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

10291-(451)2] √ [ 2900-2809] [205820-203401] 24240 – 23903 337 337 r = --------------------------------------------.= ----------------------------------------√ [20.= 0. Berdasarkan contoh kuesioner dan hasil uji di atas. tidak perlu menggunakan rumus (pelajari dulu pada bagian MEMULAI DENGAN SPSS (Halaman 9) pada pedoman ini). maka P1(pertanyaan no 1) dinyatakan valid. sehingga r hitung lebih besar dari r tabel.718. Untuk mengetahui nilai r P2-P9.= -------------. hasilnya sebagai berikut : 5 .444.444 maka pertanyaan tersebut tidak valid dan perlu diperbaiki atau dikeluarkan dari daftar pertanyaan. masukkan ke dalam program SPSS.718 √ [2900-2809] [205820-203401] √ (91)(2419) √ 220129 Nilai r hitung 0. menggunakan rumus dan cara seperti diatas. Menggunakan Program SPSS Mencari nilai r dengan Program SPSS sangat mudah.145-(53)2] [20. Jika diantara nilai r hitung ternyata ada yang kurang dari 0. b. pilih Reliability Analysis.451) 24240 . pilih Scale.= ---------------.Sehingga : 20(1212)-(53. jika dibandingkan dengan nilai r Tabel (Lihat Tabel Product Moment dengan n=20 serta alpha 5%) adalah 0.23903 r = --------------------------------------------. hasilnya sebagai berikut : Gambar 1 : Menu Data View untuk Uji Kuesioner Selanjutnya lakukan langkah-langkah sebagai berikut: Klik Analyze.

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

523 9 Penjelasan: Berdasarkan Print out (1) tersebut terdapat dua pengertian.55 .804 Pertanyaan7 19.803 Pertanyaan8 21.787 .55 6.65 .611 .608 . Deviation N of Items 22.80 .90 .308 Pertanyaan4 2.65 5. dan cases.384 .513 Pertanyaan9 1. Bagian pertama menunjukkan hasil statistic deskriptif masing-masing pertanyaan dalam mean. memperlihatkan hasil proses validitas dan reliabilitas.75 5.50 .788 Scale Statistics Mean Variance Std.602 .823 Pertanyaan5 19.832 .455 . std dev (standar deviasi).145 .397 . Deviation Pertanyaan1 2.00 4.825 Item Statistics Mean Std.65 .366 2.253 .798 Pertanyaan2 19.461 .816 Pertanyaan4 19.565 .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 19.489 Pertanyaan6 2.671 .90 . Yang penting adalah bagian kedua.410 Pertanyaan5 2.586 .65 5.75 5.90 4.05 4.410 PertanyaaN3 2.410 Pertanyaan8 1.803 PertanyaaN3 19.800 Pertanyaan9 21.389 .489 Pertanyaan2 2.80 .308 Pertanyaan7 2.Reliability Statistics Cronbach's Alpha N of Items .80 .632 .826 Pertanyaan6 19. 7 .90 5.565 .145 .75 5.

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

9 .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 14.80 .410 20 1.308 20 2.502 .513 20 1.502 .55 .90 . Catatan : Perlu diingat bahwa terjadi perbedaan hasil penghitungan (P1) menggunakan rumus diperoleh 0.Case Processing Summary N % Cases Valid 20 100.444). Reliability Statistics Cronbach's Alpha N of Items .308 20 2.10 Item Statistics Mean Std.45 2.55 2.788 15.379 .484 .817 7 Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9 Pertanyaan1 Pertanyaan2 PertanyaaN3 Pertanyaan6 Pertanyaan7 Pertanyaan8 Pertanyaan9 Mean 17.90 . Listwise deletion based on all variables in the procedure.806 14.780 14.537 .802 14.30 3. artinya ke tujuh pertanyaan tersebut valid (lihat Corrected Item-Total Correlation. semua lebih dari 0.0 Total 20 100.20 3.20 3. sedangkan jika menggunakan program SPSS diperoleh 0.989 .0 a.410 20 2.0 Excludeda 0 .593 .305 2.489 20 2.795 14.664 .6018.773 Scale Statistics Variance Std.50 .30 3.80 .718.642 .60 2.997 . Deviation N 2. ternyata nilai r semua pertanyaan lebih besar dari nilai r tabel.65 .892 .379 .075 7 Setelah diuji kembali dengan tujuh pertanyaan.631 . Deviation N of Items 4.582 .802 15.

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

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

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

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

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

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

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

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

dapat dituangkan dalam laporan penelitian sebagai berikut : Tabel 4.00 3 1 5 Berdasarkan print out 3. hal ini terlihat bahwa mean. Sedangkan pada umumnya responden mempunyai anak rata-rata 2.Print Out 03 : Frequencies Statistics Umur Ibu N Valid Missing Mean Median Mode Minimum Maximum 40 0 35.1. dapat dilaporkan bahwa variabel umur dan jumlah anak normal.85 34.8 dibulatkan (3) pada usia relatif muda. Rata-rata responden berusia 35. median. diman umur tersebut merupakan umur produktif.00 3 ____________________________________________________________ Berdasarkan Tabel 4.50 34 Jumlah Anak 2. dan Modus berdasarkan Umur Ibu dan Jumlah Anak _____________________________________________________________ Variabel Mean Median Modus _______ _______ _______ Umur Ibu 35. Print out 4 : Frequency Table (Variabel umur) 18 .85 34. Median.82 3. dan modusnya hampir berimpitan.1 : Mean.82 3.50 34 23 54 Jumlah Anak 40 0 2.85 tahun.

0 10.5 2.5 50.5 2.5 5.5 97.5 37.5 37.0 7.5 92.0 5.5 2.Umur Ibu Frequency 1 1 1 2 1 1 2 3 3 5 2 1 2 2 2 2 4 2 2 1 40 Percent Valid Percent 2.0 15.5 100.0 7.0 5.0 55.0 5.5 92.0 Cumulative Percent 2.5 87.0 77.5 5.5 2.5 30.5 5.0 2.0 5.0 Cumulative Percent 7.5 12.5 12.5 2.0 5.5 7.5 100.5 5.0 5.0 7.5 2.5 2. Dalam hal ini modusnya umur 34 tahun 5 orang.0 5.5 100.0 5.0 100.0 Valid 23 24 25 26 27 28 30 32 33 34 35 36 37 40 41 42 43 44 45 54 Total Print out 4.5 100. ini memberi informasi yang jelas mengenai modus (umur berapa) dan frekuensinya.5 7.0 5.5 7.0 2.5 5.5 77.0 Valid 1 2 3 4 5 Total 19 .0 5.5 22.5 7.0 57.5 67.0 5.5 15.5 2.5 2.5 7. Print out 5 : Variabel jumlah anak.0 5.0 2.5 40.0 100.0 5.5 2.0 10. Jumlah Anak Frequency 3 13 15 6 3 40 Percent Valid Percent 7.5 32.5 72.5 32.5 62.0 5.0 37.0 17.5 15.5 12.

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

9 47.0 Variabel : Pendidikan Ibu Frequency Valid Tinggi Menegah Rendah Tidak sekolah Total 16 13 11 11 51 Percent 31.9 45.0 Valid Percent 70.6 100.0 43.1 100.9 45.6 29.4 100.0 52.5 21.0 Valid Percent Cumulative Percent 66.6 21.3 100.1 100.0 52.0 Valid Percent Cumulative Percent 31.4 100.1 56.0 21 .9 100.1 100.4 25.4 56.0 Variabel : Keturunan dari Orang Tuanya Frequenc y Percent Valid Keturunan Asi Eksklusif Tidak Keturunan Asi Eksklusif Total 28 23 51 54.0 Valid Percent 54.6 100.6 21.0 66.1 56.4 25.9 100.9 100.1 100.9 47.3 100.5 21.0 Valid Percent Cumulative Percent 43.7 33.6 29.0 31.0 Variabel : Pola makan Ibu Frequency Valid Baik Kurang Baik Total 27 24 51 Percent Valid Percent Cumulative Percent 52.0 Cumulative Percent 70.6 100.7 33.4 100.0 Variabel : Pola KB Ibu Frequency Valid Kalender Non Kalender Total 34 17 51 Percent 66.0 Cumulative Percent 54.9 78.9 100.7 100.0 Variabel : Pekerjaan Ibu Frequency Valid Tidak bekerja Bekerja Total 36 15 51 Percent 70.1 100.Variabel : Pola menyusui eksklusif Frequency Valid Eksklusif Non Eksklusif Total 22 29 51 Percent 43.

Print out 6 dapat disusun dalam sebuah laporan penelitian.3 13. histograms. Sedangkan cara membacanya sama seperti contoh diatas. maka lakukan : Klik chart (pada Gambar 12) untuk menampilkan pilihan grafik (bar chart. klik bentuk grafik yang diinginkan (Pie chart).3 35.2 76.2 : Distribusi Perilaku Menyusui _________________________________________________ Pola menyusui Jumlah % _________________________________________________ Eksklusif 22 43. pie chart. 22 . maka cara menyusun dalam tabel dan membacanya sebagai berikut : Tabel 4. Pada contoh berikut variabel banyak anak.9 ___ ____ Jumlah 51 100.1 Non eksklusif 29 65. tidak perlu menampilkan tabel dan grafik.1%) dibandingkan dengan non eksklusif (65.0 Catatan : Untuk keperluan penyusunan laporan.5 90.9 35. dapat dilaporkan bahwa responden yang berperilaku menyusui secara eksklusif lebih sedikit (43. salah satu saja.0 _________________________________________________ Berdasarkan Tabel 4.8 100.2 100. dll).0 Valid Percent 5.0 Cumulative Percent 5.7 9. kemudian klik Continue.9 41.2. 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 13.9 35.8 100. Sebagai contoh diambil variabel pola menyusui secara eksklusif.9%).7 9.3 35. selanjutnya klik OK. Jika menghendaki adanya grafik.

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

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

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

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% 50.6 15.405 .35. Df sided) sided) (1-sided) Value Pearson Chi.516 Correctionb Likelihood . Sig.6 24. The minimum expected count is 10. Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).4 13. 0 cells (.872 1 .422 1 . Computed only for a 2x2 table Print out Chi Square test.1% 56.350 Ratio Fisher's Exact .0% 100. (2.0% 63. memberikan informasi nilai peluang (p value).0 51.351 Square Continuity . (b) Chi-Square Tests Asymp.Exact Sig.0%) have expected count less than 5.870a 1 .0% 100.0 % within Pendidikan 43. di bawah print out tersebut : a.4 27.258 Test N of Valid 51 Cases a.0% Ibu Total Count 22 29 51 Expected Count 22. The minimum expected 26 .0 29.(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% Ibu Rendah Count 10 17 27 Expected Count 11. b.0 % within Pendidikan 37. 0 cells (. (2.0%) have expected count less than 5.0 % within Pendidikan 50.9% 100.

351 Square Continuity . Df sided) sided) (1-sided) Value Pearson Chi.35. Sig.422 1 .0 % within Pendidikan 37.0% 100. Computed only for a 2x2 table Print out Chi Square test.870a 1 .0% Ibu Rendah Count 10 17 27 Expected Count 11.0%) have expected count less than 5. 0 cells (.0%) have expected count less than 5.4 13. di bawah print out tersebut : a.0% 63.0% Ibu Print out 8 “Pendidikan Ibu*Pola menyusui eksklusif Crosstabulation” memberikan informasi perbandingan proporsi tingkat pendidikan antara yang tinggi dengan yang rendah terhadap perilaku menyusui secara eksklusif. b.405 .6 15.0 % within Pendidikan 50. (2.9% 100.0 % within Pendidikan 43. 0 cells (.516 Correctionb Likelihood .0% Ibu Total Count 22 29 51 Expected Count 22. (b) Chi-Square Tests Asymp.0% 50.1% 56.4 27. The minimum expected count is 10.0% 100. The minimum expected 27 .872 1 . Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).Exact Sig.0 29.0 51. memberikan informasi nilai peluang (p value).350 Ratio Fisher's Exact .258 Test N of Valid 51 Cases a.6 24.Exact Sig.(a) Pendidikan Ibu * Pola menyusui eksklusif Crosstabulation Pola menyusui eksklusif Non Eksklusif Eksklusif Total Pendidik Tinggi Count 12 12 24 an Ibu Expected Count 10. (2.

6 15.9% 100.4 13.0% 100.0 % within Pendidikan 50. The minimum expected 28 .350 Ratio Fisher's Exact . (b) Chi-Square Tests Asymp. Computed only for a 2x2 table Print out Chi Square test.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. b.516 Correctionb Likelihood . (2. The minimum expected count is 10. Df sided) sided) (1-sided) Value Pearson Chi.870a 1 . 0 cells (.Exact Sig.(a) Pendidikan Ibu * Pola menyusui eksklusif Crosstabulation Pola menyusui eksklusif Non Eksklusif Eksklusif Total Pendidik Tinggi Count 12 12 24 an Ibu Expected Count 10.Exact Sig.0 % within Pendidikan 43.0% Ibu Total Count 22 29 51 Expected Count 22.872 1 . Pemilihan nilai p value yang tepat perlu memahami penjelasan hurup (a) dan (b).6 24.422 1 . 0 cells (. di bawah print out tersebut : a.258 Test N of Valid 51 Cases a. Sig.0 % within Pendidikan 37.0 29.351 Square Continuity . (2.0% Ibu Rendah Count 10 17 27 Expected Count 11.0 51.0%) have expected count less than 5.35.0%) have expected count less than 5.0% 100.405 .0% 50. memberikan informasi nilai peluang (p value).4 27.0% 63.

3. tidak terdapat hubungan antara tingkat pendidikan dengan perilaku menyusui secara eksklusif. Gambar 19 : Variable View 29 . Kemudian CI 95%. disusun menjadi satu tabel. Berikut ini tampilan Variable View (nama-nama variabel). Lower 0. Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%. status pekerjaan.9) 51(100%) _____________________________________________________________________ Berdasarkan Tabel 4. keturunan.3 : Hubungan Pendidikan dengan Perilaku Menyusui _______________________________________________________________________ Perilaku Menyusui Pendidikan Eksklusif Non Eksklusif Jumlah p value OR ______________________________________________________________________ Tinggi 12 (50%) 12 (50%) 24(100%) 0.516 1. dan (c).05).20) Rendah 10 (37%) 17 (63%) 27(100%) _______ _______ ________ Jumlah 22 (43.201. Variabel dependennya kejadian kanker. artinya lebih besar dibandingkan dengan nilai alpha (0. Menuangkan dalam laporan penelitian Ketiga print out 8 (a).516. Pada contoh ini responden yang berpendidikan tinggi mempunyai peluang 1. maka risk estimate tidak perlu dibuat laporannya. Tabel tersebut diberi judul : Hubungan Tingkat Pendidikan dengan Perilaku Menyusui Tabel 4.700 kali untuk berperilaku ASI eksklusif dibandingkan dengan yang berpendidikan tinggi (lihat kolom Value pada Odds Ratio for Pendidikan Ibu (Tinggi / Rendah)).1%) 29 (56. dan independenya perilaku merokok.Pada Risk Estimate.516 > 0. 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. dibandingkan dengan yang berpendidikan rendah (37%).556 dan Upper 5. dapat dilaporkan bahwa responden yang berperilaku menyusui secara eksklusif lebih banyak (50%) pada berpendidikan tinggi. memberi informasi tentang peluang variabel independen terhadap dependen. Pada contoh diatas secara statistik tidak berhubungan. dan tingkat pendidikan. Hasil uji Chi Square dilaporkan bahwa nilai p value 0.55-5. (b). Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah seperti diatas termasuk pola penyusunan tabel dan cara membacanya.7(0.

lakukanlangkah seperti pada Gambar 20. Berikut ini akan ditamplkan print out analisa haubungan perilaku merokok dengan kejadian kanker. Print out 9 : Crosstabs 30 .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.

(b) Chi-Square Tests Asymp. (1Value Df (2-sided) (2-sided) sided) 21.0 100.9% 47.0% 20. diberi judul : Hubungan Perilaku Merokok dengan Kejadian Kanker.7% merokok Total Count 27 24 Expected Count 27.Perilaku merokok (a) Perilaku merokok * Kejadian kanker Crosstabulation Kejadian kanker Kanker Non kanker Perokok Count 24 6 berat Expected Count 15. Computed only for a 2x2 table (c) Risk Estimate 95% Confidence Interval Value Lower Upper Odds Ratio for Perilaku merokok 24.9 % within Perilaku 14.277 109. dan (c). (b).855 1 .1 % within Perilaku 80. disusun menjadi satu tabel.0 100. The minimum expected count is 9. Sig.1 9.233 .0% merokok Kurang Baik Count 3 18 Expected Count 11.0% Pearson Chi-Square Continuity 18.1% merokok Total 30 30.3% 85.0% 21 21.0 % within Perilaku 52.000 N of Valid Cases 51 a.209 For cohort Kejadian kanker = Non kanker . Exact Sig.0 24.000 31 .149 (Perokok berat / Kurang Baik) For cohort Kejadian kanker = Kanker 5. 0 cells (.0% 51 51.9 14.000 Fisher's Exact Test . Exact Sig.000 .412a 1 .600 1.275 1 .0%) have expected count less than 5.112 .000 5.487 N of Valid Cases 51 Print out 9: (a).000 Correctionb Likelihood Ratio 23.88.935 16.0 100. b.

langkah ujinya sebagai berikut : Pilih Analyze – Compare mean – Independen samples T test. ingin mengetahui hubungan usia dan keturunan dengan kejadian hipertensi. maupun numerik dengan numerik. sedangkan kejadian hipertensi dan keturunan berupa katagorik dengan skala ordinal. Setelah variabel dibuat dan data dimasukkan (Gunakan Data Lampiran 3).000 < 0. Sedangkan hasil uji OR diperoleh nilai 24 (5.14) Ringan 3 (14.27109. Uji t Uji t dapat digunakan untuk mengukur variabel katagorik dan numerik.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. dapat dilaporkan bahwa responden yang terkena kanker lebih banyak (80%) berperilaku merokok berat dibandingkan dengan yang merokok ringan (14. b.9%) 24 (47.1. diyakini terdapat hubungan antara perilaku merokok dengan kejadian kanker.1) 51(100%) _______________________________________________________________________ Berdasarkan Tabel 4. Katagorik dengan Numerik (Gunakan contoh Lampiran 4) Sebuah contoh penelitian dengan melibatkatkan 40 masyarakat di perkotaan.05).3%).Tabel 4. Variabel usia merupakan numerik dengan skala ratio. artinya respondengan yang merokok berat mempunyai peluang untuk terkena kanker 24 kali dibandingkan dengan yang merokok ringan. b.14). artinya lebih kecil dibandingkan dengan nilai alpha (0.7%) 21(100%) ________ _______ ________ Jumlah 27 (52. Hasil uji Chi Square dilaporkan bahwa nilai p value 0.4.27-109. Catatan : Untuk variabel yang lain dapat diuji dengan langkah-langkah diatas. Dengan demikian dapat disimpulkan secara statistik dengan derajat kepercayaan 95%.3%) 18 (85.000 24(5. maka muncul dialog sebagai berikut: Gambar 21 : Independen samples T test 32 .000.

911 . Difference Mean Error Sig.998 3. t Df Umur Equal responden variances .684 48.455 4. pilih OK.143 . (2. Klik Continoe.064 (b) Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means 95% Confidence Interval of the Std.912 . 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. lihat print out (a) pada colum mean dan standart deviation.112 not 0 assumed .Kemudian klik variabel umur.Differ Differen Lowe tailed) ence ce r Upper . Mean Deviation Std.707 . kemudian klik anak panah arah kolom Test variable(s).588 2.00 12. dan koding 1 masukkan ke kotak Group2. kemudian pilih Define Groups. Setelah variabel umur masuk.073 Untuk mencari nilai mean kedua variable. Setelah masuk.96 .112 38 assumed Equal variances 35.45 dengan standar deviasi 33 . klik anak panah ke arah kolom Grouping variable.059 8. Error Mean 48.806 F Sig.455 4.763 8. Pada contoh ini mean usia untuk hipertensi 48.715 7.672 7. masukkan angka koding yang pertama (misalnya 0) ke kotak Group1. Perhatikan gambar berikut ini. klik variabel kejadian hipertensi.45 12.

maka varian sama. Untuk penelitian lain tetapi dengan jenis variabel yang sama dapat menyesuaikan.988. yang non hipertensi meanya 48. Pada kesemapatan ini suatu penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah melakukan diet selama 3 bulan. Jika nilai p < alpha.588 0. Hasil tersebut jika dituangkan dalam sebuah laporan dapat disusun sebagai berikut: Tabel 4. makan akan muncul dialog Gambar 22 : Dialog Uji t Dependen 34 . tetapi jika varian > alpha.707 sehingga > 0.911 22 Non hipertensi 48. maka dapat disimpulkan tidak terdapat perbedaan antara mean umur hipertensi dengan non hipertensi.5 dapat dilaporkan bahwa mean umur responden yang hipertensi 48. Jika nilai varian < alpha (0.05) maka varian berbeda. lakukan langkah sebagai berikut (Gunakan Data Lampiran 5): Pilih Analyze – Compare mean – Samples T test Paired. Tetapi jika varian berbeda.00 dengan standar deviasi 12. lihat print out (b). atau berat badan sebelum dan sesudah puasa (bagi yang berpuasa). Karena varian sama. Untuk mengetahui apakah ada perbedaan kedua kelompok tersebut.588. terlebih dahulu mengetahui variannya. maka uji t gunakan Equal variances assumed pada colums Sig (2-tailed). Jika varian sama.988 18 __________________________________________________________________ Berdasarkan Tabel 4. Misalnya penelitian ingin mengetahui perbedaan berat badan sebelum dan sesudah diet.12.45 dengan standar deviasi 12. maka varian sama. maka ada perbedaan mean keduanya.45 12. dan lain-lain.998. Setelah data dimasukan sesuai variabel yang dibuat.00 12. Pada contoh di atas nilai varian 0.05. Numerik dengan Numerik Pada bagian ini akan menguji dua variabel numerik dengan numerik yang berasal dari satu sumber (bisa disebut pengukuran pre dan post). Sedangkan 12. Responden yang hipertensi lebih banyak dibandingkan dengan non hipertensi. Hasil uji t diperoleh p value 0. b. maka nilai p = 0.05.00 dengan standar deviasinya Kemudian untuk melihat apakah ada perbedaan mean umur.2. apakah sama atau berbeda (lihat Levene's Test for Equality of Variances pada kolum Sig).588. uji t gunakan Equal variances not assumed pada colums Sig (2-tailed).5 Perbedaan Varian Kejadian Hipertensi __________________________________________________________________ Kejadian hipertensi Mean Standar defiasi p value Jumlah Hipertensi 48.911 sehingga > alpha 0. Nilai tersebut bandingkan dengan nilai alpha. Sedangkan mean yang non hipertensi 48.911 sehingga dapat disimpulkan dengan alpha 5% tidak terdapat perbedaan mean umur antara yang hipertensi dengan non hipertensi.

459 2.945 Std.55 40 7.00 39 .94 0.Langkah selanjutnya klik variable berat badan sebelum diet. Sedangkan print out (b) untuk mencari nilai mean pengujian (kolom mean) dan nilai p value (kolom Sig (2-tailed)).95 kg.95 N 40 Std. Error Mean 1. sedangkan setelah diet turun menjadi 63.005 9 Pada print out (a). 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. Menuangkan dalam laporan penelitian : Tabel 4.341 t Sig.Berat setelah diet 3.55 kg. kemudian klik anak panah (variabel tersebut masuk ke variable1). klik anak panah (variabel tersebut masuk ke variable2).400 2. Deviation 7.173 63. kemudian klil berat setelah diet.95 1.465 . Difference Mea Deviati Error n on Mean Lower Upper 1.421 (b) Paired Samples Test Paired Differences 95% Confidence Interval of the Std. Selanjutnya klik OK.005 40 Sesudah diet 63.40 0 2.256 1.6 dapat dilaporkan bahwa mean berat badan sebelum melakukan diet 64. (2taile df d) Pair Berat sebelum 1 diet . Std. Hasil uji perbedaan mean 35 .6 Perbedaan Mean Sebelum dan Sesudah Diet ______________________________________________________________________ Pengukuran Diet Mean Mean Standar defiasi p value Jumlah Kelompok Pengujian Pengujian Sebelum diet 64.942 .55 _____________________________________________________________________ Berdasarkan Tabel 4.

misalnya hubungan umur dengan kadar Hb-nya.26 – 0. Perlu diketahui bahwa hubungan kedua variabel dapat berpola positif maupun negatif. Uji-uji tersebut tidak bisa mengetahui sejauh mana keeratan masing-masing variabel. Sedangkan yang berpola negatif. 1.005. hubungan linier negatif sempurna. artinya tidak ada hubungan atau hubungannya lemah. Jika nilai r = -1.75.76 – 1. Hastono (2001) mengutif pendapat Calton. dan numerik dengan numerik. artinya lebih kecil dari nilai alpha. menggunakan analisis regresi. artinya keduanya berhubungan sedang. Nilai korelasi (r). Nilai r (koefisien korelasi) berkisar dari 0 sampai dengan 1.94. Sedangkan untuk mengetahui bentuk hubungan antara dua variabel (positif atau negatif). Untuk mempermudah pemahan derajat keeratan serta pola hubungan. Apakah hubungan berat badan dan tekanan darah mempunyai derajat yang kuat atau lemah. F. Contoh penelitian tentang hubungan berat badan dengan tekanan darah. Hubungan berpola positif apabila terjadi kenaikan satu pada suatu variabel.25. Analisis Korelasi Hasil analisis korelasi dapat mengetahui derajat keeratan hubungan. Jika nilai r = 0. maka diikuti oleh variabel yang lain. hubungan linier positif sempurna. artinya keduanya berhubungan kuat.51 – 0. Jikan nilai r = +1. Apakah hubungan kedua variabel tersebut berpola positif atau sebaliknya.00 – 0. artinya hubungannya sangat kuat atau sempurna.1.00. Untuk mengetahui derajat keeratan hubungan variabel yang diuji digunakan analisis korelasi. dapat dilihat pada diagram tebar/pencar (scatter plot). artinya tidak ada hubungan linier keduanya. menyebutkan kekuatan hubungan dua variabel secara kuantitatif dapat dibagi menjadi empat area: Nilai r = 0. Disini dapat dijelaskan setiap kenaikan umur akan menurunkan kadar Hb-nya. Nilai r = 0. 36 . Semakin rapat tebarnya berarti semakin kuat hubungannya. UJI KORELASI DAN REGRESI LINIER SEDERHANA Diatas telah dijelaskan uji Chi Square (kategorik dengan kategorik). Nilai r = 0. uji t numerik dengan kategorik. Setiap penambahan berat badan diikuti kenaikan tekanan daranya. secara manual dapat digunakan rumus Product Moment yang sudah dijelaskan di atas. atau bila diketaui arahnya maka : -1 sampai dengan +1. sehingga dapat disimpulkan dengan kepercayaan 95% diyakini terdapat perbedaan mean berat badan sebelum dan sesudah melakukan diet. Kuat lemahnya hubungan dapat dilihat dari tebaran datanya.400 dengan standar deviasi 2. juga dapat mengetahui arah hubungan dua variabel numerik.50. Sedangkan nilai p dalam pengujian 0. dan sebaliknya semakin jarang tebaranya berarti semakin lemah hubungannya. Nilai r = 0.

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

000 Penurunan berat per Pearson . Lakukan untuk variabel yang lain dengan cara yang sama. maka hasilnya sebagai berikut : Print out 11 : Uji Lama Olah Raga dengan Penurunan Berat Badan Correlations Frekuensi olah raga per mingg Frekuensi olah raga per minggu Pearson 1. sebagai berikut : 38 .000 Correlation Sig.556). Nilai r dapat dilihat pada baris pertama kolom ke tiga. Sehingga dapat disimpulkan terdapat pengaruh antara lama olah raga per minggu dengan penurunan berat badan per bulan.000 Print out 11 memberi informasi hasil uji kedua variabel untuk mencari korelasinya. Tampilannya sebagai berikut : Pada posisi ini lakukan klik OK. (2-tailed) . maka akan pindah ke sebelah kanan.556** bulan Correlation Sig. Correlation is significant at the 0.556.000 40 1.000.000 N 40 **.01 level (2-tailed).Pada menu ini pindahkan variabel yang berada pada kotak sebelah kiri (yang akan diuji) ke kotak sebelah kanan. Dalam contoh ini nilai p value diperoleh 0. Penurunan berat per bulan . Hasil tersebut jika dituangkan dalam laporan penelitian. dengan cara klik variabel yang akan dipindah kemudian klik anak panah.000 40. Pada contoh ini diperoleh 0. (2-tailed) N 40.556** . Kekuatan hubungan keduanya kuat (0. sedangkan nilai p value pada baris kedua kolom kedua.

556 0. 2. maka timbul menu : Langkah selanjutnya.556 dan p value 0. 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. maka masuklah ke kotak tersebut.000.7 : Pengaruh Lama Olahraga dengan Penurunan Berat Badan. dengan demikian dapat disimpulkan. Untuk mengetahui derajat penurunan berat badan lakukan langkah sebagai berikut : Klik Analyze. pilih Regression.000 __________________________________________________________________ Berdasarkan Tabel 4. maka hasil sebagai berikut: 39 . pilih Linier. 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). Demikian variabel independen (lama olah raga per minggu) dengan cara yang sama masukkan ke kotak Independnt(s). __________________________________________________________________ Variabel r p value _____ _____ Lama olah raga dan penurunan berat badan 0. dengan keyakinan 95% terdapat hubungan antara lama olah raga perminggu dengan perurunan berat badan.Tabel 4. Tampilannya sebagai berikut : Langkah selanjutnya klik OK. Gunakan Data Lampiran 5.7.

artinya persamaan garis regresi yang kita peroleh dapat menerangkan 30. sebesar 0.114 1. sehingga didapat nilai konstant (nilai a adalah koefisien lama olah raga per minggu) sebesar -0.Print out 12 : Regression (a) Model Summary Model R R Square Adjusted R Square a 1 .108 .445 kali lama olah raga perminggu.309 . artinya nilai Y tergantung dari nilai X). dan (nilai b adalah koefisien penurunan berat badan) 0. Predictors: (Constant).807 (b) ANOVA Model Sum of Squares Df Mean Square F Sig.803. Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a). Selanjutnya pada print out ANOVA. sehingga persamaan regresinya : Y = a+bX.803 . Predictors: (Constant). Dependent Variable: Penurunan berat per bulan (c) Coefficientsa Standardize Unstandardized d Coefficients Coefficients Model B Std. 1 Regression 11.05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh.120 . dan nilai p value. artinya perubahan nilai X akan berpengaruh pada nilai Y).9% variasi penurunan berat badan. Y = Penurunan berat badan (variabel dependen. yaitu pada kolom B.000a Residual 24.445 . Frekuensi olah raga per mingg b.556 . Error of the Estimate . dan X adalah lama olah raga perminggu (variabel independen. Pada contoh di atas dapat dijelaskan bahwa jika terjadi penambahan frekuensi olah raga satu jam perminggunya akan terjadi penambahan penurunan berat badan 0. Persamaan garis tersebut dapat diperkirakan penurunan berat badan jika diketahui penambahan lama olah raga per minggunya. Error Beta t Sig.728 38 .775 39 a.617 Frekuensi olah raga . yang artinya pada alpha 0. Rumus tersebut dapat dijelaskan.047 1 11. memberi informasi tentang kesesuaian dari model terhadap data.803+0. 40 . Nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary). sebesar 0.556 4.497 .000 per mingg a. Dependent Variable: Penurunan berat per bulan Hasil di atas yang lebih penting melihat koefisien determinasi.445.291 a. persamaan garis. Sehingga rumus matematis tersebut Y = -0. Frekuensi olah raga per minggu Std.047 16.976 .445 kg.000. 1 (Constant) -.309. Print out ini diperoleh nilai p value (pada kolom Sig).651 Total 35.

7. Contoh lain : Hubungan Umur dengan Lama Hari Rawat Dengan cara yang sama.309 Berat badan= -0.7 dapat dijelaskan bahwa hubungan lama olah raga dengan penurunan berat badan kuat (0. View Data hasil penelitian sebagai berikut: Kemudian lakukan langkah yang sama pada contoh sebelumnya (Lama olah raga dengan penurunan berat badan).55).9% variasi penurunan berat badan.000 Dengan demikian dapat dijelaskan dengan alpha 0. Nilai koefisien determinasi 0. Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara lama olah raga perminggu dengan penurunan berat badan (p value 0. sehingga diperoleh nilai p value = 0. maka print out penelitian sebagai berikut : Print Out 13 : Regression (Hubungan Umur dengan Lama Hari Rawat) 41 . dan berpola positif.803+0.Hasil uji statistik untuk koefisien regresi dapat dijelaskan pada kolom Sig. Penyajian dalam Laporan Penelitian Tabel 4. Nilai penurunan berat badan = 0.445*olah raga 0.309 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 30.000 __________________________________________________________________ Berdasarkan Tabel 4.000).05 kita menolak hipotesis nol (Ho). Analisis Korelasi dan Regresi Lama Olah Raga dengan Berat Badan __________________________________________________________________ Variabel r R2 Persamaan garis p value __ _____ ______________________________ _____ Lama olah raga 0. yang berarti ada pengaruh linier antara lama olah raga perminggu dengan penurunan berat badan.445.55 0.445 artinya jika terjadi penambahan frekuensi (jam) olah raga perminggunya akan terjadi penurunan berat badan sebesar =0. artinya semakin lama berolah raga setiap minggunya akan menurunkan berat badannya lebih rendah.

Dengan demikian dapat dijelaskan.006. Persamaan garis tersebut dapat diperkirakan penambahan lama hari rawat jika diketahui penambahan umurnya. umur (b) ANOVAb Sum of Model Squares 1 Regression 6.941. sehingga didapat nilai konstant (nilai a adalah koefisien penambahan umur) sebesar 1.133 4 F 48.006 a.1% variasi penambahan lama hari rawat. Error Beta 1. Predictors: (Constant). nilai koefisin determinasi dapat dilihat dari nilai R Square (print out Model Summary). sebesar 0.000 Sig.160 .967 .006.800 a. yaitu pada kolom B.006a Model 1 (Constant) umur (c) Coefficientsa Unstandardized Standardized Coefficients Coefficients B Std. Sehingga rumus matematis tersebut Y = -0. Rumus tersebut dapat dijelaskan.400 3 .922 . yang artinya pada alpha 0.(a) Model Summary Adjusted R Model R R Square Square Std. sehingga persamaan regresinya : Y = a+bX.05 dapat disimpulkan bawa model regresi sederhana cocok dengan data yang diperoleh.400 Residual . sebesar 0. Diperoleh nilai p value (pada kolom Sig).400.16.365 a. Nilai penambahan tersebut = 0. dan (nilai b adalah koefisien penambahan lama hari rawat) 0. 42 . Sedangkan persamaan garis regresi dapat dilihat pada print out Coefficients(a). memberi informasi tentang kesesuaian dari model terhadap data. Y = Penambahan hari rawat (variabel dependen).400 . Predictors: (Constant).712 .16.05 kita menolak hipotesis nol (Ho).144 6. 1. . pada alpha 0.400 Total 6. dan X adalah lama olah raga perminggu (variabel independen).941 .970 . Selanjutnya pada print out ANOVA. Sehingga dapat dijelaskan jika terjadi penambahan usia satu tahun akan terjadi penambahan lama hari rawat 0.445 kali Umur. Dependent Variable: lama rawat df Mean Square 1 6.928 . Error of the Estimate a 1 .023 . artinya persamaan garis regresi yang kita peroleh dapat menerangkan 94.160.970 T Sig. Hasil uji statistik untuk koefisien regresi diperoleh nilai p value = 0. jika terjadi penambahan umur pasien. Dependent Variable: lama rawat Hasil penelitian (Print out 13). umur b.803+0.16 artinya jika terjadi penambahan usia satu tahun akan terjadi penambahan hari rawat 0. yang berarti ada hubungan linier antara usia dengan lama hari rawat.

yaitu paragraf pertama mengenai rangkuman hasil penelitian.941 artinya persamaan garis regresi yang kita peroleh dapat menerangkan = 94. CARA MELAKUKAN PEMBAHASAN Pembahasan yang baik untuk satu pokok bahasan (satu variabel) mencakup 4 hal.7%).9) 71(100%) ______________________________________________________________________ Berdasarkan tabel 4.16.Sebalinya.802-13.970).941 Hari rawat = 1. lebih banyak dibandingkan 43 .0%) 37(100%) (1. Terakhir adalah pendapat peneliti berdasarkan fakta-fakta maupun pengalaman yang dimiliki.4+0. Baik Jumlah p value OR ________ _________ ________ ______ ____________ Baik 22 (64. Nilai koefisien determinasi 0. yang melakukan kontrol baik 22 orang (64.16*Umur 0. Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara umur dengan lama hari rawat (p value 0.598) _______ _______ ________ Jumlah 32 (45.8.1%) 39 (54. dan berpola positif.8 dapat dijelaskan bahwa hubungan Umur dengan lama hari rawat sangat kuat (0. jika terjadi penurunan usia satu tahun akan terjadi pengurangan lama hari rawat 0. artinya jika terjadi penambahan usia akan terjadi penambahan lama hari rawat.3%) 34(100%) 0. Hasil penelitiannya sebagai berikut (Bagian hasil) : Tabel 4.006).003 4.970 0.0%) 27 (73.1% variasi penambahan lama hari rawat. Analisis Korelasi dan Regresi Umur dengan Lama Hari Rawat __________________________________________________________________ Variabel r R2 Persamaan garis p value ____ _____ _______________________ _____ Umur 0.006 __________________________________________________________________ Berdasarkan Tabel 4.9 : Hubungan Pengetahuan dengan Perilaku Kontrol ______________________________________________________________________ Perilaku Kontrol Pengetahuan Baik Krg.950 Kurang baik 10 (27. Penyajian dalam Laporan Penelitian Tabel 4.9 dapat dilaporakan bahwa pengetahuan tentang hipertensi dengan kategori baik. G.7%) 12 (35. dibandingkan dengan literatur yang ada (biasanya telah diuraikan pada bab II). Contoh pembahasan : Sebuah penelitian ingin mengetahui hubungan pengetahuan dengan perilaku kontrol penderita hipertensi. Berikutnya dibandingkan dengan hasil penelitian terdahulu (sejenis).

8. Hasil uji Chi Square diperoleh p value = 0. misalnya gagal jantung.003 sehingga lebih kecil dari 0. artinya responden yang berpengetahuan baik mempunyai peluang berperilaku kontrol baik 4.950 (1. Berdasarkan hasil pada tabel 4. otak dan mata. Dengan melakukan kontrool secara rutin dapat mengurangi resiko penderita hipertensi pada tingkat yang lebih tinggi.950 kali dibandingkan dengan responden yang berpengetahuan kurang baik. terbentuknya suatu perilaku baru terutama pada orang dewasa dimulai pada domain kognitif. dengan confidence interval (CI) 95% diperoleh nilai odds ratio (OR) = 4.dengan yang berpengetahuan kurang baik.950. 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. menyebutkan bahwa ada hubungan yang signifikan antara pengetahuan dengan pengendalian hipertensi di wilayah kerja Puskesmas Sidorejo Kabupaten Lampung Timur. dapat disimpulkan ada hubungan bermakna antara pengetahuan dengan perilaku kontrol responden ke puskesmas. Hasil penelitian juga melaporkan. stroke dan gangguan penglihatan adalah konsekuensi yang umum dari hipertensi. Pengetahuan atau kognitif merupakan domain yang sangat penting untuk terbentuknya tindakan seseorang (overt behaviour). dari pengalaman dan penelitian perilaku yang didasari oleh pengetahuan akan lebih langgeng daripada perilaku yang tidak didasarkan oleh pengetahuan (Notoatmojo. dan lain-lain. ginjal. Dengan demikian dapat disimpulkan bahwa pengetahuan seseorang mempunyai pengaruh terhadap perilaku individu dalam melakukan kontrol ke sarana pelayanan kesehatan. Pada beberapa organ seperti jantung.003 artinya < nilai alfa (0. Dalam penelitian ini disebutkan bahwa seseorang dalam berpengetahuan baik mempunyai tindakan yang baik dalam pengendalian hipertensi dibandingkan dengan responden yang pengetahuan buruk.802–13. 44 . Hasil penelitian ini sesuai dengan penelitian Budiharto (2001).0%).05. 10 orang (27. gagal ginjal. 2003). akan mengalami kerusakan. Hasil penelitian ini sesuai dengan pendapat Hatta (1996).05). Gagal jantung. sehingga dapat disimpulkan ada hubungan antara pengetahuan dengan perilaku kontrol responden ke puskesmas.598). Hasil ini juga didukung oleh nilai OR 4. jika dilakukan pembahasan seperti berikut : Hubungan pengetahuan dengan perilaku kontrol Hasil uji Chi Square diperoleh p value = 0. Peningkatan tekanan darah yang berkepanjangan akan merusak pembuluh darah yang ada disebagian besar tubuh. Pengetahuan merupakan hasil dari tahu dan ini terjadi setelah orang melakukan pengindraan terhadap suatu objek tertentu.

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

Sign up to vote on this title
UsefulNot useful