Modul SPSS (Besral Jan 2012) [PDF]

Citation preview

PENGOLAHAN DAN ANALISIS DATA KESEHATAN TINGKAT DASAR MENGGUNAKAN SPSS



Oleh: BESRAL Departemen Biostatistika - Fakultas Kesehatan Masyarakat Universitas Indonesia



Besral, FKM UI, 2012



Modul SPSS



KATA PENGANTAR Pengolahan dan Analisa Data merupakan dua proses yang sangat menentukan dalam pengelolaan data menjadi suatu informasi. Kecepatan dalam pengolahan dan ketepatan dalam analisa akan sangat menentukan kualitas informasi dan penulisan laporan dalam suatu kegiatan monitoring dan evaluasi, baik menggunakan data rutin maupun menggunakan data survei. Banyak buku panduan yang disusun untuk mengolah dan menganalisis data, namun hanya sedikit yang memberikan contoh-contoh secara nyata yang mudah dipahami oleh peserta pemula. Buku panduan ini disusun secara sistematis, dengan memberikan contoh persoalan nyata bidang kesehatan dalam hal pengolahan dan analisis data. Penggunaan buku ini harus dilengkapi dengan file-file data (BAYI95.SAV dan TNG.SAV dan Lebak-1.SAV dan Lebak2.SAV) untuk dapat memperlihatkan contoh-contoh soal dan penyelesaiannya. Di setiap akhir Bab, diberikan contoh TABEL bagaimana cara penyajian data dan menuliskan interpretasi dari hasil analisis tersebut. Analisis data yang dibahas dalam buku ini dibatasi hanya sampai pada tahap hubungan sederhana antara dua variabel saja (bivariate). Kesimpulan yang didapat dari hasil uji bivariat belum tentu akurat karena analisisnya masih kasar (crude analysis). Untuk mendapatkan kesimpulan yang lebih akurat harus dilakukan analisis multivariat untuk melihat hubungan secara bersama-sama dari beberapa variabel prediktor/independen dan sekaligus mengontrol pengaruh dari variabel perancu & variabel interaksi. Buku analisis data multivariat tersedia dalam versi “Pengolahan dan Analisis Data Multivariat”. Semoga buku ini dapat dimanfaatkan oleh pengguna untuk membantu dalam pengolahan dan analsis data, baik untuk skripsi/thesis, maupun untuk monitoring/evaluasi program. Kritik dan saran kami terima dengan senang hati untuk kesempurnaan buku ini. Depok, Juli 2012



BESRAL



Pengolahan dan Analisa Data‐1,  



 



Hal: 1 dari 108 



Besral, FKM UI, 2012



Modul SPSS



DAFTAR ISI Kata Pengantar



1



Daftar Isi



2



1. Pengantar SPSS 1.1. Memulai SPSS 1.2. Jendela SPSS (Data & Variabel) 1.3. Jendela SPSS Output 1.4. Memasukkan (Entry) Data 1.5. Mengedit Data (Delete/Copy)) 1.6. Menyimpan (Save) Data 1.7. Membuka(Open) Data SPSS 1.8. Membuka (Open) Data dBase



4 5 6 8 8 12 14 15 15



2. Statistika Deskriptif 2.1. Buku Kode 2.2. Analisis Deskriptif data kategori 2.3. Penyajian hasil Analisis Deskriptif data kategori 2.4. Analisis Deskriptif data numerik 2.5. Grafik HISTOGRAM 2.6. Uji NORMALITAS 2.7. Penyajian hasil Analisis data numerik



18 19 19 21 23 27 28 30



3. Transformasi Data 3.1. Pengertian 3.2. Analisis Deskriptif 3.3. PERINTAH “RECODE” 3.4. PERINTAH “COMPUTE” 3.5. PERINTAH “IF” 3.6. PERINTAH “SELECT”



31 32 35 38 41 43 46



4. Merge File Data 4.1. Pengertian 4.2. MERGE dengan ADD VARIABEL 4.3. MERGE dengan ADD CASES 4.4. MERGE antara INDIVIDU dengan RUMAHTANGGA



43 44 45 47 48



5. Uji Beda 2-Rata-rata (t-test) 5.1. Pengertian 5.2. Konsep Uji Beda Dua Rata-rata 5.3. Aplikasi Uji-t Dependen pada Data Berpasangan 5.4. Penyajian Hasil Uji-t Dependen pada Data Berpasangan 5.5. Aplikasi Uji-t pada Data Independen 5.6. Penyajian Hasil Uji-t Independen



52 52 52 53 55 55 57



6. Uji Beda > 2-Rata-rata (ANOVA) 6.1. Pengertian 6.2. Konsep Uji ANOVA 6.3. Aplikasi Uji ANOVA



58 58 59 59



Pengolahan dan Analisa Data‐1,  



 



Hal: 2 dari 108 



Besral, FKM UI, 2012



Modul SPSS



6.4. Penyajian Hasil Uji ANOVA 6.5. Transformasi Jika Varians Tidak Homogen



63 64



7. Uji Beda Proporsi (χ2) Chi-Square 7.1. Pengertian 7.2. Konsep Uji Chi Square 7.3. Aplikasi Uji χ2 pada Tabel Silang 2 x 2 7.4. Aplikasi Uji χ2 pada Tabel Silang 2 x 3 7.5. Dummy Variabel 7.6. Regresi Logistik Sederhana 7.6. Penyajian Hasil Uji Beda proporsi



65 65 66 67 70 71 74 76



8. Uji Korelasi & Regresi Linier 8.1. Pendahuluan 8.2. Asumsi Normalitas 8.3. Aplikasi Uji Korelasi Pearson 8.4. Aplikasi Regresi Linier (Sederhana) 8.5. Penyajian dan Interpretasi hasil Regresi Linier 8.6. Memprediksi nilai Y



77 77 78 78 81 84 84



9. Uji Validitas dan Reliabilitas Instrumen 9.1. Pendahuluan 9.2.Contoh pertanyaan yang valid dan tidak valid 9.3. Langkah-langkah uji validitas dan reliabilitas 9.4. Penyajian dan interpretasi hasil uji validtas dan reliabilitas 9.5. Latihan uji validitas dan reliabilitas



90 90 92 93 96 97



DAFTAR PUSTAKA



Pengolahan dan Analisa Data‐1,  



 



Hal: 3 dari 108 



Besral, FKM UI, 2012



1



Modul SPSS



Pengantar SPSS



SPSS Windows merupakan perangkat lunak statistik multiguna yang bermanfaat untuk mengolah dan menganalisis data penelitian. SPSS menggunakan menu serta kotak dialog untuk memudahkan dalam memproses data. Sebagian besar perintah SPSS dapat dilakukan dengan mengarahkan dan mengklik mouse.



Setelah mempelajari BAB ini, anda akan mengetahui: -



1. Membuka atau mengaktifkan program SPSS



-



2. Bebagai jenis jendela yang ada di program SPSS (Data Editor, Output, dll)



-



3. Membuat Variabel (Name, Type, Lebar, Decimal, Label, Value, etc.)



-



4. Memasukkan (entry) data pada SPSS



-



5. Menyimpan (save) file SPSS



-



6. Membuka (open) File SPSS



-



7. Membuka file dari program pengolah data lainnya seperti dBASE



Pengolahan dan Analisa Data‐1,  



 



Hal: 4 dari 108 



Besral, FKM UI, 2012



Modul SPSS



1.1. MEMULAI SPSS Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall program SPSS for Windows. Sama seperti program Windows lainnya, untuk mengaktifkan SPSS dimulai dari menu Start 1. Klik Start Æ Program Æ SPSS for Windows Æ SPSS 10.0 for Windows. 2. Pada menu SPSS tertentu (versi 10.x) akan muncul jendela sebagai berikut:



3. Silakan klik (.) Type in data kemudian tekan Enter atau klik OK. 4. Layar akan terbuka “Untitled - SPSS Data Editor” seperti pada gambar berikut: Selanjutnya disebut sebagai Jendela Data Editor. Karena belum ada data, maka tampilannya masih kosong.



5. Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2) Variabel View.



Pengolahan dan Analisa Data‐1,  



 



Hal: 5 dari 108 



Besral, FKM UI, 2012



Modul SPSS



1.2. JENDELA SPSS Setelah mengaktifkan SPSS akan muncul 2 jendela yaitu “SPSS Data Editor “ dan “SPSS Output”.



1.2.1. JENDELA “SPSS DATA EDITOR” Jendela SPSS Data Editor (selanjutnya disebut jendela data) mempunyai 2 tampilan yaitu (1) Data View dan (2) Variabel View. Data view akan menampilkan database dalam bentuk angka, sedangkan Variabel view menampilkan keterangan tentang variabel yang mencakup: Nama Variabel, Type, Label, Values, dll.



1.2.1.A DATA VIEW



Apabila sudah ada data dalam format SPSS (BAYI.SAV), anda bisa membuka data tersebut kemudian bentuk tampilannya pada jendela data atau Data view adalah seperti gambar di atas. (Prosedur lengkap untuk membuka data BAYI.SAV dapat dilihat pada bagian 1.6).



Pengolahan dan Analisa Data‐1,  



 



Hal: 6 dari 108 



Besral, FKM UI, 2012



Modul SPSS



1.2.1.B. VARIABEL VIEW



Name atau nama variabel: Aturan pemberian nama variabel adalah 1) Wajib diawali dengan Huruf, dan 2) tidak boleh lebih dari 8 karakter, serta 3) tidak boleh ada spasi (spacebar). Misalnya, anda tidak bisa mengetik “Jenis Kelamin” atau “Je-kel” sebagai variabel, tetapi hanya bisa “Kelamin” saja. Type atau jenis data: Jenis data yang akan dientry kedalam SPSS dibedakan hanya 2 saja, yaitu 1) Angka atau Numerik (angka: misalnya “18” tahun ) dan 2) Huruf atau String (huruf: misalnya Amin, Laki-laki, Jalan Petasan) Label atau keterangan variabel: Karena nama variabel tidak boleh lebih dari 8 karakter, biasanya pemberian nama variabel menggunakan singkatan, supaya singkatan tersebut dapat dimengerti maka anda bisa memberi keterrangan atau penjelasan terhadap variabel tersebut di kolom label. Misalnya pada variabel “Kelamin” anda bisa memberi label “Jenis Kelamin Anak Balita”, variabel “Food_exp” bisa diberi label dengan “Food expenditure per month” atau “Pengeluaran keluarga untuk makanan satu bulan”. Values atau kode variabel: Jenis kelamin dapat anda masukkan dengan mengetik “Laki” atau “Perempuan”, tetapi hal ini tidak efisien (waktu dan tenaga hilang percuma). Sebaiknya anda beri kode 1=”Laki” dan 2=“Perempuan”, sehingga anda cukup memasukkan angka 1 atau 2. Supaya nantinya output SPSS yang muncul untuk Kelamin bukan angka 1 dan 2 tetapi yang muncul adalah Laki dan Perempuan, maka anda perlu mengisi Values.



Pengolahan dan Analisa Data‐1,  



 



Hal: 7 dari 108 



Besral, FKM UI, 2012



Modul SPSS



1.3. JENDELA “SPSS OUTPUT” Walaupun tidak muncul pada saat pertama kali menjalankan program SPSS, ada jendela lain yang terbuka tetapi belum aktif yaitu jendela Output SPSS Viewer. Jendela output viewer akan menampilkan hasil-hasil analysis statistik dan graphic yang anda buat. (Selanjutnya disebut Jendela Output). Sebagai contoh pada gambar berikut ditampilkan Jendela Output SPSS Viewer hasil analysis deskriptif distribusi frekuensi dari PEROKOK:



Output SPSS Viewer



1.4. MEMASUKKAN (ENTRY) DATA Apabila anda belum punya data SPSS (masih mulai dari awal untuk memasukkan data), maka jendela data yang muncul masih kosong. Untuk memulainya, anda dapat membuka jendela Variabel Vew terlebih dahulu dengan cara meng-klik-nya, selanjutnya mulailah membuat variabel yang dibutuhkan dengan cara mengetik nama variabel yang diinginkan. Setelah proses pembuatan varaibel selesai, selanjutnya buka jendela Data Vew dan masukkan datanya. Sebagai latihan gunakan contoh data berikut:



Pengolahan dan Analisa Data‐1,  



 



Hal: 8 dari 108 



Besral, FKM UI, 2012



Modul SPSS



Contoh data untuk latihan memasukkan/entry data No 1 2 3 4 5 6 7 8 9 10



Nama Amin Aminah Yoyo Yamin Yongki Yayang Yovi Yeny Yellow Yeti



Kelamin Laki Perempuan Lelaki Laki Laki Perempuan Perempuan Perempuan Perempuan Perempuan



Umur } 28 20 36 30 32 24 22 26 25 21



Æ Variabel/field



Æ Data/record/responden



1.4.1 PEMBERIAN NAMA, TYPE, & LABEL VARIABEL Untuk dapa memasukkan data di atas kedalam program SPSS, maka terlebih dahulu anda harus membuat mendefinisikan dan membuat VARIABEL atau FIELD pada jendela Data Editor Æ Variable View. Bukalah jendela Data Editor, kemudian klik Variabel View, kemudian ketik nama variabel sbb: a. variabel NOMOR: Pada kolom Name baris pertama, ketiklah “nomor“ kemudian tekan enter. Biarkan Type-nya Numerik karena pada variabel NOMOR data yang ingin dimasukkan adalah berbentuk angka. Kemudian kolom Label ketik kalimat berikut “Jenis Kelamin Responden”. b. variabel NAMA: Pada kolom Name baris kedua, ketiklah “nama” kemudian tekan enter. Type-nya ganti dengan String karena pada variabel NAMA data yang ingin dimasukkan adalah berbentuk huruf. Kemudian kolom label ketik kalimat berikut “Nama Responden”.



Pengolahan dan Analisa Data‐1,  



 



Hal: 9 dari 108 



Besral, FKM UI, 2012



Modul SPSS



Cara mengganti type dari Numerik menjadi String adalah dengan mengklik bagian akhir dari “Numerik”, sehingga muncul menu Variabel Type sebagai berikut:



Klik di sini, untuk merubah Type Variabel, seperti gambar dibawah ini



Gantilah Numerik dengan mengklik String, kemudian klik OK, hasilnya sbb:



Karena nama responden membutuhkan ruang yang cukup luas, misalnya anda ingin mengetik nama responden sampai 20 karakter, maka silakan ganti With dari 8 menjadi 20, dengan cara klik angka 8 tersebut dan ganti dengan mengetik angka 20.



1.4.2 PEMBERIAN KODE VALUE LABELS Penting untuk diingat pada data kategorik atau kualitatif (kelamin, pendidikan, pekerjaan, dll) data yang dimasukkan ke komputer (entry) biasanya untuk efisiensi maka data tersebut dirobah kedalam bentuk kode angka (1=laki, 2=Perempuan). Supaya pada saat analysis data tidak terjadi kebingungan, sebaiknya kode tersebut diberi label, dengan langkah sebagai berikut: c. variabel KELAMIN: Pada kolom name baris ketiga, ketiklah “Kelamin” kemudian tekan enter. Type-nya Pengolahan dan Analisa Data‐1,  



 



Hal: 10 dari 108 



Besral, FKM UI, 2012



Modul SPSS



biarkan numerik karena pada variabel KELAMIN data yang ingin dimasukkan adalah berbentuk angka 1 atau 2. Kemudian kolom label ketik “Jenis Kelamin Responden”. Untuk membuat value label bahwa kode 1 adalah “Laki-laki” dan kode 2 adalah “Perempuan”, maka klik kolom Values dan isi sebagai berikut: 1. Pada kotak Value isi dengan angka “1” 2. Pada kotak Value Label ketik “Laki Laki” 3. Kemudian klik Add. Sehingga muncul 1=”Laki-laki” pada kotak bawah.



Ulangi prosedur tersebut untuk kode 2=Perempuan, 1. Pada kotak Value isi dengan angka “2” 2. Pada kotak Value Label ketik “Perempuan” 3. Kemudian klik Add. Sehingga muncul 2=”Perempuan” pada kotak bawah. Setelah selesai klik OK.



d. variabel UMUR: Pada kolom Name baris keempat, ketiklah “umur” kemudian tekan enter. Type-nya biarkan numerik. Jika angka desimal tidak diperlukan, rubahlah Decimals pada kolom ke tiga, sehingga isinya menjadi angka 0 (nol).



1.4.3 MEMASUKKAN DATA Bukalah Data View dengan cara mengkliknya, Kemudian ketik data berikut, seperti data contoh latihan entry data di halaman 5:



Pengolahan dan Analisa Data‐1,  



 



Hal: 11 dari 108 



Besral, FKM UI, 2012



Modul SPSS



1.5. MENGEDIT DATA (DELETE & COPY) Editing data biasanya dilakukan untuk menghapus (delete), menggandakan (copy), atau memindahkan (remove) data atau sekelompok data.



1.5.1 MENGHAPUS (DELETE) DATA PADA SEL TERTENTU Misalnya, ada data yang salah ketik dan ingin dihapus atau diganti dengan data yang benar. Lakukan prosedur sbb: 1. Pilih sel atau data yang akan dihapus dengan meng-klik (bisa dipilih sekelompok data sekaligus dengan cara mem-blok angka dari 36 sampai dengan 24) 2. Tekan tombol Delete (pada keyboard) untuk menghapus data tersebut.



Pengolahan dan Analisa Data‐1,  



 



Hal: 12 dari 108 



Besral, FKM UI, 2012



Modul SPSS



1.5.2 MENGHAPUS (DELETE) DATA VARIABEL Misalnya, ada variabel yang salah ketik dan ingin dihapus atau diganti dengan variabel lainnya. Lakukan prosedur sbb: 1. Pilih variabel yang akan dihapus (mis. alamat) dengan cara meng-klik 2. Tekan tombol Delete (pada keyboard) untuk menghapus variabel tersebut.



1.5.3 MENGHAPUS (DELETE) DATA RECORD Misalnya, ada record yang salah ketik (diketik 2 kali) dan ingin dihapus atau diganti dengan variabel lainnya. Lakukan prosedur sbb: 1. Pilih record yang akan dihapus (mis. record nomor 3) dengan cara meng-klik 2. Tekan tombol Delete (pada keyboard) untuk menghapus variabel tersebut.



1.5.4 MENGGANDAKAN (COPY) DATA Prosedur penggandaan (copy) data pada SPSS mirip dengan prosedur meng-copy pada umumnya dalam perintah komputer. Sebagai berikut: 1. Dimulai dengan memilih data atau sel yang akan dicopy dengan cara meng-klik (pemilihan dapat dilakukan pada sekelompok data, variabel, atau record) Pengolahan dan Analisa Data‐1,  



 



Hal: 13 dari 108 



Besral, FKM UI, 2012



Modul SPSS



2. Kemudian pilih menu Edit Æ Copy (atau Ctrl + C, pada key board) 3. Kemudian letakkan kursor pada lokasi yang akan dicopykan 4. Kemudian pilih menu Edit Æ Paste (atau Ctrl + V, pada key board)



1.6. MENYIMPAN (SAVE) DATA Pilihlah (kemudian klik) gambar disket yang ada di kiri atas atau Pilih File Æ Save. Atau File Æ Save As..



Jika anda baru menyimpan untuk pertamakali, maka akan muncul menu seperti gambar di atas (menu Save As..). Menu ini hanya muncul pertama kali saja, selanjutnya tidak muncul lagi, kecuali dengan perintah Save As. Isi kotak File name dengan “Latihan 1” Pilihlah Save in untuk menentukan apakah anda akan menyimpan di Disket (Floppy: A) atau di Hardisk:C. Jika anda pilih hardisk, jangan lupa untuk menentukan lokasi Directory mana tempat penyimpanan tersebut. Klik save untuk menjalankan proses peyimpanan. Pengolahan dan Analisa Data‐1,  



 



Hal: 14 dari 108 



Besral, FKM UI, 2012



Modul SPSS



Selesai proses Saving, perhatikan di kiri atas “Untitled – SPSS Data Editor” sudah berubah menjadi “Latihan 1 – SPSS Data Editor”



1.7. MEMBUKA (OPEN) DATA SPSS Jika anda sudah mempunyai data dalam format SPSS yang disimpan di Disket atau di Hardisk, silakan buka dengan SPSS, sebagai berikut: 1. Pastikan anda berada di layar “SPSS Data Editor”, kemudian pilihlah menu File Æ Open



2. Pada File of type, pilihan standarnya adalah SPSS (*.sav), jika bukan ini yang muncul maka anda harus memilihnya terlebih dahulu 3. Pada Look in, pilihlah Drive yang sesuai (A:C:D) dan Directory tempat data tersimpan (mis. C:\Data\….) 4. Akan muncul daftar File yang ber-extensi.SAV, pilihlah file yang akan anda buka dengan mengklik file tersebut, kemudian klik Open



1.8. MEMBUKA (OPEN) DATA.DBF SPSS punya kemampuan untuk membuka data dari Format lain seperti Dbase, Lotus, Excell, Foxpro, dll. Misalnya anda punya data Tangerang.DBF yang disimpan di Disket atau di Hardisk, silakan buka dengan SPSS, sebagai berikut: 1. Pastikan anda berada di layar “SPSS Data Editor”, kemudian pilihlah menu File Æ Open



2. Pada File of type, pilihlah dBase (*.dbf). (Selain dBASE anda bisa memilih program pengolah kata lainnya yang sesuai dengan keinginan)



Pengolahan dan Analisa Data‐1,  



 



Hal: 15 dari 108 



Besral, FKM UI, 2012



Modul SPSS



3. Pada Look in, pilihlah Floppy:A, jika data anda ada di Disket



4. Secara otomatis akan muncul list file yang berekstensi DBF, klik file yang ingin dibuka, misalnya file Tangerang kemudian klik Open.



5. Maka data Tangerang.DBF akan muncul di “Untitled – SPSS Data Editor”. Laporan dari proses konversi data dari dBase tersebut akan dimunculkan di “Output – SPSS Viewer”dan Datanya sendiri akan muncul di Data View Pengolahan dan Analisa Data‐1,  



 



Hal: 16 dari 108 



Besral, FKM UI, 2012



Modul SPSS



6. Agar data tersebut tersimpan dalam bentuk file SPSS (*.SAV), maka anda harus menyimpannya dengan cara mengklik gambar disket di kiri atas atau pilih menu File Æ Save. Isi kotak File dengan nama yang anda inginkan, misalnya “DATA TNG” atau “TANGERANG”. Klik Save untuk menjalankan prosedur penyimpanan.



Setelah klik save, pastikan kiri atas layar monitor anda yang sebelumnya muncul “Untitled – SPSS Data Editor” telah berubah menjadi “TANGERANG – SPSS Data Editor”.



Pastikan anda menyimpan setiap saat data yang sudah diolah, agar jika sewaktu-waktu komputer mengalami kerusakan (mis. Listrik mati, komputer hang), maka anda tidak kehilangan data.



Pengolahan dan Analisa Data‐1,  



 



Hal: 17 dari 108 



Besral, FKM UI, 2012



2



Modul SPSS



Statistik Deskriptif Statistik deskriptif berupa frekuensi dan nil21ai pusat (central tendency). Frekuensi biasanya dimunculkan dalam bentuk proporsi atau persentase untuk data atau variabel kategorik. Sedangkan nilai pusat berupa nilai tengah dan nilai sebaran (mean, median, SD, SE, dll) untuk data atau variabel numerik. Statistik deskriptif ini juga akan dilengkapi dengan grafik histogram untuk data numerik.



Setelah mempelajari BAB ini, anda akan mengetahui: -



1. Buku Kode



-



2. Analisis Deskriptif Data Kategorik



-



3. Penyajian Data Kategorik



-



4. Analisis Deskriptif Data Numerik



-



5. Grafik Histogram



-



6. Uji Normalitas



-



7. Penyajian Data Numerik



Pengolahan dan Analisa Data‐1,  



 



Hal: 18 dari 108 



Besral, FKM UI, 2012



Modul SPSS



2.1. BUKU KODE Mulai Bab 2 kita akan membicarakan prosedur statistik deskriptif yang sering digunakan dalam melakukan analisis data. Untuk data latihan, kita akan menggunakan file BAYI95.SAV yang berisi variabel yang mempengaruhi berat bayi lahir. Agar kita bisa mengolah data tersebut, maka kita harus mengetahui keterangan dari variabel dan value-nya yang biasanya dimuat dalam buku kode. Buku kode untuk file tersebut adalah sbb: Variabel



Keterangan



ID



Nomor identifikasi responden



UMUR



Umur ibu (tahun)



BBIBU_1



Berat badan ibu (kg) sebelum hamil (Pre-)



BBIBU_2



Berat badan ibu (kg) sesudah melahirkan (Post-)



ROKOK



Kebiasan merokok dari ibu 0 = Tidak 1 = Ya



HT



Penyakit hipertensi pada ibu 0 = Tidak 1 = Ya



BBAYI



Berat bayi lahir (gram)



DIDIK



Pendidikan ibu 0 = Rendah 1 = Sedang 2 = Tinggi



BBLR



Status berat bayi lahir rendah 0 = Tidak 1 = Ya



Dalam melakukan analysis data, kita harus memahami terlebih dahulu konsep dari jenis data statistik yaitu data Numerik dan data Kategorik. Data numerik adalah data yang berbentuk angka (kombinasi dari 0,1,2…9), yang merupakan gambaran dari hasil mengukur atau menghitung. Sedangkan data kategorik merupakan data yang berbentuk pernyataan, kualitas, atau pengelompokan (misalnya: laki/perempuan, baik/buruk, setuju/tidak setuju, SD/SMP/SMU/PT, rendah/sedang/tinggi, dll). Analysis data numerik akan berbeda dengan analisis data kategorik, termasuk cara penyajian dan cara interpretasinya. Data numerik biasanya ditampilkan dalam bentuk nilai tengah dan nilai sebaran (misalnya nilai rata-rata dan standar deviasi). Sedangkan data kategorik ditampilkan dalam bentuk persentase atau proporsi.



2.2. ANALYSIS DESKRIPTIF DATA KATEGORIK Cara yang paling sering digunakan untuk menampilkan data katagorikal adalah Pengolahan dan Analisa Data‐1,  



 



Hal: 19 dari 108 



Besral, FKM UI, 2012



Modul SPSS



dengan menggunakan tabel distribusi frekuensi. Kita akan coba membuat tabel distribusi frekuensi pendidikan ibu dari file BAYI95.SAV. 1. 2.



Bukalah file BAYI95.SAV, sehingga data tampak di jendela Data Editor (prosedur untuk membuka file dapat dilihat pada bagian 1.7). Prosedur untuk menampilkan distribusi frekuensi adalah sebagai berikut: Dari menu utama, pilihlah: Analyze Descriptive Statistic < Frequencies… Pada layar tampak kotak dialog seperti gambar berikut:



3.



Pada kotak dialog tersebut, klik pada variabel DIDIK yang terdapat pada kotak sebelah kiri. Kemudian klik tanda >, sehingga kotak dialog menjadi seperti gambar berikut:



4.



Klik OK untuk menjalankan prosedur. Pada jendela output tampak hasil seperti berikut:



Pengolahan dan Analisa Data‐1,  



 



Hal: 20 dari 108 



Besral, FKM UI, 2012



Modul SPSS DIDIK



Valid



SD SMP SMA Total



Frequency 47 84 58 189



Percent 24.9 44.4 30.7 100.0



Cumulative Percent 24.9 69.3 100.0



Valid Percent 24.9 44.4 30.7 100.0



Pada kolom Frequency menunjukkan jumlah kasus dengan nilai yang sesuai. Jadi pada contoh di atas, ada 47 ibu yang berpendidikan SD dari 189 ibu yang ada. Proporsi dapat dilihat pada kolom Percent, pada contoh di atas, ada 24,9% ibu yang berpendidikan SD. Kolom Valid Percent menampilkan proporsi jika missing cases tidak diikutsertakan sebagai penyebut. Pada contoh di atas, kolom Percent dan Valid Percent memberikan hasil yang sama karena pada data ini tidak ada missing cases. Cumulative Percent menjelaskan tentang persen kumulatif, jadi pada contoh di atas, ada 69,3% ibu yang berpendidikan SD dan SMP (24.9% + 44.4%).



2.3. PENYAJIAN DATA KATEGORIK Penyajian data mempunyai prinsip efisiensi, artinya sajikan hanya informasi penting saja, jangan semua output komputer disajikan dalam laporan. Contoh penyajian data kategorik sbb: Tabel 1. TINGKAT PENDIDIKAN RESPONDEN Frequency



Percent



SD



47



24.9



SMP



84



44.4



SMA



58



30.7



Total



189



100.0



Contoh Interpretasi: “Distribusi frekuensi tingkat pendidikan responden dapat dilihat pada Tabel-1, terlihat bahwa sebagian besar responden adalah tamat SMP (44.4%), kemudian diikuti oleh tamat SMA sebanyak 30,7% dan sisanya hanya tamat SD (24,9%).”



LATIHAN ANALYSIS DATA KATEGORIK Latihan: 1. Buatlahlah tabel distribusi frekuensi untuk variabel HT, ROKOK, a. Sajikan b. Interpretasikan Pengolahan dan Analisa Data‐1,  



 



Hal: 21 dari 108 



Besral, FKM UI, 2012



Modul SPSS



2. Buatlah distribusi frekuensi dari variabel UMUR_KEL dan BBLR setelah Anda melakukan pengelompokkan ulang (lihat Bab 3: Transformasi Data untuk mengetahui prosedur pengelompokkan ulang), a. Sajikan b. Interpretasikan



Pengolahan dan Analisa Data‐1,  



 



Hal: 22 dari 108 



Besral, FKM UI, 2012



Modul SPSS



2.4. ANALYSIS DESKRIPTIF DATA NUMERIK Pada data numerik atau kontinyu, peringkasan data dapat dilakukan dengan melaporkan ukuran tengah dan sebarannya. Ukuran tengah yang dapat digunakan adalah rata-rata, median dan modus. Sedangkan ukuran sebaran yang dapat digunakan adalah nilai minimum, maksimum, range, standar deviasi dan persentil. Dari ukuranukuran tersebut, yang paling sering digunakan adalah rata-rata dan standar deviasi. Sebagai contoh, kita akan coba mencari ukuran tengah dan sebaran dari UMUR, BBIBU dan BBAYI. 1. Bukalah file BAYI95.SAV (jika file ini belum dibuka), sehingga data tampak di jendela Data Editor. (prosedur untuk membuka file dapat dilihat pada bagian 1.7). Perintah Descriptive.. 2.



Dari menu utama, pilihlah: Analyze Descriptive Statistic < Descriptive …



3.



Pada kotak dialog tersebut, klik pada variabel UMUR yang terdapat pada kotak sebelah kiri. Tekan Ctrl (jangan dilepas), Klik variabel BBIBU_1, dan klik variabel BBAYI, lepaskan Ctrl.. Dengan cara ini kita memilih 3 variabel sekaligus. Kemudian klik tanda 90 pil Tidak pernah



1 2 3 4 5 6



Siapa yang menolong ibu melahirkan pada kehamilan terakhir ? Tetangga/keluarga Dukun Kader Bidan Dokter Lain-lain



1 2 3 4 5 6 7 8



Di mana ibu melahirkan ? Rumah sendiri/orang tua Rumah paraji Puskesmas Praktek bidan swasta Pondok bersalin Rumah sakit Rumah bersalin Lain-lain



1 2



Apakah bayi ditimbang setelah lahir ? Ya Tidak



9.b



V09c



V09e



Modul SPSS



9.e



10



11



V12



12



V13



13



V14



14



V15



15



Kontinyu



1 2



Pengolahan dan Analisa Data‐1,  



Berat bayi lahir (gram) Apakah ibu memperoleh nasehat perawatan nifas ? Ya Tidak



 



Hal: 34 dari 108 



Besral, FKM UI, 2012



Modul SPSS



3.2. ANALISA DESKRIPTIF Setelah semua variabel dibuat LABEL dan VALUE, jawablah pertanyaan di bawah ini, dan sajikan dalam bentuk tabel yang sesuai dan tuliskan interpretasinya.



PERTANYAAN: 1. Bagaimana distribusi pendidikan ibu di Kabupaten tsb ? 2. Bagaimana distribusi pekerjaan ibu di Kabupaten tsb ? 3. Berapa persen ibu yang melakukan pemeriksaan kehamilan ? 4. Dari ibu yang melakukan pemeriksaan kehamilan, berapa kali rata-rata mereka memeriksakan kehamilannya ? 5. Dari ibu yang melakukan pemeriksaan kehamilan, berapa persen yang melakukan pemeriksaan kehamilan 4 kali atau lebih ? Buat variabel baru dg nama PERIKSA 6. Dari ibu yang melakukan pemeriksaan kehamilan, berapa persen yang dianjurkan oleh tenaga kesehatan (kader, bidan, puskesmas, dokter), berapa persen yang dianjurkan oleh non tenaga kesehatan (keluarga, tetangga, paraji, lain-lain) dan berapa persen karena keinginan sendiri ? Buat variabel baru dg nama ANJURAN 7. Dari ibu yang periksa hamil, berapa persen ibu yang periksa hamil 4 kali atau lebih dan kualitasnya baik (ditimbang, diimunisasi TT, diberi pil Fe, diperiksa tinggi fundus dan diperiksa tekanan darah) dan dapat pil Fe > 90 pil ?. Kombinasi variabel ini merupakan proksi dari kualitas K4. Buat variabel baru dg nama K4 8. Berapa persen ibu yang pada saat melahirkan ditolong oleh tenaga kesehatan (Bidan/dokter)? Buat variabel baru dg nama PENOLONG 9. Dari bayi yang ditimbang, berapa rata-rata berat badan bayi lahir dan berapa standar deviasinya? 10. Dari bayi yang ditimbang, berapa persen yang BBLR ? (BBLR = Berat lahir kurang dari 2500 gram) Buat variabel baru dg nama BBLR



Langkah-langkah untuk menjawab pertanyaan no. 1 s.d no. 5 dan 7 akan dipandu selangkah demi selangkah dalam uraian buku ini, sedangkan pertanyaan no.6, 8 s.d 10 harus anda kerjakan sendiri sebagai latihan.



Pengolahan dan Analisa Data‐1,  



 



Hal: 35 dari 108 



Besral, FKM UI, 2012



Modul SPSS



Jawaban Pertanyaan no. 1 sampai no. 3 Pertanyaan no. 1 s.d no. 3 berkaitan dengan jenis data kategorik, sehingga analysis data disesuaikan dengan prosedur analysis data kategorik (Lihat Bagian 2.1 untuk prosedur lengkapnya) yaitu sebagai berikut: 1. 2.



Bukalah file TANGERANG.SAV, sehingga data muncul di Data editor window. Dari menu utama, pilihlah: Analize < Descriptive Statistics < Frequencies…. Pilih variabel V02 V03 V04 dengan cara mengklik masing-masing variable tersebut, dan masukkan ke kotak Varible(s) di sebelah kanan dengan cara mengklik tanda < seperti berikut:



Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti berikut: Pendidikan Ibu



Valid



Tidak sekolah Tdk Tamat SD Tamat SD Tamat SMP Tamat SMU Tamat PT Total



Frequency 42 98 87 37 33 1 298



Percent 14.1 32.9 29.2 12.4 11.1 .3 100.0



Valid Percent 14.1 32.9 29.2 12.4 11.1 .3 100.0



Cumulative Percent 14.1 47.0 76.2 88.6 99.7 100.0



Pekerjaan Ibu



Valid



Tidak bekerja Buruh Pedagang Petani Jasa Pegawai swasta Pengawai negeri/ABRI Total



Pengolahan dan Analisa Data‐1,  



Frequency 274 3 11 1 1 5 3 298



 



Percent 91.9 1.0 3.7 .3 .3 1.7 1.0 100.0



Valid Percent 91.9 1.0 3.7 .3 .3 1.7 1.0 100.0



Cumulative Percent 91.9 93.0 96.6 97.0 97.3 99.0 100.0



Hal: 36 dari 108 



Besral, FKM UI, 2012



Modul SPSS



Jawaban Pertanyaan no. 4 Pertanyaan no. 4 berkaitan dengan jenis data numerik, sehingga analysis data disesuaikan dengan prosedur analysis data numerik (Lihat Bagian 2.4 untuk prosedur lengkapnya) yaitu sebagai berikut: 1. Dari menu utama, pilihlah: Analize < Descriptive Statistics < Explore …. 2. Pada kotak yang tersedia, pilih variabel V05 dengan cara mengklik variable tersebut, dan masukkan ke kotak Varible(s) di sebelah kanan dengan cara mengklik tanda < seperti berikut:



3.



Untuk menjalankan prosedur, klik OK sehingga outputnya sebagai berikut: Descriptives



Berapa Kali Periksa Kehamilan



Mean 95% Confidence Interval for Mean



Lower Bound Upper Bound



5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis



Statistic 6.49 5.67



Std. Error .42



7.31 5.79 5.00 48.149 6.94 1 81 80 5.00 7.727 76.446



.147 .293



Catatan: Untuk penyajian dan Interpretasi dapat dilihat Bab 2: Analysis Deskriptif. Nilai maksimum adalah 81, anda harus mempertanyakan apakah data ini benar atau tidak? Lakukan terlebih dahulu “Cleaning Data”.



Pengolahan dan Analisa Data‐1,  



 



Hal: 37 dari 108 



Besral, FKM UI, 2012



Modul SPSS



3.3. TRANSFORMASI DATA DG PERINTAH “RECODE” Jawaban Pertanyaan no. 5 Pada pertanyaan no. 5, anda harus membuat kategori baru dari variabel V05 menjadi variabel PERIKSA, dimana nilai 1--3 pada V05 menjadi kode=1 pada PERIKSA dan nilai 4--Max pada V05 menjadi kode=2 pada PERIKSA. Dapat ditulis ulang sebagai berikut: 1—3 Æ 1 = “Periksa kurang dari 4 kali” 4—max Æ 2 = “Periksa 4 kali atau lebih” 1. Dari menu utama, pilihlah: Transform < Recode < Into Different Variable…. 2. Pilih variabel V05 klik tanda < untuk memasukkannya ke kotak sebelah kanan 3. Isi Kotak Name dengan varibel baru PERIKSA 4. Klik Change, sehingga “V05 Æ …” berubah menjadi “V05 Æ PERIKSA” seperti berikut:



5. Klik OLD AND NEW VALUES…



.



6. Pada OLD Value, Pilih ( ) Range



through



dan isi 1 through 3



Kemudian pada NEW Value isi 1, selanjutnya klik ADD. Hasilnya dapat dilihat pada gambar berikut:



Pengolahan dan Analisa Data‐1,  



 



Hal: 38 dari 108 



Besral, FKM UI, 2012



Modul SPSS



7. Berikutnya, pada OLD Value, Pilih (.) Range



through highest dan isi kotak



4 through highest. Kemudian pada NEW Value isi 2, kemudian klik ADD



8. Klik Continue dan kemudian OK untuk menjalankan prosedur



Proses transformasi selesai, lihat pada jendela Data-View, kolom paling kanan



Pemberian LABEL dan VALUE.. 9. Beri Label PERIKSA Æ Jumlah Kunjungan Periksa Hamil 10. Beri Value PERIKSA kode 1 Æ “Kurang 4 kali” kode 2 Æ “4 kali atau lebih” 11. Tampilkan distribusi frekuensi untuk variabel PERIKSA sebagai berikut: Jumlah Kunjungan Periksa Hamil



Valid



Missing Total



Kurang dari 4 kali 4 kali atau lebih Total System



Frequency 76 199 275 23 298



Percent 25.5 66.8 92.3 7.7 100.0



Valid Percent 27.6 72.4 100.0



Cumulative Percent 27.6 100.0



“Dari semua yang periksa hamil (275), sebanyak 199 (72.4%) memeriksakan kehamilannya 4 kali atau lebih, ada 23 responden yang missing (artinya tidak pernah periksa hamil)”.



Catatan tambahan: Jika anda menginginkan data yang missing tersebut juga diberi kode= 1 (Periksa kurang dari 4 kali/tidak periksa hamil), maka setelah langkah nomor 7 tambahkan perintah berikut:



Pengolahan dan Analisa Data‐1,  



 



Hal: 39 dari 108 



Besral, FKM UI, 2012



Modul SPSS



12. Pada OLD Value, Pilih System missing, kemudian pada NEW Value isi 1, kemudian klik ADD, hasilnya sbb:



13. Klik Continue dan OK untuk menjalankan prosedur. 14. Keluarkan distribusi frekuensi dari variabel PERIKSA, hasilnya sbb: Jumlah Kunjungan Periksa Hamil



Valid



Kurang dari 4 kali 4 kali atau lebih Total



Frequency 99 199 298



Percent 33.2 66.8 100.0



Valid Percent 33.2 66.8 100.0



Cumulative Percent 33.2 100.0



Interpretasinya berbeda dengan output sebelumnya: “Dari semua reponden (298), sebanyak 199 (66.8%) memeriksakan kehamilannya 4 kali atau lebih” Catatan: Untuk penyajian dan Interpretasi lebih detail dapat dilihat Bab 2: Analysis Deskriptif.



Pengolahan dan Analisa Data‐1,  



 



Hal: 40 dari 108 



Besral, FKM UI, 2012



Modul SPSS



3.4. TRANSFORMASI DATA DG PERINTAH “COMPUTE” Pertanyaan no. 7 Dari ibu yang periksa hamil, berapa persen ibu yang periksa hamil 4 kali atau lebih dan kualitasnya baik (ditimbang, diimunisasi TT, diberi pil Fe, diperiksa tinggi fundus dan diperiksa tekanan darah) dan dapat pil Fe > 90 pil ?. Kombinasi variabel ini merupakan proksi dari kualitas K4. Buat variabel baru dg nama K4 Jawaban no.7 Untuk menjawab pertanyaan nomor 7 anda terlebih dahulu harus membuat variabel baru yang namanya K4. Jika V05 >= 4 dan (V09a=1 dan V09b=1 dan V09c=1 dan V09e=1) dan v10=4 maka K4 =1 (K4 berkualitas baik) selain itu K4 =0 (K4 tidak berkualitas tidak) 1. Dari menu utama, pilihlah: Transform < Compute < 2. Isi Target Variabel dengan K4 3. Isi Kotak Numeric Expression dengan persamaan berikut: V05 >= 4 and (V09a=1 and V09b=1 and V09c=1 and V09e=1) and v10=4 Pilih variabel yang sesuai di kotak kiri bawah, kemudian klik tanda > untuk memasukkannya ke kotak bagian kanan atas (Numeric Expression) (Jangan biasakan mengetik nama variabel, cukup pakai klik dan pilih tanda >, untuk mengurangi kesalahan akibat pengetikan) 4. Hasilnya Sebagai berikut:



Klik OK untuk menjalankan prosedur Kemudian keluarkan distribusi frekuensi dari K4 (Analysis deskriptif data kategorik), sehingga muncul hasil seperti berikut:



Pengolahan dan Analisa Data‐1,  



 



Hal: 41 dari 108 



Besral, FKM UI, 2012



Modul SPSS K4



Frequency Valid



Missing



Percent



Cumulative Percent



Valid Percent



.00



221



74.2



82.5



82.5



1.00



47



15.8



17.5



100.0



Total



268



89.9



100.0



30



10.1



298



100.0



System



Total



Buat Label untuk variabel K4=”Pemeriksakan kehamilan dengan kualitas baik”, Buat VALUE kode 0=”Kualitas K4 tidak baik” dan kode 1=”Kualitas K4 baik”, Keluarkan kembali tabel frekuensinya sbb: Ibu memeriksakan kehamilan dengan kualitas baik



Frequency Valid



Kualitas K4 tidak baik Kualitas K4 baik Total



Missing



System



Total



Percent



Valid Percent



Cumulative Percent



221



74.2



82.5



82.5



47



15.8



17.5



100.0



268



89.9



100.0



30



10.1



298



100.0



Contoh interpretasi: “Dari semua responden ibu hamil (298), sebanyak 47 (15.8%) memeriksakan kehamilan dengan kualitas K4 yang baik” Hati-hati dengan interpretasi lain yang berbeda: “Dari semua yang pernah periksa hamil (268), sebanyak 47 (17.5%) mendapatkan pemeriksaan kehamilan dengan kualitas K4 yang baik” Interpretasi mana yang akan dipilih harus disesuaikan dengan tujuan dan substansi yang ingin diukur oleh peneliti



Perintah Compute tersebut dapat juga diketik pada SPSS Syntax sbb: COMPUTE K4 = V05 >= 4 and V09a=1 and V09b=1 and V09c=1 and V09d=1 and V09e=1 and v10=4. FREQ K4. *Pemberian Variabel Label VAR LAB K4 “Ibu memeriksakan kehamilan K4 dengan kualitas baik”. *Pemberian Value Label VALUE LAB K4 1 “Kualitasw Baik” 0 “Kualitas Kurang”. Tabel Frekuensi: FREQ K4.



Pengolahan dan Analisa Data‐1,  



 



Hal: 42 dari 108 



Besral, FKM UI, 2012



Modul SPSS



3.5. TRANSFORMASI DATA DG PERINTAH “IF” Membuat variabel baru dengan kondisi, perintah “IF” Dalam pembuatan variabel baru seringkali dihasilkan dari kondisi beberapa variabel yang ada. Misalnya dalam file “TANGERANG.SAV” terdapat variabel “umur ibu” dan variabel “berat bayi”. Kemudian kita ingin membuat variabel baru yang berisi dua kelompok yaitu: risiko tinggi dan ririko rendah. Misalkan variabel tersebut diberi nama “Risk” dan untuk kelompok risiko rendah (kode 0) dan risiko tinggi (kode 1). Adapun kriteria risiko tinggi adalah bila ibu berumur di atas 30 tahun dan berat bayi kurang dari 2500 gram. Selain kondisi tersebut dikelompokkan ke dalam risiko rendah. Dari kasus ini berarti kita diharapkan membuat variabel baru dengan kondisi variabel umur_ibu dan berat bayi. Bagaimana cara membuat variabel “Risk” tersebut? Ada dua langkah untuk menyelesaikan kasus ini: Langkah pertama: = membuat variabel RISK yang isinya semuanya 0 (risiko rendah)= 1). Pilih “Transform” 2). Pilih “Compute” 3). Pada kotak “Target Variable”, ketiklah “risk” 4). Pada kotak “Numeric Expression”, ketiklah “0”



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



Pengolahan dan Analisa Data‐1,  



 



Hal: 43 dari 108 



Besral, FKM UI, 2012



Modul SPSS



Langkah kedua: =membuat kondisi risiko tinggi (kode 1) untuk umur_ibu >30 dan Berat_bayi 30 & berat_bayi < 2500



Pengolahan dan Analisa Data‐1,  



 



Hal: 44 dari 108 



Besral, FKM UI, 2012



Modul SPSS



13). Klik “Continue” 14). Klik “OK”, akan muncul pesan:



15). Klik “OK”, maka terbentuklah variabel “RISK” pada kolom paling kanan dengan isi 0 dan 1. Silakan buat Label untuk value 0=risiko rendah dan 1= risiko tinggi, kalau menemui data yang berisi umur diatas 30 tahun dan berat bayi dibawah 2500 gram, maka isi variabel RISK adalah 1, coba dicek !!!! Catatan : setiap kita melakukan perintah : Compute, Recode, atau IF sebaiknya di croscek, apakah hasilnya betul sesuai yang kita kehendaki



Pengolahan dan Analisa Data‐1,  



 



Hal: 45 dari 108 



Besral, FKM UI, 2012



Modul SPSS



3.6. MEMILIH SEBAGIAN DATA DG PERINTAH “SELECT” Dalam kondisi tertentu seringkali kita hanya menginginkan mengolah dan menganalisis hanya data dari kelompok tertentu saja. Misalkan kita punya data seluruh DKI, tapi kita hanya ingin mengetahui distribusi aktifitas pada ibu hamil yang tinggal di Jakarta Selatan. Di dalam data tentunya ada variabel yang menunjukkan wilayah tempat tinggal ibu hamil. Sebagai contoh kita ingin menganalisis data, hanya untuk ibu yang memeriksa kehamilan saja (V03=1),(dalam contoh ini kita masih menggunakan file data TANGERANG.SAV). caranya: 1). Pilih menu “Data” 2). Pih “Select Cases” 3). Klik pada tombol : If Conditin is satisfied



4). Klik “If “ 5). Ketiklh/sorot dan pindah pada kotak dan tuliskan kondisinya yaitu: Eksklu=0 Ket: ibu yang menyusui eksklusive kodenya=0



Pengolahan dan Analisa Data‐1,  



 



Hal: 46 dari 108 



Besral, FKM UI, 2012



Modul SPSS



6). Klik “Continue” 7). Perhatikan di bagian bawah pada kotak: Unselected cases are: filtered atau deleted. Pilihlah filtered artinya data yang tidak dianalisis hanya ditandai dengan pencoretan nomor kasus. Sedangkan untuk Deleted, artinya kasus yang tidak terpilih akan dihapus secara permanen. Biasanya cukup digunakan option: filtered. 8). Klik “OK” sehingga anda kembali ke data editor. Perhatikan pada data editor ada beberapa kasus yang tidak terpilih (dimatikan), yang ditandai dengan pencoretan nomor kasusnya. Nomor batang yang dicoret artinya dikeluarkan dari data, sedangkan yang tidak dicoret merupakan data yang aktif (ibu yang menyusui eksklusive)



Pengolahan dan Analisa Data‐1,  



 



Hal: 47 dari 108 



Besral, FKM UI, 2012



Modul SPSS



4 Merge File Data Merger atau menggabung beberapa file data menjadi satu file biasanya dilakukan pada survei besar, dimana proses entri data dilakukan oleh lebih dari satu orang pada saat yang bersamaan atau file entri data sengaja dipilah-pilah sesuai dengan topik penelitiannya agar lebih mudah dalam proses entri-nya. Sebelum datanya bisa dianalisa, maka file-file data yang terpisah itu harus digabungkan terlebih dahulu.



Setelah mempelajari BAB ini, anda akan mengetahui: -



1. Pengertian Merge



-



2. Merger dengan perintah “ADD VARIABEL”



-



3.Merger dengan perintah “ADD CASES”



-



4. Merger antara data INDIVIDU dengan data RUMAH TANGGA



Pengolahan dan Analisa Data‐1,  



 



Hal: 48 dari 108 



Besral, FKM UI, 2012



Modul SPSS



4.1. PENGERTIAN MERGE Merge merupakan suatu proses yang diperlukan untuk menggabung beberapa file data yang ingin dijadikan satu file data saja. Secara umum ada tiga jenis merger, yaitu 1) merger untuk menambah record/kasus/responden, 2) merger untuk menambah variabel, dan 3) merger untuk menggabungkan antara data individu dengan data rumah tangga. 1. MERGER dengan ADD CASES: Jenis merger ini biasanya dilakukan pada satu penelitian dengan jumlah variabel yang relatif sedikit tetapi jumlah record/kasus/responden relatif banyak dan pada saat melakukan ENTRY data biasanya dilakukan oleh lebih dari 1 orang supaya cepat selesai. Contoh: Penelitian survei cepat dengan topik yang sama (Antenatal Care) dilakukan di Cianjur (300 responden) dan Lebak (300 responden), proses ENTRY data dilakukan oleh 2 orang. Data tersebut dapat dianalysis terpisah satu persatu, namun peneliti ingin juga melakukan analysis gabungan. Sebelum dilakukan analisis gabungan, file tersebut harus dimerge terlebih dahulu. Pada merge jenis ini dilakukan penambahan record/kasus/responden (ADD CASES). Hasil gabungan 2 file tersebut akan didapatkan 600 responden, dengan jumlah “variabel” yang sama karena surveinya sama. 2. MERGER dengan ADD VARIABEL Jenis merger ini biasanya dilakukan pada satu penelitian dengan jumlah variabel yang relatif banyak, atau pada beberapa penelitian dengan topik yang berbeda dengan responden yang sama dan pada saat ENTRY data biasanya dilakukan oleh lebih dari 1 orang supaya cepat selesai. Atau ENTRY data antara satu topik dengan topik lainnya sengaja dipisah supaya databasenya tidak terlalu besar. Contoh: Penelitian Survei Sosial Ekonomi Nasional (Susenas) mempunyai banyak topik yang diteliti (ISPA, DIARE, MENYUSUI, KB, dll) pada responden/keluarga yang sama. Proses ENTRY data biasanya dilakukan per topik (satu topik satu file data) sehingga jika ingin mengolah data tersebut harus dilakukan merger terlebih dahulu. Pada merge jenis ini dilakukan penambahan variabel (ADD VARIABEL). Proses merge ini memerlukan variabel “ID” yang sama. Contoh lain: Survei cepat di Lebak (300 responden), proses ENTRY data dilakukan oleh 2 orang. Petugas ENTRY-1 melakukan pemasukan data untuk variabel V01 sampai 09 sedangkan Petugas ENTRY-2 melakukan pemasukan data untuk variabel V10 sampai 15. Sebelum dianalisis file tersebut harus digabung terlebih dahulu. Proses penggabungan memerlukan “ID” yang sama.



Pengolahan dan Analisa Data‐1,  



 



Hal: 49 dari 108 



Besral, FKM UI, 2012



Modul SPSS



4.2. MERGER dengan ADD VARIABEL Pada uraian berikut akan dijelaskan penggabungan file LEBAK-1.SAV (variabel id v01— v09) dengan LEBAK-2.SAV (variable id v10—v15). Persyaratan: 1. Harus ada variabel “ID” yang sama, artinya nomor identitas responden pada file-1 harus sama dengan nomor identitas responden pada file-2 2. Variabel “ID” atau nomor identitas tersebut tidak boleh ada nomor yang sama atau nomor kembar (double), artinya dalam satu file hanya boleh ada satu nomor identitas. Tidak boleh ada responden-A memiliki nomor ID “10012” tetapi responden-B juga memiliki nomor ID “10012”. Dalam contoh ini variabel “ID” yang dipakai adalah “RESP_ID”. - SORT DATA-1.SAV



1. 2.



Bukalah file LEBAK-1.SAV, sehingga data tampak di Data editor window. Lakukan SORT terhadap variabel “ID” (RESP_ID). Dari menu utama, pilihlah: Data
untuk memasukkannya ke kotak Dependent List.



Pengolahan dan Analisa Data‐1,  



 



Hal: 87 dari 108 



Besral, FKM UI, 2012



19.



Modul SPSS



Pilih Plots.., kemudian aktifkan Histogram dan Normality plots with tests. Kemudian klik Continue.



20.



Klik OK untuk menjalankan prosedur. Pada layar tampak hasil seperti berikut: Descriptives Berat bayi lahir



Mean 95% Confidence Interval for Mean



Lower Bound Upper Bound



5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis



Pengolahan dan Analisa Data‐1,  



Statistic 2944.66 2840.05 3049.26 2957.83 2977.00 531473.7 729.02 709 4990 4281 1069.00 -.210 -.081



 



Std. Error 53.03



.177 .352



Hal: 88 dari 108 



Besral, FKM UI, 2012



Modul SPSS Tests of Normality a



Berat bayi lahir



Kolmogorov-Smirnov Statistic df Sig. .043 189 .200*



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



Hasil uji test normalitas Dengan uji Kolmogorov-Smirnov, disimpulkan bahwa distribusi data berat bayi adalah normal (nilai-p = 0.200).



8.3.2. Uji Korelasi Setelah dilakukan uji normalitas, kita akan menguji apakah ada korelasi antara berat badan ibu sebelum hamil (bbibu_1) dengan berat badan bayi (bbayi) yang akan dilahirkannya kelak dengan prosedur sbb: 1.



Bukalah file BAYI95.SAV, sehingga data tampak di Data editor window.



2.



Dari menu utama, pilihlah: Analyze < Correlate < Bivariate… Seperti gambar berikut:



Pengolahan dan Analisa Data‐1,  



 



Hal: 89 dari 108 



Besral, FKM UI, 2012



Modul SPSS



11. Pilih variabel bbibu_1 dan bbayi, kemudian masukkan ke kotak Variables 12. Pada Correlation Coeficient, atifkan Pearson, kemudian OK, dan hasinya dapat dilihat sbb:



Correlations



Berat badan ibu (sebelum hamil) Berat bayi lahir



Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N



Berat badan ibu (sebelum Berat bayi hamil) lahir 1.000 .186* . .011 189 189 .186* 1.000 .011 . 189 189



*. Correlation is significant at the 0.05 level (2-tailed).



Hasil diatas memperlihatkan bahwa koefisien korelasi Pearson antara berat badan ibu sebelum hamil dengan berat bayi lahir adalah 0.186, korelasi itu bermakna secara statistik dengan nilai-p 0.011.



8.4. Aplikasi Regresi Linier (Sederhana) Setelah dilakukan uji korelasi, kita menyimpulkan korelasi tersebut bermakna secara statistik. Selanjutnya kita akan membuat persamaan garis lurus untuk menggambarkan secara lebih rinci korelasi antara bbibu dengan bbayi serta dapat digunakan untuk memprediksi berat bayi jika berat ibunya diketahui. Analisa statistik yang kita gunakan adalah regresi linier, dalam Pengolahan dan Analisa Data‐1,  



 



Hal: 90 dari 108 



Besral, FKM UI, 2012



Modul SPSS



hal ini regresi linier sederhana, dengan prosedur sbb: 1.



Bukalah file BAYI95.SAV, sehingga data tampak di Data editor window.



2.



Dari menu utama, pilihlah: Analyze < Regressions < Linier… Seperti gambar berikut:



13. Klik variabel bbibu_1, kemudian masukkan ke kotak Dependent 14. Klik variabel bbayi, kemudian masukkan ke kotak Independent(s)



15. Kemudian klik OK, dan hasilnya sbb:



Pengolahan dan Analisa Data‐1,  



 



Hal: 91 dari 108 



Besral, FKM UI, 2012



Modul SPSS Model Summary



Model 1



R .186a



R Square .034



Adjusted R Square .029



Std. Error of the Estimate 718.26



a. Predictors: (Constant), Berat badan ibu (sebelum hamil)



Nilai R yang ditampilkan merupakan nilai koefisien korelasi Pearson yang hasilnya sama dengan analisa Korelasi – Bivariat yang dikerjakan sebelumnya yaitu 0.186. R-square merupakan nilai r yang dikuadratkan, yang artinya besarnya variasi pada variabel bbayi yang dapat dijelaskan oleh variabel bbibu_1 (atau oleh persamaan garis regresi yang kita peroleh) adalah 3,4%. ANOVAb



Model 1



Regression Residual Total



Sum of Squares 3444549 96472503 99917053



df 1 187 188



Mean Square 3444549.214 515895.740



F 6.677



Sig. .011a



a. Predictors: (Constant), Berat badan ibu (sebelum hamil) b. Dependent Variable: Berat bayi lahir



Nilai signifikansi dari ANOVA yang ditampilkan merupakan gambaran apakah model persamaan garis yang kita peroleh sudah bermakna secara statistik. Dengan nilai-p 0.011 bila dibandingkan dengan alpha 0.05 kita simpulkan bahwa persamaan garis yang kita peroleh secara statistik memang bermakna.



Coefficientsa



Model 1



(Constant) Berat badan ibu (sebelum hamil)



Unstandardized Coefficients B Std. Error 2370.440 228.282 9.834



3.806



Standardi zed Coefficien ts Beta .186



t 10.384



Sig. .000



2.584



.011



a. Dependent Variable: Berat bayi lahir



Nilai koefisien B yang ditampilkan merupakan gambaran untuk membuat model persamaan garis y = a + bx. Nilai B untuk variabel Constant (atau a) adalah 2370.44 dengan nilai-p 0.000, sedangkan nilai B untuk variabel berat badan ibu (atau b) adalah 9.834 dengan nilai-p 0.011. Persamaan garis lurus yang kita dapat adalah: Pengolahan dan Analisa Data‐1,  



 



Hal: 92 dari 108 



Besral, FKM UI, 2012



Modul SPSS



Berat bayi lahir = 2370.44 + 9.834 (berat ibu)



8.5. Penyajian dan Interpretasi Korelasi & Regresi Linier Setelah dilakukan uji korelasi dan Regressi Linier, kita harus memilih nilai-nilai tertentu untuk disajikan dalam suatu laporan singkat yang dapat dimengerti dengan baik oleh pembacanya, sebagai berikut:



Tabel 1.



Analisis Korelasi dan Regresi Linier Berat Ibu sebelum hamil dengan Berat bayi lahir



Variabel



R



R2



1.Berat ibu



Persamaan garis



Nilai-p



Berat bayi lahir =



sebelum hamil



0.186



0.034



2370.44 + 9.834 (berat ibu)



0.011



2. ..



Hubungan antara berat ibu sebelum hamil dengan berat bayi lahir menunjukkan korelasi yang positif dengan kekuatan/keeratan hubungan yang rendah (R=0.186). Artinya semakin tinggi berat ibu sebelum hamil maka semakin tinggi berat bayi yang akan dilahirkannya, setiap kenaikan satu kilogram berat ibu akan dapat meningkatkan 9.384 gram berat bayi. Namun, variabel berat ibu hanya dapat menjelaskan 3,4% variasi pada variabel berat bayi atau variabel berat ibu kurang dapat menjelaskan variabel berat bayi. Walaupun hubungan ini bermakna secara statistik (nilai- 0.011).



8.6. Memprediksi nilai Y Dari persamaan garis regressi linier yang didapatkan, kita bisa memperkirakan atau memprediksi nilai y, bila nilai x kita ketahui. Misalnya, diketahui berat badan ibu sebelum hamil adalah 70 kg, maka perkiraan berat bayi yang akan dilahirkannya dapat dihitung sebagai berikut: Berat bayi lahir



= 2370.44 + 9.834 (berat ibu) = 2370.44 + 9.834 (70) = 2370.44 + 688.38 = 3058.82 gram



Pengolahan dan Analisa Data‐1,  



 



Hal: 93 dari 108 



Besral, FKM UI, 2012



9



Modul SPSS



UJI VALIDITAS & RELIABILITAS INSTRUMEN



Uji validitas dan reliabilitas instrumen merupakan suatu proses untuk menilai valid atau tidaknya kuesioner yang digunakan dalam suatu penelitian. Biasanya dipakai untuk menilai validitas dan reliabilitas kuesioner yang digunakan untuk mengukur sesuatu yang abstrak seperti pengetahuan, sikap, kepercayaan, kepuasan, kinerja, dll, yang membutuhkan variabel komposit. Uji validitas dan reliabilitas tersebut akan dibahas dengan contohcontoh aplikasinya dan dilengkapi dengan dengan cara penyajian dan interpretasinya.



Setelah mempelajari BAB ini, anda akan mengetahui: -



1. Pengertian validitas



-



2. Pengertian reliabilitas



-



3. Cara melakukan uji validitas dan reliabilitas



-



4. Cara menginterpretasikan hasil uji validitas dan reliabilitas



Pengolahan dan Analisa Data‐1,  



 



Hal: 94 dari 108 



Besral, FKM UI, 2012



Modul SPSS



9.1. Pendahuluan VALIDITAS Validitas berarti keakuratan yang biasanya merujuk pada keakuratan dari suatu pengukuran. Hasil penelitian hanya bisa dipercaya apabila datanya diukur dengan menggunakan alat ukur atau instrumen atau kuesioner yang valid dan reliabel. Validitas terdiri dari berbagai jenis, seperti 1) Validitas kontent atau isi dan 2) Validitas konstruksi/komponen.



Validitas kontent atau isi menggambarkan seberapa tepat hasil pengukuran dibandingkan dengan standar baku (gold standar) yang sudah ada. Validitas kontent dapat diuji apabila tersedia nilai baku emas (gold standar).



Contoh-1: Timbangan untuk mengukur berat (Digital, Pegas, Dacin, dll) yang sudah ditera oleh Badan Metrologi dengan membandingkannya dengan Gold Standar dijamin keakuratannya. Contoh-2: Timbangan Pegas untuk mengukur berat badan, setiap pemakaian 10 penimbangan atau 10 responden, wajib dicek atau distandarkan kembali titik nolnya untuk menjamin keakuratannya. Contoh-3:: Kuesioner berisi 10 pertanyaan untuk mengukur stress, harus direview oleh orang yang ahli di bidang stress (psikolog), agar terjamin keakuratannya.



Validitas konstruk/komponen menggambarkan seberapa akurat konstruksi/komponen variabel atau daftar pertanyaan yang ada, berkontribusi terhadap suatu konsep atau variabel latent atau variabel komposit yang ingin diukur. Misalnya, untuk mengukur ‘pengetahuan’ ada 10 pertanyaan, apakah ke 10 pertanyaan tadi betul-betul memiliki kontribusi? atau mungkin cukup hanya dengan 8 pertanyaan saja? Atau adakah pertanyaan yang tidak punya kontribusi sehingga tidak perlu ditanyakan?. Untuk mengetahui pertanyaan mana saja yang tidak memiliki kontribusi atau kontribusinya sedikit maka dilakukanlah uji validitas.



Validitas kontruksi sering dipakai untuk menguji instrumen yang dipakai untuk mengukur suatu konsep yang terdiri dari variabel komposit (yaitu variabel yang terdiri dari beberapa pertanyaan) seperti pengetahuan, sikap, kepercayaan, motivasi, kinerja, kepuasan, dll



Suatu pertanyaan atau variabel akan valid (dari sisi validitas kontruksi) apabila: Pengolahan dan Analisa Data‐1,  



 



Hal: 95 dari 108 



Besral, FKM UI, 2012



Modul SPSS



1. Jawabannya bervariasi dan tidak hanya satu jawaban saja atau 2. Kurva dari jawaban yang bervariasi tadi akan berbentuk berdistribusi Normal atau 3. Korelasi masing-masing pertanyaan dengan total-gabungan semua item variabel (interitem-total correlation) bermakna secara statistik. Yakni nilai R-hitung (Koefisien Korelasi Pearson) lebih besar dari nilai R-tabel sesuai derajat kebebasan (degree of freedom atau jumlah sampel dikurangi satu, n-1) dan signifikansi atau kemaknaan tertentu (5% atau 1%). Daftar nilai R koef. Korelasi sesuai df dan n-1 sebagai berikut:.



Pengolahan dan Analisa Data‐1,  



 



Hal: 96 dari 108 



Besral, FKM UI, 2012



Modul SPSS



RELIABILITAS Realibilitas adalah suatu ukuran yang menunjukkan sejauhmana suatu alat ukur menghasilkan pengukuran yang sama atau konsisten apabila pengukuran dilakukan berulang-ulang dengan alat ukur yang sama. Contohnya seseorang ingin mengukur jarak dari satu tempat ke tempat lain dengan menggunakan dua jenis alat ukur. Alat ukur pertama dengan meteran yang dibuat dari besi, sedangkan alat ukur kedua dengan menghitung langkah kaki. Pengukuran dengan meteran besi akan mendapatkan hasil yang sama kalau pengukurannya dilakukan berulang-ulang. Sebaliknya pengukuran yang dilakukan dengan langkah kaki, besar kemungkinan akan didapatkan hasil yang berbeda kalau pengukurannya diulang dua kali atau lebih. Dari ilustrasi ini berarti meteran besi lebih reliable dibandingkan langkah kaki untuk mengukur jarak.



Suatu kuesioner dikatakan reliabel jika jawaban terhadap kuesioner tersebut konsisten atau stabil dari satu responden ke responden lainnya atau pada satu responden yang ditanyakan pada hari yang berbeda tetap memberikan jawaban yang sama. Misalnya responden menjawab “tidak setuju” terhadap perilaku merokok, jika beberapa hari kemudian ditanyakan kembali untuk hal yang sama, maka seharusnya jawabannya konsisten dengan jawaban semula yaitu “tidak setuju”. Hal ini memungkinkan apabila pertanyaan yang diajukan jelas, mudah dipahami, dan tidak memiliki arti ganda.



Pengolahan dan Analisa Data‐1,  



 



Hal: 97 dari 108 



Besral, FKM UI, 2012



Modul SPSS



Pengukuran reliabilitas pada dasarnya dapat dilakukan dengan dua cara: a. Repeated Measure atau pengukuran berulang. Pertanyaan ditanyakan pada reponden berulang pada waktu yang berbeda (misal sebulan kemudian), dan kemudian dilihat apakah ia tetap konsisten dengan jawabannya b. One Shot atau diukur sekali saja tetapi pada responden yang berbeda-beda. Disini pengukurannya hanya sekali dan kemudian hasilnya dibandingkan dengan jawaban dari responden lain. Cara ini lebih banyak dipakai karena mudah dan tidak rumit dilakuan. Pengujian validitas dan reliabilitas dimulai dengan menguji validitas terlebih dahulu. Jika pertanyaan tidak valid, maka pertanyaan tersebut dibuang. Pertanyaan-pertanyaan yang sudah valid saja yang diukur reliabilitasnya.



9.2. Contoh pertanyaan yang valid dan tidak valid Contoh pertanyaan yang valid (Validitas kontruksi), ada variasi jawaban dan mendekati distribusi normal: 4



3.0



2.5



3



Frequency



Frequency



2.0



2



1.5



1.0



1



0.5



Mean = 2.60 Std. Dev. = 1.17379 N = 10



Mean = 2.50 Std. Dev. = 1.19523 N=8



0



0.0



0.00



1.00



2.00



3.00



4.00



5.00



0.00



1.00



Pengetahuan 1



2.00



3.00



4.00



5.00



s4



Contoh pertanyaan yang tidak valid (Validitas kontruk), jawaban tidak bervariasi dan jauh dari distribusi normal:: 14



12



Frequency



10



8



6



4



2



Mean = 3.70 Std. Dev. = 0.94868 N = 10



0 -1.00



0.00



1.00



2.00



3.00



4.00



5.00



6.00



p5



Pengolahan dan Analisa Data‐1,  



 



Hal: 98 dari 108 



Besral, FKM UI, 2012



Modul SPSS



9.3. Langkah-langkah uji validitas dan reliabilitas File: Uji Validitas Reliabilitas.SAV (Ada 20 responden dan 16 Variabel Kepuasan) Nilai R harus > R tabel 0.433 pada kemaknaan 5%, df = 19 (n-1).



Langkah-1: Perintah pada SPSS: 1. Analyze > Scale > Reliabilty > 2. Masukkan variabel semua variabel kepuasan yang akan diuji ke kotak kanan 3. Pilih statistic > aktifkan item, total, dan item if deleted 4. Continue > OK



1



3



4



2



Pengolahan dan Analisa Data‐1,  



 



Hal: 99 dari 108 



Besral, FKM UI, 2012 R E L I A B I L I T Y Item-total Statistics



VAR00001 VAR00002 VAR00003 VAR00004 VAR00005 VAR00006 VAR00007 VAR00008 VAR00009 VAR00010 VAR00011 VAR00012 VAR00013 VAR00014 VAR00015 VAR00016



Modul SPSS A N A L Y S I S



-



S C A L E



(A L P H A)



Scale Mean if Item Deleted



Scale Variance if Item Deleted



Corrected ItemTotal Correlation



Alpha if Item Deleted



62.5500 61.9500 61.9500 63.6500 61.8500 61.7000 62.0500 62.5500 62.7000 61.8000 62.3000 64.6000 62.1500 62.0500 63.6000 62.3000



232.5763 238.3658 237.1026 272.9763 234.1342 236.4316 237.6289 227.1026 235.3789 233.2211 226.7474 270.8842 234.2395 229.8395 277.5158 226.7474



.7651 .6855 .7755 .0000 .9170 .8596 .7787 .8670 .7465 .8208 .8869 .2774 .8613 .9225 -.6160 .8869



.9489 .9505 .9485 .9567 .9457 .9469 .9484 .9464 .9492 .9475 .9459 .9560 .9467 .9452 .9588 .9459



R E L I A B I L I T Y Reliability Coefficients N of Cases = 20.0 Alpha = .9525



A N A L Y S I S



-



S C A L E



Jika var04 di delete, maka Alpha cronbach akan meningkat dari 0,9525 menjadi 0.9567



(A L P H A)



N of Items = 16



Langkah-2: Delete variabel 04 karena tidak valid (R < 0,433) dan item-total correlation paling kecil. Perintah pada SPSS: 1. Analyze > Scale > Reliabilty > 2. Keluarkan variabel 04 dari kotak sebelah kanan 3. Continue > OK Item-total Statistics



VAR00001 VAR00002 VAR00003 VAR00005 VAR00006 VAR00007 VAR00008 VAR00009 VAR00010 VAR00011 VAR00012 VAR00013 VAR00014 VAR00015 VAR00016



Scale Mean if Item Deleted



Scale Variance if Item Deleted



Corrected ItemTotal Correlation



Alpha if Item Deleted



59.5500 58.9500 58.9500 58.8500 58.7000 59.0500 59.5500 59.7000 58.8000 59.3000 61.6000 59.1500 59.0500 60.6000 59.3000



232.5763 238.3658 237.1026 234.1342 236.4316 237.6289 227.1026 235.3789 233.2211 226.7474 270.8842 234.2395 229.8395 277.5158 226.7474



.7651 .6855 .7755 .9170 .8596 .7787 .8670 .7465 .8208 .8869 .2774 .8613 .9225 -.6160 .8869



.9537 .9554 .9533 .9505 .9517 .9533 .9513 .9540 .9523 .9508 .9609 .9515 .9501 .9637 .9508



R E L I A B I L I T Y Reliability Coefficients N of Cases = 20.0 Alpha = .9567



Pengolahan dan Analisa Data‐1,  



A N A L Y S I S



-



S C A L E



(A L P H A)



Setelah var04 di delete, maka Alpha cronbach berubah N of Items = 15 dari 0,9525 menjadi 0.9567  



Jika var15 di delete, maka Alpha cronbach akan meningkat dari 0,9557 menjadi 0.9637



Hal: 100 dari 108 



Besral, FKM UI, 2012



Modul SPSS



Langkah-3: Delete variabel 15 karena tidak valid (R < 0,433) dan item-total correlation paling kecil. Perintah pada SPSS: 1. Analyze > Scale > Reliabilty > 2. Keluarkan variabel 15 dari kotak sebelah kanan 3. Continue > OK Item-total Statistics



VAR00001 VAR00002 VAR00003 VAR00005 VAR00006 VAR00007 VAR00008 VAR00009 VAR00010 VAR00011 VAR00012 VAR00013 VAR00014 VAR00016



Scale Mean if Item Deleted



Scale Variance if Item Deleted



56.5000 55.9000 55.9000 55.8000 55.6500 56.0000 56.5000 56.6500 55.7500 56.2500 58.5500 56.1000 56.0000 56.2500



236.8947 242.5158 241.2526 238.2737 240.5553 241.8947 231.3158 239.6079 237.3553 230.9342 275.4184 238.4105 234.0000 230.9342



Corrected ItemTotal Correlation .7625 .6878 .7776 .9188 .8623 .7781 .8656 .7464 .8224 .8860 .2759 .8623 .9227 .8860



R E L I A B I L I T Y A N A L Y S I S S C A L E Reliability Coefficients N of Cases = 20.0 N of Items = 14 Alpha = .9637



Alpha if Item Deleted .9619 .9634 .9614 .9586 .9598 .9614 .9595 .9621 .9604 .9590 .9688 .9596 .9582 .9590 (A L P H A)



Setelah var15 di delete, maka Alpha cronbach berubah menjadi 0.9637



Langkah-4: Delete variabel 12 karena tidak valid (R < 0,433) dan item-total correlation paling kecil. Perintah pada SPSS: 1. Analyze > Scale > Reliabilty > 2. Keluarkan variabel 12 dari kotak sebelah kanan 3. Continue > OK Item-total Statistics



VAR00001 VAR00002 VAR00003 VAR00005 VAR00006 VAR00007 VAR00008 VAR00009



Scale Mean if Item Deleted



Scale Variance if Item Deleted



54.4500 53.8500 53.8500 53.7500 53.6000 53.9500 54.4500 54.6000



234.9974 240.5553 239.2921 236.3026 238.5684 239.9447 229.4184 237.7263



Pengolahan dan Analisa Data‐1,  



Corrected ItemTotal Correlation .7615 .6877 .7777 .9195 .8632 .7778 .8652 .7448  



Alpha if Item Deleted .9679 .9694 .9673 .9645 .9657 .9673 .9654 .9681 Hal: 101 dari 108 



Besral, FKM UI, 2012 VAR00010 53.7000 VAR00011 54.2000 VAR00013 54.0500 VAR00014 53.9500 VAR00016 54.2000 _ R E L I A B I L I T Y Reliability Coefficients N of Cases = 20.0 Alpha = .9688



Modul SPSS 235.3789 229.0105 236.4711 232.0500 229.0105 A N A L Y S I S



.8232 .8862 .8621 .9233 .8862



.9663 .9648 .9655 .9641 .9648



-



(A L P H A)



S C A L E



N of Items = 13 Semua pertanyaan sudah valid (R > 4.33)



9.4. Penyajian dan interpretasi hasil uji validitas dan reliabilitas Dari 16 variabel, ada 3 variabel yang tidak valid, dan hanya ada 13 variabel yang valid. Ke 13 variabel tersebut valid untuk mengukur kepuasan pelayanan keperawatan dengan itemtotal koefisien korelasi berkisar antara 0.6877 sampai 0.9233. Ke 13 variabel tersebut juga reliabel dalam mengukur kepuasan pelayanan keperawatan dengan Cronbach Alpha 0.9688



VAR00001 VAR00002 VAR00003 VAR00005 VAR00006 VAR00007 VAR00008 VAR00009 VAR00010 VAR00011 VAR00013 VAR00014 VAR00016



Scale Mean if Item Deleted



Scale Variance if Item Deleted



54.4500 53.8500 53.8500 53.7500 53.6000 53.9500 54.4500 54.6000 53.7000 54.2000 54.0500 53.9500 54.2000



234.9974 240.5553 239.2921 236.3026 238.5684 239.9447 229.4184 237.7263 235.3789 229.0105 236.4711 232.0500 229.0105



Pengolahan dan Analisa Data‐1,  



Corrected ItemTotal Correlation .7615 .6877 .7777 .9195 .8632 .7778 .8652 .7448 .8232 .8862 .8621 .9233 .8862



 



Alpha if Item Deleted .9679 .9694 .9673 .9645 .9657 .9673 .9654 .9681 .9663 .9648 .9655 .9641 .9648



Hal: 102 dari 108 



Besral, FKM UI, 2012



Modul SPSS



9.5. Latihan uji validitas dan reliabilitas Dari kuesioner dan data terlampir, lakukan uji validitas dan reliabilitas, serta tulis apa simpulan/ saran anda. KUISIONER : KINERJA PERAWAT DALAM DOKUMENTASI PENERAPAN STANDAR ASUHAN KEPERAWATAN FORMAT A :



Disi oleh perawat



Petunjuk pengisian: 1. Berilah tanda cek (√) pada kolom pilihan jawaban yang tersedia disebelah pernyataan sesuai dengan yang saudara lakukan, dengan pilihan jawaban S = Selalu TS = Tidak Selalu KK = Kadang-Kadang TP = Tidak Pernah 2. Mohon agar saudara dapat memberikan jawaban dengan sejujur-jujurnya dan seterus terang mungkin serta menelaah makna setiap pernyataan dengan baik. Hasil dari kuisioner ini tidak akan ada artinya sama sekali apabila saudara memberikan jawaban bukan gambaran yang sebenarnya tentang kinerja saudara dalam melakukan pendokumentasian asuhan keperawatan.



No



PERNYATAAN



1 2 3 4



Saat mencatat data yang dikaji saya lakukan sesuai dengan pedoman pengkajian. Setelah saya melakukan pengkajian, data kelompokkan (bio-psiko-sosial-spritual). Saat saya melakukan pengkajian, data dikaji sejak pasien masuk sampai pulang. Masalah yang saya rumuskan berdasarkan kesenjangan antara status kesehatan dengan norma dan pola fungsi kehidupan. Saya membuat diagnosa keperawatan berdasarkan masalah yang telah dirumuskan. Diagnosa keperawatan yang saya rumuskan mencerminkan PE (Problem Etiologi)/PES (Problem Etiologi Symtom) Saat saya merumuskan diagnosa keperawatan meliputi diagnosa aktual/potensial Rencana tindakan yang saya buat berdasarkan diagnosa keperawatan Rencana tindakan yang saya susun menurut urutan prioritas Rumusan tujuan yang saya buat mengandung komponen pasien, perubahan perilaku, kondisi pasien dan atau kriteria Rencana tindakan yang saya buat mengaju pada tujuan dengan kalimat perintah, terinci dan jelas Rencana tindakan yang saya buat menggambarkan keterlibatan pasien/keluarga. Rencana tindakan yang saya buat menggambarkan kerjasama dengan tim kesehatan lain Dalam melaksanakan tindakan keperawatan saya lakukan mengacu pada rencana keperawatan Saya mengobservasi respon pasien terhadap tindakan keperawatan dan mendokumentasikannya. Revisi tindakan yang saya buat berdasarkan hasil evaluasi. Semua tindakan yang telah saya laksanakan dicatat ringkas dan jelas. Evaluasi yang saya lakukan mengaju pada tujuan. Hasil evaluasi saya catat Dalam membuat catatan asuhan keperawatan saya menulis pada format yang sudah baku Pencatatan yang saya tulis dilakukan sesuai dengan tindakan yang dilaksanakan Pencatatan saya tulis dengan jelas, ringkas, istilah yang baku dan benar Setiap melakukan tindakan/kegiatan, saya mencantumkan paraf/nama jelas, dan tanggal, jam dilakukannya tindakan. Berkas catatan keperawatan saya simpan sesuai dengan ketentuan yang berlaku



5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24



Pengolahan dan Analisa Data‐1,  



 



S



TS



Hal: 103 dari 108 



KK



TP



Besral, FKM UI, 2012



Modul SPSS



Database: KINERJA_BERDASAR_RESPONDEN.SAV



DATA No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20



knr1 2 2 2 2 4 4 3 3 4 2 3 3 3 3 3 4 4 2 3 3



knr2 4 4 1 1 3 3 3 3 4 1 2 2 2 3 4 4 1 1 1 3



knr3 2 3 3 3 4 4 2 4 4 4 4 4 3 3 3 4 4 3 3 4



knr4 2 3 4 4 4 4 2 3 4 3 3 3 3 3 3 4 4 3 4 4



knr5 2 2 1 1 4 4 1 4 4 1 4 4 4 4 4 4 4 3 4 4



knr6 2 2 2 2 4 4 1 3 4 1 4 4 4 4 4 4 4 3 4 4



knr7 2 2 3 3 4 4 1 4 4 1 4 4 4 4 4 4 4 3 4 4



knr8 2 2 4 4 4 4 3 4 4 2 3 3 4 4 4 4 4 3 3 4



knr9 2 2 4 4 4 4 4 4 4 2 3 3 3 3 3 3 3 3 3 3



knr10 2 2 4 4 4 4 4 4 4 4 4 4 3 3 3 4 4 3 3 3



knr11 2 2 4 4 4 4 4 4 4 2 4 4 3 3 3 4 4 3 3 3



knr12 2 2 2 2 4 4 4 3 3 3 3 3 3 3 3 4 4 3 3 4



No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20



knr13 2 2 3 3 4 4 4 2 3 3 4 4 3 3 3 4 4 3 3 4



knr14 3 2 3 3 4 4 4 2 3 3 4 4 3 3 3 4 4 3 3 4



knr15 2 2 3 3 4 4 4 2 3 3 4 4 2 3 3 4 4 3 3 4



knr16 2 2 3 4 4 4 4 4 4 4 3 3 3 3 3 4 4 3 3 2



knr17 3 2 3 3 4 4 4 2 3 3 4 4 3 3 3 4 4 3 4 4



knr18 2 2 3 3 4 4 4 2 3 3 4 4 3 3 3 4 4 3 2 3



knr19 3 2 3 3 4 4 4 2 3 3 4 4 3 3 3 4 4 3 4 3



knr20 3 3 3 3 3 4 4 2 3 3 4 4 3 3 3 4 4 3 4 4



knr21 2 2 3 3 4 4 4 2 3 3 4 4 2 3 3 4 4 3 3 2



knr22 4 3 4 4 4 4 4 3 4 4 2 2 4 4 4 4 4 3 2 4



knr23 3 4 4 4 4 4 4 4 4 4 4 3 2 2 2 4 4 3 3 4



knr24 4 4 4 4 4 4 4 4 4 4 3 3 4 4 4 4 4 3 3 4



Pengolahan dan Analisa Data‐1,  



 



Hal: 104 dari 108 



Besral, FKM UI, 2012



Modul SPSS



HASIL ***************KINERJA DINILAI RESP R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)



Item-total Statistics Scale Mean if Item Deleted KNR1 KNR2 KNR3 KNR4 KNR5 KNR6 KNR7 KNR8 KNR9 KNR10 KNR11 KNR12 KNR13 KNR14 KNR15 KNR16 KNR17 KNR18 KNR19 KNR20 KNR21 KNR22 KNR23 KNR24



Scale Corrected Variance ItemAlpha if Item Total if Item Deleted Correlation Deleted



75.7500 76.2000 75.3000 75.3500 75.5500 75.5000 75.3500 75.2500 75.5000 75.2000 75.3000 75.6000 75.4500 75.4000 75.5000 75.4000 75.3500 75.5500 75.4000 75.3500 75.6000 75.1500 75.2000 74.9000



Reliability Coefficients N of Cases = 20.0 Alpha = .9126



107.0395 120.4842 112.6421 113.5026 106.6816 106.8947 108.3447 110.8289 113.6316 111.9579 109.3789 109.4105 108.7868 110.7789 108.3684 113.3053 111.1868 109.1026 111.8316 114.8711 109.7263 120.0289 117.6421 121.4632



.8829 -.0161 .5800 .5269 .5037 .5851 .5569 .6306 .4967 .6215 .7316 .7693 .8154 .7429 .7836 .4899 .6961 .7597 .6636 .4981 .6745 .0528 .1977 -.0163



.9023 .9256 .9083 .9093 .9119 .9084 .9089 .9072 .9097 .9076 .9053 .9048 .9040 .9057 .9041 .9098 .9064 .9048 .9070 .9099 .9062 .9178 .9152 .9158



N of Items = 24



HASIL UJI VALIDITAS DAN RELIABILITAS Variabel yang Item-total correlation kurang dari 0.433 (alpha 5%, df = 19 (n-1), tidak valid, yaitu : KNR2, KNR22, KNR23, KNR24 Kuesioner yang tidak valid, boleh saja tetap dipakai atau tidak dibuang, tetapi diperbaiki saja redaksionalnya, sehingga tidak ada makna ganda, artinya jelas dan mudah dipahami. Contoh saran untuk perbaikannya sebagai berikut: No 2



Pertanyaan Setelah saya melakukan pengkajian, data kelompokkan (bio-psiko-sosial-spritual).



Pengolahan dan Analisa Data‐1,  



 



KOMENTAR/SARAN PERBAIKAN Maksud pertanyaan tidak jelas, Kues harus di Perbaiki, atau dikeluarkan



Hal: 105 dari 108 



Besral, FKM UI, 2012



Modul SPSS



22



Pencatatan saya tulis dengan jelas, ringkas, istilah yang baku dan benar



23



Setiap melakukan tindakan/kegiatan, saya mencantumkan paraf/nama jelas, dan tanggal, jam dilakukannya tindakan.



24



Berkas catatan keperawatan saya simpan sesuai dengan ketentuan yang berlaku



Pengolahan dan Analisa Data‐1,  



 



Jangan menggabung beberapa topik jadi satu, pisahkan menjadi 3 pertanyaan (satu pertanyaan untuk satu topik): 1. Saya tulis dengan jelas 2. Saya tulis dengan ringkas 3. Saya tulis dengan istilah baku (bhs indonesia /bhs medis ?)



--- idem – Pisahkan jadi 3 pertanyaan: 1. nama jelas 2. paraf 3. tgl & jam tindakan .. ketentuan yang berlaku? Maknanya sangat luas sehingga setiap orang punya persepsi berbeda2, harus perjelas maksudnya.



Hal: 106 dari 108 



Besral, FKM UI, 2012



Modul SPSS



Daftar Pustaka 1. Daniel W. Biostatistics: A Foundation For Analysis in The Health Sciences. Fourth Edition, John Wiley & Sons, New York 1987 2. Hildebrand David K, R. Lyman Ott. Basic Statistical Ideas for Manager. Duxbury Press, Belmont, California, 1996 3. Kleinbaum DG dan Klein M. Logistic Regression: A Self Learning Text. 3rd ed. Springer 2010. 4. Kleimbaum K dan Muller. Applied Regression Analysis and Other Multivariable Method. Second edition, PWS Kent Pub & Co. 1988 5. Kusma, JW. Basic Statistics for the Health Sciences. California: Mayfield Publishing Company, 1984 6. Pallant J. SPSS Survival Manual: a step by step guide to data analysisng using SPSS. 2nd edn. Sydney: Ligare, 2005 7. Pagano M dan Gauvreau K. Principles of Biostatistics. Belmont: Duxbury Press, 1993. 8. SPSS Inc. SPSS Base 14.0 Applications Guide. SPSS, 2005 9. Vijay Gupta. Regression Explain in Simple Term. A Vijay Gupta Publication. 2000



Pengolahan dan Analisa Data‐1,  



 



Hal: 107 dari 108