Daftar Isi

A.

PENDAHULUAN................................................................................. 3

B.

INPUT DATA...................................................................................... 4
1.

Melakukan input data melalui Excel..........................................4

2.

Cara membuka file Excel melalaui SPSS Data Editor.................5

3.

Mengisi kolom Variable dan Value Label menggunakan Syntax.6

C. PRA-ANALISIS DATA..........................................................................8
D. ANALISIS DESKRIPTIF.....................................................................13

E.

4.

Ukuran Statistik melalui Report - Olap Cubes..........................18

5.

Ukuran Statistik melalui Report Case Summaries.................19

6.

Ukuran Statistik melalui Report Summaries in Raws.............21

7.

Ukuran Statistik melalui Report Summaries in Columns.......22

8.

Analyze, Descriptive Statistics, Frequensies............................23

9.

Analyze, Descriptive Statistics, Descriptives...........................25

10.

Analyze, Descriptive Statistics, Explore................................26

11.

Analyze, Descriptive Statistics, Crosstabs............................30

12.

Perintah Count......................................................................32

13.

Analyze, Tables.....................................................................35

ANALISIS INFERENSIAL...................................................................36
B.1. NORMALITAS DATA.....................................................................36
14.

Normalitas Data....................................................................37

B.2. ANALISIS DATA KATAGORIK (Chy Squares).................................41

15.

Hubungan IMT terhadap Gula Darah Sewaktu (Katagorik)!. .41

16.

Hubungan Total Kolesterol terhadap Kejadian PJK (Katagorik)!

43

17.

Hubungan Trigliserid terhadap Kejadian PJK (Katagorik) !. . . .43

B.3. ANALISIS BEDA RERATA DUA POPULASI (T-TEST)........................44

18.

Apa yang dimaksud Sampel Bebas (Independent Sample)!. 45

19.

Apa yang dimaksud Sampel Berpasangan (Paired Sample)! 45

20.

Independent Sample t-Test !.................................................45

21.

Two-Sample Kolmogorov-Smirnov Test.................................48

22.

Two-Sample Mann-Whitney Test...........................................50

23.

Two-Sample Wald-Wolfowitz Test..........................................50

24.

Two-Sample Moses Test........................................................51

25.

Uji beda rerata Berat Badan menurut kejadian PJK (t-Test) ! 52

B-4. ANALISIS VARIANSI SATU JALUR (ONE WAY ANOVA)...................53

26. Uji beda rerata Trigliserid menurut katagori IMT (One Way
Anova)!.......................................................................................... 53
27.

Uji beda rerata Kruskal-Wallis Test!.......................................56

28.

Uji beda rerata Median dan Jocnkheere-Terpstra Test!..........57

29. Uji beda rerata Trigliserid menurut G.Darah (One Way

Anova)!.......................................................................................... 58
30.

Korelasi antara dua variabel (Numerik)!...............................61

B-6. ANALISIS REGRESI TUNGGAL....................................................62

31.

Pengaruh LDL terhadap Total Kolesterol !.............................62

B-7. ANALISIS REGRESI GANDA........................................................65

32. Pengaruh LDL, Trigliserid, HDL, dan G. PJK terhadap T.
Kolesterol !..................................................................................... 65
B-8. ANALISIS REGRESI LOGISTIK BINER..........................................67
33.
!

Pengaruh B. Badan, Trigiserid, dan HDL terhadap Kejadian PJK

67

A. PENDAHULUAN

SPSS (Statistical Product and Service Solutions) merupakan salah satu dari sekian
banyak program aplikasi komputer untuk menganalisis data statistik. Pada
awalnya SPSS dibuat untuk keperluan pengolahan data statistik untuk ilmu-ilmu
social, sehingga kepanjangan SPSS adalah Statistikal Package for the Social
Sciens. Sekarang kemampuan SPSS diperluas untuk melayani riset bidang
kesehatan dan bidang-bidang ilmu sains lainnya, sehingga kepanjangan dari SPSS
adalah Statistical Product and Service Solutions. SPSS pertama kali muncul
dengan versi PC dengan nama SPSS/PC+ (versi DOS), tetapi, dengan mulai
populernya system operasi windows, SPSS mulai mengeluarkan versi windows.
SPSS for Windows memberikan banyak kemudahan karena perintah-perintah yang
diperlukan ditampilkan dalam bentuk menu dan kotak-kotak dialog yang mudah
dioperasikan. Namun demikian kemudahan-kemudakan yang ditawarkan ini tidak
selamanya efektif dan efisien. Untuk beberapa kasus tertentu, instruksi-instruksi
dengan menu-pull-down tidak efisien bila dibandingkan dengan penyusunan
perintah menggunakan modus interaktif. Oleh karenanya SPSS menyediakan
Syntax Windows sebagai sarana penyusunan perintah program tersebut. Inilah
salah satu keunggulan dari SPSS for Windows.
SPSS dapat membaca berbagai jenis data yang disusun menggunakan text editor
di luar SPSS for Windows, seperti Excel atau dBASE, atau memasukkan data
secara langsung ke dalam SPSS Data Editor. Agar dapat dibaca oleh processor
SPSS for Windows, data tersebut harus disusun dalam format seperti halnya
struktur data pada Excel atau dBASE. Struktur data pada SPSS for Windows
terdiri atas baris dan kolom. Tiap baris data disebut Cases (Record pada dBASE)
dan tiap kolom data disebut Variables (Fild pada dBASE).
Langkah awal sebelum melakukan pengolahan data adalah menyusun Format
Data Input dan Format Data Analysis.
Penelitian ini memiliki 16 variabel dan 250 responden (cases). Format data
disajikan pada tabel berikut.
Tabel-1
Format Data Input

B. INPUT DATA
Sebagian peneliti lebih suka melakukan input data menggunakan Excel karena
dianggap lebih mudah dan lebih banyak orang yang bisa mengoperasikan Excel.
Peneliti dapat meminta bantuan orang lain untuk melakukan input data dari
kuesioner ke komputer menggunakan Excel.
SPSS memiliki fasilitas untuk membukan data yang diinput menggunakan Excel.
Hal ini sangat berguna ketika data yang akan dibuka sangat besar (ratusan atau
bahkan ribuan cases) yang tentunya sangat tidak efisien jika harus diinput
langsung di dalam SPSS Data Editor.
1. Melakukan input data melalui Excel.

Sebelum melakukan input data menggunakan Excel, Peneliti perlu melakukan

langkah-langkah berikut.
Memeriksa jawaban responden yang dituliskan pada kuesioner, apakah
jawaban responden telah lengkap dan benar.
Memberikan nomor urut pada kuesioner yang telah terisi secara lengkap dan
benar. Nomor urut kuesioner penting diberikan sebagai identitas responden.
Kuesioner yang cacad, tidak terisi secara lengkap, dan membingungkan dapat
diabaikan apabila jumlahnya tidak banyak, sementara jumlah kuesioner yang
baik jumlahnya sudah mencukupi.
Peneliti, dalam melakukan input data melalui Excel tidak harus berdasarkan
nomor urut, karena Excel dapat melakukan pengurutan data menurut nomor urut
setelah semua data diinput di dalam komputer.
Hasil input data berdasarkan tabel Format Data Input di atas adalah sebagai
berikut.
Tabel 2
Format data dalam Excel yang akan dieksport ke SPSS

Perhatikan Tabel-1 dan Tabel-2 di atas.

Baris pertama diisi nama variabel sesuai nama variabel pada Tabel-1.
V1 diisi nomor urut responden sebagai identitas responden, nama responden
tidak perlu diinput
Semuan variabel berisi numurik, bukan string, karena string tidak dapat diolah
SPSS Data Editor dapat menampilkan data dalam bentuk numerik dan string
karena memiliki fasilitas value label.
Apabila value label telah terisi, maka SPSS Data Editor dapat menampilkan
variabel katagori dalam bentuk angka (numerik) atau string.

2. Cara membuka file Excel melalaui SPSS Data Editor.

Berikut diberikan contah cara mengimport data dari Excel ke dalam SPSS Data
Editor.
Buka Program SPSS
* File, open, data
* Pilih file excel yang akan dibuka

Perhatikan window Format Data Editor.

Kolom Label dan Value masih berum terisi. Untuk mengisi kolom ini dapat
dilakukan langsung atau melalui Syntax Window. Dalam hal ini akan dilakukan
pengisian kolom Variable dan Value melalui Syntax Window sebagai berikut.

3. Mengisi kolom Variable dan Value Label menggunakan Syntax.

Buka Syntax Window

File, New, Syntax

Perintah untuk mengisi kolom variable label dan value label (dan perintah untuk
lainnya) bisa ditulis di Microsoft Word kemudian dikopi ke Syntax Window atau
langsung ditulis di Syntax Window.

Kolom Variable Label dapat diisi sampai 60 karakter. SPSS menggunakan

label ini untuk membuat keluarannya lebih berarti daripada bila hanya
menggunakan nama variabel yang dibatasi hanya 8 karakter.
Kolom Value Label dapat diisi sampai 60 karakter.

*Perintah mengisi kolom Variable Label.

Variable Label
V1V1 = ID Responden
/V2 V2 = Jenis Kelamin
/V3 V3 = Tingkat Pendidikan
/V4 V4 = Umur
/V5 V5 = Berat Badan
/V6 V6 = Tinggi Badan
/V7 V7 = Sistolik

/V8 V8 = Diastolik
/V9 V9 = Total Kolesterol
/V10 V10 = Trigliserid Kolesterol
/V11 V11 = HDL Kolesterol
/V12 V12 = LDL Kolesterol
/V13 V13 = Gula Darah Sewaktu
/V14 V14 = Genetik PJK
/V15 V15 = Hemotokrit
/V16 V16 = PJK.
*Perintah mengisi kolom Value Label.
Value Label
V2
1Pria
2Wanita
/V3
1SD
2SLTP
3SLTA
4S1
5S2
6S3
/V14
0Nagtif
1Positif
/V16
0Negatif
1Positif.

C. PRA-ANALISIS DATA
Pra-Analisis dilakukan untuk pembersihan data dari kesalahan (Cleaning dan
Editing) dan menyusun Struktur Data Analysis.
Cleaning dan Editing adalah proses meneliti hasil survai untuk mengetahui
apakah terdapat jawaban (respon) yang cacad (tidak lengkap, tidak jelas,
membingungkan, atau tidak sesuai dengan tujuan) dan melakukan perbaikan
atas kesalahan data yang cacad tersebut
Penyusunan Struktur Data Analysis merupakan proses penyusunan spesifikasi
semua variabel penelitian, termasuk adanya pengembangan variabel
(pembentukan variabel baru) apabila diperlukan dalam tujuan penelitian.
Kodifikasi Data (Data Coding) merupakan bagian dari penyusunan struktur
data.

Tabel-3
Struktur Data Analysis

*Recode into Different Variables V3.

Compute V3a = V3.
Variable label V3a V3a = Tingkat Pendidikan.
Recode V3a
(1 2 3 = 0)
(4 5 6 = 1).
Value label V3a
0 P. Dasmen
1 P. Tinggi.
Freq Var V3a.
*Recode into Different Variables V4.
Compute V4a = V4.
Variable label V4a V4a = Katagori Kelompok Umur.
Recode V4a
(21 thru 30 = 1)
(31 thru 40 = 2)
(41 thru 50 = 3)
(51 thru 60 = 4)
(61 thru 70 = 5)
(71 thru 80 = 6).
Value label V4a
121-30 th
231-40 th

10

341-50 th
451-60 th
561-70 th
671-80 th.
Freq var V4a.
*Menghitung IMT.
Berat Badan( Kg)
IMT=
2
*Rumus
( Tinggi Badan(m) ) .
Compute BMI = V5/(V6/100)**2.
Variable label BMI BMI = Indeks Massa Tubuh.
*Recode into Different Variables IMT.
Compute BMI1 = BMI.
Variable Label BMI1 BMI1 = Katagori BMI.
Recode BMI1
(lo thru 18.49 = 1)
(18.50 thru 22.99 = 2)
(23.00 thru 24.99 = 3)
(25.00 thru 29.99 = 4)
(30.00 thru hi = 5).
Value label BMI1
1 BB Kurang
2 BB Normal
3 Berisiko Obesitas
4 Obesitas Tk.1
5 Obesitas Tk.2.
Freq var BMI1.
*Recode into Different Variables V7.
Compute V7a = V7.
Variable label V7a V7a = Katagori Tekanan Darah Sistolik.
Recode V7a
(lo thru 119 = 1)
(120 thru 139 = 2)
(140 thru 159 = 3)
(160 thru hi = 4).
Value label V7a
1 Normal
2 Berisiko Hipertensi
3 Hipertensi Tk.1
4 Hipertensi Tk.2.
Freq var V7a.

11

*Recode into Different Variables V8.

Compute V8a = V8.
Variable label V8a V8a = Katagori Tekanan Darah Diastolik.
Recode V8a
(lo thru 79 = 1)
(80 thru 89 = 2)
(90 thru 99 = 3)
(100 thru hi = 4).
Value label V8a
1 Normal
2 Berisiko Hipertensi
3 Hipertensi Tk.1
4 Hipertensi Tk.2.
Freq var V8a.
*Membuat Variabel Baru Tekanan Darah (TD).
Compute TD = 0.
If (V7a = 1 and V8a = 1) TD = 1.
If (V7a = 2 or V8a = 2) TD = 2.
If (V7a = 3 or V8a = 3) TD = 3.
If (V7a = 4 or V8a = 4) TD = 4.
Variable Label TD TD = Katagori Tekanan Darah.
Value Label TD
1 Normal
2 Berisiko Hipertensi
3 Hipertensi Tk.1
4 Hipertensi Tk.2.
Freq var TD.
*Recode into Different Variables V9.
Compute V9a = V9.
Variable label V9a V9a = Katagori Total Kolesterol.
Recode V9a
(lo thru 199 = 1)
(200 thru 239 = 2)
(240 thru hi = 3).
Value Label V9a
1 Normal
2 Agak Tinggi
3 Tinggi.
Freq Var V9a.
*Recode into Different Variables V10.
Compute V10a = V10.
Variable label V10a V10a = Katagori Trigliserid Kolesterol.
Recode V10a
(lo thru 149 = 1)

12

(150 thru 199 = 2)

(200 thru 499 = 3)
(500 thru Hi = 4).
Value Label V10a
1 Normal
2 Agak Tinggi
3 Tinggi
4 Sangat Tinggi.
Freq var V10a.
*Recode into Different Variables V11.
Compute V11a = V11.
Variable label V11a V11a = Katagori HDL Kolesterol.
Recode V11a
(lo thru 39 = 0)
(40 thru hi = 1).
Value label V11a
0 Rendah
1 Normal.
Freq var V11a.
*Recode into Different Variables V12.
Compute V12a = V12.
Variable label V12a V12a = Katagori LDL Kolesterol.
Recode V12a
(lo thru 99 = 1)
(100 thru 129 = 2)
(130 thru 159 = 3)
(160 thru hi = 4).
Value label V12a
1 Normal
2 Agak Tinggi
3 Tinggi
4 Sangat Tinggi.
Freq var v12a.
*Count LIPID: Trigliserid, HDL, LDL, Total Kolesterol Normal.
Count L1 = V9a V10a V11a V12a (1).
Variable Label L1 Profil Lipid.
Value Label L1
0 tdk ada yg normal
1 1 normal
2 2 normal
3 3 normal
4 semua normal.

13

Freq var L1.

Compute LIPID =L1.
Variable Label LIPID LIPID = Profil Lipid.
Recode LIPID
(0 1 2 3 = 0)
(4 = 1).
Value Label LIPID
0 Tidak Normal
1 Normal.
Freq var LIPID.

*Recode into Different Variables V13.

Compute V13a = V13.
Variable label V13a V13a = Katagori Kadar Gula Sewaktu.
Recode V13a
(lo thru 99 = 1)
(100 thru 199 = 2)
(200 thru hi = 3).
Value label V13a
1 Normal
2 Gangguan Toleransi Gula
3 Diabetes Melitus.
Freq var V13a.

14

D. ANALISIS DESKRIPTIF
Analisis deskriptive dilakukan untuk mengetahui ukuran statistik masing-masing
variabel berskala Interval/Rasio (variabel numerik) dan mengetahui distribusi
frekuensi masing-masing variabel berskala ordinal/Nominal (variabel katagorik).
Ukuran statistik sebaiknya dihitung dari data yang belum dikelompokkan dalam
tabel distribusi frekuensi, walaupun ukuran statistik juga dapat dihitung dari data
yang telah dikelompokkan dalam tabel distribusi frekuensi.
Menghitung ukuran statistik dari data yang telah dikelompokkan dalam tabel
distribusi frekuensi mengandung risiko kesalahan akibat pengelompokkan data
(grouping error).
Berikut diberikan perbedaan hasil perhitungan ukuran statistik yang dihitung dari
data yang belum dikelompokkan dalam tabel distribusi frekuensi dan ukuran
statistik yang dihitung dari data yang telah dikelompokkan dalam tabel distribusi
frekuensi. Dalam hal ini diambil contoh ukuran statistik Variabel Umur.
Membuat tabel distribusi frekuensi Umur menurut aturan Sturgess adalah sebagai
berikut.
Banyak Kelas = 1 + 3.33 Log (n)
= 1 + 3,33 Log (250)
= 8.913202
Banyak Kelas = Range / Banyak Kelas = (80-22)/ 8.913202 = 6.507201 7
*Recode into Different Variables V4.
Compute V4b = V4.
Variable label V4b V4b = Katagori Umur.
Recode V4b
(22 thru 27 = 24.5)
(28 thru 33 = 30.5)
(34 thru 39 = 36.5)
(40 thru 45 = 42.5)
(46 thru 51 = 48.5)
(52 thru 57 = 54.5)
(58 thru 63 = 60.5)
(64 thru 69 = 66.5)
(70 thru 75 = 72.5)
(76 thru 81 = 78.5).
Value label V4b
24.5 22 27 Th
30.5 28 33 Th
36.5 34 39 Th

15

42.5 40 45 Th
48.5 46 51 Th
54.5 52 57 Th
60.5 58 63 Th
66.5 64 69 Th
72.5 70 75 Th
78.5 76 81 Th.
Freq Var V4b.

Membuat tabel distribusi frekuensi tidak mengikuti aturan Sturgess.

*Recode into Different Variables V4.
Compute V4c = V4.
Variable label V4c V4c = Katagori Umur.
Recode V4c
(21 thru 30 = 25.5)

16

(31 thru 40 = 35.5)

(41 thru 50 = 45.5)
(51 thru 60 = 55.5)
(61thru 70 = 65.5)
(71 thru 80 = 75.5).
Value label V4c
25.5 21 30 Th
35.5 31 40 Th
45.5 41 50 Th
55.5 51 60 Th
65.5 61 70 Th
75.5 71 80 Th.
Freq Var V4c.

Membuat tabel distribusi frekuensi tidak mengikuti aturan Sturgess.

*Recode into Different Variables V4.
Compute V4d = V4.
Variable label V4d V4d = Katagori Umur.

17

Recode V4d
(21 thru 40 = 30.5)
(34 thru 60 = 50.5)
(61 thru 80 = 70.5).
Value label V4d
30.5 21 40 Th
50.5 41 60 Th
70.5 61 80 Th.
Freq Var V4d.

18

Keterangan
V4 = dihitung dari data yang belum dikelompokkan dalam tabel distribusi
frekuensi
V4a = dihitung dari tabel distribusi frekuensi menurut aturan Sturgess
V4c dan V4d = dihitung dari tabel distribusi yang tidak mengikuti aturan
Sturges tetapi dengan panjang kelas interval yang berbeda
Perhatikan beberapa tabel di atas!
Ukuran statistik dapat dihitung dengan bebera cara.
Pada contoh di atas ukuran statistik dihitung menggunakan Statistics DescriptiveExplore dan Report-Case Summary
Tabel Case Summary memperlihatkan ukuran statistik (rata-rata, simpangan baku,
dan simpangan baku ata-rata) yang berbeda

4. Ukuran Statistik melalui Report - Olap Cubes

Report-Olap Cubes digunakan untuk mengetahui ukuran statistik variabel berskala

interval/rasio.
Dalam hal ini Peneliti bermaksud mengetahui nilai Rata-rata, Minimum,
Maksimum, Simpangan Baku, dan Simpangan Baku Rata-Rata variabel
V4 V5 V6 V7 V8 V9 V10 V11 V12 V13 V15 BY V2.
OLAP CUBES V4 V5 V6 V7 V8 V9 V10 V11 V12 V13 V15 BY V2
/CELLS=MEAN MIN MAX STDDEV SEMEAN
/TITLE='OLAP Cubes'.

19

20

5. Ukuran Statistik melalui Report Case Summaries

Report-Case Summary digunakan untuk mengetahui ukuran statistik variabel

berskala interval/rasio.
Dalam hal ini Peneliti bermaksud mengetahui nilai Rata-rata, Minimum,
Maksimum, Simpangan Baku, dan Simpangan Baku Rata-Rata variabel
V9 V10 V11 V12 BY V16.
SUMMARIZE
/TABLES=V9 V10 V11 V12 BY V16
/FORMAT=NOLIST TOTAL
/TITLE='Case Summaries'
/MISSING=VARIABLE
/CELLS=MEAN MIN MAX STDDEV SEMEAN.

21

6. Ukuran Statistik melalui Report Summaries in Raws

Report-Summary in Raw digunakan untuk mengetahui ukuran statistik variabel

berskala interval/rasio.
Dalam hal ini Peneliti bermaksud mengetahui nilai Rata-rata, Minimum,
Maksimum, Simpangan Baku, dan Simpangan Baku Rata-Rata variabel
V9 V10 V11 V12 BY V16.

22

23

7. Ukuran Statistik melalui Report Summaries in Columns

Report-Summary in Column digunakan untuk mengetahui ukuran statistik

variabel berskala interval/rasio.
Dalam hal ini Peneliti bermaksud mengetahui nilai Rata-rata, Minimum,
Maksimum, Simpangan Baku, dan Simpangan Baku Rata-Rata variabel
V9 V10 V11 V12 BY V16.

24

8. Analyze, Descriptive Statistics, Frequensies

25

26

9. Analyze, Descriptive Statistics, Descriptives

27

10.

Analyze, Descriptive Statistics, Explore

28

29

30

31

32

11.

Analyze, Descriptive Statistics, Crosstabs

33

34

12.Perintah Count

*Katagori LIPID: Trigliserid, HDL, LDL, Total Kolesterol Normal.

Count Lipid1= V9a V10a V11a V12a (1).
Variable Label Lipid1 Lipid1: Trigliserid, HDL, LDL, T.Kolesterol Normal.
Value Label Lipid1
0 tdk ada yg normal
1 1 normal
2 2 normal
3 3 normal
4 semua normal.
Freq var Lipid1.

35

Tabel ini mejelaskan Jumlah Responden menurut Profil Lipid Normal (Trigliserid,
HDL, LDL, dan Total Kolesterol).
Terdapat 12 orang yang profil lipidnya tidak ada yang normal
Terdapat 59 orang yang salah satu profil lipidnya normal
Terdapat 108 orang yang 2 dari 4 profil profil lipidnya normal
Terdapat 61 orang yang 3 dari 4 profil profil lipidnya normal
Terdapat 10 orang yang semua profil profil lipidnya normal

*Hubungan profil lipid (Trigleseride, HDL, dan LDL) dengan Total Kolesterol
Count Lipid2 = V10a V11a V12a (1).
Variable Label Lipid2 Lipid2 : Trigliserid, HDL, LDL Normal.
Value Label Lipid2
0 tdk ada yg normal
1 1 normal
2 2 normal
3 semua normal.
Freq var Lipid2.

36

*Hubungan antara Kejadian PJK dengan IMT, Tekanan Darah, Total Kolesterol,
dan Gula Darah Sewaktu.
Count KPJK = IMT TD V9a V13a (1).
Variable Label KPJK Hubungan PJK dengan IMT, TD, TK GD.
Value Label KPJK
0 tdk ada yg normal
1 1 normal
2 2 normal
3 3 normal
4 semua normal.
Freq var KPJK.

37

13.

Analyze, Tables

Analyze table digunakan untuk mengetahui ukuran statistik dari variabel berskala
interval/rasio (variabel numerik) berdasarkan dua variabel berskala
ordinal/nominal (variabel katagoriuk)
Misalkan kita ingin mengetahui rata-rata total kolesterol berdasarkan katagori
umur dan kejadian PJK.

38

39

E. ANALISIS INFERENSIAL
B.1. NORMALITAS DATA

Banyak ukuran statistik untuk mengetahui Normalitas Data, antara lain dengan
statistik Kolmogorov-Smirnov, Saphiro-Wilk, Rasio Skewness dan Rasio
Kurtosis, menggambar kurva normal, atau gambar QQ-Plot.
14.

Normalitas Data

Normalitas data dapat dilihat dengan beberapa cara berikut.

Memeriksa Rasio Skewness dan Rasio Kurtosis. Apabila nilai Rasio

Skewness dan Rasio Kurtosis berada dalam interval [-2 ; 2] maka dapat
dianggap data berdistribusi Normal. Rasio Skwness untuk mengukur
kemiringan dan Rasio Kurtosis untuk mengukur keruncingan dari Kurva
Normal.
Menggunakan gambar Kurva Normal
Menggunakan Uji Normalitas dari Komogorov-Smirnov dan Lilifort.
Menggunakan gambar QQ-Plot

40

Rasio Skewness = 1,228/0,154 = 7,97

Rasio Kurtosis = 3,043/0,307 =9,91
Karema Rasio Skewness dan Rasio Kurtosis tidak berada dalam interval [-2 ; 2]
maka dapat dikatakan bahwa data total kolesterol tidak berdistribusi normal.

Berdasarkan gambar ini dapat diduga bahwa data total kolesterol tidak
berdistribusi normal

41

Hipotesis
Ho : Data berdistribusi Normal
H1 : Data tidak berdistribusi Normal
Kriteria Uji
Total Hipotesis H0 apabila p_value < (5%)
Kesimpulan
Tolak hipotesis H0 yang berarti data Total Kolesterol Tidak berdistribusi Normal

Perhatikan gambar QQ-Plot diatas !

Pada gambar sebelah kiri terdapat titik-titik yang terpisah jauh dari garis diagonal,
dan pada gambar sebelah kanan terdapat titik-titik yang terpisah jauh dari garis

42

mendatar dan tampak membentuk pola tertentu. Penyebaran titik tersebut

menggambarkan bahwa data tidak berdistribusi normal.
Titik-titik tersebut disebut titik terpencil (ekstrim) yang menyebabkan data tidak
berdistribusi Normal. Terdapatnya titik terpencil (outlier point) dapat dilihat dari
analisis stem-leaf dan box plot berikut.
Catatan
Walaupun pengujian normalitas data bisa dijelaskan lewat Plot, namun pengujian
dengan alat statistik tetap dianjurkan untuk pengambilan keputusan yang tepat.

Dari analisis stem-leaf diketahui terdapat 8 (delapan) titik yang tergolong Ekstrem
dan hal ini juga dapat dilihat dari gambar Box Plot dimana terdapat beberapa (8
titik) yang muncul di atas.
Tes Normaliti mengguakan uji statistik Kolmogorov-Smirnov data juga dapat
dilakukan melalui Non Parametrik Test.
Dalam hal ini dilakukan uji normalitas untuk data Total Kolesterol melalui Non
Parametrik Test.

43

Hipotesis
Ho : Data berdistribusi Normal
H1 : Data tidak berdistribusi Normal
Kriteria Uji
Total Hipotesis H0 apabila p_value < (5%)
Kesimpulan
Asym. Sig (2-tailed) = p_value = 0,042 < (5%), Tolak hipotesis H0 yang berarti
data Total Kolesterol Tidak berdistribusi Normal

B.2. ANALISIS DATA KATAGORIK (Chy Squares)

44

15.

Hubungan IMT terhadap Gula Darah Sewaktu (Katagorik)!

Buat Tabulasi silang IMT dan Gula Darah Sewaktu dan lakukan pengujian
hipotesis

45

Perhatikan kedua tabel di atas !

Terdapat 4 sel (26,7%) sel memiliki expected value kurang dari 5. Hal ini
melanggar asumsi uji Chi Square. Untuk mengatasinya SPSS menyediakan option
Exact untuk menguji hasil Chi Square dalam kondisi tersebut.

Bentuk Uji Hipotesis

H0 : IMT berhubungan / berpengaruhn terhadap Gula Darah
H1 : IMT tidak berhubungan / tidak berpengaruh terhadap Gula darah

Kriteria Uji
Tolak Hipotesis H0 apabila p_value < (5%)

Berdasarkan tabel Chi-Square Test (Exact Sig (2-tailed) diketahui nilai Person
Chi-Square = 9,899 dengan p_value = 0,273 > (5%)
Dengan demikian tidak ada alasan menolak hipotesis H0 yang berarti IMT tidak
berhubungan / tidak berpengaruh terhadap Kadar Gula Sewaktu.

46

16. Hubungan Total Kolesterol terhadap Kejadian PJK

(Katagorik)!

Buat Tabulasi silang Total Kolesterol dan Kejadian PJK, kemudian lakukan
pengujian hipotesis

Bentuk Uji Hipotesis

H0 : Total Kolesterol berhubungan / berpengaruhn terhadap Kejadian PJK
H1 : Total Kolesterol berhubungan / berpengaruhn terhadap Kejadian PJK

Kriteria Uji
Tolak Hipotesis H0 apabila p_value < (5%)

Berdasarkan tabel Chi-Square Test diketahui nilai Person Chi-Square = 1,964

dengan p_value = 0,374 > (5%)
Dengan demikian tidak ada alasan menolak hipotesis H0 yang berarti Total
Kolesterol tidak berhubungan / tidak berpengaruh terhadap Kejadian PJK.

17.

Hubungan Trigliserid terhadap Kejadian PJK (Katagorik) !

47

Buat Tabulasi silang Trigliserid dan Kejadian PJK, kemudian lakukan pengujian
hipotesis

Bentuk Uji Hipotesis

H0 : Trigliserid berhubungan / berpengaruhn terhadap Kejadian PJK
H1 : Trigliserid berhubungan / berpengaruhn terhadap Kejadian PJK

Kriteria Uji
Tolak Hipotesis H0 apabila p_value < (5%)

Berdasarkan tabel Chi-Square Test diketahui nilai Person Chi-Square = 12,195

dengan p_value = 0,002 < (5%)
Dengan demikian hipotesis H0 ditolak yang berarti Kadar Trigliserid berhubungan
/ berpengaruh terhadap Kejadian PJK.

B.3. ANALISIS BEDA RERATA DUA POPULASI (T-TEST)

Analisis beda rata-rata dua populasi digunakan untuk mengetahui signifikansi

perbedaan rata-rata antara dua kelompok populasi. Apabila kedua kelompok
populasi tersebut independen maka digunakan statistik Independent Sample t-Test,

48

dan apabila kedua populasi berpasangan maka digunakan statistik Paired Sample
t-Test.

18.

Apa yang dimaksud Sampel Bebas (Independent Sample)!

Dua buah sampel disebut bebas (independent sample) apabila kedua sampel
tersebut diambil dengan cara berikut.
Dua buah sampel diambil secara bebas (independent) dari dua populasi yang
tidak berhubungan satu dengan yang lainnya. Misalkan dari 100 Wanita dan 150
Pria masing-masing diambil sampel secara random sebanyak 50 Wanita dan 75
Pria. Kedua populasi jelas bebas (independent) karena seseorang tidak mungkin
menjadi Pria dan Wanita secara bersamaan.
Dua buah sampel diambil dari sebuah populasi yang dibagi dua untuk perlakuan
yang sama. Misalkan sebuah populasi terdiri dari 250 orang Balita menderita
Demam. Diambil sampel secara random sebanyak 50 orang Balita diberi obat A
dan 75 orang Balita yang lainnya diberi obat B. Dalam hal ini kedua sampel
adalah bebas walaupun diambil dari populasi yang sama.
Uji beda rata-rata Dua Sampel Independen dapat dilakukan dengan beberapa
statistik berikut.
Independent Sample t-Test apabila populasi Berdistribusi Normal dan
jumlah unit sampel mencukupi. Uji hipotesis statistik dilakukan menggunakan
prosedur Statistik Parametrik
Apabila populasi Tidak Berdistribusi Normal, maka uji hipotesis statistik
dilakukan menggunakan prosedur Non Parametrik. Statistik yang digunakan
antara lain:
o Mann-Whitney Test
o Kolmogorov-Smirnov Test
o Wald-Wolfowitz Test
o Moses Test (menguji variansi)
Uji beda rata-rata Dua Sampel Berpasangan dapat dilakukan dengan beberapa
statistik berikut.
Paired Sample t-Test apabila populasi Berdistribusi Normal dan jumlah unit
sampel mencukupi. Uji hipotesis statistik dilakukan menggunakan prosedur
Statistik Parametrik
Apabila populasi Tidak Berdistribusi Normal, maka uji hipotesis statistik
dilakukan menggunakan prosedur Non Parametrik. Statistik yang digunakan
antara lain:

49

o
o
o
o

Wilcoxon Test
Sign Test
McNemar Test
Marginal Homogenity

Uji beda rata-rata k-Sampel Independen dapat dilakukan dengan beberapa

statistik berikut.
One Way Anova apabila populasi Berdistribusi Normal dan jumlah unit
sampel mencukupi. Uji hipotesis statistik dilakukan menggunakan prosedur
Statistik Parametrik
Apabila populasi Tidak Berdistribusi Normal, maka uji hipotesis statistik
dilakukan menggunakan prosedur Non Parametrik. Statistik yang digunakan
antara lain:
o Kruskal-Willis Test
o Median Test
o Jonckheere-Terpstra Test
Uji beda rata-rata k-Sampel Berpasangan (Berhubungan) dapat dilakukan
dengan beberapa statistik berikut.
Apabila populasi Tidak Berdistribusi Normal, maka uji hipotesis statistik
dilakukan menggunakan prosedur Non Parametrik. Statistik yang digunakan
antara lain:
o Friedman Test
o Konkordansi Kendall Test
o Cochran Test
19.

Apa yang dimaksud Sampel Berpasangan (Paired Sample)!

Dua buah sampel dikatakan perpasangan (paired sample) apabila kedua sampel
tersebut diambil dengan cara berikut.
Paired Replicates. Misalkan sebuah populasi terdiri atas 250 orang Balita yang
menderita Demam. Diambil sampel (responden) secara acak sebanyak 100 orang
Balita. Sebelum diberikan obat Parasetamol, terlebih dahulu diukut suhu
badannya. Kemudian responden diberikan obat Parasetamol. Setelah beberapa
waktu diukur kembali suhu badannya. Berarti terdapat dua ukuran suhu badan,
yaitu data suhu badan sebelum dan data suhu badan setelah diberikan obat
Parasetamol. Data kedua suhu badan tersebut disebut data sampel yang
berpasangan.

50

20.

Independent Sample t-Test !

Uji dua sampel yang bebas (independent sample) dapat dilakukan secara
Parametrik dan Non Parametrik. Apabila test variable berdistribusi Normal maka
dilakukan dengan cara Parametrik, yaitu menggunakan statistik IndependentSample t-Test dan apabila test variable tidak berdistribusi normal maka dilakukan
dengan cara Non Parametrik, yakni menggunakan statistik Kolmogorov-Smirnov
Test; Mann Whitney Test; Wald Wolfowitz Test; dan Moses Test (test Variansi)
Pengujian secara Parametrik

Sebelum melakukan uji hipotesis untuk mengetahui signifikansi perbedaan ratarata antara dua kelompok populasi, maka terlebih dahulu perlu diketahui apakah
variansi data pada kedua keompok populasi tersebut berbeda atau tidak berbeda
signifikan.

51

Untuk mengetahui signifikansi perbedaan variansi pada kedua kelompok populasi

tersebut dapat dilakukan menggunakan statistik Levenes Test.
Bentuk Hipotesis
H0 : Variansi pada kedua kelompok populasi tidak berbeda signifikan
H1 : Variansi pada kedua kelompok populasi berbeda signifikan
Kriteria Uji (menggunakan Levenes Test for Equality of Variance)
Tolak hipotesis H0 apabilap_value < (5%)
Hasil Uji :
P_value = 0,349 > (5%)hipotesis H0 diterima yang berarti variansi data LDL
Kolesterol pada kedua kelompok populasi tidak berbeda signifikan.
Bentuk Uji Hipotesis Kesamaan Rerata
H0 : Rerata LDL Kolesterol pada kedua kelompok Populasi tidak berbeda
H1 : Rerata LDL Kolesterol pada kedua kelompok Populasi berbeda
Kriteria Uji
Tolak hipotesis H0 apabila p_value< (5%)
Hasil Uji :
P_value = 0,656 > (5%)hipotesis H0 diterima yang berarti Rerata kadar LDL
Kolesterol pada kedua kelompok populasi (Negatif PJK dan Positif PJK) tidak
berbeda signifikan.
Kesimpulan
Berdasarkan data ini diperoleh informasi, bahwa mereka yang Positif PJK
cenderung lebih rendah kadar LDL kolesterolnya jika dibandingkan dengan
mereka yang Negatif PJK, tetapi perbedaannya secara statistika tidak berbeda.
Terdapat 180 responden yang negatif PJK dengan rerata LDL kolesterol 130,5444
(tergolong tinggi); dan 70 responden yang positif PJK dengan rerata LDL
kolesterol 127, 6714 (tergolong agak tinggi).
Dalam hal ini, hasil uji menggunakan independent sample t-Test kurang tepat
karena variabel yang diuji (variabel test) atau variabel dependent tidak
berdistribusi normal.
NPAR TESTS
/K-S(NORMAL)=V12
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS
/METHOD=EXACT TIMER(5).

52

EXAMINE VARIABLES=V12
/PLOT BOXPLOT STEMLEAF HISTOGRAM NPPLOT
/COMPARE GROUP
/STATISTICS DESCRIPTIVES
/CINTERVAL 95
/MISSING LISTWISE
/NOTOTAL.

Berdasarkan hasil uji dengan statistik parametrik dan non parametrik seperti
diperlihatkan pada kedua tabel di atas diketahui bahwa LDL Kolesterol tidak
berdistribusi normal.

21.

Two-Sample Kolmogorov-Smirnov Test

Two-Sample Kolmogorov-Smirnov Test digunakan untuk menguji signifikansi

perbedaan rata-rata
NPAR TESTS
/M-W= V12 BY V16(0 1)
/MOSES= V12 BY V16(0 1)
/K-S= V12 BY V16(0 1)
/W-W= V12 BY V16(0 1)
/STATISTICS=DESCRIPTIVES
/MISSING ANALYSIS
/METHOD=EXACT TIMER(5).

53

Two-Sample Kolmogorov-Smirnov Test digunakan untuk menguji signifikansi

perbedaan rata-rata

Bentuk Uji Hipotesis Kesamaan Rerata

H0 : Rerata LDL Kolesterol tidak berbeda

54

H1 : Rerata LDL Kolesterol berbeda

Kriteria Uji
Tolak hipotesis H0 apabila p_value < (5%)
Hasil Uji :
Asymp.Sig. (2-tailed) = p_value = 0,197 > (5%)
Hipotesis H0 diterima
Rerata kadar LDL Kolesterol pada kedua kelompok populasi (Negatif PJK dan
Positif PJK) tidak berbeda signifikan.

22.

Two-Sample Mann-Whitney Test

Mann-Whitney Test digunakan untuk menguji signifikansi perbedaan rata-rata

Bentuk Uji Hipotesis Kesamaan Rerata

H0 : Rerata LDL Kolesterol tidak berbeda
H1 : Rerata LDL Kolesterol berbeda
Kriteria Uji
Tolak hipotesis H0 apabila p_value < (5%)
Hasil Uji :
Asymp.Sig. (2-tailed) untuk adalah 0,474 > (5%)

55

Hipotesis H0 diterima
Rerata LDL Kolesterol pada kedua kelompok populasi tidak berbeda signifikan.

23.

Two-Sample Wald-Wolfowitz Test

Wald-Wolfowitz Test digunakan untuk menguji signifikansi perbedaan rata-rata

Bentuk Uji Hipotesis Kesamaan Rerata

H0 : Rerata LDL Kolesterol tidak berbeda
H1 : Rerata LDL Kolesterol berbeda
Kriteria Uji
Tolak hipotesis H0 apabila p_value < (5%)
Hasil Uji :
Asymp.Sig. (1-tailed) untuk minimum dan maksimum possible adalah 0,000 dan
0,022 < (5%)
Hipotesis H0 ditolak yang
Rerata LDL Kolesterol pada kedua kelompok populasi berbeda signifikan.

24.

Two-Sample Moses Test

Moses Test digunakan untuk menguji signifikansi perbedaan Variansi

56

Bentuk Uji Hipotesis Kesamaan Variansi

H0 : Variansi LDL Kolesterol tidak berbeda
H1 : Variansi LDL Kolesterol berbeda
Kriteria Uji
Tolak hipotesis H0 apabila p_value < (5%)
Hasil Uji :
Asymp.Sig. (1-tailed) = p_value = 0,482 > (5%)
Hipotesis H0 diterima
Variansi LDL Kolesterol pada kedua kelompok populasi (Negatif PJK dan Positif
PJK) tidak berbeda signifikan.

25.

Uji beda rerata Berat Badan menurut kejadian PJK (t-Test) !

57

Bentuk Hipotesis uji perbedaan Variansi

H0 : Variansi pada kedua kelompok populasi tidak berbeda
H1 : Variansi pada kedua kelompok populasi berbeda
Kriteria Uji (menggunakan Levenes Test for Equality of Variance)
Tolak hipotesis H0 apabila p_value < (5%)
Hasil Uji :
P_value = 0,070 > (5%)hipotesis H0 diterima yang berarti variansi Berat Badan
pada kedua kelompok populasi tidak berbeda signifikan.
Bentuk Uji Hipotesis Kesamaan Rerata
H0 : Rerata Berat Badan pada kedua kelompok Populasi tidak berbeda
H1 : Rerata Berat Badan pada kedua kelompok Populasi berbeda
Kriteria Uji
Tolak hipotesis H0 apabila p_value < (5%)
Hasil Uji :
P_value = 0,003 < (5%)hipotesis H0 ditolak yang berarti Rerata Berat Badan
pada kedua kelompok populasi (Negatif PJK dan Positif PJK) berbeda signifikan.
Kesimpulan
Berdasarkan datadiperoleh informasi, bahwa mereka yang Positif PJK cenderung
memiliki Berat Badan yang lebih besar apabila dibandingkan dengan mereka yang
Negatif PJK, dan perbedaannya signifikan. Terdapat 180 responden yang negatif
PJK memiliki rerata berat badan 57,1722 Kg sementara 70 responden yang positif
PJK meiliki rerata berat badan 63,3857 Kg.

B-4. ANALISIS VARIANSI SATU JALUR (ONE WAY ANOVA)

Analisis variansi satu jalur (One Way Anova) digunakan untuk mengetahui
signifikansi berbedaan rata-rata antara beberapa kelompok Populasi yang
independen (lebih dari dua kelompok populasi)

58

26. Uji beda rerata Trigliserid menurut katagori IMT (One Way
Anova)!

Tabel ini menggambarkan rerata kadar Trigliserid menurut katagori Indeks Masa
Tubuh (IMT). Mereka yang berisiko menjadi Obes dan Obes I memiliki rerata
Triglisering yang cenderung lebih tinggi jika dibandingkan dengan katagori IMT
lainnya.

59

Tabel ini menjelaskan uji kesamaan variansi pada masing-masing kelompok

populasi sesuai katagori IMT. Asumsi statistika mengharapkan bahwa variansinya
tidak berbeda.
Bentuk Uji Hipotesis
H0 : Variansi pada masing-masing katagori IMT tidak berbeda
H1 : Variansi pada masing-masing katagori IMT berbeda
Kriteria Uji
Tolak hipotesis H0 apabila p_value < (5%)
Hasil Uji
P_value = 0,000 < (5%) hipotesis H0 ditolak yang berarti Variansi pada masingmasing katagori IMT berbeda. Melanggar asumsi

Tabel ini menunjukkan, bahwa rerata Trigliserid pada masing-masing katagori

IMT berbeda signifikan, karena p_value = 0,013 < (5%); tetapi katagori yang
mana yang berbeda tidak diketahui. Untuk mengetahui katagori yang mana yang
berbeda dapat dilihat pada tabel berikut.

60

Tabel ini menunjukkan perbedaan rerata Trigliserid pada masing-masing katagori

IMT.
Perhatikan Kolom 1 dan 2.
Pada kolom 1 p_value = 0,137 dan pada kolom 2 p_value = 0,122. Hal ini
menentukan, bahwa katagori IMT yang berada pada kedua kolom masuk pada
kolom1 karena kolom 1 memiliki p_value yang lebih besar. Dengan demikian
dapat disimpukan, bahwa:
Kelompok 1 terdiri atas mereka yang memiliki berat badan kuurang, berat
badan normal, Obes I, dan Obes II dianggap memiliki rerata Trigliserid yang
berbeda tidak signifikan.
Kelompok 2 adalah mereka yang berisiko menjadi obes dengan rerata
Trigliserid sebesar 157,9 mg/dL dianggap berbeda signifikan dengan
kelompok 1.

27.

Uji beda rerata Kruskal-Wallis Test!

Kruskal-Wallis Test merupakan uji non parametrik digunakan untuk menguji ratarata lebih dari dua sampel independen, seperti halnya One Way Anova pada uji
parametrik.

61

Bentuk Uji Hipotesis

H0 : Rata-Rata pada masing-masing katagori IMT tidak berbeda
H1 : Rata-Rata pada masing-masing katagori IMT berbeda
Kriteria Uji
Tolak hipotesis H0 apabila p_value < (5%)
Hasil Uji
Asymp. Sig = p_value = 0,003 < (5%)
Hipotesis H0 ditolak
Rata-rata pada masing-masing katagori IMT berbeda signifikan

62

28.

Uji beda rerata Median dan Jocnkheere-Terpstra Test!

Median dan Jocnkheere-Terpstra Test seperti Kruskal-Wallis Test merupakan uji

non parametrik digunakan untuk menguji rata-rata lebih dari dua sampel
independen.

Bentuk Uji Hipotesis

H0 : Rata-Rata pada masing-masing katagori IMT tidak berbeda
H1 : Rata-Rata pada masing-masing katagori IMT berbeda
Kriteria Uji
Tolak hipotesis H0 apabila p_value < (5%)

63

Hasil Uji Median

Asymp. Sig = p_value = 0,005 < (5%)
Hipotesis H0 ditolak
Rata-rata pada masing-masing katagori IMT berbeda signifikan
Hasil Uji Jocnkheere-Terpstra
Asymp. Sig (2-tailed) = p_value = 0,000 < (5%)
Hipotesis H0 ditolak
Rata-rata pada masing-masing katagori IMT berbeda signifikan

29. Uji beda rerata Trigliserid menurut G.Darah (One Way

Anova)!

Tabel ini menggambarkan rerata kadar Trigliserid menurut katagori Gula Darah
Sewaktu. Terdapat kecenderungan makin tinggi Gula Darah Sewaktu makin tinggi
Tribliserid. Rerata trigliserid mereka yang menderita DM (185,8182 mg/dL) lebih
tinggi jika dibandingkan dengan mereka yang mormal (107,8537 mg/dL).

Tabel ini menjelaskan uji kesamaan variansi pada masing-masing kelompok

populasi. Asumsi statistika mengharapkan bahwa variansinya tidak berbeda.
Bentuk Uji Hipotesis
H0 : Variansi pada masing-masing populasi tidak berbeda
H1 : Variansi pada masing-masing populasi berbeda

64

Kriteria Uji
Tolak hipotesis H0 apabila p_value < (5%)
Hasil Uji
P_value = 0,000 < (5%)hipotesis H0 ditolak yang berarti Variansi pada masingmasing kelompok katagori Gula Darah Sewaktu berbeda.

Tabel ini menunjukkan, bahwa rerata kadar Trigliserid pada masing-masing

katagori Gula Darah Sewaktu berbeda signifikan, karena p_value = 0,001 <
(5%); tetapi katagori yang mana yang berbeda tidak diketahui. Untuk mengetahui
katagori yang mana yang berbeda dapat dilihat pada tabel berikut.

Tabel ini menunjukkan perbedaan rerata Trigliserid pada masing-masing katagori

Gula Darah Sewaktu.
Perhatikan Kolom 1 dan 2.
Pada kolom 1 mereka yang tergolong ganguang toleransi gula memiliki kadar
trigiserid (118,5508 mg/dL) lebih tinggi jika dibandingkan dengan mereka
yang memiliki kadar gula normal (107,8537 mg/dL, tetapi bedanya secara
statistik tidak signifikan.
Pada kolom 2, hanya ada mereka yang tergolong Diabetes Melitus (DM).
Dengan demikian mereka yang tergolong DM memiliki rerata Trigliserid
(185,8182 mg/dL) lebih tinggi jika dibandingkan dengan mereka yang
memiliki kadar gula darah sewaktu Normal dan gangguan gula, dan bedanya
signifikan.

65

66

B-5. ANALISIS KORELASI

Analisis korelasi digunakan untuk mengetahui kekuatan hubungan antara dua

variabel yang berskala interval/rasio.
30.

rxy

Korelasi antara dua variabel (Numerik)!

(x

(x

x )( y i y )

x)2 .

(y

y)2

Korelasi antara Sistolik dan Diastolik = 67,6% signifikan dengan p_value =

0,000 < (5%)

67

Korelasi antara LDL dan Total Kolesterol = 89,9% signifikan dengan p_value
= 0,000 < (5%)
Korelasi antara diastolik dan total kolesterol = 3,4% tidak signifikan dengan
p_valus = 0,590 > (5%)

B-6. ANALISIS REGRESI TUNGGAL

Analisis regresi tunggal digunakan utuk mengetahui hubungan antara satu

variabel bebas (independen) dengan satu variabel takbebas (dependen) yang

y i 0 1 xi i
dinyatakan dalam bentuk model regresi
. Variabel bebas dan
takbebas keduanya merupakan variabel berskala interval/rasio.

31.

Pengaruh LDL terhadap Total Kolesterol !

Buat plot data LDL dan Total Kolesterol

68

Perhatikan bahwa LDL dan Total Kolesterol memperlihatkan hubungan linear.

Karena itu cocok dibuat model regresi linier tunggal.

69

Model regresi
y 50,651 1,062 x

dengan p_value = 0,000 dan R2 = 80,8%

Y = Total Kolesterol
X = LDL

Interpretasi Model
LDL berpengaruh positif dan signifikan terhadap Total Kolesterol sebesar
1,062. Artinya stiap meningkatan kadar LDL kolesterol sebesar 1 mg/dL akan
meningkatkan kadar Total Kolesterol sebesar 1,062 mg/dL.
Besarnya kontribusi LDL dalam menentukan perubahan Total Kolesterol
sebesar 80,8%

Asumsi model regresi dapat dipelajari dari grafik / gamber berikut.

Model memenuhi asumsi Autokorelasi karena nilai statistik Durbin Watson
(DW) = 1,882 masih berada dalam kisaran interval [-2 ; 2], atau lebih tepat
dapat dipelajari dari menggunakan tabel DW.
Model memenuhi asumsi Normalitas gambar normalitasnya memenuhi dan
penyebaran titik dekat dengan garis diagonal, tidak terdapat titik yang
terpencil / ekstrem

70

Model memenuhi asumsi homoskedastisitas karena titik-titik menyebar merata

tidak menunjukkan adanya pola tertentu

71

B-7. ANALISIS REGRESI GANDA

Analisis regresi ganda digunakan utuk mengetahui hubungan antara satu variabel
takbebas (dependent) dengan beberapa variabel bebas (independen) yang
y 0 1 x1 2 x 2 k x k
dinyatakan dalam bentuk model regresi
.
Variabel takbebas (dependent) merupakan variabel berskala interval/rasio,
sedangkan variabel bebas boleh merupakan variabel dummi.

32.Pengaruh LDL, Trigliserid, HDL, dan G. PJK terhadap T. Kolesterol !

Model Regresi
y 0,639 0,988 x1 0,206 x2 0,988 x3 0,332 x4

72

Y = Total Kolesterol
X1 = LDL kolesterol
X2 = Trigliserid
X3 = HDL koleterol
X4 = Genetik PJK (0 = negatif ; 1 = positif)
Interpretasi Model
LDL, Trigliserid, dan HDL berpengaruh positif dan signifikan terhadap Total
Kolesterol, semestera genetik PJK pengaruhnya tidak signifikan. Hal ini dapat
dilihat dari masing-masing nilai p_value pada tabel coefficients di atas.

y 0,639 0,988 x1 0,206 x2 0,988 x3

Model genetik PJK Negatif :

Model genetik PJK Positif :

Berdasarkan kedua model ini dapat disimpulkan bahwa total kolesterol untuk
mereka yang Genetik PJK Positif cenderung lebih tinggi jika dibandingkan
dengan mereka yang Genetik PJK Negatif, tetapi bedanya tidak signifikan
Besarnya kontribusi LDL, Trigliserid, HDL, dan genetik PJK dalam
menentukan perubahan Total Kolesterol adalah sebesar r2 = 99%.

y (0,639 0,332) 0,988 x1 0,206 x2 0,988 x3

Asumsi Model Regresi

Model melanggar asumsi normalitas karena gambar kurva normalitas tidak
baik dan titik-titik menyebar jauh dari garis diagonal
Model melanggar asumsi homokedastisitas karena penyebaran titik
membentuk pola tertentu. Hampir semua titik menyebar sepanjang garis nol.
Model memenuhi asumsi Autokorelasi karena nilai statistik Durbin Watson
(DW) = 1,994 masih berada dalam kisaran interval [-2 ; 2], atau lebih tepat
dapat dipelajari dari menggunakan tabel DW
Model memenuhi asumsi Multikolinieritas karena nilai VIF mendekati angka
1. Beberapa Statistisien menganggap apabila nilai VIF berada dalam interval
[-5 ; 5] bahkan ada yang menyebut berkisar [-10 ; 10] masih dianggap
memenuhi asumsi multikolinieritas

73

74

B-8. ANALISIS REGRESI LOGISTIK BINER

Analisis regresi logistik biner digunakan utuk mengetahui hubungan antara satu
variabel takbebas (dependent) dengan satu atau beberapa variabel bebas
(independen) yang dinyatakan dalam bentuk model regresi berikut.
( x )=

exp( g( x ))
1+exp(g ( x))

dengan
( x )=P ( y=1|x )

yang menyatakan besarnya peluang terjadinya peristiwa

(misal kejadian PJK) menurut kondisi x tertentu.

g ( x ) =ln

(x)
= 0 + 1 x 1 + 2 x 2 a + + k x k
1 ( x)

Variabel takbebas (dependent) merupakan variabel katagorik dengan dua katagori.

Dalam contoh kasus di bawah ini, variabel takbebas Y = Kejadian PJK. Y = 0
untuk PJK negatif, dan Y = 1 untuk PJK positif.

33.Pengaruh B. Badan, Trigiserid, dan HDL terhadap Kejadian PJK !

LOGISTIC REGRESSION VARIABLES V16
/METHOD=ENTER V5 V10a V11a
/CONTRAST (V10a)=Indicator
/CONTRAST (V11a)=Indicator
/SAVE=PRED
/CLASSPLOT
/PRINT=GOODFIT CI(95)
/CRITERIA=PIN(0.05) POUT(0.10) ITERATE(20) CUT(0.5).

75

76

Tabel Case Processing Summary menjelaskan jumlah responden yang

diperhitungkan di dalam model. Dalam hal ini jumlah responden yang
diperhitungkan dalam analisis atau diperhitungkan di dalam model sebanyak 250
orang (100%).

Tabel Dependent Variable Encoding menjelaskan katagori variabel dependen.

y
adalah kejadian PJK (Penyakit Jantung Koroner).
y
merupakan variabel katagorik satu-nol
y

= 1 Positif
y

= 0 Negatif

Omnibus test of model coefficient memiliki pengertian yang sama dengan Uji F
pada model regresi linier sederhana (ganda), yaitu menjelaskan pengaruh simultan
atau pengaruh bersama-sama dari variabel prediktor terhadap variabel respon.
Bentuk Uji Hipotesis

H 0 : 1= 2= 3 =0

BB, Trigliserid, dan HDL secara simultan tidak

berpengaruh terhadap kejadian PJK

77

H 1: i 0

minimal ada satu dari variabel BB, Trigliserid, atau HDL

berpengaruh signifikan terhadap kejadian PJK

Kriteria Uji
Tolak hipotesis

H0

apabila nilai p_value (Sig) <

(5 ) .

Pada tabel Omnibus test of model coefficient diketahui nilai chi-square goodness
of fit atau nilai p_value = Sig = 0,000 < =5 , yang berarti minimal ada satu
dari variabel BB, Trigliserid, atau HDL berpengaruh signifikan terhadap kejadian
PJK

Nagelkarke R square merupakan koreksi dari Cox & Snell R square. Cox & Snell
R square dan Nagelkarke R square memiliki pengertian yang sama dengan nilai
R-squares pada Model Regresi Linier Sederhana atau Ganda, yaitu menjelaskan
besarnya kontribusi variabel prediktor (bebas) dalam menentukan perubahan
variabel respon (terikat).
Nagelkarke R square = 0,123 = 12,3% yang berarti bahwa besar kontribusi BB,
Trigliserid, dan HDL dalam menentukan kejadian PJK adalah 12,3%, sementara
sisanya sebesar 87,3% ditentukan oleh variabel lain yang tidak diperhitungkan di
dalam model.

78

Classification table menjelaskan banyaknya responden atau persentase responden

yang diprediksi secara benar mengalami kejadian PJK atau tidak mengalami
kejadian PJK.

Berdasarkan hasil observasi, jumlah responden yang Positif PJK sebanyak 70

orang.
Berdasarkan hasil perhitungan Statistik, Jumlah responden yang diprediksi
secara benar Positif PJK sebanyak 14 orang dari 70 orang atau (20,0%)
Berdasarkan hasil observasi, jumlah responden yang Negatif PJK sebanyak
180 orang.
Berdasarkan hasil perhitungan Statistik, Jumlah responden yang diprediksi
secara benar Negatif PJK sebanyak 175 orang dari 180 orang atau (97,2%)
Overall Percentage sebesar 75,6% merupakan ukuran ketepatan model dalam
mengklasifikasikan data hasil observasi.

79

Tabel variable in equation menggambarkan signifikansi pengaruh LDL,

Trigliserid, dan genetik PJK terhadap kejadian PJK
Bentuk Uji Hipotesis
H 0 : i=0

variabel bebas ke-i berpengaruh terhadap kejadian PJK

H 1: i 0

Kriteria Uji
Tolak hipotesis

variabel bebas ke-i tidak berpengaruh terhadap kejasian PJK

H0

apabila nilai p_value (Sig) <

=5 .

Hasil uji menunjukkan bahwa nilai p_value untuk BB, Trigliserid, HDL semuanya
< =5 , yang berarti BB, Trigliserid, dan HDL berpengaruh signifikan
terhadap kejadian PJK.
Bentuk model regresi yang menggambarkan hubungan umur dan Status Penyakit
Jantung adalah sebagai berikut.
( x )=P ( y=1|x )=

g ( x ) =ln

exp( g( x ))
1+exp(g ( x))

(x)
= 0 + 1 x1 + 2 x2 a + 3 x2 b + 4 x3
1 ( x)

g ( x ) =1,449+ 0,032 x 11,114 x 2 a1,752 x 2 b0,643 x 3

Dengan
X1 = Berat Badan
X2a = Trigliserid (1 = Normal; 0 = Lainnya)
X2b = Trigliserid (1 = Agak Tinggi ; 0 = Lainnya)
X3 = HDL Kolesterol (1 = Normal ; 0 = Rendah)
Interpretasi Model
Berat Badan dan Trigliserid berpengaruh positif dan signifikan terhadap
kejadian PJK
HDL berpengaruh negatif terhadap kejadian PJK
Makin tinggi Berat Badan maka peluang Positif PJK makin besar
Makin tinggi kadar trigliserid makin tinggi peluang Positif PJK
Makin tinggi HDL kolesterol makin kecil peluang Positif PJK
Model Trigliserid Normal:

80

g ( x ) =(1,4491,114)+0,032 x 10,643 x 3

Model Trigliserid Agak Tinggi :

g ( x ) =(1,4491,752)+0,032 x 10,643 x 3

Model Trigliserid Tinggi:

g ( x ) =1,449+ 0,032 x 10,643 x 3

Model HDL Normal :

g ( x ) =(1,4490,643)+0,032 x 11,114 x 2 a1,752 x 2b

Model HDL Rendah :

g ( x ) =1,449+ 0,032 x 11,114 x 2 a1,752 x 2 b

list var V5 V10a V11a V16 Pre_1.

V5

V10a

V11a

V16

PRE_1

60.00
69.00
41.00
42.00
58.00
38.00
46.00
68.00
48.00
48.00
52.00
83.00
106.00
106.00
106.00
88.00
88.00
64.00
58.00
63.00
55.00
82.00
82.00
82.00
52.00
52.00
52.00
59.00
68.00
76.00
76.00
50.00
50.00
50.00

1.00
1.00
1.00
1.00
1.00
1.00
1.00
2.00
2.00
2.00
2.00
2.00
2.00
2.00
2.00
2.00
2.00
2.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00

.00
1.00
.00
.00
.00
1.00
.00
.00
1.00
1.00
.00
.00
.00
.00
.00
.00
.00
1.00
.00
.00
1.00
.00
.00
.00
.00
.00
.00
.00
1.00
1.00
1.00
1.00
1.00
1.00

.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
1.00
1.00
1.00
.00
.00
.00
1.00
1.00
1.00
.00
.00
.00
.00
.00
.00
.00
1.00
1.00
1.00
1.00
1.00
1.00

.21711
.41298
.13107
.13476
.20641
.20666
.15042
.15918
.15938
.15938
.10182
.23440
.39019
.39019
.39019
.26437
.26437
.24048
.44198
.48179
.57768
.63089
.63089
.63089
.39522
.39522
.39522
.44990
.67478
.72835
.72835
.53817
.53817
.53817

81

67.00

3.00

Number of cases read:

1.00

250

.00

.66771

Number of cases listed:

250

82