable.45 12. klik variabel kejadian hipertensi. Pada contoh ini mean usia untuk hipertensi 48. dan koding 1 masukkan ke kotak Group2. Klik Continoe. pilih OK.

Numerik dengan Numerik Pada bagian ini akan menguji dua variabel numerik dengan numerik yang berasal dari satu sumber (bisa disebut pengukuran pre dan post).911 sehingga dapat disimpulkan dengan alpha 5% tidak terdapat perbedaan mean umur antara yang hipertensi dengan non hipertensi.988. lihat print out (b). lakukan langkah sebagai berikut (Gunakan Data Lampiran 5): Pilih Analyze – Compare mean – Samples T test Paired.05.5 dapat dilaporkan bahwa mean umur responden yang hipertensi 48. yang non hipertensi meanya 48.911 22 Non hipertensi 48. Jika varian sama.707 sehingga > 0. maka varian sama.00 dengan standar deviasinya Kemudian untuk melihat apakah ada perbedaan mean umur. Responden yang hipertensi lebih banyak dibandingkan dengan non hipertensi. terlebih dahulu mengetahui variannya.45 dengan standar deviasi 12. Pada kesemapatan ini suatu penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah melakukan diet selama 3 bulan.588. apakah sama atau berbeda (lihat Levene's Test for Equality of Variances pada kolum Sig).988 18 __________________________________________________________________ Berdasarkan Tabel 4.998. Jika nilai p < alpha. Jika nilai varian < alpha (0. maka dapat disimpulkan tidak terdapat perbedaan antara mean umur hipertensi dengan non hipertensi. Sedangkan 12. Setelah data dimasukan sesuai variabel yang dibuat. dan lain-lain. Tetapi jika varian berbeda.5 Perbedaan Varian Kejadian Hipertensi __________________________________________________________________ Kejadian hipertensi Mean Standar defiasi p value Jumlah Hipertensi 48. Karena varian sama.05) maka varian berbeda. tetapi jika varian > alpha. Untuk mengetahui apakah ada perbedaan kedua kelompok tersebut. maka varian sama.00 dengan standar deviasi 12. maka nilai p = 0. Sedangkan mean yang non hipertensi 48. Pada contoh di atas nilai varian 0. Untuk penelitian lain tetapi dengan jenis variabel yang sama dapat menyesuaikan.2.05.45 12.588 0. Misalnya penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah diet.588.911 sehingga > alpha 0. Hasil uji t diperoleh p value 0.00 12. uji t gunakan Equal variances not assumed pada colums Sig (2-tailed). maka ada perbedaan mean keduanya. atau berat badan sebelum dan sesudah puasa (bagi yang berpuasa). maka uji t gunakan Equal variances assumed pada colums Sig (2-tailed). Nilai tersebut bandingkan dengan nilai alpha. makan akan muncul dialog Gambar 22 : Dialog Uji t Dependen 34 .12. Hasil tersebut jika dituangkan dalam sebuah laporan dapat disusun sebagai berikut: Tabel 4. b.

00 39 .95 N 40 Std. kemudian klil berat setelah diet.Langkah selanjutnya klik variable berat badan sebelum diet.6 dapat dilaporkan bahwa mean berat badan sebelum melakukan diet 64.94 0.465 .005 9 Pada print out (a).6 Perbedaan Mean Sebelum dan Sesudah Diet ______________________________________________________________________ Pengukuran Diet Mean Mean Standar defiasi p value Jumlah Kelompok Pengujian Pengujian Sebelum diet 64.95 kg.55 40 7. Sedangkan print out (b) untuk mencari nilai mean pengujian (kolom mean) dan nilai p value (kolom Sig (2-tailed)).55 kg.945 Std. Std.421 (b) Paired Samples Test Paired Differences 95% Confidence Interval of the Std.95 1.40 0 2.005 40 Sesudah diet 63.Berat setelah diet 3.341 t Sig.55 _____________________________________________________________________ Berdasarkan Tabel 4. (2taile df d) Pair Berat sebelum 1 diet . Error Mean 1.173 63.459 2. Hasil uji perbedaan mean 35 . Deviation 7.400 2. sedangkan setelah diet turun menjadi 63.942 . Menuangkan dalam laporan penelitian : Tabel 4. klik anak panah (variabel tersebut masuk ke variable2). kemudian klik anak panah (variabel tersebut masuk ke variable1).256 1. Difference Mea Deviati Error n on Mean Lower Upper 1. Selanjutnya klik OK. Hasil print out sebagai berikut: Print Out 11: T-Test (Pre dan Post) (a) Paired Samples Statistics Mean Pair 1 Berat sebelum diet Berat setelah diet 64. lihat niali mean variable yang dibandingkan serta Standar deviasinya.

Semakin rapat tebarnya berarti semakin kuat hubungannya. menyebutkan kekuatan hubungan dua variabel secara kuantitatif dapat dibagi menjadi empat area: Nilai r = 0. Apakah hubungan kedua variabel tersebut berpola positif atau sebaliknya.00. Sedangkan nilai p dalam pengujian 0.26 – 0. Nilai r = 0. Uji-uji tersebut tidak bisa mengetahui sejauh mana keeratan masing-masing variabel. Untuk mengetahui derajat keeratan hubungan variabel yang diuji digunakan analisis korelasi. atau bila diketaui arahnya maka : -1 sampai dengan +1. Kuat lemahnya hubungan dapat dilihat dari tebaran datanya. Nilai r = 0. Setiap penambahan berat badan diikuti kenaikan tekanan daranya.94.005.1. Hastono (2001) mengutif pendapat Calton. UJI KORELASI DAN REGRESI LINIER SEDERHANA Diatas telah dijelaskan uji Chi Square (kategorik dengan kategorik). Sedangkan yang berpola negatif. misalnya hubungan umur dengan kadar Hb-nya. Disini dapat dijelaskan setiap kenaikan umur akan menurunkan kadar Hb-nya. Contoh penelitian tentang hubungan berat badan dengan tekanan darah. sehingga dapat disimpulkan dengan kepercayaan 95% diyakini terdapat perbedaan mean berat badan sebelum dan sesudah melakukan diet. hubungan linier negatif sempurna.75. dan numerik dengan numerik. menggunakan analisis regresi.25. dan sebaliknya semakin jarang tebaranya berarti semakin lemah hubungannya. Sedangkan untuk mengetahui bentuk hubungan antara dua variabel (positif atau negatif). artinya tidak ada hubungan linier keduanya. Jika nilai r = 0. 36 . dapat dilihat pada diagram tebar/pencar (scatter plot). Hubungan berpola positif apabila terjadi kenaikan satu pada suatu variabel. 1. Perlu diketahui bahwa hubungan kedua variabel dapat berpola positif maupun negatif. Jikan nilai r = +1. Nilai r (koefisien korelasi) berkisar dari 0 sampai dengan 1.76 – 1. Jika nilai r = -1. Untuk mempermudah pemahan derajat keeratan serta pola hubungan. Nilai korelasi (r). juga dapat mengetahui arah hubungan dua variabel numerik. hubungan linier positif sempurna. uji t numerik dengan kategorik. Analisis Korelasi Hasil analisis korelasi dapat mengetahui derajat keeratan hubungan.400 dengan standar deviasi 2.00 – 0.51 – 0. artinya lebih kecil dari nilai alpha.50. secara manual dapat digunakan rumus Product Moment yang sudah dijelaskan di atas. artinya keduanya berhubungan sedang. Nilai r = 0. artinya tidak ada hubungan atau hubungannya lemah. F. artinya hubungannya sangat kuat atau sempurna. artinya keduanya berhubungan kuat. Apakah hubungan berat badan dan tekanan darah mempunyai derajat yang kuat atau lemah. maka diikuti oleh variabel yang lain.

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

(2-tailed) .000 N 40 **.000 40 1.556).556. maka akan pindah ke sebelah kanan. Dalam contoh ini nilai p value diperoleh 0.000 Print out 11 memberi informasi hasil uji kedua variabel untuk mencari korelasinya.000 40. (2-tailed) N 40.556** bulan Correlation Sig.000 Penurunan berat per Pearson . Pada contoh ini diperoleh 0. Correlation is significant at the 0. sebagai berikut : 38 . Sehingga dapat disimpulkan terdapat pengaruh antara lama olah raga per minggu dengan penurunan berat badan per bulan.000. Tampilannya sebagai berikut : Pada posisi ini lakukan klik OK. Lakukan untuk variabel yang lain dengan cara yang sama.Pada menu ini pindahkan variabel yang berada pada kotak sebelah kiri (yang akan diuji) ke kotak sebelah kanan. Penurunan berat per bulan . 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. sedangkan nilai p value pada baris kedua kolom kedua. Nilai r dapat dilihat pada baris pertama kolom ke tiga.000 Correlation Sig.556** . dengan cara klik variabel yang akan dipindah kemudian klik anak panah.01 level (2-tailed). Kekuatan hubungan keduanya kuat (0. Hasil tersebut jika dituangkan dalam laporan penelitian.

000. dapat dijelaskan bahwa hubungan lama olah raga dengan penurunan berat badan diperoleh nilai r 0. masukkan variabel dependen (penurunan berat badan) ke kolom Dependent dengan mengeklik variabel tersebut kemudian klik anak panah. pilih Regression. Gunakan Data Lampiran 5. Regresi Sederhana Pada contoh di atas variabel independennya lama olah raga perminggu sedangkan dependenya penurunan berat badan per bulan. 2. dengan demikian dapat disimpulkan. maka timbul menu : Langkah selanjutnya.000 __________________________________________________________________ Berdasarkan Tabel 4. maka masuklah ke kotak tersebut. Hubungan keduanya adalah kuat (r=0556).556 0. Tampilannya sebagai berikut : Langkah selanjutnya klik OK. pilih Linier. dengan keyakinan 95% terdapat hubungan antara lama olah raga perminggu dengan perurunan berat badan. maka hasil sebagai berikut: 39 .7. Demikian variabel independen (lama olah raga per minggu) dengan cara yang sama masukkan ke kotak Independnt(s). Untuk mengetahui derajat penurunan berat badan lakukan langkah sebagai berikut : Klik Analyze. __________________________________________________________________ Variabel r p value _____ _____ Lama olah raga dan penurunan berat badan 0.7 : Pengaruh Lama Olahraga dengan Penurunan Berat Badan.556 dan p value 0.Tabel 4.

Sehingga rumus matematis tersebut Y = -0.120 . Selanjutnya pada print out ANOVA. Persamaan garis tersebut dapat diperkirakan penurunan berat badan jika diketahui penambahan lama olah raga per minggunya.728 38 .445 kg.Print out 12 : Regression (a) Model Summary Model R R Square Adjusted R Square a 1 .9% variasi penurunan berat badan. dan nilai p value.976 . Predictors: (Constant).807 (b) ANOVA Model Sum of Squares Df Mean Square F Sig.556 . Error of the Estimate .803+0.047 16.803 . Nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary).108 .047 1 11. Rumus tersebut dapat dijelaskan. Print out ini diperoleh nilai p value (pada kolom Sig). persamaan garis.05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh. artinya persamaan garis regresi yang kita peroleh dapat menerangkan 30. 1 (Constant) -. memberi informasi tentang kesesuaian dari model terhadap data. Frekuensi olah raga per mingg b.309 .000a Residual 24.445 .775 39 a. sebesar 0. yang artinya pada alpha 0.000 per mingg a. Predictors: (Constant).291 a. Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a).617 Frekuensi olah raga .000. sehingga persamaan regresinya : Y = a+bX. Error Beta t Sig. sehingga didapat nilai konstant (nilai a adalah koefisien lama olah raga per minggu) sebesar -0. Frekuensi olah raga per minggu Std. 1 Regression 11. Dependent Variable: Penurunan berat per bulan (c) Coefficientsa Standardize Unstandardized d Coefficients Coefficients Model B Std. Dependent Variable: Penurunan berat per bulan Hasil di atas yang lebih penting melihat koefisien determinasi. Y = Penurunan berat badan (variabel dependen.651 Total 35. dan (nilai b adalah koefisien penurunan berat badan) 0.445.445 kali lama olah raga perminggu.309. dan X adalah lama olah raga perminggu (variabel independen.497 . artinya nilai Y tergantung dari nilai X). yaitu pada kolom B. Pada contoh di atas dapat dijelaskan bahwa jika terjadi penambahan frekuensi olah raga satu jam perminggunya akan terjadi penambahan penurunan berat badan 0. 40 .556 4.114 1. sebesar 0. artinya perubahan nilai X akan berpengaruh pada nilai Y).803.

sehingga diperoleh nilai p value = 0.000 __________________________________________________________________ Berdasarkan Tabel 4. Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara lama olah raga perminggu dengan penurunan berat badan (p value 0.9% variasi penurunan berat badan.000). dan berpola positif.309 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 30.445*olah raga 0.7 dapat dijelaskan bahwa hubungan lama olah raga dengan penurunan berat badan kuat (0. artinya semakin lama berolah raga setiap minggunya akan menurunkan berat badannya lebih rendah.000 Dengan demikian dapat dijelaskan dengan alpha 0.445. Analisis Korelasi dan Regresi Lama Olah Raga dengan Berat Badan __________________________________________________________________ Variabel r R2 Persamaan garis p value __ _____ ______________________________ _____ Lama olah raga 0. View Data hasil penelitian sebagai berikut: Kemudian lakukan langkah yang sama pada contoh sebelumnya (Lama olah raga dengan penurunan berat badan).05 kita menolak hipotesis nol (Ho).55). Penyajian dalam Laporan Penelitian Tabel 4.55 0.7. Contoh lain : Hubungan Umur dengan Lama Hari Rawat Dengan cara yang sama.309 Berat badan= -0. Nilai penurunan berat badan = 0. yang berarti ada pengaruh linier antara lama olah raga perminggu dengan penurunan berat badan. maka print out penelitian sebagai berikut : Print Out 13 : Regression (Hubungan Umur dengan Lama Hari Rawat) 41 .803+0. 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.

Sehingga rumus matematis tersebut Y = -0. Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a). memberi informasi tentang kesesuaian dari model terhadap data.000 Sig.05 kita menolak hipotesis nol (Ho). Persamaan garis tersebut dapat diperkirakan penambahan lama hari rawat jika diketahui penambahan umurnya.941 . umur (b) ANOVAb Sum of Model Squares 1 Regression 6.400 3 . Nilai penambahan tersebut = 0. sebesar 0.160 . dan X adalah lama olah raga perminggu (variabel independen).365 a.445 kali Umur.803+0. . Selanjutnya pada print out ANOVA. yaitu pada kolom B. Dengan demikian dapat dijelaskan.006.928 . sehingga persamaan regresinya : Y = a+bX. yang berarti ada hubungan linier antara usia dengan lama hari rawat. Rumus tersebut dapat dijelaskan.006 a. sehingga didapat nilai konstant (nilai a adalah koefisien penambahan umur) sebesar 1. yang artinya pada alpha 0. 42 . 1.967 .006. artinya persamaan garis regresi yang kita peroleh dapat menerangkan 94.400. jika terjadi penambahan umur pasien. Diperoleh nilai p value (pada kolom Sig).160. Dependent Variable: lama rawat Hasil penelitian (Print out 13).970 T Sig. umur b.144 6. Error Beta 1. Predictors: (Constant). Sehingga dapat dijelaskan jika terjadi penambahan usia satu tahun akan terjadi penambahan lama hari rawat 0. Dependent Variable: lama rawat df Mean Square 1 6. Hasil uji statistik untuk koefisien regresi diperoleh nilai p value = 0. dan (nilai b adalah koefisien penambahan lama hari rawat) 0. Error of the Estimate a 1 . Y = Penambahan hari rawat (variabel dependen).970 . nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary).(a) Model Summary Adjusted R Model R R Square Square Std.05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh.16 artinya jika terjadi penambahan usia satu tahun akan terjadi penambahan hari rawat 0.133 4 F 48.800 a.1% variasi penambahan lama hari rawat.941.400 Total 6.400 Residual .006a Model 1 (Constant) umur (c) Coefficientsa Unstandardized Standardized Coefficients Coefficients B Std. pada alpha 0.712 .16. Predictors: (Constant).922 . sebesar 0.400 .023 .16.

lebih banyak dibandingkan 43 .941 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 94. Hasil penelitiannya sebagai berikut (Bagian hasil) : Tabel 4.802-13.8.4+0.003 4. artinya jika terjadi penambahan usia akan terjadi penambahan lama hari rawat.970 0.9 dapat dilaporakan bahwa pengetahuan tentang hipertensi dengan kategori baik. Analisis Korelasi dan Regresi Umur dengan Lama Hari Rawat __________________________________________________________________ Variabel r R2 Persamaan garis p value ____ _____ _______________________ _____ Umur 0.16*Umur 0.7%).Sebalinya.9 : Hubungan Pengetahuan dengan Perilaku Kontrol ______________________________________________________________________ Perilaku Kontrol Pengetahuan Baik Krg. Baik Jumlah p value OR ________ _________ ________ ______ ____________ Baik 22 (64.006).006 __________________________________________________________________ Berdasarkan Tabel 4. yang melakukan kontrol baik 22 orang (64.598) _______ _______ ________ Jumlah 32 (45.941 Hari rawat = 1.1% variasi penambahan lama hari rawat.9) 71(100%) ______________________________________________________________________ Berdasarkan tabel 4. G. Contoh pembahasan : Sebuah penelitian ingin mengetahui hubungan pengetahuan dengan perilaku kontrol penderita hipertensi.7%) 12 (35.1%) 39 (54. Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara umur dengan lama hari rawat (p value 0.970).950 Kurang baik 10 (27. dan berpola positif. dibandingkan dengan literatur yang ada (biasanya telah diuraikan pada bab II).0%) 37(100%) (1.0%) 27 (73.16. CARA MELAKUKAN PEMBAHASAN Pembahasan yang baik untuk satu pokok bahasan (satu variabel) mencakup 4 hal. Berikutnya dibandingkan dengan hasil penelitian terdahulu (sejenis). jika terjadi penurunan usia satu tahun akan terjadi pengurangan lama hari rawat 0. Terakhir adalah pendapat peneliti berdasarkan fakta-fakta maupun pengalaman yang dimiliki.8 dapat dijelaskan bahwa hubungan Umur dengan lama hari rawat sangat kuat (0. Nilai koefisien determinasi 0.3%) 34(100%) 0. Penyajian dalam Laporan Penelitian Tabel 4. yaitu paragraf pertama mengenai rangkuman hasil penelitian.

menyebutkan bahwa ada hubungan yang signifikan antara pengetahuan dengan pengendalian hipertensi di wilayah kerja Puskesmas Sidorejo Kabupaten Lampung Timur. Pada beberapa organ seperti jantung.dengan yang berpengetahuan kurang baik. 10 orang (27. ginjal.003 artinya < nilai alfa (0. Hasil penelitian juga melaporkan. otak dan mata.0%). Hasil ini juga didukung oleh nilai OR 4. Dalam penelitian ini disebutkan bahwa seseorang dalam berpengetahuan baik mempunyai tindakan yang baik dalam pengendalian hipertensi dibandingkan dengan responden yang pengetahuan buruk.003 sehingga lebih kecil dari 0. Hasil penelitian ini sesuai dengan pendapat Hatta (1996). dapat disimpulkan ada hubungan bermakna antara pengetahuan dengan perilaku kontrol responden ke puskesmas. dari pengalaman dan penelitian perilaku yang didasari oleh pengetahuan akan lebih langgeng daripada perilaku yang tidak didasarkan oleh pengetahuan (Notoatmojo. gagal ginjal.950.950 kali dibandingkan dengan responden yang berpengetahuan kurang baik.8. Pengetahuan atau kognitif merupakan domain yang sangat penting untuk terbentuknya tindakan seseorang (overt behaviour). artinya responden yang berpengetahuan baik mempunyai peluang berperilaku kontrol baik 4. misalnya gagal jantung. jika dilakukan pembahasan seperti berikut : Hubungan pengetahuan dengan perilaku kontrol Hasil uji Chi Square diperoleh p value = 0. Pengetahuan merupakan hasil dari tahu dan ini terjadi setelah orang melakukan pengindraan terhadap suatu objek tertentu.05. Hasil uji Chi Square diperoleh p value = 0. Hasil penelitian ini sesuai dengan penelitian Budiharto (2001). Dengan demikian dapat disimpulkan bahwa pengetahuan seseorang mempunyai pengaruh terhadap perilaku individu dalam melakukan kontrol ke sarana pelayanan kesehatan. akan mengalami kerusakan. terbentuknya suatu perilaku baru terutama pada orang dewasa dimulai pada domain kognitif. Dengan melakukan kontrool secara rutin dapat mengurangi resiko penderita hipertensi pada tingkat yang lebih tinggi.05). 2003). sehingga dapat disimpulkan ada hubungan antara pengetahuan dengan perilaku kontrol responden ke puskesmas. 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. ginjal. Gagal jantung. 44 . Peningkatan tekanan darah yang berkepanjangan akan merusak pembuluh darah yang ada disebagian besar tubuh. dan lain-lain.598). stroke dan gangguan penglihatan adalah konsekuensi yang umum dari hipertensi.802–13. dengan confidence interval (CI) 95% diperoleh nilai odds ratio (OR) = 4.950 (1. Berdasarkan hasil pada tabel 4.

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->