Modul Mandat Spss Kesehatan [PDF]

Citation preview

MODUL MANAJEMEN DATA Dengan menggunakan Program SPSS 17 Musafaah, SKM, MKM



2014



P R O G R A M S T U D I K E S E H ATA N M A S YA R A K AT FA K U LTA S K E D O K T E R A N U N I V E R S I TA S L A M B U N G M A N G K U R AT



KATA PENGANTAR Dengan mengucapkan puji syukur ke hadirat Allah SWT, maka penyusunan Modul Manajemen Data Program Studi Kesehatan Masyarakat Fakultas Kedokteran Universitas Lambung Mangkurat dapat diselesaikan dengan baik. Mudah-mudahan dengan adanya modul ini, proses belajar mengajar menjadi lebih baik dan akan membantu mahasiswa dalam memahami lebih mendalam terkait pengolahan data. Modul Manajemen Data ini diharapkan dapat dipergunakan sebagai bahan pengajaran dalam rangka pengembangan pendidikan sesuai dengan visi, misi, dan tujuan di Program Studi Kesehatan Masyarakat Fakultas Kedokteran Universitas Lambung Mangkurat umumnya. Kami menyampaikan penghargaan yang setinggi-tingginya dan ucapan terima kasih kepada tim bagian Biostatistik



yang telah membantu dalam



penyelesaian modul ini. Kami juga menerima segala bentuk saran dan kritik demi penyempurnaan modul ini. Banjarbaru, Februari 2014



2|Page



DAFTAR ISI KATA PENGANTAR.................................................................................................................................2 DAFTAR ISI.............................................................................................................................................3 1



KONSEP DASAR STATISTIK DAN MANAJEMEN DATA.................................................................6 1.1



KONSEP DASAR STATISTIK...................................................................................................6 1.1.1



PENGERTIAN STATISTIK................................................................................................6



1.1.2



Peran Statistik dalam Penelitian...................................................................................6



1.1.3



Kegunaan statistik/penelitian di Bidang Kesehatan.....................................................7



1.1.4



Jenis Data.......................................................................................................................7



1.2



2



3



KONSEP MANAJEMEN DATA................................................................................................8



1.2.1



PENGUMPULAN DATA..................................................................................................9



1.2.2



PENGOLAHAN DATA......................................................................................................9



1.2.3



PENYAJIAN DATA..........................................................................................................11



1.2.4



ANALISIS DATA.............................................................................................................12



BAB 2 PENGENALAN PROGRAM SPSS.......................................................................................14 2.1



Memanggil SPSS..................................................................................................................14



2.2



Menu/Window di SPSS.........................................................................................................14



2.2.1



Data Editor....................................................................................................................15



2.2.2



Menu Output Navigator...............................................................................................19



2.2.3



Menu Pivot Tabel Editor..............................................................................................20



2.2.4



Menu Chart Editor........................................................................................................21



2.2.5



Menu Text Output Editor.............................................................................................22



2.2.6



Menu Syntax Editor.....................................................................................................22



2.2.7



Menu Script Editor.......................................................................................................23



2.3



Memasukkan Data...............................................................................................................24



2.4



Transfer Data dari File Program MS-Excel ke Program SPSS.............................................25



2.5



Cleaning Data Entry.............................................................................................................26



2.6



MENGEDIT DATA..................................................................................................................27



2.7



MENYIMPAN DATA..............................................................................................................30



2.8



MENGAKTIFKAN/ MEMANGGIL FILE DATA.........................................................................31



BAB TRANSFORMASI/MODIFIKASI DATA...................................................................................33 3.1



RECODE................................................................................................................................33



3.2



COMPUTE.............................................................................................................................35



3.3



MEMBUAT VARIABEL BARU DENGAN KONDISI (IF)..........................................................35 3|Page



4



5



6



3.4



SELECT CASE (Menyeleksi isi file dengan kriteria tertentu)..............................................36



3.5



MENGGABUNGKAN FILE DATA (MERGE)...........................................................................36



3.6



TRANSPOSE DATA...............................................................................................................37



3.7



SORT CASES (MENGURUTKAN DATA)................................................................................38



UJI REALIBILITAS DAN VALIDITAS KUESIONER.........................................................................40 4.1



VALIDITAS INSTRUMEN......................................................................................................40



4.2



REALIBILITAS INSTRUMEN.................................................................................................42



STATISTIK DESKRIPTIF................................................................................................................44 5.1



FREQUENCIES......................................................................................................................44



5.2



DECRIPTIVES........................................................................................................................49



5.3



EXPLORE...............................................................................................................................51



STATISTIK INFERENSIAL..............................................................................................................59 6.1 6.1.1



CHI SQUARE.................................................................................................................59



6.1.2



FISHER EXACT..............................................................................................................63



6.2



8



Uji Beda Mean 2 kelompok..................................................................................................65



6.2.1



Uji Beda Mean Pa rametrik..........................................................................................65



6.2.2



Uji Beda Mean Non Parametrik...................................................................................70



6.3



7



UJI BEDA PROPORSI...........................................................................................................59



Uji Beda Mean > 2 kelompok...............................................................................................75



6.3.1



Uji Anova (parametrik)................................................................................................75



6.3.2



Uji Kruskal Wallis (non parametrik).............................................................................78



Korelasi........................................................................................................................................82 7.1



Koefisien Korelasi................................................................................................................82



7.2



Arah Korelasi........................................................................................................................82



7.3



Korelasi Pearson (parametrik)............................................................................................82



7.4



Korelasi Spearman (non parametrik).................................................................................84



Regresi Linier...............................................................................................................................86



DAFTAR PUSTAKA...............................................................................................................................89



4|Page



BAB I KONSEP DASAR STATISTIK DAN MANAJEMEN DATA A. KONSEP DASAR STATISTIK 2



PENGERTIAN STATISTIK Statistik dalam arti sempit berarti angka/data, sedangkan dalam arti luas statistik sebagai suatu prosedur atau metode pengumpulan data, pengolahan data, analisis data dan penyajian data. Sedangkan penelitian adalah cara ilmiah untuk mendapatkan data dengan tujuan dan kegunaan tertentu. Data yang diperoleh melalui penelitian harus akurat, artinya data yang dihasilkan harus memenuhi kriteria: valid, reliabel dan obyektif. Valid artinya ketepatan/kecermatan



pengukuran,



yaitu



ketepatan



antara



data



yang



sesungguhnya terjadi pada obyek dengan data yang dapat dikumpulkan oleh peneliti. Misalkan: data dalam obyek berwarna merah, maka data yang terkumpul oleh peneliti juga berwarna merah. Contoh lain, kita akan mengukur waktu lomba lari cepat, kalau mengukurnya dengan jam tangan tentunya hasilnya tidak valid, untuk lomba lari cepat akan valid bila menggunakan alat Stop watch. Reliabel menunjukkan kekonsistensian pengukuran, artinya pengukuran diulang-ulang akan mendapatkan hasil yang sama. Misalkan data yang terkumpul dari obyek kemarin berwarna hijau, maka sekarang atau besok juga masih tetap berwarna hijau. Objektif menunjukkan derajat persamaan persepsi antar orang. Jadi misalkan orang tertentu melihat bahwa obyek itu berwarna putih, maka orang lainpun akan menyatakan sama, yaitu putih. 3



Peran Statistik dalam Penelitian



Peran statistik dalam suatu penelitian dimulai dari tahap awal sampai dengan akhir penelitian. Adapun perannya: a) Alat untuk menghitung besarnya sampel yang akan diteliti b) Alat untuk menguji validitas dan reliabilitas instrumen c) Alat untuk pengolahan data d) Alat untuk analisis data e) Alat untuk penyajian data



1|Page



4



Kegunaan statistik/penelitian di Bidang Kesehatan a) Mengukur status kesehatan masyarakat dan mengetahui permasalahan kesehatan b) Membandingkan status kesehatan di satu tempat dengan tempat lain, atau membandingkan status kesehatan waktu lampau dengan saat sekarang c) Evaluasi dan monitoring kegagalan dan keberhasilan program kesehatan yang sedang dilaksanakan d) Keperluan estimasi tentang kebutuhan pelayanan kesehatan e) Perencanaan program kesehatan f) Keperluan penelitian dan publikasi masalah-masalah kesehatan



5



Jenis Data Data merupakan bentuk jamak dari datum, yang mempunyai arti kurnia, pemberian atau penyajian. Secara definitif dapat diartikan sebagai berikut: Kumpulan angka. Fakta, fenomena atau keadaan yang merupakan hasil pengamatan, pengukuran, atau pencacahan terhadap karakteristik atau sifat dari obyek yang dapat berfungsi untuk membedakan obyek yang satu dengan lainnya pada sifat yang sama (Solimun :2001:2). Data merupakan kumpulan angka/huruf hasil dari penelitian terhadap sifat/karakteristik yang di teliti. Isi data pada umumnya bervariasi (misalnya data berat badan dalam suatu kelompok orang ada yang beratnya 60 kg, 50 kg, 75 kg dst) sehingga muncul istilah variabel. Jadi, variabel merupakan karakteristik yang nilai datanya bervariasi dari suatu pengukuran ke pengukuran berikutnya. Jenisjenis data atau skala data bertingkat menurut tingkatan pengukuran. Adapun jenis skala pengukurannya adalah: a) Nominal Data nominal adalah tingkatan data paling rendah menurut tingkat pengukurannya. Skala ini mempunyai ciri: kategori data bersifat mutually exclusive (satu objek masuk hanya pada satu kelompok saja) dan hanya ada unsur pembedaan. Contohnya: jenis kelamin, tempat tinggal dll. 1) Nominal – dikotomi diskrit Contoh data diskrit adalah status pernikahan, misalnya 1=menikah, 0=tidak menikah; jenis kelamin 1=laki-laki, 2=perempuan. 2) Nominal – dikotomi kontinyu 2|Page



Suatu data yang sifatnya interval yang selanjutnya dikategorikan dalam 2 kategori, misalnya terdapat data tentang berat badan bayi, selanjutnya dikategorikan dalam berat badan lahir rendah (BBLR) bila berat badan lahir (BBL) < 2500 gr dan non BBLR bila BBL > 2500 gr. Hb ibu hamil bila < 11 gr/dl dikategorikan anemia, bila > 11 gr/dl dikategorikan non anemia. b) Ordinal Data ordinal adalah data yang selain mengandung unsur pembedaan juga memiliki unsur urutan (order=urut). Contoh dari data ordinal adalah penskalaan sikap individu, yaitu: Sikap Sangat Setuju (5), Setuju (4), Netral (3), Tidak Setuju (2), Sangat Tidak Setuju (1). c) Interval Data interval adalah data yang selain mengandung unsur pembedaan dan urutan juga memiliki sifat interval (selangnya bermakna). Disamping itu data ini memiliki ciri angka nol tidak mutlak. Skala interval mempunyai ciri matematis additivity, artinya kita dapat menambah atau mengurangi. Misalnya: suhu. Contoh lainnya: Jawaban pertanyaan menyangkut frekuensi dalam pertanyaan. Misalnya: Berapa kali anda melakukan kunjungan ke Jakarta dalam satu bulan? Jawaban: 1 kali, 3 kali, dan 5 kali. Maka angka-angka 1, 3, dan 5 merupakan angka sebenarnya dengan menggunakan interval 2. d) Rasio Skala yang menunjukkan kategori, peringkat, jarak dan perbandingan construct yang diukur. Skala rasio mempunyai nilai nol mutlak. Misalnya: berat badan, tinggi badan, luas tanah, dan jumlah produksi. Maksudnya nol mutlak adalah jika ada seseorang mempunyai luas tanah 0 m 2 itu berarti tidak mempunyai tanah.



A. KONSEP MANAJEMEN DATA Manajemen data adalah pengelolaan data mulai dari data tersebut dikumpulkan hingga siap dianalisis. Dengan kata lain, proses mengubah bentuk data dari data pada formulir menjadi data yang siap untuk dianalisis. Manajemen data merupakan proses yang sangat penting setelah data terkumpul (melalui wawancara atau pengukuran). Manajemen data meliputi pengumpulan data, pengiriman data,



3|Page



editing, coding (penomoran), entry data, cleaning, dan penyimpanan data. Alur data dapat digambarkan seperti pada gambar dibawah ini:



Gambar 1. Alur Manajemen Data 5.A.1.1



PENGUMPULAN DATA Pengumpulan data primer membutuhkan perancangan alat dan metode



pengumpulan data. Metode pengumpulan data penelitian dapat menggunakan: a) Observasi b) Wawancara c) Kuesioner (daftar pertanyaan) d) Pengukuran fisik e) Percobaan laboratorium 5.A.1.2



PENGOLAHAN DATA



Pengolahan data merupakan proses yang sangat penting dalam penelitian. Oleh karena itu, harus dilakukan dengan baik dan benar. Kegiatan dalam proses pengolahan data, yaitu: a) Memeriksa data (editing); b) Memberi kode (coding); c) Processing; d)Pembersihan data (cleaning). Pengolahan data merupakan salah satu bagian rangkaian kegiatan penelitian setelah pengumpulan data. Setelah dilakukan pengumpulan data, seringkali orang bingung “mau diapakan data yang telah terkumpul?, Bagaimana menghubungkan data di kuesioner dengan tujuan penelitian?”. Untuk itu data yang masih mentah (raw data) perlu diolah sedemikian rupa sehingga menjadi informasi yang akhirnya dapat digunakan untuk menjawab tujuan penelitian. Agar



4|Page



analisis penelitian menghasilkan informasi yang benar, paling tidak ada 4 tahapan dalam pengolahan data yang harus dilalui, yaitu: a) Editing Editing adalah memeriksa data yang telah dikumpulkan baik berupa daftar pertanyaan, kartu, atau buku register. Hal-hal yang harus diperhatikan pada editing data: 1) Lengkapnya pengisian 2) Kejelasan tulisan 3) Kejelasan makna jawaban 4) Konsistensi atau keajegan dan kesesuaian antar jawaban 5) Relevansi jawaban 6) Keseragaman kesatuan data Editing data dilakukan sebelum proses pemasukan data. Editing data sebaiknya dilakukan di lapangan agar data yang salah/meragukan masih dapat ditelusuri kembali kepada responden/informan yang bersangkutan. Editing data dapat dilakukan oleh peneliti sendiri, atau oleh penyelia lapangan. Apabila akan dilakukan oleh penyelia lapangan, perlu dilakukan pelatihan lebih dahulu. b) Koding Koding adalah kegiatan mengklasifikasi data dan memberi kode untuk masing-masing kelas secara mutually dan exhaustic sesuai dengan tujuan dikumpulkannya data. Koding sudah harus mulai dipikirkan dan dikembangkan pada saat mengembangkan instrumen penelitian (kuesioner). Koding merupakan kegiatan merubah data berbentuk huruf menjadi data berbentuk angka/bilangan. Misalnya untuk variabel tempat tinggal dilakukan koding 1=desa; 2=kota. Kegunaan dari coding adalah untuk mempermudah pada saat analisis data dan juga mempercepat pada saat entry data. Jawaban kosong perlu diidentifikasi dan diberi kode lebih lanjut: “tidak tahu”, “tidak ada jawaban”, atau “jawaban tidak relevan”. c) Processing Setelah semua kuesioner terisi penuh dan benar, serta sudah melewati pengkodean, maka langkah selanjutnya adalah memproses data agar data yang sudah di-entry dapat dianalisis. Pemrosesan data dilakukan dengan cara meng-entry data dari kuesioner ke paket program komputer. Ada bermacam5|Page



macam paket program yang dapat digunakan untuk pemrosesan data dengan masing-masing mempunyai kelebihan dan kekurangan. Salah satu paket program yang sudah umum digunakan untuk entry data adalah paket program SPSS for Window. SPSS adalah salah satu program statistik yang paling populer di antara program lainnya. SPSS banyak digunakan dalam penelitian-penelitian sosial dan riset. SPSS adalah kepanjangan SPSS dari Statistical Product and Service Solution. Pada modul ini SPSS yang digunakan adalah SPSS versi 17. d) Cleaning (pembersihan data) Walaupun rambu-rambu sudah kita pasang pada saat data entry, kesalahan masih mungkin terjadi. Cleaning (pembersihan data) merupakan kegiatan pengecekan kembali data yang sudah di-entry apakah ada kesalahan atau tidak. Misalnya dalam variabel status perkawinan terisi data 1 (misalnya 1=belum kawin) dan dalam variabel jumlah anak terisi nilai. Ini berarti ada data yang salah (tidak konsisten) karena statusnya belum kawin tetapi mempunyai anak 5?. Pembersihan data tetap perlu dilakukan. Salah satu cara yang dilakukan adalah dengan menilai ke-logis-annya. Untuk data kontinyu (interval dan rasio) dapat dilihat sebarannya untuk melihat ada/tidaknya pencilan (outliers). Bila ternyata terdapat kesalahan dalam memasukkan data, lakukan pembetulan. Bila ternyata tidak terdapat kesalahan memasukkan data, tentukan tindakan yang akan dilakukan terhadap data yang aneh tersebut: dibuang?, dibuang sementara?, dipakai hanya pada sebagian analisis?, atau dipakai sepenuhnya pada saat analisis?. 5.A.1.3



PENYAJIAN DATA Cara penyajian data penelitian dilakukan melalui berbagai bentuk. Pada



umumnya dikelompokkan menjadi 3, yaitu penyajian dalam bentuk teks (textular), penyajian dalam bentuk tabel dan penyajian dalam bentuk grafik. Secara umum, penggunaan ketiga bentuk penyajian ini berbeda. Penyajian secara textular biasanya digunakan untuk penelitian atau data kualitatif, penyajian dengan tabel digunakan untuk data yang sudah diklasifikasikan dan ditabulasi. Tetapi apabila data akan diperlihatkan atau dibandingkan secara kuantitatif maka disajikan dalam bentuk grafik. Meskipun demikian pada prakteknya ketiga bentuk penyajian ini dipakai secara bersama-sama karena memang saling melengkapi. 6|Page



5.A.1.4



ANALISIS DATA Berikut



ini



akan



dijelaskan



langkah-langkah



analisis



(pendekatan



kuantitatif): a) Analisis Deskriptif (Univariat). Tujuan dari analisis ini adalah untuk menjelaskan/mendiskripsikan karakteristik masing-masing variabel yang diteliti. Bentuknya tergantung dari jenis datanya. Untuk data numerik digunakan nilai mean (rata-rata), median, standard deviasi dan inter kuartil range, minimal maksimal. b) Analisis Analitik Setelah diketahui karakteristik masing-masing variabel dapat diteruskan analisis lebih lanjut. Analisis yang dapat dilakukan pada analisis bivariat adalah analisis hubungan (korelasi) dan analisis perbandingan (komparatif). Selain itu pada analisis bivariat ada analisis parametrik dan analisis non parametrik. Berikut diagram alur pemilihan metode statistik: MULAI



SKALA PENGUKURAN



INTERVAL / RATIO



NOMINAL / ORDINAL



TIDAK NORMAL



DISTRIBUSI DATA



STATISTIK NON PARAMETRIK



NORMAL



< 30 JUMLAH SAMPEL



> 30



Uji t jika distribusi populasi pasti normal



STATISTIK PARAMETRIK



Gambar 2. Alur Pemilihan Metode Statistik



7|Page



Berikut contoh jenis-jenis uji statistik: Analisis hubungan (korelasi)



Statistik Parametrik Korelasi pearson



Analisis perbandingan (komparatif) Uji t independen Uji t paired Anova



Statistik Non Parametrik Korelasi Spearman Koefisien Kontingensi Phi & Cramer’s V Lambda Gamma Sommer’s d Kendall Chi square Fisher Exact Mc Nemar Uji Mann Whitney Uji Wilcoxon Kruskal Wallis



c) Analisis Multivariat Merupakan analisis yang menghubungkan antara banyak variabel independen dengan banyak variabel dependen. Analisis statistika multivariat merupakan metode statistik yang memungkinkan untuk melakukan penelitian terhadap lebih dari 2 variabel secara bersamaan. Contoh analisis multivariat adalah Manova, Analisis Cluster, Analisis Faktor, Analisis Komponen Utama dan lain-lain.



8|Page



BAB 2 PENGENALAN PROGRAM SPSS SPSS berasal dari singkatan Statistical Program for Social Science. SPSS merupakan paket program statistik yang berguna untuk mengolah dan menganalisis data penelitian. Dengan SPSS semua kebutuhan pengolahan dan analisi data dapat diselesaikan dengan mudah dan cepat. Kemampuan yang dapat diperoleh dari SPSS meliputi pemrosesan segala bentuk file data, modifikasi data, membuat tabulasi berbentuk distribusi frekuensi, analisis statistik deskriptif, analisis statistik inferensial, pembuatan grafik, dan sebagainya.



5.A.1.4.1 Memanggil SPSS Pertama kali Anda harus pastikan bahwa komputer sudah ter-install program SPSS for Window. Untuk memanggil program SPSS dapat dilakukan cara: Start, pilih Program, SPSS for Windows dan Sorot SPSS 17 dan klik dua kali, maka tampilan yang muncul adalah:



Gambar 3. Tampilan SPSS for Windows



5.A.1.4.2



Menu/Window di SPSS



Secara keseluruhan SPSS menyediakan 7 window, yang meliputi:



9|Page



5.A.2 Data Editor



Window ini terbuka secara otomatis setiap kali program SPSS dijalankan, dan berfungsi untuk input data SPSS. Menu yang ada pada Data Editor adalah: a) File Menu File berfungsi untuk menangani hal-hal yang berhubungan dengan file data, seperti membuat file baru, membuka file tertentu, mengambil data dari program lain, mencetak isi dari Data Editor dan lainnya. b) Edit Menu Edit berfungsi untuk menangani hal-hal yang berhubungan dengan



memperbaiki



atau



mengubah



nilai



data



(duplikasi



data),



menghilangkan data, edit data dan lainnya. Selain itu, menu Edit juga berfungsi untuk mengubah setting pada Options. c) View Menu view berfungsi untuk mengatur toolbar (status bar, penampakan value lable dan sebagainya). d) Data Menu data berfungsi untuk membuat perubahan data SPSS secara keseluruhan, seperti mengurutkan data, menyeleksi data berdasarkan kriteria tertentu, menggabungkan data dan sebagainya. e) Transform Menu Transform berfungsi untuk membuat perubahan pada variabel yang telah dipilih dengan kriteria tertentu. f) Analyze (Statistics) Menu Analyze merupakan menu inti dari SPSS, yang berfungsi untuk melakukan semua prosedur perhitungan statistik, seperti uji-t, uji-F, regresi, time series dan sebagainya. g) Graphs Menu Graphs berfungsi untuk membuat berbagai jenis grafik untuk mendukung analisis statistik, seperti Pie, Line, Bar dan kombinasinya. h) Utilities Menu ini adalah menu tambahan yang mendukung program SPSS seperti : 1) Memberi informasi tentang variabel yang sekarang sedang dikerjakan 2) Menjalankan Scripts 10 | P a g e



3) Mengatur tampilan menu-menu lain i) Add-Ons Menu ini juga merupakan menu tambahan yang berisi mengenai software lain yang dapat diintegrasikan dengan SPSS, juga berisi sambungan on-line dengan website SPSS guna kepentingan pelatihan dan pengembangan SPSS. j) Window Menu ini berfungsi untuk pindah diantara menu-menu lain di SPSS k) Help Menu ini berfungsi untuk menyediakan bantuan informasi mengenai program SPSS yang bisa diakses secara mudah dan jelas. Data editor memiliki sub tampilan: a) Data View Sebelum mulai menganalisis data yang perlu dilakukan pertama kali tentu saja adalah mengentri data ke SPSS. Ketika awal anda membuka SPSS akan muncul tampilan data view pada data editor seperti yang terlihat di bawah ini (gambar 3). Menu-menu seperti File, Edit, View, Windows dan Help adalah menu-menu umum yang sama dengan aplikasi under Windows lainnya -silakan pelajari sendiri lebih lanjut. b) Variabel View Bagian kedua dari data editor yang tidak kalah penting dengan data view adalah variabel view. Tampilan ini bisa kita lihat dengan mengklik tab sheet [variabel view] yang ada di kiri bawah tampilan data editor. Lewat variabel view ini kita dapat mengubah setting data editor sesuai dengan data yang kita miliki.



11 | P a g e



Menu yang tersedia dalam variabel view diantaranya: 1) Name. kolom ini untuk memberi nama variabel. Nama variabel yang kita tuliskan disini akan muncul pada data editor. Pemberian nama harus diawali dengan huruf, tidak bisa dimulai dengan angka. Maksimal hanya bisa berisi 8 karakter. Dalam SPSS ada aturan yang harus dipenuhi dalam membuat nama variabel di template, yaitu: a) Jumlah karakter/huruf sebaiknya tidak lebih dari 8 digit (meski SPSS versi 12 ke atas memungkinkan membuat nama variabel lebih dari 8 digit) b) Tidak boleh ada tanda aritmatik (+, -,/, *) c) Tidak boleh ada spasi, jika menghendaki nama variabel terdiri dari 2 kata maka sebaiknya digunakan tanda ” _” (sta_gizi) 2) Type. untuk menyesuaikan jenis data yang anda masukkan, apakah numeric, string (data nominal yang berupa huruf ex: nama). Klik ikon dalam kolom type maka akan muncul kotak dialog variabel type untuk melakukan perubahan tertentu. Pada kotak dialog ini anda bisa juga mengubah lebar kolom (Width) dan karakter desimal (Decimal Places).



12 | P a g e



Dalam SPSS banyak type data yang ditawarkan untuk tiap variabel, tetapi untuk keperluan analisis data yang biasa dipakai adalah: type String, Numerik dan Date. a) String: jika data yang ingin dimasukkan dalam bentuk karakter/huruf Misalnya: Nama responden, alamat, lokasi penelitian, jenis pekerjaan dan sebagainya). Data dalam bentuk ini tidak bisa diolah secara statistik. Apabila data jenis ini ingin diolah secara statistik, maka harus terlebih dahulu dikode dengan angka dan dimasukkan sebagai data type Numeric. b) Numeric: digunakan untuk memasukkan data dalam bentuk angka. c) Date: digunakan untuk memasukkan data tanggal. Ada sejumlah pilihan type/format tanggal, misalnya: dd.mm.yy. Data dalam format ini dapat digunakan untuk menghitung umur responden dengan berdasarkan data tanggal lahir dan data tanggal pengambilan data. 3) Label. Kolom ini berfungsi untuk memberi label pada variabel yang kita inginkan. Misalnya kita mempunyai variabel “nama” pada kolom pertama, variable tersebut bisa kita beri label “nama responden”. Contoh lainnya bila kita mempunyai variabel dengan nama “skala 1”, kita bisa mendefinisikan lebih jelas dengan memberi label sesuai dengan nama skala kita sebenarnya, misalnya “skala kecemasan” dll. Pemberian label ini sangat penting karena pada hasil analisis (output) akan tercetak label yang telah kita definisikan ini. Tercetaknya label pada output akan sangat membantu dalam interpetasi output tersebut. Sebaiknya pada kolom Label diisi keterangan lengkap dari nama variabel tersebut, misal: nama variabel sta_gizi maka labelnya ditulis lengkap Status Gizi 4) Value. Kolom ini berfungsi untuk mendefinisikan value data dari variabel yang dimaksud. Pemberian value ini biasanya untuk data yang bersifat ordinal dan interval. Klik ikon pada kolom value maka akan muncul kotak dialog value labels. Misalnya pada variabel gender kita akan mendefinisikan jenis kelamin dengan melakukan pemberian label. Yang perlu kita lakukan adalah mengisi [Value] dan [Value label] lalu klik [Add]. Lakukan ini untuk semua value kemudian klik [OK]-lihat. Setelah pemberian value ini maka pada variabel



13 | P a g e



gender kita tidak perlu menuliskan laki-laki dan perempuan melainkan cukup mengisi 1 untuk laki-laki dan 2 untuk jenis kelamin perempuan.



5) Missing. Kolom ini berfungsi untuk mendefinisikan missing value yang ada dalam data kita. Yang dimaksud missing value disini adalah jika ada data kosong dalam data kita. Data kosong bisa disebabkan karena tidak tersedianya data atau sebab lain misanya pada pengisian skala ada item-item yang terlewat oleh responden. Untuk mengaktifkan kotak dialog missing value, klik ikon pada kolom missing. Pada form Discrete missing value isikan angka yang akan dijadikan pengganti missing value, misalnya 9, 99, 999 dsb. Misalnya jika kita memilih angka 9 maka setiap ada data yang tidak diisi (missing value) angka 9 yang harus diisikan, jangan dibiarkan kosong! Perbedaan bila diisi 9 dan yang dibiarkan kosong akan dijelaskan lebih lanjut.



6) Columns. Fungsi menu ini adalah untuk mengubah jumlah karakter yang dapat dimasukkan pada variabel tertentu. Bila kita mengisi coloumn dengan angka 2 maka hanya dua digit data saja yang dapat dimasukkan pada variabel tersebut. 7) Align. Menu ini mengatur posisi data pada tiap cell. Pilihan posisinya ada tiga, yaitu left, right dan center. 8) Measurement. Menu ini mendefinisikan jenis data apa yang kita punyai. Pilihan yang ada adalah scale, nominal dan ordinal. 14 | P a g e



5.A.3 Menu Output Navigator



Jika menu editor berfungsi untuk memasukkan data yang siap diolah oleh SPSS, kemudian melakukan pengolahan data yang dilakukan lewat menu Analyze, maka hasil pengolahan data atau informasi ditampilkan lewat menu Output Navigator atau dapat disebut Output saja. Menu Output pada prinsipnya sama dengan menu Editor, seperti: File, Edit, View, Analyze, Graphs, Utilities, Window dan Help. Tentunya dengan disesuaikan untuk kegunaan output SPSS. Selain menu ditas ada lagi menu tambahan, yaitu: a) Insert Berfungsi untuk menyisipkan judul, grafik, teks atau objek tertentu dari aplikasi lain. b) Format Berfungsi untuk mengubah tata letak huruf output.



5.A.4 Menu Pivot Tabel Editor



Ilmu Statistik banyak berhubungan dengan berbagai tabel dan banyak output SPSS yang disajikan berbentuk tabel. Menu Pivot Tabel berhubungan dengan pengerjaan tabel SPSS, seperti mentransformasi baris tabel menjadi kolom 15 | P a g e



dan sebaliknya, memindah baris dan kolom tabel, grouping atau ungrouping tabel dan yang lainnya. Karena pengerjaan Pivot table erat kaitannya dengan menu Output Navigator, yaitu sebagai tempat editing tabel hasil output, maka menu ini mempunyai submenu yang hampir sama dengan submenu pada Output Navigator.



5.A.5 Menu Chart Editor Menu ini juga merupakan tempat editing bagi output hasil pengerjaan data di menu Editor, hanya khusus untuk output berupa Grafik/Chart/Diagram. Sesuai dengan fungsinya, selain submenu dasar seperti File, edit, View dan lainnya, Char Editor juga dilengkapi submenu berikut: a) Gallery Berfungsi untuk mengubah jenis chart. b) Chart Untuk mengedit berbagai hal mengenai grafik, seperti layout dan Labelling Grafik, skala grafik dan sebagainya. c) Series Untuk memilih kelompok data tertentu, transpose atau menampilkan seri data.



16 | P a g e



5.A.6 Menu Text Output Editor



Sama seperti menu Pivot table dan Chart berfungsi untuk edit output yang berupa teks atau tulisan. 5.A.7 Menu Syntax Editor Walaupun SPSS sudah menyediakan berbagai macam pengolahan data statistik secara memadai, namun ada berbagai perintah atau pilihan yang hanya bisa digunakan dengan SPSS Command Language. Perintah-perintah tersebut bisa ditulis pada menu Syntax Editor. Menu ini berupa file teks yang berisi berbagai perintah SPSS dan bisa diketik secara manual.



17 | P a g e



5.A.8 Menu Script Editor Menu ini pada dasarnya digunakan untuk melakukan berbagai pengerjaan SPSS secara otomatis, seperti membuka menutup File, eksport Chart dan sebagainya. Isi menu ini sama dengan menu terdahulu, hanya ditambah dengan submenu Script untuk membuat berbagai subrutin dan fungsi baru, serta submenu Debug untuk melakukan proses debug pada script. Sebagai latihan, marilah kita mencoba membuat variabel-variabel dalam kuesioner penelitian dibuat definisi yang terdiri dari nama variabel, type, widthdecimals, labels dan values sebagai berikut: KUESIONER PENELITIAN A. IDENTITAS 1. No. responden 2. Lokasi 3. Nama responden 4. Umur 5. Pendidikan



: : : : :



6. Jumlah anggota rumah tangga 7. Pendapatan keluarga B. PERTANYAAN INTI 1. Berat badan (kg) 2. Tinggi badan (cm) 3. Lingkar Lengan Atas/LILA (cm) Nama variabel ID



: :



1. desa



2. kota



... tahun 1. tidak sekolah/tidak tamat SD 2. tamat SD 3. tamat SLTP 4. tamat SLTA 5. tamat D1/D2/D3 6. tamat S1 7. tamat S2 ... orang ....................... rupiah/bulan



: : :



Type



Width



Decimals



Numeric



3



0



Labels



Value



Nomor responden 18 | P a g e



Lokasi



Numeric



1



0



Lokasi tempat tinggal



Nama Umur Didik



String Numeric Numeric



20 2 1



0 0 0



Nama responden Umur ibu hamil Pendidikan ibu hamil



1. Desa 2. Kota



1. 2. 3. 4. 5. 6. 7.



Art Pendapat



Numeric Numeric



2 7



0 0



Bb Tb lila



Numeric Numeric Numeric



3 3 2



1 1 1



tidak sekolah/ tidak tamat SD tamat SD tamat SLTP tamat SLTA tamat D1/D2/D3 tamat S1 tamat S2



Jumlah anggota rumah Total pendapatan keluarga Berat badan ibu hamil Tinggi badan ibu hamil Lila ibu hamil



Perhatikan: Coba kalian tentukan sendiri untuk kolom measurement!



5.A.8.1.1 Memasukkan Data Proses ini dilakukan setelah kita selesai membuat Template Data dengan cara mengaktifkan (mengklik) Data View. Saat melakukan proses entry data harus dilakukan secara hati-hati untuk meminimalkan terjadinya kesalahan, dan perlu dihindarkan sikap terburu-buru. Sebagai latihan, lakukan entry data dengan menggunakan data sebagai berikut:



ID 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15



Lokasi 1 1 1 2 2 1 2 1 2 1 1 2 2 2 1



Nama Ani Mutia Aisyah Lia Nita Ria Sari Wati Gaida Mita Rina Rita Kurnia Laila Noni



Umur 30 31 34 20 35 22 29 29 24 24 30 23 23 25 27



Didik 3 3 3 1 1 4 4 4 5 5 2 2 6 7 1



Art 4 4 4 5 6 3 3 2 2 3 6 5 2 2 7



Pendapat 1200000 1500000 1700000 1100000 1200000 1900000 1900000 2000000 1800000 2300000 1700000 1700000 2700000 3500000 1000000



bb 56 57 58 60 50 50 55 55 48 47 48 49 52 52 62



tb 160 160 155 155 148 150 149 158 158 154 154 157 159 157 160



Lila 23,5 23,0 27,0 24,0 25,0 29,0 26,0 26,0 27,0 24,0 24,0 28,0 29,0 25,0 27,0



19 | P a g e



5.A.8.1.2



Transfer Data dari File Program MS-Excel ke Program SPSS Apabila peneliti sudah terlanjur melakukan proses entry data dengan program



lain, misalnya dengan MS Excel atau Dbase, maka peneliti tidak usah melakukan entry data ulang dengan program SPSS karena hasil dari entry data tersebut dapat dengan mudah dibuka dengan Program SPSS. Begitu pula sebaliknya, hasil entry data dengan program SPSS juga bisa disimpan ke bentuk file lain, misalnya: file dengan extention MS Excel (melalui Save As dengan mengganti Save as Type menjadi bentuk .xls). Apabila file BMI.xls ingin ditansfer menjadi file program SPSS, maka dapat dibuka dengan cara mengaktifkan program SPSS, kemudian dipilih menu: File – Open – Data.



Selanjutnya Files of type diganti menjadi bentuk Excel (*.xls) dan pilih file .xls yang dikehendaki untuk dibuka.



Selanjutnya akan tampilan sebagai berikut:



20 | P a g e



Langsung Ok.



5.A.8.1.3 Cleaning Data Entry Meskipun proses entry data telah dilakukan dengan hati-hati, tetapi peluang terjadinya kesalahan dalam pemasukkan data sangat mungkin terjadi. Apabila kesalahan yang terjadi cukup banyak maka dapat menimbulkan kesulitan pada tahapan berikutnya, yaitu saat dilakukan analisis data. Cleaning data dapat dilakukan dengan cara: 1) Manual, yaitu dengan mencocokan satu per satu seperti sedang melakukan entry data. Cara ini jauh lebih teliti, tetapi memakan waktu banyak. Oleh karena itu kadang-kadang dilakukan dengan cara sampling, yaitu dengan cara mencocokkan data yang telah dientry dengan data dari sejumlah kuesioner yang dipilih secara acak (minimal 10 % dari jumlah total). 2) Menggunakan komputer, yaitu dengan memanfaatkan fungsi pengolahan data dalam program SPSS. Fungsi pengolahan yang sering dipakai adalah menggunakan statistik deskriptif, yaitu: a) Distribusi frekuensi : i. ii.



Pilih menu Analyze – Descriptive Statistics – Frequencies Amati distribusi frekuensi tiap variabel, dan cermati terhadap kemungkinan nilai-nilai yang ’aneh’ atau menyimpang (misal: pada veriabel sex ada nilai 3 atau 0)



b) Deskriptif (mean, SD, minimal, maksimal): pilih menu Analyze – Descriptive Statistics – Descriptives



21 | P a g e



i.



Amati nilai minimal dan maksimal dan cermati terhadap kemungkinan



ii.



nilai diluar kewajaran/ekstrim (outlier) Jika nilai SD > rata-rata berarti ada data pencilan/outlier.



c) Nilai Z : i. ii. iii.



Pilih menu Analyze – Descriptive Statistics – Descriptives Masukkan Variabel pada kotak Variable(s) Aktifkan pilihan: Save standardized value as variable (akan ada tambahan



iv. v.



variable baru di file yaitu nilai z) Klik pilihan Continue dan OK Data dikatakan ada nilai menyimpang/outlier jika nilai z < -1,96 atau z > 1,96



5.A.8.1.4 MENGEDIT DATA 1) Menghapus isi sel a) Pilih sel yang akan dihapus isinya dengan klik b) Tekan tombol Delete (pada keyboard) Untuk menghapus isi sejumlah sel sekaligus, pilihlah sejumlah sel tersebut dengan drag (menyorot/ mengeblok) dengan mouse



-



Dari tampilan diatas berarti kita membuat blok untuk variabel Keterangan pada nomor responden 5 dan 6.



-



Tekan Delete untuk menghapusnya.



2) Menghapus isi sel satu kolom (menghapus variabel) a) Klik heading kolom (nama variabel) yang akan dihapus isi-isi sehingga misalnya akan dihapus variabel kerja: Klik heading Keterangan seperti tampilan sebagai berikut:



22 | P a g e



b) Tekan tombol Delete Untuk menghapus isi sel sejumlah kolom sekaligus, pilihlah sejumlah kolom tersebut dengan drag (menyorot/mengeblok) dengan mouse pada bagian heading. 3) Menghapus isi sel satu baris (menghapus case/ responden) a) Klik nomor case yang akan dihapus



b) Tekan tombol Delete Untuk menghapus sejumlah case sekaligus, pilihlah sejumlah case tersebut dengan drag (menyorot/mengeblok) pada bagian nomor case. 4) Mengcopy isi sel a) Pilih sel (sejumlah sel dengan menyorot) yang akan dicopy isinya b) Klik kanan, pilih copy c) Pindahkan penunjuk sel ke sel yang akan dituju d) Klik kanan, pilih paste Hal yang perlu diperhatikan dalam mengcopy isi sel atau isi sejumlah sel adalah, bahwa format hasil copy akan selalu menyesuaikan dengan format variabel di mana isi sel atau sejumlah sel itu dicopikan. 5) Mengcopy isi sel satu kolom (mengcopy variabel) 23 | P a g e



a) Klik heading kolom (nama variabel) yang akan dicopy isinya b) Klik kanan, pilih copy c) Klik Heading kolom yang dituju d) Klik kanan, pilih paste Hasil dari instruksi diatas adalah mengcopy kolom sekaligus dengan format variabelnya (type variabel, lebar kolom, value label, dsb), dan sudah pasti tetap tidak mengubah nama variabel. Bila dikehendaki tidak ada perubahan format variabel pada kolom yang dituju, yang dilakukan adalah: a) Klik heading kolom (nama variabel) yang akan dicopy isinya b) Klik kanan, pilih copy c) Pindahkan penunjuk sel ke baris pertama kolom yang dituju d) Klik kanan, pilih paste Untuk mengcopy isi sel sejumlah kolom sekaligus, pilihlah sejumlah kolom tsb dengan drag pada bagian heading. 6) Mengcopy isi sel satu baris (Case/ responden) a) Klik nomor case yang akan dicopy b) Klik kanan, pilih copy c) Klik nomor case yang akan dituju atau pindahkan penunjuka sel ke kolom pertama baris yang dituju d) Klik kanan, pilih paste Untuk mengcopy sejumlah case sekaligus, pilihlah sejumlah case tersebut dengan drag pada bagian nomor case. 7) Menyisipkan Kolom a) Pindahkan penujuk sel pada kolom yang akan disisipi b) Klik Data, pilih Insert variabel, terlihat kolom baru muncul 8) Menyisipkan Baris a) Pindahkan penujuk sel pada baris yang akan disisipi b) Klik Data, Pilih Insert Case



5.A.8.1.5 MENYIMPAN DATA Data yang telah dimasukkan dapat disimpan ke berbagai format data. Secara pengaturan dasar, SPSS for window akan menyimpan data tersebut denga format



24 | P a g e



SPSS, bentuk formatnya dicirikan dengan ektensi SAV (nama file.SAV). Untuk menyimpan data yang telah anda masukkan: 1) Pilihlah File, bawa kursor ke Save, nampak tampilannya: Pada tampilan diatas terdapat beberapa isian kotak: a) Save In: Anda dapat memilih direktori (drive A untuk disket) tempat menyimpan file. Bila pada kotak Save In: ini tidak dirubah berarti data disimpan dalam direktori program SPSS. b) File name: Anda harus mengetikkan nama file di kotak in. SPSS akan menambahkan extention. c) SAV, sehingga anda cukup mengetikkan nama filenya saja dan tidak perlu mengetikkan extensionnya. d) Save as type: data dapat disimpan dalam berbagai macam format. Untuk data SPSS akan disimpan dengan format SAV. 2) Misalnya kita akan menyimpan data di drive C (My Document) dan diberi nama LATIHAN. 3) Klik kotak Save In: Pilih folder My Documents 4) Klik kotak File name: isikan latihan, terlihat tampilannya sbb: 5) Klik save, data akan tersimpan di Folder My Document.



5.A.8.1.6



MENGAKTIFKAN/ MEMANGGIL FILE DATA



Untuk membuka/ mengaktifkan file data yang telah ada: 1) Klik File, pilih Open, akan tertampil sbb:



Terlihat ada beberapa kotak isian: 25 | P a g e



a) Look in: Anda dapat memilih/mengganti direktori tempat file disimpan. Secara otomatis tampilan pertama akan muncul direktori SPSS. b) File name: tempat untuk mengetikkan nama file. Atau dapat juga dilakukan dengan mengklik nama file yang tertampil pada kotak bagian atas File name. c) Files of Type: data dapat disimpan dalam berbagai format yang dapat dipilih dalam kotak ini. Secara otomatis tampilan akan muncul File format SPSS (.SAV) 2) Misalkan sekarang akan diaktifkan file data: Latihan dari Folder My Documents, maka caranya; klik kotak Look in: Klik kemudian pilih My Documents, klik kotak File name: ketik latihan, atau klik latihan yang terlihat/ tertampil di kotak diatasnya. 3) Kemudian klik Open, data akan muncul di layar.



26 | P a g e



BAB 3 TRANSFORMASI/MODIFIKASI DATA



Transformasi/modifikasi data adalah suatu proses dalam merubah bentuk data. Misalnya merubah data numerik menjadi data kategorik atau merubah dari beberapa variabel yang sudah ada dibuat menjadi satu variabel komposit yang baru. Pada dasarnya data yang sudah dientri dapat langsung dianalisis. Namun ada kalanya kita masih perlu memodifikasi data seperti umur dalam tahun dikategorikan menjadi kategori muda dan tua, kita akan membuat variabel baru hasil dari gabungan beberapa variabel (misalnya variabel sikap diukur oleh 10 pertanyaan/variabel), maka kita harus melakukan aktifitas di SPSS untuk menggabungkan beberapa variabel tersebut.



5.A.9 Mengelompokkan Data dengan Perintah RECODE Perubahan bentuk data yang paling sederhana adalah pengkategorian data numerik menjadi data kategorik misalnya UMUR dikelompokkan menjadi 3 kategori yaitu < 20 tahun, 20-30 tahun, dan > 30 tahun. Atau dapat juga dilakukan pengelompokkan data kategorik menjadi kelompok yang lebih kecil, misalnya DIDIK dari 4 kategori diubah menjadi 2 kategori yaitu rendah (SD/SMP). Perintah ini digunakan untuk memberi kode ulang ke suatu variabel berdasarkan kriteria tertentu. Recode bisa dilakukan : 1) Dalam variabel yang sama; 2) Dalam variabel yang beda. Dianjurkan kalau melakukan pengelompokan sebaiknya digunakan variabel baru sehingga masih dimiliki nilai yang asli pada file data. Langkah-langkah yang digunakan untuk memberi kode ulang dengan menggunakan submenu recode sebagai berikut: 1. Bukalah file latihan 4.SAV, sehingga data tampak di Data editor window. 2. Kita akan melakukan pengelompokan umur. Umur akan diklasifikasikan menjadi 3 kelompok yaitu: 35 th. 3. Klik menu Transform; Recode sehingga tampak kotak dialog



27 | P a g e



4. Pilih : Apabila dipilih Into Different Variables maka akan tampak kotak dialog sebagai berikut



5. Pilih umur untuk dipindahkan ke kotak sebelahnya (input variable  output variable) 6. Pada kotak Output variable, pada bagian Name ketiklah umur1 (nama variabel baru untuk umur yang bentuknya sudah katagorik) 7. Klik change sehingga pada kotak Input Variable  Output Variable terlihat umur -> umur1



28 | P a g e



8. Klik Option “Old and New Value”, nampak kotak Old and New di monitor. Pada kotak dialog tersebut ada beberapa ada beberapa isian yang harus diisi. Secara garis besar ada 2 isian yang harus diisi, yaitu ‘ Old Value’ (nilai lama yang akan direcode) dan New Value (nilai baru sebagai hasil ‘recode’ dari nilai lama). Me-recode dapat dilakukan per satu nilai lama atau jangkauan nilai (range).



9. a) Sekarang kita akan merecode nilai umur < 20 th menjadi kode 1. Umur dibawah 20 th, artinya umur terendah/paling muda sampai dengan umur 19 tahun. Pilih Range, LOWEST through value: ....., isilah dengan 19 dan bawa kursor ke bagian kotak ‘new Value’, ketik 1 kemudian klik Add, hasilnya sebagai berikut:



29 | P a g e



b) Kemudian kita akan merecode nilai umur 20-35 th menjadi kode 2. Umur dibawah 20 th, artinya umur terendah/paling muda sampai dengan umur 19 tahun. Pilih Range: 20 through 35 dan bawa kursor ke bagian kotak ‘new Value’, ketik 2 kemudian klik Add, hasilnya sebagai berikut:



c) Kemudian kita akan merecode nilai umur >35 th menjadi kode 3. Umur lebih dari 35 th. Pilih Range, value through HIGHEST : ........isilah 36 th dan bawa kursor ke bagian kotak ‘new Value’, ketik 3 kemudian klik Add, hasilnya sebagai berikut:



5. Klik “Continue” 6. Klik “OK”, terlihat variabel baru “umur1” sudah terbentuk berada dikolom paling kanan



30 | P a g e



nampak variabel baru “umur1” masih menampilkan angka dengan 2 desimal, anda dapat masuk ke “Variable View”, pada kolom decimal ketik “0”, kemudian anda dapat juga memberi value label untuk kode 1= < 20 th, 2 = 20 – 35 th dan 3= > 36 th.



5.A.10 Mengelompokkan Data dengan Perintah COMPUTE Perubahan bentuk data lainnya adalah penggunaan fungsi matematik dan algoritma, misalnya penjumlahan skor pengetahuan, skor sikap, atau skor persepsi. Atau dapat juga dilakukan proses perkalian dan pembagian sekaligus misalnya untuk menghitung Indeks Massa Tubuh (IMT=BB/TB^2), atau ingin mengubah variabel tinggi badan (TB) yg dalam bentuk cm menjadi meter dengan cara membagi TB dengan 100. Adapun caranya: 1. Buka PSKM6.sav: Kita ingin mengubah variabel tinggi badan (TB) yg dalam bentuk cm menjadi meter dengan cara membagi TB dengan 100 2. Pilih “Transform” 3. Pilih “Compute”, kemudian muncul kotak dialog ”Compute Variable”.



31 | P a g e



Pada kotak tersebut terdapat kotak: “Target Variable” : diisi nama variabel yang akan dibuat, dapat merupakan variabel yang lama atau yang baru, sebaiknya nama baru “numeric Expression” : diisi rumus yang akan digunakan untuk menghitung nilai baru pada Target Variable. Rumus yang tertulis dapat mengandung nama variabel yang sudah ada, operasi matematik dan fungsi. Adapun operasi matematik yang dapat dilakukan: + = penjumlahan - = pengurangan * = perkalian / = pembagian ** = pangkat (.) = kurung 4. Misalkan akan membuat variabel baru berat bayi, dengan nama “tb1”, maka pada kotak ‘Target Variable’, ketiklah “tb1” 5. Kemudian klik kotak ‘Numeric Expression’, sorot dan pindahkan variabel tb setelah itu bagilah 100, tampilannya : tb/100, sehingga terlihat dilayar:



6. Klik “OK”, sesaat kemudian variabel “tb1” akan muncul dibagian paling kanan. 32 | P a g e



5.A.11



Membuat Variabe Baru dengan Perintah KONDISI (IF) Dalam pembuatan variabel baru seringkali dihasilkan dari kondisi beberapa



variabel yang ada. Contoh : “variabel umur dan variabel hemoglobin1”. Kemudian dibuat variabel baru yang berisi dua kelompok: risiko tinggi dan risiko rendah Risiko tinggi  0: umur < 20 dan hb < 12 gr/dl Risiko rendah  1: selain yang diatas Dari kasus ini berarti kita diharapkan membuat variabel baru dengan kondisi variabel umur dan kadar hemoglobin. Cara membuat variabel “Risk” ada dua langkah untuk menyelesaikan kasus ini: Langkah pertama: = membuat variabel RISK yang isinya semuanya 0 (risiko rendah)= 1) 2) 3) 4)



Buka latihan 4.sav, pilih “Transform” Pilih “Compute” Pada kotak “Target Variable”, ketiklah “risk” Pada kotak “Numeric Expression”, ketiklah “0”



5) Klik “OK”, terlihat dilayar variabel “risk” sudah terbentuk dengan semua selnya berisi angka 0.



Langkah kedua: 33 | P a g e



membuat kondisi risiko tinggi (kode 1) untuk umur r tabel dengan df 0,05, n-2 (Santoso, 2000). Besarnya r tiap butir pertanyaan dapat dilihat dari SPSS pada kolom Corrected Items Total Correlation



1) Bukalah file validitas.SAV, sehingga data tampak di Data editor window.



2) Masukkan p1 s/d p6 ke kotak item



3) Kemudian pilih statistics, dan centang/pilih item, scale, scale if item deleted



40 | P a g e



4) Kemudian OK.



Hasil outputnya adalah: Item-Total Statistics Scale Mean if Item Deleted



p1 p2 p3 p4 p5 p6



15.27 15.73 15.60 15.73 15.53 15.80



Scale Variance if Item Deleted



16.210 14.067 15.257 13.781 17.410 17.600



Corrected ItemTotal Correlation



.540 .623 .447 .579 .407 .261



Cronbach's Alpha if Item Deleted



.682 .648 .705 .662 .715 .754



Terlebih dahulu kita cari nilai r tabel, dengan α = 5%. Df = n-2 maka r tabel = 0,514 (lihat pada lampiran). INGAT a) Jika corrected item-total correlation (r hitung) ≤ r tabel, maka pertanyaan tidak valid b) Jika corrected item-total correlation (r hitung) > r tabel, maka pertanyaan valid Pada tabel terlihat p1, p2, dan p4 adalah valid karena nilai corrected item-total correlation > r tabel, sedangkan p3, p5 dan p6 adalah tidak valid karena nilai corrected item-total correlation < r tabel.



41 | P a g e



7



REALIBILITAS INSTRUMEN Reliabilitas pada dasarnya adalah sejauh mana hasil suatu pengukuran dapat dipercaya. Hasil pengukur yang dilakukan berulang menghasilkan hasil yang relatif sama maka pengukuran tersebut dianggap memiliki tingkat reliabilitas yang baik. No. 1. 2. 3. 4. 5.



Interval



Kriteria Sangat rendah Rendah Cukup Tinggi Sangat Tinggi



< 0,200 0,200 – 0,399 0,400 – 0,599 0,600 – 0,799 0,800 – 1,000



Langkah-langkah sama seperti diatas, hanya saja ada output khusus yang diinterpretasikan untuk realibilitas. Reliability Statistics Cronbach's Alpha



Cronbach's Alpha Based on Standardized Items



N of Items



.734



.735



6



Pada tabel terlihat nilai Cronbach’s Alpha = 0,734. Karena a (0,734) > r tabel (0,514) maka instrumen dinyatakan reliabel.



INGAT: a) Jika a > r tabel maka instrumen dinyatakan reliable b) Jika a ≤ r tabel maka instrumen dinyatakan tidak reliable



42 | P a g e



BAB 5 STATISTIK DESKRIPTIF



Dalam SPSS, statistik deskriptif dapat dilakukan dengan menggunakan menu Descriptive Statistics, yang terdiri dari sub menu : 1) Frequencies: Menu ini membahas beberapa penjabaran ukuran statistik deskriptif seperti Mean, Median, Kuartil, Persentil, Standar Deviasi dan lainnya. 2) Descriptives: Menu ini berfungsi untuk mengetahui skor-z dari suatu distribusi data dan menguji apakah data berdistribusi normal atau tidak. 3) Explore: Menu ini berfungsi untuk memeriksa lebih teliti sekelompok data. Alat utama yang dibahas adalah Box-Plot dan Steam & Leaf Plot, selain beberapa uji tambahan untuk menguji apakah data berasal dari distribusi normal. 4) Crosstab: Menu ini digunakan untuk menyajikan deskripsi data dalam bentuk tabel silang (crosstab), yang terdiri atas baris dan kolom. Selain itu menu ini juga dilengkapi dengan analisis hubungan di antara baris dan kolom, seperti independensi diantara mereka, besar hubungannya dan lainnya.



43 | P a g e



7.A.1 FREQUENCIES Menu ini membahas beberapa penjabaran ukuran statistik deskriptif seperti Mean, Median, Kuartil, Persentil, Standar Deviasi dan lainnya. Biasanya untuk menganalisis statistik deskriptif untuk data kategorik.



1. Langkah-langkah Membuat Statistik Deskripsi Langkah-langkah untuk membuat statistik deskripsi dari tabel di atas dengan menggunakan program SPSS adalah sebagai berikut: 1) Klik menu Analyze, pilih Descriptive Statistics dan lanjutkan dengan pilihan Frequencies. 2) Masukkan variabel Umur, Word, dan Excel ke dalam kotak Variables untuk dianalisa. Tampilan yang muncul sebagai berikut. 3) Masukkan variabel yang akan dianalisa dari kolom kiri ke kolom Variabel yang ada di sebelah kanan. Perhatikan tampilannya seperti pada gambar di bawah.



4) Pilih tombol Statistics untuk mengatur item-item yang akan ditampilkan dalam output seperti berikut. 44 | P a g e



Berilah tanda chek point untuk memunculkan item-item analisa yang diinginkan. Dari gambar di atas bisa dilihat bahwa terjadi pembagian kelompok Statistik. Pembagian kelompok tersebut adalah: 1. Central tendency Pengukuran tendensi pusat yang meliputi mean, median, mode, dan sum. a) Mean menunjukkan rata-rata dari masing-masing variabel semua responden. b) Median menunjukkan titik tengah data, yaitu jika data diurutkan dan dibagi dua sama besar. c) Mode menunjukkan nilai yang sering muncul dalam suatu range statistik. d) Sum, menunjukkan total data 2. Dispersion Pengukuran dispersi yang meliputi standard deviation, variance, range, minimum, maximum, dan standard error of the mean. a) b) c) d)



Standard deviasi menunjukkan dispersi rata-rata dari sampel. Minimum menunjukkan nilai terendah dari suatu deretan data. Maximum menunjukkan nilai tertinggi dari suatu deretan data. Standard error of mean, diukur sebagai standard deviasi dibagi dengan akar dari jumlah data valid (n)



3. Distribution Pengukuran distribusi yang meliputi skewness and kurtosis. Bagian ini digunakan untuk melakukan pengecekan apakah distribusi data adalah distribusi normal. a) Ukuran skewness adalah nilai skewness dibagi dengan standard error skewness. b) Jika rasio skewness berada di antara nilai -2.00 sampai dengan 2.00, maka distribusi data adalah normal sehingga data di atas masih berdistribusi normal. 45 | P a g e



c) Nilai kurtosis adalah nilai kurtosis dibagi dengan standard error-nya. Bahwa 95% confidence interval (C.I.) di sekitar nilai skewness and 95% confidence interval yang lain di sekitar nilai kurtosis. The 95% confidence intervals atau tingkat kepercayaan didefinisikan sebagai berikut: i. 95% C.I. = skewness statistic ± 1.96 * (standard error of skewness), ii. 95% C. I. = kurtosis statistic ± 1.96 * (standard error of kurtosis). 4. Percentile values Percentile values akan menampilkan data-data secara berkelompok menjadi sebuah prosentase. Sebagai contoh, data yang terkelompok sebagai berikut. a) Rata-rata umur 25% di bawah 19 tahun. b) Rata-rata umur 50% di bawah 20 tahun. c) Rata-rata umur 75% di bawah 23 tahun. Dari opsi-opsi statistik yang telah dibahas di atas, berikan tanda check point untuk item analisa yang akan ditampilkan pada output window. 5) Setelah dipilih point-point statistik yang diinginkan dan sesuai dengan kebutuhan, klik tombol Continue. 6) Pilih tombol Charts untuk memilih model grafik yang ingin ditampilkan dalam output.



Adapun bentuk-bentuk dari sebuah grafik sebenarnya dikelompokkan menjadi beberapa jenis, seperti: a) Grafik Batang Grafik batang menunjukkan variasi nilai dari suatu data yang ditampilkan dalam bentuk batang atau kotak. Grafik model ini paling cocok jika digunakan untuk memvisualisasikan suatu perbandingan serta dapat menunjukkan nilai dengan tepat. b) Grafik Garis Grafik garis akan menunjukkan variasi nilai suatu data dengan tampilan yang berupa garis. Grafik baris mempunyai beberapa kelebihan, 46 | P a g e



seperti dapat menunjukkan hubungan antar nilai dengan baik dan mudah dimengerti. Kelemahannya adalah jika terlalu banyak garis akan terkesan rumit dan tampilan yang terkesan sangat sederhana. c) Grafik Pie Seperti namanya, grafik model pie merupakan bagan yang berbentuk lingkaran yang menyerupai sebuah kue (pie). Tiap-tiap potong dari kue tersebut menunjukkan nilai prosentase dari data. 7) Selanjutnya setelah mengatur semua pilihan, klik Continue jika ingin dilanjutkan ke langkah berikutnya. 8) Klik OK dari kotak dialog Frequencies.



2. Membaca Output Setelah dilakukan pemilihan option-option yang diinginkan dan sesuai kebutuhan, selanjutnya tekan tombol OK pada kotak dialog Frequencies untuk melanjutkan perintah. Penekanan tombol OK akan memunculkan output lengkap seperti gambar di bawah ini.



3. Output Tabel Statistik Hasil analisis deskriptif untuk data numerik dapat dilihat pada tabel di bawah ini:



47 | P a g e



Statistics Umur N



Valid



Art



15



Missing Std. Error of Mean Std. Deviation Variance Range Minimum Maximum



pendapat 15



0 1.161 4.496 20.210 15 20 35



bb



Tb



lila



15



15



15



15



0 0 .424 168711.268 1.642 653415.933 2.695 4.270E11 5 2500000 2 1000000 7 3500000



0 1.213 4.698 22.067 15 47 62



0 1.032 3.996 15.971 12 148 160



0 .5063 1.9609 3.845 6.0 23.0 29.0



4. Tabel Frekuensi a) Frequency, menunjukkan jumlah responden yang memiliki umur tertentu. Seperti responden dengan umur 20 tahun ada 1 orang, responden dengan umur 23 tahun ada 2 orang, demikian seterusnya. b) Percent, menunjukkan prosentase dari jumlah data yang memiliki tinggi tertentu. Frequency Valid



Percent Valid Percent



20



1



22



1 6.7



23



2



24



6.7



6.7



6.7



13.3



13.3



13.3



26.7



2



13.3



13.3



40.0



25



1



6.7



6.7



46.7



27



1



6.7



6.7



53.3



29



2



13.3



13.3



66.7



30



2



13.3



13.3



80.0



31



1



6.7



6.7



86.7



34



1



6.7



6.7



93.3



35



1



6.7



6.7



100.0



15



100.0



100.0



Total



6.7



Cumulative Percent



5. Output Grafik Output terakhir yang ada dalam lembar data output adalah tampilan grafik bar chart. Laporan berbentuk grafik ini akan cukup penting karena mempermudah pemakai untuk memahami secara cepat isi dari sebuah laporan yang disajikan. 48 | P a g e



7.A.2 DECRIPTIVES Statistik dengan analisis deskriptif, sebenarnya hampir sama dengan statistik frekuensi, yaitu menghasilkan analisa dispersi (standard deviasi, minimum, maksimum), distribusi (kurtosis, skewness) dan mean, sum, dan lain sebagainya. Analisis ini juga memiliki kegunaan pokok untuk melakukan pengecekan terhadap input data, mengingat bahwa analisis ini akan menghasilkan resume data secara umum. Biasanya untuk menganalisis statistik deskriptif dengan data numerik. Seperti berapa jumlah responden laki-laki, berapa jumlah responden perempuan, dan sebagainya. Disamping itu, analisis ini juga memiliki kegunaan untuk menyediakan informasi deskripsi data dan demografi sampel yang diambil. Sebagian besar analisis statistik memang di kalkulasi menggunakan prosedur frekuensi, tetapi prosedur analisis deskritif memiliki keunggulan, yaitu lebih efisien dalam beberapa hal karena tidak melakukan sorting atau pengurutan data nilai ke tabel frekuensi. Untuk menjalankan prosedur descriptive, lakukan langkah sebagai berikut. 1) Untuk menjalankan prosedur deskriptif ini, kita dapat menggunakan menu pada SPSS, yaitu Analyze -> Descriptive Statistics -> Descriptives. 2) Dengan pemilihan menu Descriptives tersebut dan Masukkan variabel yang akan dianalisa dari kolom kiri ke kolom Variabel yang ada di sebelah kanan. Perhatikan tampilannya seperti pada gambar di bawah ini.



49 | P a g e



3) Selanjutnya klik tombol Option untuk mengatur opsi-opsi analisis dekripsi. Penekanan tombol tersebut akan memunculkan tampilan seperti di bawah ini. Tombol Options digunakan untuk menampilkan daftar opsi-opsi statistik yang akan ditampilkan pada lembar output sesuai dengan kebutuhan analisis. Tekan tombol tersebut untuk mengatur opsi statistik yang diinginkan. Penekanan tombol tersebut akan menampilkan jendela seperti di bawah ini.



Perhatikan bahwa pada kotak Options Dialog, isinya hampir sama dengan statistik frekuensi. Namun, memang lebih simpel dan hanya memuat beberapa item statistik saja. 4) Tentukan jenis opsi yang diinginkan dan berikan tanda check point untuk opsi yang dipilih. Sebagai latihan, pilih opsi-opsi sebagai berikut: a) Mean, menunjukkan rata-rata dari masing-masing variabel semua responden. b) Standard Deviasi, menunjukkan dispersi rata-rata dari sampel. c) Maximum, menunjukkan nilai tertinggi dari suatu deretan data. d) Minimum, menunjukkan nilai terendah dari suatu deretan data. e) Kurtosis dan Skewness, yang digunakan untuk melakukan pengecekan apakah distribusi data yang diolah masuk dalam kategori distribusi normal. f) Pilih Order berdasarkan Variable List, untuk menentukan kriteria dalam melakukan pengurutan data.



50 | P a g e



g) Kotak Display Order menunjukkan kriteria pengurutan data. Pengurutan bisa dilakukan berdasarkan variabel, rata-rata nilai, atau alphabetic. Hasil Analisis Setelah ditentukan variable yang dipilih, langkah selanjutnya adalah menjalankan prosedur. Tekan tombol OK pada kotak dialog analisis deskriptif sehingga akan muncul window output seperti pada gambar di bawah ini: Descriptive Statistics



Umur Valid N (listwise)



N



Minimum



Maximum



Statistic



Statistic



Statistic



15 15



20



Mean Statistic



35



27.07



Std. Deviation



Std. Error 1.161



Statistic 4.496



7.A.3 EXPLORE Analisis eksplorasi data merupakan teknik analisa yang sekaligus dapat membantu memberi arahan bagi peneliti untuk memilih teknik statistik yang akan diimplementasikan pada data yang akan dikehendaki. Prosedur eksplorasi data memungkinkan untuk mengetahui tampilan data, identifikasi data, deskripsi data, pengujian asumsi, perbedaan karakteristik antara subpopulasi, yaitu group dalam suatu kasus. Eksplore dapat digunakan untuk menguji normalitas distribusi suatu data. Persyaratan yang harus dipenuhi dalam analisis ini adalah: variable dependent harus data skala dan variable grouping harus nominal atau ordinal. Langkah-langkah analisis explore untuk menguji normalitas data adalah sbb: Pilih menu Analyze -- Descriptive Statistics – Explore – Plots kemudian centang/pilih Normality plots with tests. Pada hasil eksplorasi data ini, tampilan data mungkin menunjukkan bahwa data yang akan dianalisis memiliki nilai yang tidak biasa. Misalkan dalam suatu data pengamatan ada suatu data yang nilainya jauh dari jangkauan nilai-nilai yang ada, nilai yang ekstrim, jarak antara data atau karakteristik yang lain. Selanjutnya dengan melakukan eksplorasi data mungkin mengindikasikan kebutuhan transformasi data jika teknik yang akan digunakan mensyaratkan berdistribusi normal atau mungkin membutuhkan suatu analisis statistik non-parametrik. 1) Pilih menu Analyze pada menubar, kemudian klik Descriptive Statistics. 51 | P a g e



2) Pilih bagian Explore sehingga akan keluar tampilan seperti gambar di bawah ini, dan pilih variabel yang dikehendaki.



3) Klik anak panah kanan pada kolom yang sesuai untuk variabel tersebut, misalkan kolom Dependent List. 4) Pada eksplorasi data dapat digunakan variabel kuantitatif (pengukuran interval atau rasio). Variabel yang terdapat pada Faktor List digunakan untuk mem-break data dalam suatu group menunjukkan kategori, nilai ini dapat berupa numerik atau string pendek. 5) Label Case digunakan untuk memberi label pada tampilan luar Boxplot yang dapat berupa string atau numerik. 6) Pada bagian tombol analisis terdapat 3 pilihan, yaitu: a) Statistics; untuk melakukan perhitungan statistik-statistik dasar. b) Plots; tombol untuk membuat visualisasi grafik dari analisis. c) Options; digunakan untuk mengelola missing case atau data yang tidak tercatat. 7) Jika dipilih tombol statistik, akan muncul tampilan berikut.



8) Tekan Continue dan selanjutnya pilih tombol Plots. Akan muncul dialog sebagai berikut.



52 | P a g e



9) Jika selesai diatur, klik continue dan tekan tombol OK. 1. Pembahasan Output Beberapa hasil analisa yang dapat dilihat dari tabel output antara lain adalah tabel descriptives, tabel m-estimator, percentile, outlier, dan tampilan grafik steam and leaf plots power estimation. Output-output tersebut akan dibahas sebagai berikut. a. Tabel Descriptive Pengukuran ini menunjukkan ukuran terpusat dari data yang diwakili oleh mean (rata-rata) dan dispersi data yang berupa standard deviasi, standard error, varian, nilai minimum, nilai maksimum, range, jangkauan interkuartil, median, dan 5% trimmed mean.



53 | P a g e



Descriptives Statistic Std. Error Umur Mean 95% Confidence Interval for Mean



27.07 Lower Bound



24.58



Upper Bound



29.56



5% Trimmed Mean



27.02



Median



27.00



Variance



20.210



Std. Deviation



4.496



Minimum



20



Maximum



35



Range



15



Interquartile Range



1.161



7



Skewness



.249



.580



Kurtosis



-.922



1.121



b. Trimmed mean Trimmed mean dihitung dengan cara data diurutkan secara ascending, kemudian setelah urut dihitung 5% dari jumlah data dengan dimutlakkan perhitungannya. Setelah ketemu nilainya, nilai tersebut digunakan untuk mengurangi data sebanyak nilai yang diperoleh dari urutan terkecil dan juga dari urutan terbesar, kemudian sisa data dicari mean-nya. Dalam Descriptive dapat ditentukan interval konfidensi rata-rata dengan default 95%, tetapi nilai dapat diubah sesuai dengan kemauan dari penganalisis data. c. Tabel M-Estimators M-Estimator digunakan sebagai alternatif pada pengukuran pusat (central tendency). Pengukuran pusat yang populer adalah Mean (rata-rata) dan median (titik tengah). Namun jika data mengandung nilai-nilai yang cukup menyimpang dari rata-ratanya, maka Mean tidak dapat menggambarkan ukuran pusat data tersebut. M-Estimator sebagai alternatif pengukuran pusat, yaitu dengan memberi bobot (weight) pada data. SPSS menyediakan beberapa ukuran M-Estimator, seperti terlihat pada Output. d. Tabel Percentiles Pengukuran ini digunakan untuk menampilkan nilai persentil seperti yang terlihat pada tampilan seperti gambar di bawah. 54 | P a g e



Percentiles 5 Weighted Average (Definition 1) umur Tukey's Hinges



10



Percentiles 25 50 75



90



20.00 21.20 23.00 27.00 30.00 34.40



umur



95 .



23.50 27.00 30.00



e. Tabel Outliers Pengukuran ini digunakan untuk menampilkan nilai data terbesar dan data terkecil beserta dengan labelnya. Dengan adanya tampilan seperti ini, peneliti akan mengetahui range data dengan baik. Extreme Values Umur



Highest



Lowest



Case Number



Value



1



5



35



2



3



34



3



2



31



4



1



30



5



11



30



1



4



20



2



6



22



3



13



23



4



12



23



5



10



24a



a. Only a partial list of cases with the value 24 are shown in the table of lower extremes.



f. Tes kenormalan data Uji distribusi normal adalah uji untuk mengukur apakah data kita memiliki distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). Uji yang biasa digunakan untuk menguji normalitas data adalah Kolmogorov Smirnov dan Shapiro-Wilk. Uji normalitas data dengan menu Explore menggunakan koreksi Lilliefors sehingga uji dengan metode ini lebih baik. SPSS akan melakukan analisis Shapiro-Wilk jika kita hanya memiliki kurang dari 50 subjek atau kasus. Uji Shapiro-Wilk dianggap lebih akurat ketika jumlah subjek yang kita miliki kurang dari 50.



55 | P a g e



Tests of Normality Kolmogorov-Smirnova Statistic Umur



Df



.152



Shapiro-Wilk Sig.



15



Statistic



.200*



.954



df



Sig. 15



.591



a. Lilliefors Significance Correction *. This is a lower bound of the true significance. INGAT Apabila: Nilai Sig < 0,05 Ho ditolak artinya distribusi tidak normal Nilai Sig ≥ 0,05 Ho diterima artinya distribusi normal Pada tabel dapat dilihat tingkat sig keduanya 0,200 dan 0,591 ≥ 0,05 maka kesimpulannya umur berdistribusi normal. g. Steam and leaf plots Stem atau batang, mirip dengan grup data pada histogram, sedangkan leaf atau daun, mirip dengan frekuensi. Stem atau batang adalah digit pertama yang terpenting yang ada dalam bilangan yang membentuk harga data, sedangkan digit di belakangnya akan merupakan leaf atau daun. Cara membacanya adalah jumlah 6 responden untuk umur dengan 20 an yaitu 20, 22, 23, 23, 24, 24 dan seterusnya. umur Stem-and-Leaf Plot Frequency Stem & Leaf 6,00 2 . 023344 4,00 2 . 5799 4,00 3 . 0014 1,00 3. 5 Stem width: 10 Each leaf: 1 case(s) h. Normal Q-Q Plots Garis diagonal dalam grafik ini menggambarkan keadaan ideal dari data yang mengikuti distribusi normal. Titik-titik di sekitar garis adalah keadaan data yang kita uji. Jika kebanyakan titik-titik berada sangat dekat dengan garis atau bahkan menempel pada garis, maka dapat kita simpulkan jika data kita mengikuti distribusi normal. Dalam grafik ini kita lihat juga satu titik yang berada sangat jauh dari garis. Ini adalah titik yang sama yang kita lihat dalam



56 | P a g e



stem and leaf plots. Keberadaan titik ini menjadi peringatan bagi kita untuk berhati-hati melakukan analisis berikutnya.



i.



Detrended Normal Q-Q Plots Grafik ini menggambarkan selisih antara titik-titik dengan garis diagonal pada grafik sebelumnya. Jika data yang kita miliki mengikuti distribusi normal dengan sempurna, maka semua titik akan jatuh pada garis 0,0. Semakin banyak titik-titik yang tersebar jauh dari garis ini menunjukkan bahwa data kita semakin tidak normal.



j.



Box plots Box plots adalah alat yang bagus untuk mengetahui lokasi dan variasi informasi di dalam data, khususnya untuk mendeteksi dan menggambarkan perubahan lokasi dan variasi antara beberapa kelompok data. Box Plot digunakan untuk menyelidiki distribusi tanpa menggunakan grup data seperti pada histogram dan diagram batang daun. Box Plot terdiri dari: nilai minimum, q1 , q2 (median), q3 , dan data maksimum yang disusun secara terurut dengan membentuk kotak.



57 | P a g e



Q3



Q2



Q1



58 | P a g e



BAB 6 STATISTIK INFERENSIAL



Statistik Inferensial adalah statistik yang digunakan untuk menganalisis data sampel, dan hasilnya akan di generalisasikan (diinferensikan) untuk populasi dimana sampel diambil. Statistika inferensial ada 2 jenis, yaitu: 1) Statistik Parametrik: statistika untuk menganalisa data yang diambil dari populasi berdistribusi normal; 2) Statistik Non Parametrik: statistika untuk menganalisa data dari populasi yang bebas distribusi



7.A.3.1 UJI BEDA PROPORSI Dalam penerapan praktis, kita ingin menguji apakah ada hubungan antara dua variabel kategorik dengan kata lain kita ingin menguji apakah ada perbedaan proporsi pada populasi. Jika ada perbedaan proporsi itu maka dapat kita katakan bahwa adanya



hubungan antara dua variabel kategorik tersebut. Contohnya kita ingin



menguji apakah ada perbedaan proporsi status merokok dengan kejadian kanker paru dengan kata lain apakah ada hubungan antara status merokok dengan kejadian kanker paru. Untuk contoh diatas kita dapat menganalisis dengan menggunakan Chi Square atau Fisher Exact. 7.A.3.1.1.1 CHI SQUARE Dasar dari uji Chi Square adalah membandingkan frekuensi yang diamati dengan frekuensi yang diharapkan. Pada uji Chi Square, jumlah pengamatan tidak boleh terlalu sedikit, frekuensi harapan (expected frequency) tidak boleh kurang dari 5 dan tidak boleh lebih dari 20%. Jika asumsi ini tidak terpenuhi maka harus dilakukan pengelompokan ulang sampai hanya menjadi dua kelompok saja (tabel 2 x 2), Pada tabel 2 x 2 gunakan Fisher Exact test yang merupakan nilai-p sebenarnya, yang secara otomatis sudah ada di output SPSS. 1) Bukalah file latihan 4.SAV, sehingga data tampak di Data editor window. 2) Dari menu utama, pilihlah: (pada SPSS 17.0) Analyze --- Descriptif statistic --- Crosstabs… Seperti gambar berikut:



59 | P a g e



3) Pilih variabel kerja, kemudian klik tanda > untuk memasukkannya ke kotak Row(s) 4) Pilih variabel eksklu, kemudian klik tanda > untuk memasukkannya ke kotak Column(s)



5) Pada menu “Statistics” pilih Chi-Square dan Risk dengan mengklik kotak disampingnya hingga muncul tanda “”. Jika anda klik sekali lagi, maka tanda “” akan hilang. Kemudian Klik Continue.



6) Klik menu “Cells”, kemudian aktifkan Observed pada menu Count dan aktifkan Rows pada menu Percentages hingga muncul tanda “”.



Kemudian Klik



Continue. 60 | P a g e



7) Klik OK untuk menjalankan prosedur. Pada layar tampak hasil seperti berikut: kerja * eksklu Crosstabulation Eksklu Ya Kerja



Tidak Kerja Count % within kerja Kerja



Count % within kerja



Total



Count % within kerja



Tidak



Total



18



7



25



72.0%



28.0%



100.0%



8



17



25



32.0%



68.0%



100.0%



26



24



50



52.0%



48.0%



100.0%



Dari tabel silang tersebut terlihat bahwa dari 25 ibu yang bekerja, ada 8 ibu yang menyusui bayi secara eksklusif (32,0%). Dari 25 ibu yang tidak bekerja, ada 18 ibu yang menyusui secara ekslusif (72,0%). Artinya proporsi ibu yang menyusui secara eksklusif pada ibu yang tidak bekerja lebih besar daripada proporsi ibu yang menyusui secara eksklusif pada ibu yang bekerja. Untuk menguji apakah ada perbedaan proporsi antara status ibu bekerja dengan kejadian menyusui secara ekslusif atau apakah ada hubungan antara status ibu bekerja dengan kejadian menyusui secara ekslusif bermakna secara statistik, maka kita harus melakukan uji chi-square dengan melihat hasil output berikut:



61 | P a g e



Chi-Square Tests Value Pearson Chi-Square Continuity Correctionb Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases



8.013a 6.490 8.244



df



Asymp. Sig. (2-sided)



1 1 1



Exact Sig. (2sided)



Exact Sig. (1sided)



.005 .011 .004 .010



7.853



1



.005



.005



50



a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 12,00. b. Computed only for a 2x2 table Untuk memilih nilai 2 atau p-value yang paling sesuai, kita harus berpedoman pada asumsi-asumsi yang terkait dengan uji 2. Antara lain: a) Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3), apabila nilai frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20%, maka nilai 2 atau p-value dari Pearson Chi-square atau Likelihood Ratio dapat kita laporkan. b) Untuk tabel 2 x 2, nilai 2 atau p-value dari Continuity Correction dapat kita laporkan. Tetapi jika nilai frekuensi harapan kurang dari 5, maka nilai p-value dari Fisher’s Exact Test yang harus kita laporkan. Menurut pedoman di atas maka nilai yang kita lihat dalam tabel Chi Square Test adalah pada Continuity Correction Nilai Expected adalah total baris kali total kolom dibagi keseluruhan Fisher uji alternative dari chi square untuk 2x2 INGAT Apabila: a) Nilai Sig < 0,05 Ho ditolak artinya ada perbedaan proporsi atau ada hubungan antara kedua variabel b) Nilai Sig ≥ 0,05 Ho diterima artinya tidak ada hubungan perbedaan proporsi atau tidak ada hubungan antara kedua variabel Pada tabel terlihat nilai sig (0,011) < 0,05 yang artinya ada perbedaan proporsi antara status ibu bekerja dengan status ibu menyusui dengan kata lain ada hubungan antara status ibu bekerja dengan status ibu menyusui. 7.A.3.1.1.2 PERHITUNGAN ODDS RASIO (OR) DAN RESIKO RELATIF (RR)



Hasil uji Chi Square hanya dapat menyimpulkan ada/tidaknya perbedaan proporsi antar kelompok atau dengan kata lain kita hanya dapat menyimpulkan 62 | P a g e



ada/tidaknya hubungan dua variabel kategorik. Dengan demikian uji Chi Square tidak dapat menjelaskan derajat hubungan, dalam hal ini uji Chi Square tidak dapat mengetahui kelompok mana yang memiliki resiko lebih besar dibanding kelompok yang lain. Dalam bidang kesehatan untuk mengetahui derajat hubungan, dikenal ukuran Resiko Relatif (RR) dan Odds Rasio (OR). Resiko relatif membandingkan resiko pada kelompok ter-ekspose dengan kelompok tidak ter-ekspose. Ukuran RR pada umumnya digunakan pada disain Kohort. Sedangkan Odds Rasio membandingkan Odds pada kelompok ter-ekspose dengan Odds kelompok tidak ter-ekspose. Odds Ratio (OR) adalah ukuran asosiasi paparan (faktor paparan) dengan kejadian penyakit; dihitung dari angka kejadian penyakit pada kelompok berisiko dibandingkan dengan angka kejadian penyakit pada kelompok tidak berisiko. Ukuran OR digunakan pada disain penelitian dengan pendekatan cross sectional dan case control. Dalam melakukan interpretasi RR dan OR, anda harus berhati-hati. Interpretasi kedua ukuran ini akan sangat tergantung dari cara memberi kode rendah untuk kelompok beresiko/ter-ekspose dan kode lebih tinggi untuk kelompok tak/kurang beresiko. Selanjutnya kode rendah jika kejadian/penyakit yang diteliti ada dan kode tinggi jika kejadian/penyakit yang diteliti tidak ada. Perlu diketahui bahwa dalam mengeluarkan nilai OR atau RR harus hati-hati jangan sampai terjadi kesalahan pengkodean. Pemberian kode harus ada konsistensi antara variabel independen dan variabel dependen. Untuk variabel independen, kelompok yang beresiko diberi kode rendah dan kode tinggi untuk kelompok yang tidak beresiko. Pada variabel dependennya, kode rendah jika kejadian yang menjadi fokus penelitian ada dan kode tinggi jika kejadian yang menjad i fokus penelitiannya tidak ada. Misalnya kita akan melakukan hubungan jenis pekerjaan (bekerja/tidak bekerja) dengan perilaku menyusui (ekslusif/non eksklusif). Agar interpretasi tidak keliru, maka sebaiknya anda melakukan pengkodean yang sesuai ketentuan diatas, yaitu variabel PEKERJAAN, diberikan kode 0 untuk mereka yang tidak bekerja dan kode 1 untuk yang bekerja. Sedangkan untuk variabel MENYUSUI, berikan kode 0 untuk yang eksklusif dan kode 1 untuk yang non eksklusif. 63 | P a g e



Perhatikan langkah-langkah pada uji Chi square seperti di atas, selain hasil output di atas adalah: Risk Estimate 95% Confidence Interval



Value



Lower



Upper



Odds Ratio for kerja (Tdk Kerja / Kerja)



5.464



1.627



18.357



For cohort eksklu = Ya



2.250



1.209



4.189



.412



.208



.816



For cohort eksklu = Tidak N of Valid Cases



50



Pada hasil diatas, nilai OR terdapat pada baris: Odds Ratio, yaitu 5,46 (95% CI: 1,63 - 18,36). Sedangkan nilai RR terlihat pada baris For Cohort, yaitu besarnya 2,25 (95% CI: 1,21 - 4,19). Pada data ini karena berasal dari penelitian Cross Sectional maka kita dapat menginterpretasi nilai OR=5,46 sbb: Ibu yang bekerja mempunyai peluang 5,46 kali untuk menyusui eksklusif dibandingkan ibu yang tidak bekerja. Pada perintah Cross tab nilai OR akan keluar bila tabel silang 2x2. Bila tabel selang lebih dari 2x2, misalnya 3x2, 4x2, maka nilai OR dapat diperoleh dengan analisis Regresi Logistik Sederhana dengan cara membuat dummy variabel. 7.A.3.1.1.3 FISHER EXACT Apabila syarat uji Chi Square tidak terpenuhi maka langkah selanjutnya adalah menggunakan uji Fisher Exact. Uji ini harus menggunakan tabel 2x2, apabila pada uji Chi Square tabelnya belum 2x2 maka harus diubah terlebih dahulu. 1) Bukalah file pskm6.SAV, sehingga data tampak di Data editor window. 2) Dari menu utama, pilihlah:



(pada SPSS 17.0)



Analyze -- Descriptif statistic --- Crosstabs… Seperti gambar berikut:



64 | P a g e



3) Pilih variabel merokok, kemudian klik tanda > untuk memasukkannya ke kotak



Row(s) 4) Pilih variabel kvp, kemudian klik tanda > untuk memasukkannya ke kotak



Column(s)



5) Pada menu “Statistics” pilih Chi-Square dan Risk dengan mengklik kotak



disampingnya hingga muncul tanda “”. Jika anda klik sekali lagi, maka tanda “” akan hilang. Kemudian Klik Continue.



6) Klik menu “Cells”, kemudian aktifkan Observed pada menu Count dan aktifkan



Rows pada menu Percentages hingga muncul tanda “”.



Kemudian Klik



Continue. 65 | P a g e



7) Klik OK untuk menjalankan prosedur. Pada layar tampak hasil seperti berikut:



Merokok * Kapasitas Vital Paru Crosstabulation Kapasitas Vital Paru Restriksi Normal Merokok



Perokok



Count % within Merokok



tidak merokok Count % within Merokok Total



Count % within Merokok



Total



13



10



23



56.5%



43.5%



100.0%



0



13



13



.0%



100.0%



100.0%



13



23



36



36.1%



63.9%



100.0%



Dari tabel silang tersebut terlihat bahwa dari 23 perokok , ada 13 responden (56,5%) mempunyai kapasitas paru restriksi. Dari 55 rumah responden yang memenuhi syarat kelembaban, hanya ada 16 responden (29,1%) menderita ISPA. Artinya proporsi ISPA pada rumah responden yang tidak memenuhi syarat kelembababan lebih besar daripada proporsi ISPA pada rumah responden yang memenuhi syarat kelembaban. Untuk menguji apakah ada perbedaan proporsi antara kedua variabel atau apakah ada hubungan antara ISPA dengan kondisi kelembaban rumah bermakna secara statistik, maka kita harus melakukan uji chi-square dengan melihat hasil output berikut:



66 | P a g e



Chi-Square Tests Value Pearson Chi-Square Continuity Correctionb Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases



11.501a 9.182 15.600



df 1 1 1



Asymp. Sig. (2-sided)



Exact Sig. (2sided)



Exact Sig. (1sided)



.001 .002 .000 .001



11.181



1



.000



.001



36



a. 1 cells (25,0%) have expected count less than 5. The minimum expected count is 4,69. b. Computed only for a 2x2 table



Pada tabel di atas terlihat bahwa nilai sig (0,001) < 0,05 maka keputusan statistiknya Ho ditolak. Artinya ada perbedaan proporsi antara status merokok dengan kapasitas vital paru dengan kata lain ada hubungan status merokok dengan kapasitas vital paru. Latihan : Buka ab1.sav a) Apakah ada hubungan antara jenis kelamin dengan kebiasaan minum kopi? b) Apakah ada perbedaan proporsi antara jenis kelamin dengan kejadian anemia?



7.A.3.2 UJI BEDA MEAN 2 KELOMPOK Uji beda mean 2 kelompok adalah uji untuk mengetahui apakah ada perbedaan mean antara kedua kelompok. Contohnya: apakah ada perbedaan mean berat bayi lahir antara ibu perokok dengan ibu yang tidak perokok. Uji beda mean ada 2 macam, yaitu uji beda mean parametrik dan uji beda mean non parametrik. 7.A.3.2.1.1 Uji Beda Mean Parametrik



Uji beda mean parametrik dilakukan apabila variabel numeriknya berdistribusi normal. Contohnya: apakah ada perbedaan mean berat bayi lahir antara ibu perokok dengan ibu yang tidak perokok, maka data sampel berat bayi lahir harus berdistribusi normal. Uji beda mean parametrik ini ada 2 macam: 1) Uji t bebas (t independen) dan 2) Uji t tidak bebas (t berpasangan)



67 | P a g e



7.A.3.3 Uji t bebas (t independen)



Digunakan untuk membandingkan rata-rata antara 2 kelompok yang berbeda dan saling bebas. Prinsip: jika tidak ada perbedaan rata-rata, maka rata-rata kelompok1 dikurangi rata-rata kelompok 2 = nol 1. Bukalah file pskm6.SAV, sehingga data tampak di Data editor window. 2. Kita ingin mengetahui apakah ada perbedaan mean berat badan antara perokok dengan tidak perokok, terlebih dahulu diuji apakah berat badan berdistribusi normal/tidak dengan cara: Pilih menu Analyze-Descriptive Statistics–Explore–Plots kemudian centang/pilih Normality plots with tests. Didapat outputnya: Tests of Normality Kolmogorov-Smirnova Statistic BB



.134



Df



Shapiro-Wilk



Sig. 36



.102



Statistic .955



df



Sig. 36



.147



a. Lilliefors Significance Correction Kesimpulannya: berat badan berdistribusi normal karena nilai sig (0,102) > 0,05. 3. Kemudian menu utama, pilihlah: (pada SPSS 17.0) Analyze--Compare Means-- Independent samples T… Seperti gambar berikut:



4. Kemudian pilih bb pada test variabel (s). Test variabel adalah khusus variabel numerik yang harus diuji dahulu kenormalan datanya. 5. Kemudian pilih merokok pada Grouping Variabel Grouping variabel adalah khusus variabel kategorik dengan 2 kelompok. Maka tampilannya adalah sebagai berikut:



68 | P a g e



6. Kemudian pilih Define Groups... Define Groups ini untuk menjelaskan kode yang dipakai pada variabel kategorik misalnya: 0 dan 1 atau 1 dan 2.



Isi group 1 : kode kategori paling kecil Isi group 2 : kode kategori paling besar Untuk variabel merokok kodenya 1 dan 2 sehingga group 1 diisi dengan 1 dan group 2 diisi dengan 2. Setelah itu pilih Continue. 7. Kemudian OK. Hasil Outputnya adalah sebagai berikut: Independent Samples Test Levene's Test for Equality of Variances



t-test for Equality of Means 95% Confidence Interval of the Difference



F BB Equal variances assumed



.194



Equal variances not assumed



Sig. .663



T -1.417



Mean Std. Error Sig. (2- Differenc Differenc tailed) e e Lower



df



Upper



34



.166



-4.268



3.012 -10.389



1.854



-1.443 26.419



.161



-4.268



2.958 -10.343



1.808



Pada tabel terlihat pada tes Levene nilai sig 0,663 > 0,05, keputusannya adalah Ho diterima yang artinya varians data sama. Oleh karena varians data sama maka nilai sig untuk uji t dilihat adalah 0,166 > 0,05, keputusannya adalah Ho diterima yang artinya tidak ada perbedaan mean berat badan antara perokok dan tidak perokok. 69 | P a g e



INGAT: Tes Levene: a) Apabila nilai sig ≥ 0,05 artinya varians data sama b) Apabila nilai sig < 0,05 artinya varians data berbeda Uji t bebas



a) Apabila nilai sig ≥ 0,05, Ho diterima artinya tidak ada perbedaan mean antara kedua variabel b) Apabila nilai sig < 0,05, Ho ditolak artinya ada perbedaan mean antara kedua variabel 7.A.3.4 Uji t berpasangan Digunakan untuk membandingkan rata-rata sebelum & sesudah intervensi. Prinsip: jika tidak ada perbedaan rata-rata nilai sebelum dan sesudah intervensi, maka rata-rata beda nilainya nol. 1. Bukalah file uji t bbs.SAV, sehingga data tampak di Data editor window. 2. Kita ingin mengetahui apakah ada perbedaan mean pengukuran hb 1 dengan pengukuran hb2, maka harus diuji terlebih dahulu hb1 dan hb2 berdistribusi normal/tidak dengan cara: Pilih menu Analyze -Descriptive Statistics–Explore–Plots kemudian centang/pilih Normality plots with tests. Didapat outputnya: Tests of Normality Kolmogorov-Smirnova Statistic kadar hb pengukuran 1 kadar hb pengukuran 2



Df



.160 .201



Sig. 10 .200* 10 .200*



Shapiro-Wilk Statistic .952 .939



df



Sig.



10 .692 10 .539



a. Lilliefors Significance Correction *. This is a lower bound of the true significance. Kesimpulannya: kadar hb pengukuran 1 dan 2 berdistribusi normal karena nilai sig (0,200) > 0,05. 3. Kemudian menu utama, pilihlah: (pada SPSS 17.0) Analyze--Compare Means--Paired-samples T test… Seperti gambar berikut:



70 | P a g e



4. Kemudian pindahkan hb1 dan hb2 ke paired variables, maka muncul sebagai berikut:



5. Kemudian OK. Hasil outputnya adalah: Paired Samples Test Paired Differences



Mean



Pair 1



kadar hb pengukuran 1 kadar hb pengukuran 2



Std. Deviation



.1400



.6433



Std. Error Mean



.2034



95% Confidence Interval of the Difference Lower



-.3202



Upper



t



.6002 .688



df



Sig. (2-tailed)



9



.509



Pada tabel terlihat nilai sig 0,509 > 0,05, keputusannya adalah Ho diterima yang artinya tidak ada perbedaan mean kadar hb pada pengukuran 1 dengan kadar hb pada pengukuran 2. INGAT: Uji t berpasangan -



Apabila nilai sig ≥ 0,05, Ho diterima artinya tidak ada perbedaan mean



-



antara kedua variabel Apabila nilai sig < 0,05, Ho ditolak artinya ada perbedaan mean antara kedua variabel



71 | P a g e



7.A.3.4.1.1 Uji Beda Mean Non Parametrik



Uji beda mean parametrik dilakukan apabila variabel numeriknya berdistribusi tidak normal. Contohnya: apakah ada perbedaan mean berat bayi lahir antara ibu perokok dengan ibu yang tidak perokok, maka data sampel berat bayi lahir tidak berdistribusi normal. Uji beda mean non parametrik ini ada 2 macam: 1) Uji Mann Whitney; 2) Uji Wilcoxon 7.A.3.4.2 Uji Mann Whitney Digunakan apabila tidak memenuhi untuk uji t bebas maka digunakanlah uji Mann Whitney. Prinsipnya sama dengan uji t bebas, hanya saja variabel numerik pada uji ini tidak berdistribusi normal. 1. Bukalah file uji pskm6.SAV, sehingga data tampak di Data editor window. 2. Kita ingin mengetahui apakah ada perbedaan mean umur berdasarkan status merokoknya, terlebih dahulu kita uji apakah umur berdistribusi normal/tidak dengan cara: Pilih menu Analyze--Descriptive Statistics– Explore–Plots kemudian centang/pilih Normality plots with tests. Didapat outputnya: Tests of Normality Kolmogorov-Smirnova Statistic Umur



.218



Df



Sig. 36



.000



Shapiro-Wilk Statistic .828



df



Sig. 36



.000



a. Lilliefors Significance Correction Kesimpulan: umur berdistribusi tidak normal karena nilai sig (0,000) 0,05 maka keputusannya adalah Ho diterima yang artinya tidak ada perbedaan mean umur antara perokok dengan tidak perokok. Uji Mann Whitney -



Apabila nilai sig ≥ 0,05, Ho diterima artinya tidak ada perbedaan mean



-



antara kedua variabel Apabila nilai sig < 0,05, Ho ditolak artinya ada perbedaan mean antara kedua variabel



7.A.3.4.3 Uji Wilcoxon



Uji Wilcoxon digunakan apabila tidak memenuhi untuk uji t berpasangan maka digunakanlah uji Wilcoxon. Prinsipnya sama dengan uji t berpasangan, hanya saja variabel numerik pada uji ini tidak berdistribusi normal. 1. Bukalah file uji pskm2.SAV, sehingga data tampak di Data editor window. 2. Kita ingin mengetahui apakah ada perbedaan mean pengukuran hb 1 dengan pengukuran hb2, maka harus diuji terlebih dahulu hb1 dan hb2 berdistribusi normal/tidak dengan cara: Pilih menu Analyze- Descriptive Statistics–Explore–Plots kemudian pilih Normality plots with tests Didapat outputnya:



74 | P a g e



Tests of Normality Kolmogorov-Smirnova Statistic Kadar Hb pengukuran 1 Kadar Hb pengukuran 2



.218 .250



Df



Sig. 60 60



.000 .000



Shapiro-Wilk Statistic .830 .836



df



Sig. 60 60



.000 .000



a. Lilliefors Significance Correction Kesimpulan: kadar hb pengukuran 1 dan 2 berdistribusi tidak normal karena nilai sig (0,000) < 0,05. 3. Kemudian menu utama, pilihlah: (pada SPSS 17.0) Analyze--Nonparametric Tests--2 Related samples… Seperti gambar berikut:



4. Kemudian pindahkan hb1 dan hb2 ke paired variables, maka muncul sebagai berikut:



5. Kemudian OK. Hasil outputnya adalah: 75 | P a g e



Test Statisticsb Kadar Hb pengukuran 2 - Kadar Hb pengukuran 1 Z Asymp. Sig. (2-tailed)



-3.120a .002



a. Based on positive ranks. b. Wilcoxon Signed Ranks Test Pada tabel terlihat nilai sig 0,002 < 0,05, keputusannya adalah Ho ditolak yang artinya ada perbedaan mean kadar hb pada pengukuran 1 dengan kadar hb pada pengukuran 2. INGAT: Uji Wilcoxon a) Apabila nilai sig ≥ 0,05, Ho diterima artinya tidak ada perbedaan mean antara kedua variabel b) Apabila nilai sig < 0,05, Ho ditolak artinya ada perbedaan mean antara kedua variabel Latihan: Buka file pskm3.SAV apakah ada perbedaan mean kadar pengukuran hb1 dengan hb2 7.A.3.4.3.1 Uji Beda Mean > 2 kelompok Uji beda mean > 2 kelompok adalah uji untuk mengetahui apakah ada perbedaan mean antara lebih dari 2 kelompok. Contohnya: apakah ada perbedaan mean berat bayi lahir dengan tingkat pendidikan (SD, SMP, SMA, PT) . Uji beda mean > 2 kelompok ada 2 macam yaitu uji beda mean parametrik (Anova) dan uji beda mean non parametrik (Kruskal Wallis). 7.A.4 Uji Anova (parametrik) Digunakan untuk membandingkan rata-rata antara lebih dari 2 kelompok yang berbeda dan saling bebas. Prinsip uji ANOVA adalah melakukan telaah variabilitas data menjadi 2 sumber variasi, yaitu variasi dalam kelompok (within) dan variasi antar kelompok (between). Uji Anova digunakan untuk menguji apakah ada perbedaan mean pada 3 atau lebih kelompok. Apabila ada perbedaan pada salah satu kelompok, uji statistik akan menunjukkan hasil yang bermakna. Asumsi pengujian ANOVA, yaitu: a) Populasi yang akan diuji



76 | P a g e



berdistribusi normal; b) Varians/ragam dan populasi yang diuji sama; c) Sampel tidak berhubungan satu dengan yang lain. Berikut langkah-langkah uji Anova: 1. Bukalah file uji ujianova.SAV, sehingga data tampak di Data editor window. 2. Kita ingin mengetahui apakah ada perbedaan upah buruh berdasarkan pangkat golongan, maka harus diuji terlebih dahulu upah buruh berdistribusi normal/tidak dengan cara: Pilih menu Analyze-Descriptive Statistics–Explore–Plots kemudian pilih Normality plots with tests Didapat outputnya: Tests of Normality Kolmogorov-Smirnova Statistic upah buruh dalam jutaan



.094



Df 45



Sig. .200*



Shapiro-Wilk Statistic



df



.966



45



Sig. .210



a. Lilliefors Significance Correction *. This is a lower bound of the true significance.



Kesimpulannya: upah buruh berdistribusi normal karena nilai sig (0,200) > 0,05. 3. Kemudian menu utama, pilihlah: (pada SPSS 17.0) Analyze--Compare Means--One-Way ANOVA… Seperti gambar berikut:



4. Kemudian lakukan pengisian terhadap : -



Kolom Dependent List : upah (variabel numerik)



-



Kolom Factor : golongan (variabel kategorik)



Maka tampilannya sebagai berikut:



77 | P a g e



1) Kolom Option : a) Statistics -Pilih Descriptive dan Homogeneity of variance b) Setelah pengisian tekan Continue



2) Kolom Post-Hoc a) Equal Variances Assumed, pilih Bonferroni b) Setelah pengisian, tekan Continue



5. Setelah pengisian selesai, tekan OK. Hasil outputnya adalah: Test of Homogeneity of Variances upah buruh dalam jutaan Levene Statistic



df1 .311



df2 2



Sig. 42



.734



Tes Levene adalah uji menguji apakah varians sama atau tidak, untuk dapat memenuhi asumsi Anova. Pada tabel terlihat nilai sig pada Levene test 78 | P a g e



adalah 0,734 > 0,05, keputusannya adalah Ho diterima yang artinya varians data sama. INGAT: Tes Levene: a) Apabila nilai sig ≥ 0,05 artinya varians data sama b) Apabila nilai sig < 0,05 artinya varians data berbeda Oleh karena varians sama maka uji Anova dapat dilanjutkan dengan melihat tabel berikutnya yaitu: ANOVA upah buruh dalam jutaan Sum of Squares Between Groups Within Groups Total



df



197.911 176.400 374.311



Mean Square



2 42 44



F



Sig.



98.956 23.561 .000 4.200



Pada tabel di atas terlihat nilai sig (0,000) < 0,05, keputusannya adalah Ho ditolak yang artinya ada perbedaan mean upah buruh berdasarkan golongan pangkatnya. Oleh karena ada perbedaan mean diantara ke-3 kelompok, apabila kita ingin mengetahui lebih jelas antara kelompok mana yang berbeda, maka digunakan uji selanjutnya yaitu uji Post Hoc dengan metode Bonferroni, dengan hasil sebagai berikut: Multiple Comparisons upah buruh dalam jutaan (Bonferroni) (I) (J) Mean golongan/p golongan/p Difference (Iangkat angkat J) Std. Error



95% Confidence Interval Sig.



Lower Bound Upper Bound



golongan 1 golongan 2



-3.267*



.748



.000



-5.13



-1.40



golongan 3



-5.067*



.748



.000



-6.93



-3.20



golongan 2 golongan 1



3.267*



.748



.000



1.40



5.13



golongan 3



-1.800



.748



.062



-3.67



.07



golongan 3 golongan 1



5.067



*



.748



.000



3.20



6.93



golongan 2



1.800



.748



.062



-.07



3.67



*. The mean difference is significant at the 0.05 level. Pada tabel di atas terlihat bahwa antara golongan 1 dengan golongan 2 berbeda dengan nilai sig (0,000) < 0,05. Selain itu, antara golongan 1 dengan golongan 3 berbeda dengan nilai sig (0,000) < 0,05. 79 | P a g e



7.A.5 Uji Kruskal Wallis (non parametrik)



Digunakan apabila tidak memenuhi untuk uji Anova maka digunakanlah uji Kruskal Wallis. Prinsipnya sama dengan uji Anova, perbedaannya adalah pada uji Kruskal Wallis, variabel numeriknya tidak berdistribusi normal. 10. Bukalah file uji entrydata2.SAV, sehingga data tampak di Data editor window. 11. Kita ingin mengetahui apakah ada perbedaan gaji awal berdasarkan golongan, maka harus diuji terlebih dahulu gaji awal berdistribusi normal/tidak dengan cara: Pilih menu Analyze--Descriptive Statistics– Explore–Plots kemudian centang/pilih Normality plots with tests. Didapat outputnya: Tests of Normality Kolmogorov-Smirnova Statistic Gajiawal



.319



df



Shapiro-Wilk



Sig. 10



Statistic



.005



.769



df



Sig. 10



.006



a. Lilliefors Significance Correction



Kesimpulannya: Gaji awal tidak berdistribusi normal karena nilai sig (0,006) < 0,05. 12. Kemudian menu utama, pilihlah: (pada SPSS 17.0) Analyze -- Nonparametric Tests --- K Independent Samples… Seperti gambar berikut:



13. Kemudian pilih gaji awal pada test variabel list Test variabel adalah khusus variabel numerik yang harus diuji dahulu kenormalan datanya. 14. Kemudian pilih golongan pada Grouping Variabel 80 | P a g e



Grouping variabel adalah khusus variabel kategorik dengan 2 kelompok. Maka tampilannya adalah sebagai berikut:



15. Kemudian pilih Define Range... Define Range ini untuk menjelaskan kode yang dipakai pada variabel kategorik misalnya: 0 dan 1 atau 1 dan 2.



Isi group 1 : kode kategori paling kecil Isi group 2 : kode kategori paling besar Untuk variabel merokok kodenya 1 dan 2 sehingga group 1 diisi dengan 1 dan group 2 diisi dengan 2. Setelah itu pilih Continue. 16. Kemudian OK. Hasil outputnya adalah: Test Statisticsa,b gajiawal Chi-Square Df Asymp. Sig.



9.000 3 .029



a. Kruskal Wallis Test b. Grouping Variable: golongan Pada tabel di atas terlihat nilai sig (0,029) < 0,05, keputusannya adalah Ho ditolak yang artinya ada perbedaan gaji awal berdasarkan golongannya. Uji Kruskal Wallis



81 | P a g e



-



Apabila nilai sig ≥ 0,05, Ho diterima artinya tidak ada perbedaan mean



-



antara kedua variabel Apabila nilai sig < 0,05, Ho ditolak artinya ada perbedaan mean antara kedua variabeL



BAB 7 Korelasi 1 Korelasi merupakan teknik statistik yang digunakan untuk menguji ada/tidaknya hubungan serta arah hubungan dari dua variabel atau lebih. Analisa korelasi digunakan untuk mengukur keeratan hubungan antara variabel-variabel.



7.A.5.1 Koefisien Korelasi Kuatnya keeratan hubungan antara variabel dinyatakan dengan koefisien korelasi. Semakin besar nilai korelasinya, semakin erat hubungannya. Besar koefisien 82 | P a g e



korelasi antara -1 sampai dengan 1. Besaran koefisien korelasi -1 dan 1 adalah korelasi yang sempurna. Koefisien korelasi 0 atau mendekati 0 dianggap tidak berhubungan antara dua variabel yang diuji.



7.A.5.2 Arah Korelasi 1) Positif (Koefisien 0 s/d 1) 2) Negatif (Koefisien 0 s/d -1) 3) Nihil (Koefisien 0)



7.A.5.3 Korelasi Pearson (parametrik) Korelasi Pearson digunakan untuk mengetahui koefisien korelasi arah korelasi pada data yang berdistribusi normal, biasanya data berbentuk interval dan rasio. 1) Bukalah file uji pskm6.SAV, sehingga data tampak di Data editor window. 2) Kita ingin mengetahui apakah ada korelasi antara tinggi badan dan berat badan, maka harus diuji terlebih dahulu tinggi badan dan berat badan berdistribusi normal/tidak dengan cara: Pilih menu Analyze--Descriptive Statistics–Explore– Plots kemudian centang/pilih Normality plots with tests. Didapat outputnya: Tests of Normality Kolmogorov-Smirnova Statistic TB BB



.128 .134



df



Shapiro-Wilk



Sig. 36 36



.144 .102



Statistic .975 .955



df



Sig. 36 36



.591 .147



a. Lilliefors Significance Correction Kesimpulannya: TB dan BB berdistribusi normal karena nilai sig (0,144 dan 0,102) > 0,05. 3) Kemudian menu utama, pilihlah: (pada SPSS 17.0) Analyze--Correlate--Bivariate… Seperti gambar berikut:



83 | P a g e



4) Kemudian masukkan TB dan BB ke kotak variables



5) Kemudian OK. Hasil outputnya adalah:



Correlations TB TB



Pearson Correlation



BB 1



Sig. (2-tailed) N BB



.322 .056



36



36



Pearson Correlation



.322



1



Sig. (2-tailed)



.056



N



36



36



Pada tabel terlihat nilai sig (0,056) > 0,05, keputusannya adalah Ho diterima yang artinya tidak ada korelasi/hubungan antara TB dengan BB. Walaupun di tabel tertera nilai koefisien korelasi Pearsonnya adalah 0,322 tetapi nilai tersebut tidak berarti karena tidak ada hubungan antara TB dengan BB.



84 | P a g e



7.A.5.4 Korelasi Spearman (non parametrik) Uji ini digunakan apabila tidak memenuhi korelasi Pearson dan biasanya datanya berbentuk nominal dan ordinal.Cara analisis dan interpretasi sama dengan Pearson. 1) Bukalah file uji pskm5.SAV, sehingga data tampak di Data editor window. 2)



Kita ingin mengetahui apakah ada korelasi antara tinggi badan dan berat badan, maka harus diuji terlebih dahulu tinggi badan dan berat badan berdistribusi normal/tidak dengan cara: Pilih menu Analyze--Descriptive Statistics–Explore–Plots kemudian centang/pilih Normality plots with tests Didapat outputnya: Tests of Normality Kolmogorov-Smirnova Statistic sistol diastol



.093 .074



df 4635 4635



Sig. .000 .000



Shapiro-Wilk Statistic



df



.925 .897



4635 4635



Sig. .000 .000



a. Lilliefors Significance Correction Kesimpulannya: sistol dan diastol berdistribusi tidak normal karena nilai sig (0,000 dan 0,000) > 0,05. 3)



Kemudian menu utama, pilihlah:



(pada SPSS 17.0)



Analyze -- Correlate --- Bivariate… Seperti gambar berikut:



4)



Kemudian masukkan sistol dan diastol ke kotak variables Centang/pilih Spearman, maka tampilan window sebagai berikut:



85 | P a g e



5)



Kemudian OK. Hasil outputnya adalah: Correlations sistol Spearman's rho sistol



Correlation Coefficient



diastol



1.000



.638**



.



.000



4635



4635



diastol Correlation Coefficient



.638**



1.000



Sig. (2-tailed)



.000



.



N



4635



4635



Sig. (2-tailed) N



**. Correlation is significant at the 0.01 level (2-tailed). Pada tabel terlihat nilai sig (0,000) < 0,05, keputusannya adalah Ho ditolak yang artinya ada korelasi/hubungan antara sistol dengan diastol dengan nilai koefisien korelasi Spearman adalah 0,638. Arahnya positif yang berarti semakin tinggi sistol maka semakin diastol. Latihan: Apakah ada hubungan antara umur dengan imt (pskm5.SAV) Apakah ada hubungan antara lama terpajan dengan lama masa kerja (pskm6.SAV)



86 | P a g e



BAB 8 Regresi Linier 1



Analisis regresi adalah analisis lanjutan dari korelasi. Menguji sejauh mana



pengaruh variabel independen terhadap variabel dependen setelah diketahui ada hubungan antara variabel tersebut. Data harus interval/rasio dan berdistribusi normal. Regresi linier digunakan untuk meramalkan/memperkirakan variabel dependen berdasarkan variabel independen yang telah diketahui. Regresi linir menghasilkan suatu persamaan garis yang digunakan untuk meramalkan. 2



persamaan garis : y = a + bx



3



y = variabel dependen



4



x = variabel independen



1)



Bukalah file uji latihan1.SAV, sehingga data tampak di Data editor window.



2) Kita tentukan terlebih dahulu variabel dependen adalah panjang bayi dan variabel independen adalah LILA bayi 3) Maka harus diuji terlebih dahulu panjang bayi dan LILA bayi berdistribusi normal/tidak dengan cara: Pilih menu Analyze -- Descriptive Statistics – Explore – Plots kemudian centang/pilih Normality plots with tests Didapat outputnya: Tests of Normality Kolmogorov-Smirnova Statistic panjang bayi LILA Bayi



.155 .121



df



Sig. 20 20



Shapiro-Wilk Statistic



.200* .200*



.957 .955



df



Sig. 20 20



.491 .443



a. Lilliefors Significance Correction *. This is a lower bound of the true significance. Kesimpulannya: panjang bayi dan LILA bayi berdistribusi normal karena nilai sig (0,200 dan 0,200) > 0,05.



4) Kemudian menu utama, pilihlah: (pada SPSS 17.0) Analyze--Regression--Linier… Seperti gambar berikut: 87 | P a g e



5) Masukkan panjang bayi ke kotak dependent (variabel) 6) Masukkan LILA bayi ke kotak independents (variabel)



7) Kemudian OK. Hasil outputnya adalah: OUTPUT 1 Model Summary Model



R



1



.586a



R Square Adjusted R Square .343



.307



Std. Error of the Estimate 3.2284



a. Predictors: (Constant), LILA Bayi a) Lihat nilai R = 0,586 ini berarti bahwa korelasi antara variabel X (LILA bayi) dengan Y (panjang bayi) adalah 0,843. b) R square disebut juga dengan koefisien determinasi adalah koefisien yang menjelaskan persentase variasi variabel dependen (panjang bayi) yang dihasilkan dari persamaan garis yang terbentuk. Pada tabel terlihat R square = 0,343 (34,3%) yang artinya 34,3 % dapat menjelaskan variasi panjang bayi dari persamaan garis yang terbentuk. 88 | P a g e



OUTPUT 2



ANOVAb Model 1



Sum of Squares Regression



Df



Mean Square



98.147



1



98.147



Residual



187.602



18



10.422



Total



285.749



19



F



Sig.



9.417



.007a



a. Predictors: (Constant), LILA Bayi b. Dependent Variable: panjang bayi Pada tabel terlihat nilai sig (0,007) < 0,05 yang artinya persamaan garis regresi yang terbentuk dapat digunakan untuk prediksi. INGAT a) Apabila nilai sig ≥ 0,05 artinya persamaan garis regresi yang terbentuk tidak dapat digunakan untuk prediksi b) Apabila nilai sig < 0,05 artinya persamaan garis yang terbentuk dapat digunakan untuk prediksi. OUTPUT 3 Coefficientsa Unstandardized Coefficients Model 1



B (Constant) LILA Bayi



Std. Error



26.484



6.091



1.806



.589



Standardized Coefficients Beta



t .586



Sig.



4.348



.000



3.069



.007



a. Dependent Variable: panjang bayi Tabel di atas digunakan untuk membuat persamaan garis regresi. Pada tabel terlihat konstanta = 26,5 sehingga persamaan garis yang terbentuk adalah: Y (panjang bayi) = 26,48 + 1,81 X (LILA bayi) Nilai b=1,81 artinya panjang bayi akan bertambah sebesar 1,18 cm bila LILA bayi bertambah setiap 1 cm. Latihan: Buka uji t bbs.SAV, apakah ada korelasi/hubungan antara berat bayi lahir dengan kadar hb1? 89 | P a g e



Jika ada, buatlah persamaan garisnya. (Y=kadar hb1x= berat bayi lahir)



90 | P a g e



DAFTAR PUSTAKA x



1. Hastono SP. Analisis Data Depok: Departemen Biostatistik, FKM UI; 2006. 2. Sabri L, Hastono SP. Statistik Kesehatan (edisi revisi) Jakarta: Rajawali; 2009. 3. Singgih S. Panduan Lengkap Menguasai Statistik Dengan SPSS 17 Jakarta: Elex Media Komputindo; 2009. 4. Budiarto E. Biostatistika untuk Kedokteran dan Kesehatan Masyarakat Jakarta: EGC; 2002. 5. Azwar S. Realibilitas dan Validitas Jakarta: Pustaka Pelajar; 2011. 6. Singgih S. Aplikasi SPSS pada Statistik Non Parametrik Jakarta: Elex Media Komputindo; 2012. 7. Sugiyono. Statistik Nonparametris Untuk Penelitian Bandung: Alfabeta; 2004.



91 | P a g e