A. Judul Praktikum
Mempresentasikan data secara deskreptif
B. Tugas yang disampaikan
1. Berdasarkan data yang telah disediakan hutunglah incident dan prevalensi per 100.000
penduduk dari tiap Kecamatan di Kabupaten Bantul
2. Diskripsikan prevalensi penderita TB paru dengan menggunakan diagram
C. Data Dasar
Jumlah penduduk
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Kecamatan
srandakan
sanden
kretek
pundong
bambanglipuro
pandak
bantul
jetis
imogiri
dlingo
pleret
piyungan
banguntapan
sewon
kasihan
pajangan
sedayu
Kasus
Baru
L+P
L+P
28582
29636
29135
31603
37311
47674
59234
51927
56151
35542
43185
48646
120123
104168
110427
32810
44418
6
8
10
11
17
7
25
12
21
3
16
20
41
36
31
10
11
Kecamatan
L+P
Kasus
Lama
L+P
kasus
Baru+Lama
L+P
1
srandakan
28582
sanden
29636
kretek
29135
10
pundong
bambanglipur
o
31603
11
37311
17
pandak
47674
bantul
59234
25
jetis
51927
12
imogiri
dlingo
56151
35542
21
3
0
0
pleret
43185
16
piyungan
48646
20
banguntapan
120123
41
sewon
104168
36
kasihan
pajangan
110427
32810
31
10
3
0
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Data Olahan
IR
PR
20,99 24,49
7
2
1
26,99 30,36
9
4
8
34,32 41,18
12
3
8
34,80 34,80
11
7
7
45,56 48,24
18
3
3
14,68 14,68
7
3
3
42,20 52,33
31
5
5
23,10 25,03
13
9
5
37,39 37,39
21
9
9
3 8,441 8,441
37,05 43,99
19
0
7
41,11 43,16
21
3
9
34,13 35,79
43
2
7
34,56 36,48
38
0
0
28,07 30,79
34
3
0
10 30,47 30,47
17
sedayu
44418
11
0
11
Gambar. Data Olahan dari Microsoft Exel
9
24,76
5
9
24,76
5
20,000
10,000
0
Dari rumus di atas, telah dengan sangat menunjukkan bahwa data yang terkait yaitu
data kasus baru dan lama. Nilai Prevalensi Rate adalah nilai rate yang menunjukkan data
kasus baru dan lamadi wilayah tertentu yang dikombinasikan dengan jumlah penduduk di
wilayah tersebut.
Berdasarkan kedua diagram Prevalensi Rate Kasus TB Paru Kabupaten Bantul Tahun
2012 didapatkan gambaran bahwa PR tertinggi terdapat pada kecamatan Bantul disusul
kecamatan Bambanglipuro, Pleret, kemudian Piyungan.
Kecamatan Baantul memiliki nilai PR yang tinggi yaitu 45,563 dengan jumlah kasus
baru sevesar 17 orang dan jumlah penduduk sebesar 37311 orang di wilayah tersebut. Angka
ini menjadi besar karena perbandingan antara kasus baru yang tinggi dengan jumlah
penduduk yang tidak terlalu banyak juga dibandingkan dengan kecamatan yang lain. Angka
ini menunjukkan bahwa ratio terjadi kasus dengan kombinasi jumlah penduduk yang besar.
Ini menunjukkan bahwa adanya kasus baru yang meluas.
Dari diagram ini kita dapat melihat tren kenaikan kasus baru yang dikombinasikan
dengan jumlah penduduk pada wilayah tersebut dengan mudah secara visual tanpa harus
melihat angka karena gambarnyapun sudah jelas mana batang yang lebih tinggi itulah yang
nilainya paling tinggi.
4. Diagram Insidensi Rate dengan Prevalensi Rate
Berdasarkan data di atas praktikan mengolah data di atas menjadi tampilan data
diagram, hasil dari olah data tersebut sebagai berikut:
Insidensi Rate dan Prevalensi Rate Kasus TB di Kabupaten Bantul Tahun 2012
60,000
50,000
40,000
30,000
IR dan PR 20,000
10,000
0
Berdasarkan kedua diagram Insidensi dan Prevalensi Rate Kasus TB Paru Kabupaten
Bantul Tahun 2012 didapatkan gambaran pada kecamatan Imogiri dengan gambar IR dan PR
sama-sama tinggi, setelah dilihat pada data dasar ternyata tidak ditemukan kasus lama. Pada
kecamatan Bantul terdapat nilai PR yang jauh lebih tinggi dikarenakan terdapat jumlah kasus
lama yang tinggi pula. Ini menunjikkan bahwa terdapat tren jumlah kasus baru yang
meningkat disertai jumlah kasus lama yang belum tertangani.
Di dalam hasil praktikum di atas tidak didapatkan nilai PR melebihi nilai IR, apabila
nilai PR ini melebihi nilai IR maka didapatkan kesimpulan bahwa jumlah kasus baru tidak
bertambah sehingga didapatkan kesimpulan bahwa upaya preventif untuk mengurangi
kejadian telah berhasil dan tugas selanjutnya adalah mengentaskan kasus lama.
Dari diagram ini kita dapat melihat tren kenaikan kasus baru dan tren kenaikan kasus
lama yang dikombinasikan dengan jumlah penduduk pada wilayah tersebut dengan mudah
secara visual tanpa harus melihat angka. Dari grafik ini kita mampu melihat grafik mana yang
memiliki kesenjangan yang luas antara PR dan IR kemudian baru kita melihat data dasarnya
sehingga kita tidak perlu menganalisis satu persatu data kemudian membandingkan.
5. Perbandingan Tampilan dan Pengolahan Data Antara SPSS dengan Microsft Exel
Dari hasil pengerjaan praktikum ini, didapatkan kesimpulan bahwa dalam pengolahan
data yang paling memudahkan adalah SPSS tanpa harus mengurus satu demi satu data dan
tanpa menggunakan banyak kode SPSS mampu dengan mudah mengelompokkan dan
mentransform data data yang telah ada menjadi data baru sebagai efek dari perhitungan.
Sedangkan Microsoft exel membutuhkan keahlian khusus untuk mengelompokkan dan
mentransform data-data dengan rumus-rumus tertentu dan kode-kode tertentu.
Kemudahan membuat diagram lagi-lagi yang paling memudahkan dibuat adalah
SPSS tanpa harus membenahi data mengelompokkan data, SPSS sudah mampu mengolah
dengan cepat data table menjadi data diagram. Akan tetapi Microsoft Exel pun juga tidak sulit
hanya saja kita harus mengelompokkan data terlebih dahulu secara manual, apabila ingin
tidak secara manual lagi-lagi membutuhkan keahlian khusus untuk memasukkan kode-kode
dan rumus-rumus tertentu.
Tampilan Diagram, paling indah, paling mudah untuk di perindah, dan tampilan yang
mudah dibaca adalah dari Microsoft Exel karena di dalam Microsoft Exel terdapat banyak
variasi pilihan untuk menyajikan data dalam bentuk diagram. Kita dapat mengedit tampilan
diagram menjadi lebih indah dengan memainkan bentuk-bentuk serta warnanya. Sedangkan di
SPSS kita tidak mampu membuatnya lebih indah sesuai keinginan kita karena output
digramnya sudah ditentukan dan kita tidak dapat mengedit bentuk tampilan baik secara
bentuk maupun warnanya.
E. Kesimpulan
Berdasarkan praktikum yang telah dilakukan didapatkan kesimpulan bahwa:
1. Nilai IR yang tinggi menunjukkan adanya tren peningkatan kasus baru di wilayah tersebut
2. Nilai PR yang tinggi menunkukkan adanya tren peningkatan kasus baru atau adanya kasus
lama yang belum tertangani
3. Nilai IR lebih tinggi dari nilai PR menunjukkan bahwa adanya peningkatan kasus baru yang
melebihi jumlah kasus lama
4. Nilai PR lebih tinggi dari nilai IR menunjukkan bahwa adanya penurunan atau staknya jumlah
kasus baru yang menunjukkan adanya dampak positive terhadap upaya preventif yang telah
dilakukan dan upaya yang perlu dilakukan berikutnya adalalah mengentaskan kasus lama.
5. Kemudahan mengolah data didapatkan dari software SPSS daripada Microsoft Exel
6. Kemudahan menampilkan data dalam bentuk diagram lebih mudah pada SPSS akan tetapi
lebih indah, lebih mudah diperindah, dan bisa diedit dengan Microsoft Exel
PRAKTIKUM II
Umu
r
Jenis
Kelamin
Pekerjaan
Hipertens
i
Hiperglikemi
Statu
s PJK
Rasio
Pinggang
Panggul
35
laki-laki
swasta
tidak
tidak
ya
berisiko
35
laki-laki
swasta
tidak
tidak
tidak
tdkberisik
o
54
laki-laki
swasta
ya
ya
ya
berisiko
54
laki-laki
negeri
tidak
tidak
tidak
berisiko
35
laki-laki
negeri
tidak
tidak
ya
berisiko
35
laki-laki
swasta
tidak
tidak
tidak
tdkberisik
o
51
perempuan
swasta
tidak
ya
ya
berisiko
51
perempuan
swasta
ya
ya
tidak
75
laki-laki
swasta
ya
tidak
ya
berisiko
berisiko
tdkberisik
o
tdkberisik
o
tdkberisik
o
10
75
laki-laki
swasta
tidak
tidak
tidak
11
50
perempuan
swasta
ya
ya
ya
12
50
perempuan
swasta
tidak
tidak
tidak
13
68
perempuan
swasta
ya
tidak
ya
berisiko
14
68
perempuan
swasta
ya
tidak
tidak
tdkberisik
o
15
71
perempuan
negeri
ya
ya
ya
berisiko
tdkberisik
o
16
71
laki-laki
swasta
tidak
tidak
tidak
17
57
perempuan
swasta
ya
ya
ya
berisiko
18
58
perempuan
negeri
ya
tidak
tidak
tdkberisik
o
19
50
perempuan
swasta
ya
tidak
ya
berisiko
20
50
perempuan
swasta
ya
tidak
tidak
berisiko
21
45
perempuan
swasta
tidak
tidak
ya
berisiko
22
45
perempuan
swasta
tidak
tidak
tidak
23
80
laki-laki
swasta
ya
tidak
ya
24
80
laki-laki
swasta
ya
tidak
tidak
25
51
laki-laki
negeri
tidak
tidak
ya
26
51
laki-laki
swasta
tidak
tidak
tidak
27
75
perempuan
swasta
ya
ya
ya
28
75
perempuan
swasta
tidak
tidak
tidak
tdkberisik
o
tdkberisik
o
tdkberisik
o
tdkberisik
o
tdkberisik
o
tdkberisik
o
berisiko
tdkberisik
o
tdkberisik
o
29
68
laki-laki
swasta
tidak
tidak
ya
30
68
laki-laki
swasta
ya
tidak
tidak
31
72
laki-laki
swasta
tidak
tidak
ya
berisiko
32
72
laki-laki
swasta
ya
tidak
tidak
berisiko
33
68
laki-laki
negeri
ya
tidak
ya
berisiko
tdkberisik
o
tdkberisik
o
34
68
laki-laki
swasta
tidak
tidak
tidak
35
48
perempuan
swasta
tidak
tidak
ya
36
48
perempuan
swasta
tidak
ya
tidak
berisiko
37
70
perempuan
swasta
ya
tidak
ya
berisiko
38
70
perempuan
swasta
ya
tidak
tidak
berisiko
39
44
laki-laki
swasta
tidak
ya
ya
40
44
laki-laki
negeri
tidak
ya
tidak
41
26
perempuan
swasta
tidak
tidak
ya
42
26
perempuan
swasta
tidak
tidak
tidak
43
80
perempuan
negeri
ya
tidak
ya
berisiko
44
80
perempuan
swasta
tidak
tidak
tidak
berisiko
45
47
perempuan
swasta
tidak
tidak
ya
berisiko
46
47
perempuan
swasta
tidak
tidak
tidak
berisiko
47
60
laki-laki
swasta
tidak
tidak
ya
berisiko
tdkberisik
o
tdkberisik
o
tdkberisik
o
tdkberisik
o
48
60
laki-laki
swasta
tidak
tidak
tidak
tdkberisik
o
49
45
laki-laki
swasta
ya
tidak
ya
berisiko
50
45
laki-laki
swasta
tidak
ya
tidak
berisiko
51
66
laki-laki
swasta
tidak
tidak
ya
berisiko
52
66
laki-laki
swasta
ya
tidak
tidak
tdkberisik
o
53
59
laki-laki
negeri
tidak
ya
ya
berisiko
54
59
laki-laki
negeri
tidak
ya
tidak
berisiko
55
70
laki-laki
swasta
ya
tidak
ya
berisiko
56
70
laki-laki
swasta
ya
tidak
tidak
berisiko
57
79
laki-laki
negeri
ya
tidak
ya
berisiko
58
79
laki-laki
swasta
ya
tidak
tidak
tdkberisik
o
59
45
perempuan
swasta
ya
tidak
ya
berisiko
60
45
perempuan
swasta
tidak
ya
tidak
berisiko
tdkberisik
o
61
53
perempuan
swasta
tidak
tidak
ya
62
53
perempuan
negeri
tidak
tidak
tidak
63
40
perempuan
swasta
tidak
tidak
ya
64
40
perempuan
swasta
tidak
tidak
tidak
65
71
perempuan
swasta
ya
tidak
ya
66
71
perempuan
swasta
tidak
tidak
tidak
berisiko
tdkberisik
o
tdkberisik
o
berisiko
berisiko
tdkberisik
o
tdkberisik
o
67
69
laki-laki
negeri
tidak
ya
ya
68
69
laki-laki
swasta
tidak
tidak
tidak
69
60
perempuan
swasta
ya
tidak
ya
70
60
perempuan
swasta
ya
ya
tidak
berisiko
berisiko
71
72
perempuan
swasta
ya
tidak
ya
tdkberisik
o
72
72
perempuan
swasta
tidak
tidak
tidak
berisiko
73
63
perempuan
swasta
tidak
ya
ya
berisiko
tdkberisik
o
74
63
perempuan
negeri
ya
ya
tidak
75
51
laki-laki
swasta
ya
ya
ya
berisiko
76
51
laki-laki
swasta
tidak
tidak
tidak
tdkberisik
o
77
47
perempuan
swasta
ya
tidak
ya
berisiko
78
47
perempuan
swasta
tidak
ya
tidak
berisiko
79
44
perempuan
negeri
tidak
tidak
ya
berisiko
80
44
perempuan
swasta
tidak
ya
tidak
berisiko
81
56
laki-laki
negeri
ya
tidak
ya
berisiko
82
56
laki-laki
swasta
tidak
ya
tidak
tdkberisik
o
83
46
perempuan
swasta
ya
tidak
ya
berisiko
84
46
perempuan
swasta
tidak
ya
tidak
berisiko
85
58
perempuan
negeri
ya
ya
ya
berisiko
86
58
perempuan
swasta
ya
ya
tidak
berisiko
87
53
laki-laki
negeri
ya
ya
ya
berisiko
tidak
tdkberisik
o
88
53
laki-laki
negeri
tidak
ya
89
53
laki-laki
negeri
tidak
tidak
ya
berisiko
90
53
laki-laki
negeri
tidak
ya
tidak
berisiko
91
42
laki-laki
negeri
ya
ya
ya
berisiko
92
42
laki-laki
swasta
ya
ya
tidak
berisiko
tdkberisik
o
tdkberisik
o
tdkberisik
o
93
80
laki-laki
swasta
tidak
ya
ya
94
85
laki-laki
swasta
tidak
tidak
ya
95
62
laki-laki
swasta
tidak
tidak
tidak
96
72
laki-laki
swasta
ya
tidak
tidak
berisiko
97
42
perempuan
swasta
tidak
ya
ya
berisiko
98
65
perempuan
swasta
ya
tidak
tidak
berisiko
tdkberisik
o
tdkberisik
o
tdkberisik
o
99
65
perempuan
swasta
ya
tidak
tidak
100
70
laki-laki
swasta
ya
tidak
tidak
101
70
laki-laki
swasta
ya
ya
ya
102
53
perempuan
swasta
ya
tidak
ya
berisiko
103
53
perempuan
swasta
tidak
tidak
tidak
berisiko
104
75
laki-laki
swasta
ya
tidak
ya
berisiko
tdkberisik
o
105
75
laki-laki
swasta
tidak
tidak
tidak
106
77
perempuan
swasta
ya
ya
ya
berisiko
tdkberisik
o
107
77
perempuan
swasta
tidak
tidak
tidak
108
56
laki-laki
negeri
ya
ya
ya
berisiko
tidak
tdkberisik
o
109
56
laki-laki
swasta
ya
tidak
p value
1,0 0
1)
2)
3)
4)
5)
6)
7)
8)
Dari hasil analisis bivariat dengan menggunakan chi square diketahui bahwa tidak
ada hubungan antara jenis kelamin dengan kejadian PJK karena nilai p value sebesar 1,00
ini menunjukkan bahwa nilai p value lebih dari 0,05.
No
1
2
Hiperglikemi
Ya
Tidak
Jumlah
1)
2)
3)
4)
5)
6)
7)
8)
F
19
35
54
Kejadian PJK
PJK
Tidak PJK
%
F
%
17,3
16
14,7
36,7
39
35,8
49,5
55
50,5
Jumlah
F
36
73
109
%
32,1
67,9
100
p value
0,63
Dari hasil analisis bivariat dengan menggunakan chi square diketahui bahwa tidak
ada hubungan antara hiperglikemi dengan kejadian PJK karena nilai p value sebesar 0,63
ini menunjukkan bahwa nilai p value lebih dari 0,05.
N
o
1
2
1)
2)
3)
4)
5)
6)
7)
8) Responden yang tidak beresiko pada ratio pinggul dan responden menderita PJK
sebanyak 29 orang (26,6%)
Dari hasil analisis bivariat dengan menggunakan chi square diketahui bahwa
ada hubungan antara ratio pinggul panggul dengan kejadian PJK karena nilai p value
sebesar 0,01 ini menunjukkan bahwa nilai p value kurang dari 0,05.
3. Tabel Odd Ratio
a. Tabel silang hubungan jenis kelamin dengan kejadian PJK
Kejadian PJK
Jenis
OR (CI 95%)
No
PJK
Tidak PJK
Jumlah
Kelamin
F
%
F
%
F
%
1 Laki-laki
28
25,7
26
23,9
54
49,5
0,96(0,452,04)
2 Perempuan
26
23,9
29
26,6
55
50,5
Jumlah
54
49,5
55
50,5
109
100
Dari table diatas diketahui bahwa jenis kelamin merupakan faktor protektif
terjadinya PJK karena nilai OR sebesar 0,96 ini menunjukkan bahwa nilai OR kurang
dari 1. Nilai CI hipertensi menunjukkan angka 0,452,04 ini menunjukkan bahwa
hipertensi merupakan faktor resiko terjadinya PJK karena nilai CI mencakup angka 1
b. Tabel silang hubungan hipertensi dengan kejadian PJK
No
1
2
Hipertensi
Ya
Tidak
Jumlah
F
31
23
54
Kejadian PJK
PJK
Tidak PJK
%
F
%
28,4
20
18,3
21,1
35
32,1
49,5
55
50,5
Jumlah
F
%
51
46,8
58
53,2
109
100
OR (CI 95%)
2,36(1,095,09)
N
o
1
2
menunjukkan bahwa ratio pinggul panggul merupakan faktor resiko terjadinya PJK
karena nilai Ci tidak mencakup angka 1
G. Kesimpulan
Hasil praktikum menganalisis data kategorik ini di dapatkan kesimpulan bahwa:
1. Data kategorik-kategorik ini di analisis menggunakan analisis chi square
2. Hasil analitik, analisis bivariate dengan chi square didapatkan hasil bahwa hipertensi
dan rato lingkar pinggul panggul merupakan paktor resiko terjadinya PJK karena
mempunyai nilai P value kurang dari 0,05.
3. Hasil analisis biologis, didapatkan hiperglikemi, hipertensi, dan ratio pinggunl
panggul merupakan factor resiko dari PJK karena nilai OR lebih dari 1. Sedangkan
jenis kelamin merupakan factor protektif karena memiliki nilai OR kurang dari 1.
4. Hasil analisis biologis dengan melihat nilai CI didapatkan hasil hipertensi dan ratio
pinggul panggul merupakan factor resiko dari PJK karena nilai CI tidak mencakup
angka 1.
5. Dan semua arah kekuatan hubungan positive karena tidak ada yang memiliki nilai
negative.
LAPORAN PRAKTIKUM 4
A. Analisis Bivariat
Untuk melakukan analisis multivariat ada langkah yang harus dilakukan sebelumnya,
yaitu melakukan analisis bivariat masing-masing variabel bebas dengan variabel terikat. Bila
variabel bebas yang ada hubungan dengan variabel terikat secara statistik (p-value<0.05 atau
0.25) terdapat lebih dari 1 variabel bebas, maka dapat dilanjutkan ke analisis multivariat.
Pada praktikum
Analisa data menggunakan program SPSS for Window dengan uji Chi Square & tingkat
kepercayaan 95% dengan hasil sebagai berikut:
Variabel
Jenis Kelamin
Hipertensi
Rasio PaPi
Hiperglikemi
Pekerjaan
Jenis
Status PJK
Ya
Tidak
Jumlah
Laki-laki
Perempuan
Ya
N
27
27
32
%
24,8
24,8
29,4
N
28
27
20
%
25,7
24,8
18,3
(%)
F
55
54
52
Tidak
22
20,2
35
32,1
57
52,3
Beresiko
39
35,8
26
23,8
65
59,6
Tidak
15
13,8
29
26,6
44
40,4
Ya
20
18,3
16
14,7
36
33,0
Tidak
34
31,2
39
35,8
73
67,0
Swasta
39
45,3
47
54,7
54
49,5
Negeri
15
65,2
34,8
55
50,5
Kelamin
%
50,5
49,5
47,7
P
value
1,00
0,028
CI 95%
OR
0.964
2,545
0,455-2,043
1,176-5,510
0,014
2,900
1,307-6,433
0,498
0.964
0,643-3,198
0,145
2,126
0,170-1,153
Dari analisi bivariat diatas, didapatkan hasil bahwa variabel bebas yang secara statistik
terdapat hubungan dengan status PJK adalah variabel hipertensi, rasio pinggang panggul dan
pekerjaan (p-value < 0.25).
Analisis Multivariat
Di bawah ini adalah hasil analisis multivariat dari hipertensi, rasio pinggang panggul dan
pekerjaan dengan status PJK.
S.E.
Wald
df
Sig.
C.I.for
Exp(B) EXP(B)
Lower Upper
Step 1a
Step 2
pekerjaan(1)
hipertensi(1)
rasio_PiPa(1)
-.711
.728
.868
.511
.411
.422
1.936
3.137
4.237
1
1
1
.164
.077
.040
.491
2.071
2.382
.180 1.337
.925 4.633
1.042 5.444
Constant
-.318
.555
.327
.567
.728
hipertensi(1)
.702
.406
2.986
.084
2.018
.910
rasio_PiPa(1)
.943
.416
5.143
.023
2.568
1.137 5.801
Constant
-.915
.358
6.522
.011
.401
4.473
Chi-square
Df
Sig.
5.239
.264
2.044
.360
Std. Errora
Upper Bound
.680
.051
.001
.780
.580
Interpretasi
Analisis diatas menggunakan logistic regression dengan metode forward. Dengan
metode ini sistem secara otomastis mengeluarkan variabel dengan nilai sig terbesar. Terdapat
2 step dalam analisis ini. Pada step pertama variabel pekerjaan mempunyai nilai sig terbesar
(0.164), maka variabel bebas ini dikeluarkan dan kemudian dilakukan step ke 2. Pada tabel
Variables in the Equation pada row step 2 ,dapat diketahui bahwa :
1 Variabel Hipertensi , nilai sig = 0,84 artinya p>
2 Variabel Rasio Pinggang Panggul , nilai sig = 0,023, artinya p<
Kesimpulan :
Ada pengaruh Rasio pinggang panggul terhadap kejadian PJK
Kuat lemahnya variabel yang berpengaruh dapat dilihat dari nilai OR pada tabel Variables in
the Equation pada row step 2 kolom Exp(B.) Nilai odd ratio sebanyak 2,568 berarti bahwa
orang yang mempunyai rasio pinggang panggul beresiko mempunyai resiko 2,568 kali
terkena PJK daripada orang dengan rasio pinggang panggul yang tidak beresiko.
Hasil analisis di atas menunjukkan bahwa Rasio Pinggag Panggul (ExpB=2,568) lebih
besar mempengaruhi terjadinya PJK dibandingkan dengan Hipertensi(ExpB=2.018).
Persamaan regresi
Rmus persamaan regresi logistik =
y = konstanta + a1x1 + a2x2 +......
Nilai kontasnta dan nilai koefisien dapat dilihat pada tabel Variables in the Equation pada
row step2 kolom B maka:
y = (-0,915) + 0,943( rasio pinggang panggul)
Aplikasi persamaan regresi
Tujuannya adalah untuk memprediksi probabilitas seorang pasien untuk mengalanmi PJK
dengan menggunakan rumus :
p=
1
1+e y
Dimana :
P = probabilitas terjadinya suatu kejadian PJK
y = konstanta + a1x1 + a2x2 +......
e = axp (nilai absolut 2,7)
jika, seorang pasien memiliki rasio pinggang panggul yang beresiko maka probabilitas
mengalami kejadian PJK adalah
y = (-0,915) + 0,943(1)
= 0,028
p=
1
y
1+e
p=
1
1+2,70,028
p=
1
1,9726
p=0,506
Dengan demikian probabilitas pasien untuk mengalami kejadian PJK adalah 50,6 %
Kualitas persamaan regresi
a
Nilai Kalibrasi
Menilai kualitas persamaan regresi berdasarkan nilai kalibrasi . Nilai Kalibrasi dapat
dilihat pada tabel Hosmer and Lemeshow Test pada row step 2 kolom Sig . Nilai p = 0,360 (p>)
artinya persamaan regresi mempunyai kalibrasi baik.
Nilai Diskriminasi
Kualitas persamaan regresi dapat juga dilihat berdasarkan nilai diskriminasi . Nilai
Diskriminasi dapat dilihat pada tabel Area under the Curve pada kolom area. Nilai AUC =
0,680 artinya nilai diskriminasi sebesar 68%.
Kesimpulan
Ada pengaruh rasio pinggang panggul terjadap kejadian PJK, dengan OR sebesar
2,568. Rasio Pinggag Panggul (ExpB=2,568) lebih besar mempengaruhi terjadinya PJK
dibandingkan dengan Hipertensi(ExpB=2.018). Jika seorang pasien memiliki rasio
pinggang panggul yang beresiko maka probabilitas mengalami kejadian PJK sebesar
50,6%. Kualitas persamaan regresi mempunyai kalibrasi baik. dengan nilai diskriminasi
sebesar 68%.
PRAKTIKUM 5
A. Judul Praktikum
Analisis multivariable pada data kategori
B. Tujuan
Mahasiswa mampu melakukan analisis data kategori dan menginterpretasikan hasilnya.
C. Tugas yang Disampaikan
1. Buatlah analisis multivariable dari data tersebut dan bagaimana makna dari hasil
analisis multivariable tersebut
2. Variable apakah yang mempengaruhi paling besar terhadap kejadian penyakit jantung
koroner
D. Data Dasar SAMA DG PRAKTIKUM 2
Data Faktor Risiko Penyakit Jantung Koroner
E. Hasil Output SPSS
Terlampir
F. Hasil Praktikum dan Pembahasan
1. Analisis Bivariate
Dari praktikum kali ini, kita melakukan analisis multivariable pada data
kategorik. Uji yang akan kita gunakan adalah regresi logistic. Sebelum kita
melakuakan analisis multivariate kita harus mengidentifikasi variable independen
mana sajakah yang berpengaruh terhadap variable dependen yaitu dengan analisis
bivariate terlebih dahulu dengan menggunakan uji chi square.
Variabel
Jenis
Kelamin
Hipertensi
Rasio PaPi
Hiperglikem
i
Pekerjaan
Jenis
Kelamin
Laki-laki
Perempua
n
Ya
Status PJK
Ya
Tidak
Jumlah
(%)
28
25,7
26
23,9
54
49,5
26
23,9
29
26,6
55
50,5
31
28,4
20
18,3
51
46,8
Tidak
23
21,1
35
32,1
58
53,2
Beresiko
39
35,8
26
23,9
65
59,6
Tidak
15
13,8
29
26,6
44
40,4
Ya
19
17,4
16
14,7
35
32,1
Tidak
35
32,1
39
37,3
74
67,9
Swasta
39
35,8
47
43,1
86
78,9
Negeri
15
13,8
7,3
23
21,1
P
value
OR (CI 95%)
1,00
0,96(0,452,04)
0,04
2,36(1,095,09)
0,01
2,90(1,316,43)
0,63
1,32(0,592,96)
0,14
0,44(0,171,15)
Dalam analisis multivariate nilai p value yang dianggap bermakna dan dapat
dilanjutkan dalam pengujian multivariate adalah yang mempunyai nilai <0,25. Dari
hasil analisis bivariate yang telah dilakukan, didapatkan variable hipertensi, ratio
pinggang panggul dan pekerjaan yang dianggap bermakna secara statistic untuk dapat
dilanjutkan pada analisis multivariate
2. Analisis Multivariate
Dari hasil analisis bivariate didapatkan hasil variable independen yang
berpengaruh secara statistic pada variable dependen pada pengujian ini. Apabila
variable independen didapatkan 1 variabel yang berpengaruh maka tidak dapat
dilanjutkan pada analisis multivariate, akan tetapi apabila didapatkan 2 variabel atau
lebih maka hasil ini dapat dilanjutkan pada analisis multivariate. Dalam praktikum
kali ini didapatkan variable independen yang bermakna secara statistic yaitu variable
hipertensi, ratio pinggang panggul, dan pekerjaan.
Berikut adalah output analisis multivariate dengan uji regresi logistic pada ke
tiga variable yang berpengaruh dengan status PJK:
Wald
df
Sig.
Exp(B)
Lower
Upper
pkerjaan_code
-.711
.511
1.936
.164
.491
.180
1.337
hipertensi_code
.728
.411
3.137
.077
2.071
.925
4.633
Rasiopapi_code
.868
.422
4.237
.040
2.382
1.042
5.444
-.318
.555
.327
.567
.728
hipertensi_code
.702
.406
2.986
.084
2.018
.910
4.473
Rasiopapi_code
.943
.416
5.143
.023
2.568
1.137
5.801
-.915
.358
6.522
.011
.401
Constant
Step 2a
S.E.
Constant
beresiko memiliki resiko 2,568 kali lipat untuk mengalami penyakit jantung
koroner.
c. Persamaan Regresi
Rumus persamaan regresi logistik =
y = konstanta + a1x1 + a2x2 +......
Nilai kontasnta dan nilai koefisien dapat dilihat pada tabel Variables in the
Equation pada row step2 kolom B maka:
y = (-0,915) + 0,943( rasio pinggang panggul) + 0,702 (hipertensi)
d. Aplikasi Persamaan Regresi
Dalam aplikasi persamaan regresi kita mengambil sampel nomor 1
1
1+e y
p=
1
0,028
1+2,7
p=
1
1,9726
p=0,506
(nilai prediksi ini sesuai dengan nilai prediksi pada output spss)
Dengan demikian probabilitas pasien untuk mengalami kejadian PJK adalah 50,6
%
e. Kualitas Persamaan Regresi
Kualitas persamaan regresi dilihat dari nilai kalibrasi yang dapat kita temukan
pada table hosmer and lameshow test dan juga dengan nilai diskriminasi yang
dapat kita temukan pada table AUC.
1) Nilai kalibrasi
Chi-square
df
Sig.
5.418
.367
2.044
.360
2) Nilai Diskriminasi
Area
.672
Asymptotic Sig.b
.052
.002
Lower Bound
Upper Bound
.570
.774
The test result variable(s): Predicted probability has at least one tie between the
positive actual state group and the negative actual state group. Statistics may be
biased.
a. Under the nonparametric assumption
b. Null hypothesis: true area = 0.5
PRAKTIKUM 6
A. Judul Praktikum
Analisis data numerik
B. Tujuan praktikum
1. Mahasiswa mampu melakukan analisis data dengan Uji T tidak berpasangan.
2. Mahasiswa mampu melakukan interpretasi hasil uji T tidak berpasangan.
3. Mahasiswa mampu melakukan analisis data
4. Mahasiswa mampu melakukan interpretasi hasil uji alternative dari Uji T tidak
berpasangan yaitu uji Mann Whitney.
C. Data Dasar
Jenis Sekolah
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
Energ
i
1233.
8
1282.
2
1277
1570.
65
1634.
65
1614.
4
1111.
5
488.8
5
1722.
05
2286.
5
1185.
35
1994.
4
1529.
3
1563.
5
857
1470.
8
1057.
55
1053.
55
1147.
05
967.8
5
Prote
in
Trans_Pro
tein
48.7
1.69
58.3
29.5
1.77
1.47
54.6
1.74
67.95
1.83
48
1.68
31.3
1.5
19.1
1.28
43.05
1.63
79.25
1.9
50.35
1.7
46.2
1.66
60
1.78
62.2
31.5
1.79
1.5
59.05
1.77
36.45
1.56
42.6
1.63
37.65
1.58
29.8
1.47
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
1502.
85
800.5
5
1258.
2
1494.
6
1272.
05
1660.
4
1341.
65
1239
934.1
5
892.2
1664.
35
1084.
45
950.2
1251.
1
1225.
95
796.3
1061.
25
1248.
1
1392.
7
1409.
25
2026.
65
1501.
5
1695.
6
1331.
9
1633.
9
1703.
9
1475.
95
1576.
9
45.95
1.66
35.35
1.55
39.35
1.59
44.7
1.65
45.7
1.66
60.55
1.78
34.1
31.65
1.53
1.5
29.8
47.1
1.47
1.67
61.55
1.79
37.1
33.5
1.57
1.53
34.6
1.54
31.45
36.75
1.5
1.57
47.45
1.68
46.55
1.67
42
1.62
48.35
1.68
61.15
1.79
62.7
1.8
70.9
1.85
43.35
1.64
56.75
1.75
65.05
1.81
52.4
1.72
64
1.81
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
feeding
school non
1394
1501.
7
1994.
9
2256.
9
1681.
15
1945.
35
47.45
1.68
45.9
1.66
72.95
123.1
5
1.86
72.35
1.86
88.1
1.94
846.6
1459.
7
2051.
7
1547.
7
1788.
75
1558.
6
1138.
15
35.45
1.55
53.4
1.73
76.3
1.88
59.2
1.77
65.45
1.82
763.4
2.88
36.95
1.57
1091
1427.
7
1809.
95
1041.
65
2063.
6
1462.
45
1291.
85
1490.
95
1345.
9
1800.
6
1313.
85
1894.
4
1142.
55
1977.
36.9
1.57
55.8
1.75
56
1.75
44.3
1.65
73.75
1.87
45.6
1.66
50.9
1.71
59.5
1.77
51.4
1.71
59.65
1.78
50.35
1.7
87.95
1.94
38.8
87.75
1.59
1.94
2.09
feeding
school non
feeding
school non
feeding
35
2169.
2
79.4
1.9
807.6
46.5
1.67
Tests of Normality
Kolmogorov-Smirnova
JenisSekolah2
Energi
Protein
Statistic
df
Shapiro-Wilk
Sig.
Statistic
df
Sig.
.076
38
.200*
.982
38
.789
school feeding
.119
39
.180
.977
39
.603
.415
38
.000
.267
38
.000
school feeding
.105
39
.200*
.958
39
.154
Jenis Sekolah
school non feeding
school feeding
school non feeding
school feeding
Jumlah
F
38
39
38
39
%
49,35%
50,65%
49,35%
50,65%
P value
0,79
0,60
0,00
0,25
Karena < 50 sampel, maka yang dilihat pada bagian Shapiro-wilk. Dan
didapatkan hasil nilai P value pada energi school non feeding dan school feeding
berturut-turut 0,79 dan 0,60 nilai ini menunjukkan bahwa nilai keseluruhan variable
energi >0,05 maka variable energi dinyatakan berdistribusi normal. Oleh karena itu,
variable energi dapat dilanjutkan untuk uji T-Test tidak berpasangan
Untuk variable protein pada school non feeding p value bernilai 0,000 nilai ini
<0,05 maka variable protein pada school non feeding tidak berdistribusi normal. Nilai
pvalue pada variable protein school feeding 0,15 angka ini menunjukkan bahwa >
0,05 yang berati data terdistribusi normal. Karena salah satu dari kelompok pengujian
variable protein tidak berdistribusi normal maka harus diupayakan berdistribusi
normal terlebih dahulu dengan transformasi data kemudian di uji normalitas ulang
kembali.
C. Transformasi Variable Protein dan Uji Normalitas Trans_Protein
Hasil Transformasi data pada protein
Tests of Normality
Kolmogorov-Smirnova
JenisSekolah2
trans_protein2
Statistic
df
Shapiro-Wilk
Sig.
Statistic
df
Sig.
.188
38
.002
.675
38
.000
school feeding
.079
39
.200*
.976
39
.547
Jenis Sekolah
Jumlah
F
38
%
49,35%
school feeding
39
50,65%
P value
0,00
0,55
Pada variable protein yang sudah ditransformasi pada school non feeding p
value bernilai 0,000 nilai ini <0,05 maka variable protein pada school non feeding
tidak berdistribusi normal. Nilai pvalue pada variable protein school feeding 0,55
angka ini menunjukkan bahwa > 0,05 yang berati data terdistribusi normal. Karena
salah satu dari kelompok pengujian variable protein tidak berdistribusi normal maka
pada protein dilakukan uji alternatef dari uji T-Test tidak berpasangan (uji non
parametric) yaitu Mann Whitney.
D. Uji Bivariate pada Variabel Energi
Uji bivariate pada variable energi ini menggunakan uji T tidak berpasangan.
Uji ini dilakukan untuk mencari perbedaan rerata asupan energy dan protein pada
anak sekolah dengan school feeding dan non school feeding. Syarat yang harus
dipenuhi yaitu data harus terdistribusi normal. Setelah dilakukan normalitas data
didapatkan hasil pada energy dengan nilai P value > 0,05 yang berati data terdistribusi
normal dan dapat dilanjutkan ke uji T tidak Berpasangan, dari pengujian ini
didapatkan hasil:
Output SPSS Hasil Analisis Uji T tidak berpasangan pada Energi
Group Statistics
JenisSekolah2
Energi
Mean
Std. Deviation
38
1569.7724
355.44416
57.66066
school feeding
39
1285.0769
348.65830
55.83001
F
Energ Equal variances
i
assumed
.140
Sig.
df
.709 3.548
Equal variances
not assumed
Std. Error
Sig. (2Mean
Differenc
tailed) Difference
e
Lower
Upper
75
3.547 74.84
4
Jenis Sekolah
Rerata SD
38
1569,77355,44
school feeding
39
1285,08348,66
P value
0,001
Interpretasinya :
a. Menguji varians, lihat uji levene test, nilai p value sebesar 0,709. Karena nilai p
value > 0,05, maka disimpulkan varians kedua kelompok sama. Dan untuk uji dua
kelompok tidak berpasangan kesamaan varians tidak menjadi mutlak tetapi hanya
digunakan untuk memilih pembacaan hasil.
b. Karena varian sama, maka untuk pembacaan uji t melihat pada equal varians
assumed. Didapakan hasil angka signifikansi pada baris kedua adalah 0,001.
c. Nilai IK 95% adalah 124.85 sampai dengan 444,54 tidak mencakup angka 1 yang
artinya secara statistik bermakna.
d. Karena nilai p < 0,05 maka dapat diambil kesimpulan ada perbedaan rerata asupan
energi pada anak yang sekolah dengan school feeding dan non school feeding.
E. Uji Bivariate pada Variabel Protein
Setelah dilakukan uji normalitas data dan transformasi data, tetap didapatkan
nilai protein P value <0,05 yang berarti data tidak terdistribusi normal sehingga
pengujian variable protein menggunakan uji alternatifnya atau uji non parametric
yaitu Mann Whitney.
Mean Rank
Sum of Ranks
38
50.18
1907.00
school feeding
39
28.10
1096.00
Total
77
Test Statisticsa
Protein
Mann-Whitney U
Wilcoxon W
316.000
1096.000
-4.330
.000
Jenis Sekolah
Median
(min max)
Rerata SD
38
78,66 115,45
school feeding
39
44,12 12,67
P value
0,000
Setelah dilakukan uji Man whitney, bandingkan nilai p dengan alpha. Dan
nilai sig test 0,00 < 0,05 maka dapat diartikan bermakna secara statistik yang berarti
ada perbedaan rerata asupan protein pada anak yang sekolah dengan school feeding
dan non school feeding.
F. KESIMPULAN
Hasil pengukuran yang telah dilakukan pada data kategori dengan SPSS 17
dapat ditarik kesimpulan bahwa :
1. Untuk uji t tidak berpasangan Nilai IK 95% adalah 124.85 sampai dengan 444,54
tidak mencakup angka 1 yang artinya secara statistik bermakna. Dan nilai p < 0,05
maka dapat disimpulkan bahwa ada perbedaan rerata asupan energi pada anak
yang sekolah dengan school feeding dan non school feeding.
2. Untuk uji Man whitney, bandingkan nilai p value dengan alpha. Dan nilai sig test
0,00 < 0,05 maka dapat diartikan bermakna secara statistik yang berarti bahwa
ada perbedaan rerata asupan protein pada anak yang sekolah dengan school
feeding dan non school feeding.
PRAKTIKUM 7
F. Judul Praktikum
Analisis data berpasangan
G. Tujuan praktikum
5. Mahasiswa mampu melakukan analisis data dengan Uji T berpasangan.
6. Mahasiswa mampu melakukan interpretasi hasil uji T berpasangan.
7. Mahasiswa mampu melakukan analisis data
8. Mahasiswa mampu melakukan interpretasi hasil uji alternative dari Uji T berpasangan
H. Data Dasar
No
1
2
3
4
5
6
7
8
9
10
11
12
Feritinin
Sebelum
12.7
10.8
6.1
16.6
7.5
11.3
4.6
27.5
8
21.5
29.3
25.4
Feritinin
Sesudah
9.07
2.32
8.4
13.32
11.98
15.43
2.77
14.06
7.56
26.25
8.36
10.94
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
30.1
12.4
13.8
13
14.6
3
12.1
27.8
20.7
4.6
25.4
16.7
20.9
8.2
12.5
29.3
14.8
13.6
6
7.5
6.6
18.8
5.75
2.5
3.5
4.4
12
19.1
8.9
9
24.3
9.9
13.1
29.3
16
7
7.1
14.1
16.1
4.6
14.8
13.6
6
5
6.6
16.6
15.71
20.34
7.99
27.59
3.1
10.48
15.23
13.46
4.67
15.63
18.9
13.94
19.32
20.38
11.91
9.9
18.6
10.5
8.93
9.22
14.46
2.52
2.07
3.43
4.02
15.62
16.74
19.14
9.12
17.6
12.61
16.92
12.46
15.33
16.98
10.52
17.91
10.63
7.99
12.7
16
10.8
6.1
16.6
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
18.8
5.75
2.5
3.5
4.4
12.5
19.1
10
9
12
9.9
13.1
29.3
16
7
7.1
7.5
11.3
4.6
27.5
8
25.9
21.5
20.5
25.4
25.1
12.4
13.8
7.5
14.6
3
11.6
Analisis deskriptif dari data ini dapat dilihat dari hasil output spss di atas yaitu
dengan melihat mean, median, SD, nilai Maximium, nilai minimum, dll karena data
yang diolah berupa data numeric.
I. Uji Normalitas pada Variabel Feritinin
Untuk melakukan analisis dengan uji T berpasangan maka langkah awal yang
harus dilakukan adalah normalitas data. Karena data harus terdistribusi secara normal
untuk melakukan uji parametrik T Test.
df
Shapiro-Wilk
Sig.
Statistic
df
Sig.
FeritininSebelum
.104
73
.050
.918
73
.000
FeritininSesudah
.053
73
.200*
.972
73
.109
Jumlah
F
73
73
%
100%
100%
P value
0,05
0,20
Karena >50 sampel, maka yang dilihat pada bagian Kolmogorov smirnov. Dan
didapatkan hasil nilai P value pada feriitinin sebelum dan sesudah berturut-turut 0,05
dan 0,20 nilai ini menunjukkan bahwa nilai keseluruhan variable feritinin baik
sebelum maupun sesudah >0,05 maka variable feritinin sebelum dan sesudah
dinyatakan berdistribusi normal. Oleh karena itu, variable feritinin sebelum dan
sesudah dapat dilanjutkan untuk uji T-Test berpasangan
J. Uji Bivariate pada Variabel Feritinin
Uji bivariate pada variable feritinin ini menggunakan uji T berpasangan. Uji
ini dilakukan untuk mencari perbedaan rerata kadar feritinin sebelum dengan sesudah
pada setelah pemberian sumplementasi vitamin. Syarat yang harus dipenuhi yaitu data
harus terdistribusi normal. Setelah dilakukan normalitas data didapatkan hasil pada
feritinin baik sebelum dan sesudah dengan nilai P value > 0,05 yang berarti data
terdistribusi normal dan dapat dilanjutkan ke uji T Berpasangan, dari pengujian ini
didapatkan hasil:
Output SPSS Hasil Analisis Uji T tidak berpasangan pada Energi
Std. Deviation
FeritininSebelum
12.9630
73
7.65311
.89573
FeritininSesudah
13.0319
73
6.39279
.74822
Mean
Pair
FeritininSebelum - -.06890
FeritininSesudah
Std.
Std. Error
Deviation
Mean
8.46892
.99121
Sig. (2-
Difference
Lower
-2.04485
df
tailed)
Upper
1.90704
-.070
72
.945
n
73
73
Rerata SD
12.967.65
13.036.39
Perbedaan Rerata SD
-0.0698.47
CI95%
-2.04 1.91
P value
0,945
Interpretasi:
e. Membaca Nilai rerata dan perbedaan rerata
Berdasarkan hasil pengujian T berpasangan di atas kita dapat melihat analisis
secara deskriptif yang penting dalam uji ini adalah rerata karena kita sedang menguji
rerata. Rerata pada feritinin sebelum dengan sesudah memiliki nilai berturut-turut
12,96 dan 13,03 nilai memiliki perbedaan rerata sebesar -0,069. Nilai-nilai ini secara
kasat mata memiliki range atau jarak yang tidak besar.
Dalam pembacaan rerata dan perbedaan rerata ini kita hanya dapat melihat
kemungkinannya saja, akan tetapi secara statistic perbedaan rerata ini bermakna atau
tidak kita belum bisa mengetahuinya.
Untuk mengetahui perbedaan rerata ini bermakna atau tidak secara statistic
yaitu dengan pengujian statistic dengan melihat nilai Confident Interval maupun
nilai P value
f. Membaca Nilai p value
Berdasarkan hasil pengujian T berpasangan pada variable feritinin didapatkan hasil
nilai p value 0,945 nilai melebihi nilai alfa yang ditetapkan yaitu 0,05 maka dapat
disimpulkan bahwa Ho diterima dan Ha ditolak atau dapat dapat disimpulkan bahwa
tidak terdapat perbedaan rata-rata pada feritinin sebelum dan sesudah pemberian
suplementasi vitamin
g. Membaca Nilai Confident Interval
Nilai CI menunjukkan selisih kadar feritinin sebelum pemberian suplementasi
vitamin dengan kadar feritinin sesudah pemberian suplementasi adalah antara -2.04
sampai dengan 1.91.
Nilai CI 95% adalah -2.04 sampai dengan 1.91 mencakup angka 1 yang
artinya secara statistik tidak bermakna.
K. Pembacaan Tambahan
Korelasi antara kedua variable feritinin sebelum dengan sesudah kita dapat
melihat hasil outpus SPSS dibawah:
Paired Samples Correlations
N
Pair 1
FeritininSebelum &
FeritininSesudah
Correlation
73
.283
Sig.
.015
PRAKTIKUM 8
K. Judul Praktikum
Analisis data lebih dari dua kelompok
L. Tujuan praktikum
9. Mahasiswa mampu melakukan analisis data dengan Uji One Way Anova
10. Mahasiswa mampu melakukan interpretasi hasil uji One Way Anova
11. Mahasiswa mampu melakukan analisis data
M. Data Dasar
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Shift
Shift 1
Shift 1
Shift 1
Shift 1
Shift 1
Shift 1
Shift 1
Shift 1
Shift 1
Shift 1
Shift 1
Shift 1
Shift 2
Shift 2
Shift 2
Shift 2
Shift 2
Shift 2
Shift 2
Shift 2
Shift 2
Shift 2
Shift 2
Shift 2
Shift 3
Shift 3
Shift 3
Shift 3
Shift 3
Shift 3
Produktivitas Kerja
38
36
39
34
35
32
39
34
32
36
33
39
45
48
42
46
41
45
48
47
42
41
39
33
45
48
42
46
41
45
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
Shift 3
Shift 3
Shift 3
Shift 3
Shift 3
Shift 3
Shift 4
Shift 4
Shift 4
Shift 4
Shift 4
Shift 4
Shift 4
Shift 4
Shift 4
Shift 4
Shift 4
Shift 4
48
47
42
41
39
33
58
25
34
26
39
44
32
38
39
43
44
62
Menentukan jumlah
Jawaban
Data produktivitas kerja: numeric
Data shift: kategorik
Terdapat 4 shift artinya terdapat 4 kelompok (masuk
kelompok
Menentukan berpasangan
tidak berpasangan
Hipotesis
Langkah
Melihat jenis data
Analisis deskriptif dari data ini dapat dilihat dari hasil output spss di atas yaitu
dengan melihat mean, median, SD, nilai Maximium, nilai minimum, dll karena data
yang diolah berupa data numeric.
O. Uji Normalitas pada data produktifitas kerja
Untuk melakukan analisis dengan uji One Way Anova maka langkah awal
yang harus dilakukan adalah normalitas data. Karena data harus terdistribusi secara
normal untuk melakukan uji parametrik One Way Anova.
Shift 1
Shift 2
Statistic
.150
.170
df
Shapiro-Wilk
Sig.
12
12
Statistic
df
Sig.
.898
12
.149
.908
12
.202
.200
.200
Shift 3
.170
12
.200
.908
12
.202
Shift 4
.205
12
.176
.930
12
.384
Variabel
Produktivitas Kerja
Shift 1
Shift 2
Shift 3
Shift 4
F
12
12
12
12
%
100%
100%
100%
100%
P value
0.149
0.202
0.202
0.384
Karena jumlah sampel pada masing-masing kelompok adalah kurang dari 50,
maka yang dilihat pada bagian Shapiro-Wilk. Dan didapatkan hasil nilai P value pada
produktivitas kerja shift 1, shift 2, shift 3, dan shift 4 berturut-turut 0.149, 0.202,
0.202 dan 0.384
produktivitas kerja pada tiap kelompok shift >0,05 maka variable produktivitas kerja
pada tiap-tiap kelompok dinyatakan semua berdistribusi normal. Oleh karena itu,
variable produktivitas kerja dapat dilanjutkan untuk uji one way Anova.
P. Uji One Way Anova
Uji One Way Anova disini dilakukan untuk menguji hipotesis yang telah
ditetapkan. Berdasarkan uji normalitas didapatkan hasil bahwa data yang dimiliki
berdistribusi normal maka data ini dapat dilanjutkan untuk uji parametrk one way
Anova/
df
Mean Square
Between Groups
Within Groups
450.563
1871.417
3
44
Total
2321.979
47
150.188
42.532
Sig.
3.531
.022
Shift 1
Shift 2
Shift 3
Shift 4
n
12
12
12
12
Rerata SD
35.582.68
43.084.36
43.084.36
40.3311.18
P value
0,022
Interpretasi:
Berdasarkan hasil yang didapatkan, untuk menguji hipotesis yang telah
ditetapkan makakita dapat melihat nilai p value pada table di atas. Hasil pengujian ini
didapatkan nilai p value 0.022, nilai ini masuk dalam kategori <0,05 maka dapat
disimpulkan bahwa Ha diterima atau Ada perbedaan rerata produktivitas kerja pada
kelompok shift kerja perawat RSUD Sukoharjo.
Q. Uji Varians dan Uji Poshoc
Sebelum melakukan uji poshoc untuk mengetahui perbedaan rerata antar
kelompok, kita harus melakukan uji varians terlebih dahulu untuk menentukan Uji
post-hoc apa yang akan kita gunakan.
a. Uji Varians
Output SPSS Hasil Analisis Uji Varian
Test of Homogeneity of Variances
ProduktivitasKerja
Levene Statistic
5.174
df1
df2
3
Sig.
44
.004
F
48
Jumlah
%
100%
P value
0.004
Berdasarkan hasil uji varians di atas didapatkan nilai p value 0.004 nilai ini masuk
dalam kategori kurang dari 0.05 maka dapat disimpulkan bahwa varians pada
variable produktivitas kerja tida sama. Oleh karena itu Uji post-hoc yang akan
digunakan adalah Uji Post-hoc Tamhanes.
b. Uji Post-hoc
Berdasarkan uji varian di atas yang memiliki varian tidak sama maka uji post-hoc
yang akan digunakan adalah uji Poshoc Tamhanes.
Output SPSS Uji Post-Hoc Tamhanes
Multiple Comparisons
ProduktivitasKerja
Tamhane
95% Confidence Interval
(I) Shift
Shift 1
Shift 2
Shift 3
Shift 4
(J) Shift
Mean Difference
(I-J)
Std. Error
Sig.
Lower Bound
Upper Bound
-7.50000
1.47667
.000
-11.8527
-3.1473
Shift 3
-7.50000
1.47667
.000
-11.8527
-3.1473
Shift 4
-4.75000
3.31843
.690
-15.1324
5.6324
Shift 1
7.50000*
1.47667
.000
3.1473
11.8527
Shift 3
.00000
1.77916
1.000
-5.1405
5.1405
Shift 4
2.75000
3.46365
.969
-7.8104
13.3104
Shift 1
7.50000*
1.47667
.000
3.1473
11.8527
Shift 2
.00000
1.77916
1.000
-5.1405
5.1405
Shift 4
2.75000
3.46365
.969
-7.8104
13.3104
Shift 1
4.75000
3.31843
.690
-5.6324
15.1324
Shift 2
-2.75000
3.46365
.969
-13.3104
7.8104
Shift 3
-2.75000
3.46365
.969
-13.3104
7.8104
Shift 2
Shift 2
Shift 3
Shift 4
Shift 3
Shift 4
Shift 4
Perbedaan Rerata
-7.50
-7.50
-4.75
0.00
2.75
2.75
CI95%
min
max
-11.85
-11.85
-15.13
-5.14
-7.81
-7.81
-3.15
-3.15
5.63
5.14
13.31
13.31
P value
0.000
0.000
0.690
1.000
0.969
0.969
3) Nilai rerata antara shift 1 dengan shift 4 adalah shift 1 lebih kecil dari shift 4
karena didapatkan nilai perbedaan rata-rata keduanya adalah negative 4.75
4) Nilai rerata antara shift 2 dengan shift 3 adalah sama besar karena didapatkan nilai
perbedaan rata-rata keduanya adalah 0.0000
5) Nilai rerata antara shift 2 dengan shift 4 adalah shift 2 lebih kecil dari shift 4
karena didapatkan nilai perbedaan rata-rata keduanya adalah positive 2.75
6) Nilai rerata antara shift 3 dengan shift 4 adalah shift 3 lebih kecil dari shift 4
karena didapatkan nilai perbedaan rata-rata keduanya adalah positive 2.75
Untuk mengetahui perbedaan rerata ini bermakna atau tidak secara statistic
yaitu dengan pengujian statistic dengan melihat nilai Confident Interval maupun
nilai P value
i. Membaca Nilai p value
Berdasarkan hasil pengujian Post-Hoc Tamhanes di atas didapatkan hasil nilai p
value yang bermacam-macam berikut akan dijabarkan satu persatu:
1) Shift 1 dengan shift 2 memiliki nilai sig/ p value sebesar 0,000. Nilai ini masuk
dalam kategoti <0,05, maka dapat disimpulkan bahwa terdapat perbedaan rerata
antara produktivitas kerja antara shift 1 dengan shift 2.
2) Shift 1 dengan shift 3 memiliki nilai sig/ p value sebesar 0,000. Nilai ini masuk
dalam kategoti <0,05, maka dapat disimpulkan bahwa terdapat perbedaan rerata
antara produktivitas kerja antara shift 1 dengan shift 3.
3) Shift 1 dengan shift 4 memiliki nilai sig/ p value sebesar 0,690. Nilai ini masuk
dalam kategoti >0,05, maka dapat disimpulkan bahwa tidak terdapat perbedaan
rerata antara produktivitas kerja antara shift 1 dengan shift 4.
4) Shift 2 dengan shift 3 memiliki nilai sig/ p value sebesar 1.000. Nilai ini masuk
dalam kategoti >0,05, maka dapat disimpulkan bahwa tidak terdapat perbedaan
rerata antara produktivitas kerja antara shift 2 dengan shift 3.
5) Shift 2 dengan shift 4 memiliki nilai sig/ p value sebesar 0.969. Nilai ini masuk
dalam kategoti >0,05, maka dapat disimpulkan bahwa tidak terdapat perbedaan
rerata antara produktivitas kerja antara shift 2 dengan shift 4.
6) Shift 3 dengan shift 4 memiliki nilai sig/ p value sebesar 0.969. Nilai ini masuk
dalam kategoti >0,05, maka dapat disimpulkan bahwa tidak terdapat perbedaan
rerata antara produktivitas kerja antara shift 3 dengan shift 4.
R. KESIMPULAN
Hasil pengukuran yang telah dilakukan pada data numerik, 4 kelompok, tidak
berpasangan dengan SPSS 17 dapat ditarik kesimpulan bahwa :
5. Uji One Way Anova
Berdasarkan uji One Way Anova hasil pengujian hipotesis didapatkan kesimpulan
bahwa Ada perbedaan rerata produktivitas kerja pada kelompok shift kerja
perawat RSUD Sukoharjo.
6. Uji Post-Hoc Tamhanes
a. Melihat nilai p value
PRAKTIKUM 9
P. Judul Praktikum
Analisis data numeric korelasi
Q. Tujuan praktikum
12. Mahasiswa mampu melakukan analisis data dengan Uji Pearson
13. Mahasiswa mampu melakukan interpretasi hasil uji Pearson
14. Mahasiswa mampu melakukan analisis data dengan Uji Regresi Linier
15. Mahasiswa mampu melakukan interpretasi hasil uji Regresi Linier
R. Data Dasar
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Status
Perlakuan
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
Kadar
Feritinin
13.94
19.32
20.38
11.91
9.9
18.6
10.5
8.93
9.22
14.46
2.52
2.07
3.43
4.02
15.62
16.74
19.14
9.12
17.6
12.61
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
fe+Vit A
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
Fe+Vit A+ Vit C
16.92
12.46
15.33
16.98
10.52
17.91
10.63
7.99
12.7
16
10.8
6.1
16.6
7.5
11.3
4.6
27.5
8
25.9
21.5
29.3
25.4
30.1
12.4
13.8
7.5
14.6
3
11.6
19.4
12.1
27.8
20.7
4.6
25.4
16.7
29.6
Langkah
Melihat jenis data
Jawaban
Data perlakuan: kategorik
Data kadar Feritinin: numeric
Hipotesis
Kesimpulan
Langkah
Melihat jenis data
Melihat data yang telah
Jawaban
Data perlakuan: kategorik
Data kadar Feritinin: numeric
Idealnya harus terdapat lebih dari satu variable.
U. Analisis Deskriptif
Analisis deskriptif dari data ini dapat dilihat dari hasil output spss di atas yaitu
dengan melihat mean, median, SD, nilai Maximium, nilai minimum, dll karena data
yang diolah berupa data numeric.
V. Uji Normalitas pada data kadar feritinin
Untuk melakukan analisis dengan uji korelasi pearson maka langkah awal
yang harus dilakukan adalah normalitas data. Karena data harus terdistribusi secara
normal untuk melakukan uji parametrik pearson.
Statistic
df
Shapiro-Wilk
Sig.
Statistic
df
Sig.
.945 28 .144
.936 29 .079
fe+Vit A
.111
28
.200
Fe+Vit A+ Vit C
.134
29
.195
Fe+Vit A
Fe+Vit A+Vit C
F
28
29
Jumlah
%
100%
100%
P value
0.144
0.079
Karena jumlah sampel pada masing-masing kelompok adalah kurang dari 50,
maka yang dilihat pada bagian Shapiro-Wilk. Dan didapatkan hasil nilai P value pada
kadar feritinin pada kelompok perlakuan Fe+Vit A dengan Fe+Vit A+ Vit C berturutturut 0.144 dan 0.079 nilai ini menunjukkan bahwa nilai keseluruhan variable >0,05
maka variable kadar feritinin pada tiap-tiap kelompok dinyatakan semua berdistribusi
normal. Oleh karena itu, variable feritinin dapat dilanjutkan untuk uji parametric
korelatif yaitu uji pearson.
W. Uji Pearson
Uji Pearson disini dilakukan untuk menguji hipotesis yang telah ditetapkan.
Berdasarkan uji normalitas didapatkan hasil bahwa data yang dimiliki berdistribusi
normal maka data ini dapat dilanjutkan untuk uji parametrk pearson.
Output SPSS Hasil Analisis Uji Pearson
Correlations
Status perlakuan
Status perlakuan
Pearson Correlation
kadar feritin
sesudah
perlakuan
Sig. (2-tailed)
.047
N
kadar feritin sesudah
perlakuan
.265*
57
57
Pearson Correlation
.265
Sig. (2-tailed)
.047
57
57
r
p
n
Interpretasi:
Berdasarkan hasil yang didapatkan, untuk menguji hipotesis yang telah
ditetapkan maka kita dapat melihat nilai p value dan nilai korelasi. P
1. Melihat nilai P value
Pada table di atas. Hasil pengujian ini didapatkan nilai p value 0.047, nilai ini
masuk dalam kategori <0,05 maka dapat disimpulkan bahwa Ha diterima atau Ada
pengaruh pemberian vitamin C pada kadar feritinin.
2. Melihat nilai Korelasi
a. Arah korelasi
Dari nilai ini tampak bahwa korelasi bernilai positif maka arah hubungannya
adalah searah atau berkorelasi positif. Yang artinya bahwa denga adanya
penambahan vit C maka akan berpengaruh baik terhadap kadar feritinin.
b. Kekuatan Korelasi
Nilai korelasi ini 0,265, nilai ini masuk dalam kategori 0,2 s/d <0.4 yang artinya
bahwa kekuatan korelasi antara pemberian Vit C dengan kadar feritinin lemah.
Setelah melakukan uji korelasi pada variable yang diteliti dan ternyata
memiliki kemaknaan secara statistic maka pengujian dilanjutkan pada uji regresi
linier.
1. Besarnya Kontribusi
Output SPSS Hasil Analisis Uji regresi Linier pada Model Summery
Model Summaryb
Model
R Square
.265
Adjusted R
Square
.070
.053
Durbin-Watson
7.11165
1.647
P value
Pemberian Vit C
0.053
Sum of Squares
Regression
df
Mean Square
209.736
209.736
Residual
2781.659
55
50.576
Total
2991.395
56
F
4.147
Sig.
.047a
Interpretasi: nilai Sig pada table Anova ini menunjukkan kualitas persamaan regresi
nilai kualitas persamaan regresi ini 0.047 nilai ini menunjukkan bahwa <0.05 maka
kualitas persamaan regresi ini dikatakan layak
B
(Constant)
Status perlakuan
Std. Error
12.456
1.344
3.837
1.884
Standardized
Coefficients
Beta
.265
Sig.
9.268
.000
2.036
.047
Interpretasi:
a. Besarnya pengaruh
Nilai besarnya pengaruh dapat dilihat pada kolom beta, nilai besarnya pengaruh
ini sama artinya dengan nilai korelasi. Nilai ini sama dengan nilai yang didapatkan
pada pengujian korelasi dengan pearson yaitu 0,265. Interpretasinya pun juga
sama dengan nilai koelasi pada pearson.
b. Persamaan regresi
y= konstanta+aixi+dst..
y= 12,456+ (3,837) (status perlakuan)
Y. KESIMPULAN
Hasil pengukuran yang telah dilakukan pada data numerik dengan pengujian
korelatif dan regresi dengan SPSS 17 dapat ditarik kesimpulan bahwa :
7. Uji Pearson