Modul SPSS Besral 2013

ANALISIS DATA RISET KESEHATAN
MENGGUNAKAN SPSS
TINGKAT DASAR
Oleh: BESRAL
Departemen Biostatistika - Fakultas Kesehatan Masyarakat
Universitas Indonesia
Besral, FKM UI, 2012
Modul SPSS
KATA PENGANTAR
Pengolahan dan Analisa Data merupakan dua proses yang sangat menentukan dalam
pengelolaan data menjadi suatu informasi. Kecepatan dalam pengolahan dan keakuratan
dalam analisa akan sangat menentukan kualitas informasi dan pengambilan kesimpulan
hasil suatu kegiatan riset, monitoring, dan evaluasi, baik menggunakan data primer
maupun menggunakan data sekunder (Rekam Medis, Susenas, Riskesdas, atau SDKI).
Telah banyak buku dan modul pengolahan dan analisis data yang tersedia, namun
hanya sedikit yang memberikan contoh-contoh nyata bidang kesehatan dan kedokteran
yang mudah dipahami oleh peneliti dan mahasiswa bidang kesehatan.
Buku ini disusun secara sistematis dan rinci, dengan memberikan contoh nyata di
bidang kesehatan dan kedokteran dalam pengolahan dan analisis data, yang dipandu
selangkah demi selangkah untuk tahap- tahap penyelesaiannya. Di setiap akhir Bab,
disajikan contoh TABEL bagaimana cara penyajian data dan menuliskan interpretasinya.
Penggunaan buku ini dilengkapi dengan file-file data yang dibutuhkan untuk dapat
menjelaskan contoh-contoh soal dan penyelesaiannya, yaitu data IBU_BAYI_189.SAV,
TNG.SAV, Lebak-1.SAV, Lebak-2.SAV.
Analisis data yang dibahas dalam buku ini dibatasi hanya sampai pada tahap menguji
hubungan sederhana antara dua variabel (bivariate). Kesimpulan yang didapat dari hasil uji
bivariat belum tentu akurat karena analisisnya masih kasar (crude analysis). Untuk
mendapatkan kesimpulan yang lebih akurat dalam menguji hubungan secara bersama-sama
dari beberapa variabel prediktor atau variabel independen, sekaligus mengontrol pengaruh
dari variabel perancu dan variabel interaksi, maka harus dilakukan analisis multivariat.
Buku analisis data multivariat dengan judul Analisis Data Multivariat Riset Kesehatan
merupakan seri kedua dari buku analisis data menggunakan SPSS.
Semoga buku atau modul analisis data ini bermanfaat bagi peneliti dan mahasiswa
bidang kesehatan dan kedokteran untuk membantu dalam pengolahan dan analisa data,
baik analisa data skripsi, thesis, maupun analisa data untuk monitoring dan evaluasi
program kesehatan. Kritik dan saran kami terima dengan senang hati untuk kesempurnaan
buku ini.
Depok, Februai 2013
BESRAL
(besral@yahoo.com)
AnalisaDataRisetKesehatan:TingkatDasar
Hal:1dari139
Modul SPSS
DAFTAR ISI
Kata Pengantar
Daftar Isi
1. Pengantar SPSS
1.1. Memulai SPSS
1.2. Jendela SPSS (Data & Variabel)
1.3. Jendela SPSS Output
1.4. Memasukkan (Entry) Data
1.5. Mengedit Data (Delete/Copy))
1.6. Menyimpan (Save) Data
1.7. Membuka(Open) Data SPSS
1.8. Membuka (Open) Data dBase
4
5
6
8
8
12
14
15
15
2. Statistika Deskriptif
2.1. Buku Kode
2.2. Analisis Deskriptif data kategori
2.3. Penyajian hasil Analisis Deskriptif data kategori
2.4. Analisis Deskriptif data numerik
2.5. Grafik HISTOGRAM
2.6. Uji NORMALITAS
2.7. Penyajian hasil Analisis data numerik
18
19
19
21
23
27
28
30
3. Transformasi Data
3.1. Pengertian Transformasi Data
3.2. Analisis Deskriptif
3.3. PERINTAH RECODE
3.4. PERINTAH COMPUTE
3.5. PERINTAH IF
3.6. PERINTAH SELECT
31
32
35
38
41
43
46
4. Merge File Data

4.1. Pengertian Merge
4.2. MERGE dengan ADD VARIABEL
4.3. MERGE dengan ADD CASES
4.4. MERGE antara INDIVIDU dengan RUMAHTANGGA
48
49
51
53
55
58
58
59
61
64
Konsep Uji Statistik

Rumusan Hipotesis
Kemungkinan salah dalam uji hipotesis
Menentukan Tingkat Kemaknaan
Pemilihan Jenis Uji Statistik
5. Uji Beda 2-Rata-rata (t-test)

5.1. Pengertian
5.2. Konsep Uji Beda Dua Rata-rata
5.3. Aplikasi Uji-t Dependen pada Data Berpasangan
5.4. Penyajian Hasil Uji-t Dependen pada Data Berpasangan
5.5. Aplikasi Uji-t pada Data Independen
65
65
65
66
71
72
Hal:2dari139
Modul SPSS
5.6. Penyajian Hasil Uji-t Independen
76
6. Uji Beda > 2-Rata-rata (ANOVA)

6.1. Pengertian
6.2. Konsep Uji ANOVA
6.3. Aplikasi Uji ANOVA
6.4. Transformasi Jika Varians Tidak Homogen
6.5. Penyajian Hasil Uji ANOVA
77
78
80
81
86
88
7. Uji Beda Proporsi (2) Chi-Square

7.1. Pengertian
7.2. Konsep Uji Chi Square
7.3. Aplikasi Uji 2 pada Tabel Silang 2 x 2
7.5. Dummy Variabel
7.6. Regresi Logistik Sederhana
7.6. Penyajian Hasil Uji Beda proporsi
90
91
92
93
96
97
100
102
8. Uji Korelasi & Regresi Linier

8.1. Pendahuluan
8.2. Asumsi Normalitas
8.3. Aplikasi Uji Korelasi Pearson
8.4. Aplikasi Regresi Linier (Sederhana)
8.5. Penyajian dan Interpretasi hasil Regresi Linier
8.6. Memprediksi nilai Y
104
105
108
108
112
114
115
9. Uji Validitas dan Reliabilitas Instrumen

9.1. Pendahuluan
9.2.Contoh pertanyaan yang valid dan tidak valid
9.3. Langkah-langkah uji validitas dan reliabilitas
9.4. Penyajian dan interpretasi hasil uji validtas dan reliabilitas
9.5. Latihan uji validitas dan reliabilitas
116
117
120
121
124
125
DAFTAR PUSTAKA
Hal:3dari139
Modul SPSS
Pengantar SPSS
SPSS Windows merupakan perangkat lunak statistik multiguna yang bermanfaat

untuk mengolah dan menganalisis data penelitian. SPSS menggunakan menu serta
kotak dialog untuk memudahkan dalam memproses data. Sebagian besar perintah
SPSS dapat dilakukan dengan mengarahkan dan mengklik mouse.
Setelah mempelajari BAB ini, peserta mampu:

-
1. Mengaktifkan program SPSS dan menjalankannya
2. Menjelaskan berbagai jenis tampilan program SPSS (Data Editor, Data view,
Variabel view, Output, dll)
3. Membuat Variabel dan Lable serta Value labelnya (Name, Type, Lebar, Decimal,
Label, Value, dll)
4. Memasukkan data ke program SPSS (entry)
5. Menyimpan file SPSS (save)
6. Membuka File SPSS (open)
Hal:4dari139
Modul SPSS
1.1. MEMULAI SPSS

Pertamakali kita harus memastikan bahwa komputer kita sudah diinstall program SPSS for
Windows. Sama seperti program Windows lainnya, untuk mengaktifkan SPSS dimulai
dari menu Start
1. Klik Start Program SPSS for Windows SPSS 10.0 for Windows.
2. Pada menu SPSS tertentu (versi 10.x) akan muncul jendela sebagai berikut:
3. Silakan klik (.) Type in data kemudian tekan Enter atau klik OK.
4. Layar akan terbuka Untitled - SPSS Data Editor seperti pada gambar berikut:
Selanjutnya disebut sebagai Jendela Data Editor. Karena belum ada data, maka
tampilannya masih kosong.
5. Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2) Variabel
View.
Hal:5dari139
Modul SPSS
1.2. JENDELA SPSS

Setelah mengaktifkan SPSS akan muncul 2 jendela yaitu SPSS
Data Editor dan SPSS Output.
1.2.1. JENDELA SPSS DATA EDITOR

Jendela SPSS Data Editor (selanjutnya disebut jendela data) mempunyai 2
tampilan yaitu (1) Data View dan (2) Variabel View. Data view akan
menampilkan database dalam bentuk angka, sedangkan Variabel view
menampilkan keterangan tentang variabel yang mencakup: Nama Variabel, Type,
Label, Values, dll.
1.2.1.A DATA VIEW
Apabila sudah ada data dalam format SPSS (BAYI.SAV), kita bisa membuka data
tersebut kemudian bentuk tampilannya pada jendela data atau Data view adalah
seperti gambar di atas. (Prosedur lengkap untuk membuka data BAYI.SAV dapat
dilihat pada bagian 1.6).
Hal:6dari139
Modul SPSS
1.2.1.B. VARIABEL VIEW
Name atau nama variabel: Aturan pemberian nama variabel adalah 1) Wajib diawali
dengan Huruf, dan 2) tidak boleh lebih dari 8 karakter, serta 3) tidak boleh ada
spasi (spacebar) dan tanda baca lainnya. Misalnya, komputer tidak menerima
Jenis Kelamin atau Je-kel sebagai variabel, tetapi bisa menerima
Kelamin sebagai variabel. Catatan: Pada program SPSS versi 13.0 ke atas
jumlah karakter satu variabel boleh lebih dari 8 dan dibolehkan sampai 20
karakter.
Type atau jenis data: Jenis data yang akan dientry kedalam SPSS dibedakan hanya 2 saja,
yaitu 1) Angka atau Numerik (angka: misalnya 18 tahun ) dan 2) Huruf atau
String (huruf: misalnya Amin, Laki-laki, Jalan Petasan)
Label atau keterangan variabel: Karena nama variabel tidak boleh lebih dari 8 karakter,
biasanya pemberian nama variabel menggunakan singkatan, supaya singkatan
tersebut dapat dimengerti maka kita bisa memberi keterrangan atau penjelasan
terhadap variabel tersebut di kolom label. Misalnya pada variabel Kelamin
kita bisa memberi label Jenis Kelamin Anak Balita, variabel Food_exp
bisa diberi label dengan Food expenditure per month atau Pengeluaran
keluarga untuk makanan satu bulan.
Values atau kode variabel: Jenis kelamin dapat kita masukkan dengan mengetik Laki
atau Perempuan, tetapi hal ini tidak efisien (waktu dan tenaga hilang
percuma). Sebaiknya kita beri kode 1=Laki dan 2=Perempuan, sehingga
kita cukup memasukkan angka 1 atau 2. Supaya nantinya output SPSS yang
muncul untuk Kelamin bukan angka 1 dan 2 tetapi yang muncul adalah Laki
dan Perempuan, maka kita perlu mengisi Values.
Hal:7dari139
Modul SPSS
1.3. JENDELA SPSS OUTPUT

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

Apabila kita belum punya data SPSS (masih mulai dari awal untuk memasukkan data),
maka jendela data yang muncul masih kosong. Untuk memulainya, kita dapat membuka
jendela Variabel Vew terlebih dahulu dengan cara meng-klik-nya, selanjutnya mulailah
membuat variabel yang dibutuhkan dengan cara mengetik nama variabel yang diinginkan.
Setelah proses pembuatan varaibel selesai, selanjutnya buka jendela Data Vew dan
masukkan datanya. Sebagai latihan gunakan contoh data berikut:
Hal:8dari139
Modul SPSS
Contoh data untuk latihan memasukkan/entry data

No
1
2
3
4
5
6
7
8
9
10
Nama
Amin
Aminah
Yoyo
Yamin
Yongki
Yayang
Yovi
Yeny
Yellow
Yeti
Kelamin
Laki
Perempuan
Lelaki
Laki
Laki
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Umur }
28
20
36
30
32
24
22
26
25
21
Variabel/field
Data/record/responden
1.4.1 PEMBERIAN NAMA, TYPE, & LABEL VARIABEL

Untuk dapa memasukkan data di atas kedalam program SPSS, maka terlebih dahulu
kita harus membuat mendefinisikan dan membuat VARIABEL atau FIELD pada
jendela Data Editor Variable View.
Bukalah jendela Data Editor, kemudian klik Variabel View, kemudian ketik nama
variabel sebagai berikut:
a. variabel NOMOR:
Pada kolom Name baris pertama, ketiklah nomor kemudian tekan enter.
Biarkan Type-nya Numerik karena pada variabel NOMOR data yang ingin
dimasukkan adalah berbentuk angka. Kemudian kolom Label ketik kalimat berikut
Jenis Kelamin Responden.
b. variabel NAMA:
Pada kolom Name baris kedua, ketiklah nama kemudian tekan enter. Type-nya
ganti dengan String karena pada variabel NAMA data yang ingin dimasukkan
adalah berbentuk huruf. Kemudian kolom label ketik kalimat berikut Nama
Responden.
Hal:9dari139
Modul SPSS
Cara mengganti type dari Numerik menjadi String adalah dengan mengklik bagian
akhir dari Numerik, sehingga muncul menu Variabel Type sebagai berikut:
Klik di sini, untuk merubah Type Variabel, seperti gambar dibawah ini
Gantilah Numerik dengan mengklik String, kemudian klik OK, hasilnya sebagai
berikut:
Karena nama responden membutuhkan ruang yang cukup luas, misalnya kita ingin
mengetik nama responden sampai 20 karakter, maka silakan ganti With dari 8 menjadi
20.
1.4.2 PEMBERIAN KODE VALUE LABELS

Penting untuk diingat pada data kategorik atau kualitatif (kelamin, pendidikan,
pekerjaan, dll) data yang dimasukkan ke komputer (entry) biasanya untuk efisiensi
maka data tersebut dirobah kedalam bentuk kode angka (1=laki, 2=Perempuan).
Supaya pada saat analysis data tidak terjadi kebingungan, sebaiknya kode tersebut
diberi label, dengan langkah sebagai berikut:
c. variabel KELAMIN:
Hal:10dari139
Modul SPSS
Pada kolom name baris ketiga, ketiklah Kelamin kemudian tekan enter. Typenya biarkan numerik karena pada variabel KELAMIN data yang ingin dimasukkan
adalah berbentuk angka 1 atau 2. Kemudian kolom label ketik Jenis Kelamin
Responden.
Untuk membuat value label bahwa kode 1 adalah Laki-laki dan kode 2 adalah
Perempuan, maka klik kolom Values dan isi sebagai berikut:
1. Pada kotak Value isi dengan angka 1
2. Pada kotak Value Label ketik Laki Laki
3. Kemudian klik Add. Sehingga muncul 1=Laki-laki pada kotak bawah.
Ulangi prosedur tersebut untuk kode 2=Perempuan,

1. Pada kotak Value isi dengan angka 2
2. Pada kotak Value Label ketik Perempuan
3. Kemudian klik Add. Sehingga muncul 2=Perempuan pada kotak bawah.
Setelah selesai klik OK.
d. variabel UMUR:
Pada kolom Name baris keempat, ketiklah umur kemudian tekan enter. Type-nya
biarkan numerik. Jika angka desimal tidak diperlukan, rubahlah Decimals pada kolom
ke tiga, sehingga isinya menjadi angka 0 (nol).
1.4.3 MEMASUKKAN DATA

Bukalah Data View dengan cara mengkliknya, Kemudian ketik data berikut, seperti
data contoh latihan entry data di halaman 5:
Hal:11dari139
Modul SPSS
1.5. MENGEDIT DATA (DELETE & COPY)

Editing data biasanya dilakukan untuk menghapus (delete), menggandakan (copy), atau
memindahkan (remove) data atau sekelompok data.
1.5.1 MENGHAPUS (DELETE) DATA PADA SEL TERTENTU

Misalnya, ada data yang salah ketik dan ingin dihapus atau diganti dengan data yang
benar. Lakukan prosedur sebagai berikut:
1. Pilih sel atau data yang akan dihapus dengan meng-klik (bisa dipilih sekelompok
data sekaligus dengan cara mem-blok angka dari 36 sampai dengan 24)
2. Tekan tombol Delete (pada keyboard) untuk menghapus data tersebut.
Hal:12dari139
Modul SPSS
1.5.2 MENGHAPUS (DELETE) DATA VARIABEL

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

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

Prosedur penggandaan (copy) data pada SPSS mirip dengan prosedur meng-copy pada
umumnya dalam perintah komputer. Sebagai berikut:
1. Dimulai dengan memilih data atau sel yang akan dicopy dengan cara meng-klik
(pemilihan dapat dilakukan pada sekelompok data, variabel, atau record)
Hal:13dari139
Modul SPSS
2. Kemudian pilih menu Edit Copy (atau Ctrl + C, pada key board)
3. Kemudian letakkan kursor pada lokasi yang akan dicopykan
4. Kemudian pilih menu Edit Paste (atau Ctrl + V, pada key board)
1.6. MENYIMPAN (SAVE) DATA

Pilihlah (kemudian klik) gambar disket yang ada di kiri atas atau Pilih File Save.
Atau File Save As..
Jika kita baru menyimpan untuk pertamakali, maka akan muncul menu seperti
gambar di atas (menu Save As..). Menu ini hanya muncul pertama kali saja,
selanjutnya tidak muncul lagi, kecuali dengan perintah Save As.
Isi kotak File name dengan Latihan 1 Pilihlah Save in untuk menentukan
apakah kita akan menyimpan di Disket (Floppy: A) atau di Hardisk:C. Jika kita
pilih hardisk, jangan lupa untuk menentukan lokasi Directory mana tempat
penyimpanan tersebut. Klik save untuk menjalankan proses peyimpanan.
Hal:14dari139
Modul SPSS
Selesai proses Saving, perhatikan di kiri atas Untitled SPSS Data Editor sudah
berubah menjadi Latihan 1 SPSS Data Editor
1.7. MEMBUKA (OPEN) DATA SPSS

Jika kita sudah mempunyai data dalam format SPSS yang disimpan di Disket atau di
Hardisk, silakan buka dengan SPSS, sebagai berikut:
1. Pastikan kita berada di layar SPSS Data Editor, kemudian pilihlah menu File
Open
2. Pada File of type, pilihan standarnya adalah SPSS (*.sav), jika bukan ini yang
muncul maka kita harus memilihnya terlebih dahulu
3. Pada Look in, pilihlah Drive yang sesuai (A:C:D) dan Directory tempat data
tersimpan (mis. C:\Data\.)
4. Akan muncul daftar File yang ber-extensi.SAV, pilihlah file yang akan kita buka
dengan mengklik file tersebut, kemudian klik Open
1.8. MEMBUKA (OPEN) DATA.DBF

SPSS punya kemampuan untuk membuka data dari Format lain seperti Dbase, Lotus,
Excell, Foxpro, dll. Misalnya kita punya data Tangerang.DBF yang disimpan di Disket
atau di Hardisk, silakan buka dengan SPSS, sebagai berikut:
1. Pastikan kita berada di layar SPSS Data Editor, kemudian pilihlah menu File
Open
2. Pada File of type, pilihlah dBase (*.dbf). (Selain dBASE kita bisa memilih
program pengolah kata lainnya yang sesuai dengan keinginan)
Hal:15dari139
Modul SPSS
3. Pada Look in, pilihlah Floppy:A, jika data kita ada di Disket
4. Secara otomatis akan muncul list file yang berekstensi DBF, klik file yang ingin
dibuka, misalnya file Tangerang kemudian klik Open.
5. Maka data Tangerang.DBF akan muncul di Untitled SPSS Data Editor.

Laporan dari proses konversi data dari dBase tersebut akan dimunculkan di
Output SPSS Viewerdan Datanya sendiri akan muncul di Data View
Hal:16dari139
Modul SPSS
6. Agar data tersebut tersimpan dalam bentuk file SPSS (*.SAV), maka kita harus
menyimpannya dengan cara mengklik gambar disket di kiri atas atau pilih menu
File Save. Isi kotak File dengan nama yang kita inginkan, misalnya DATA
TNG atau TANGERANG. Klik Save untuk menjalankan prosedur
penyimpanan.
Setelah klik save, pastikan kiri atas layar monitor kita yang sebelumnya muncul Untitled
SPSS Data Editor telah berubah menjadi TANGERANG SPSS Data Editor.
Pastikan kita menyimpan setiap saat data yang sudah diolah, agar jika sewaktu-waktu
komputer mengalami kerusakan (mis. Listrik mati, komputer hang), maka kita tidak
kehilangan data.
Hal:17dari139
Modul SPSS
Statistik Deskriptif
Statistik deskriptif yang akan dijelaskan pada bab ini dibatasi hanya pada
nilai frekuensi dan nilai pusat (central tendency). Nilai frekuensi untuk
data atau variabel kategorik dapat dimunculkan dalam bentuk frekuensi
absolut atau proporsi atau persentase. Sedangkan nilai pusat untuk data
atau variabel numerik dapat dimunculkan dalam bentuk nilai tengah
(mean, median, & modus) dan nilai sebaran (Mininum, maksimum, &
SD) dan nilai posisi (median, kuartil, & persentil). Selain itu, pada
statistik deskriptif ini juga akan dilengkapi dengan pembuatan berbagai
jenis grafik seperti histogram untuk data numerik dan grafik batang untuk
data kategorik.

-
1. Menjelaskan Buku Kode
2. Melakukan Analisis Deskriptif Data Kategorik
3. Menyajikan Hasil Analisis Deskriptif Data Kategorik
4. Melakukan Analisis Deskriptif Data Numerik
5. Menyajikan Hasil Analisis Deskriptif Data Numerik
6. Membuat Grafik Histogram
7. Melakukan Uji Normalitas
Hal:18dari139
Modul SPSS
2.1. BUKU KODE

Mulai Bab 2 kita akan membicarakan prosedur statistik deskriptif yang sering
digunakan dalam melakukan analisis data. Untuk data latihan, kita akan menggunakan file
IBU_BAYI_189.SAV yang berisi variabel yang mempengaruhi berat bayi lahir. Agar kita
bisa mengolah data tersebut, maka kita harus mengetahui keterangan dari variabel dan
value-nya yang biasanya dimuat dalam buku kode. Buku kode untuk file tersebut adalah
sebagai berikut:
Variabel
Keterangan
ID
Nomor identifikasi responden
UMUR
Umur ibu (tahun)
BBIBU_1
Berat badan ibu (kg) sebelum hamil (Pre-)
BBIBU_2
Berat badan ibu (kg) sesudah melahirkan (Post-)
ROKOK
Kebiasan merokok dari ibu

0 = Tidak
1 = Ya
HT
Penyakit hipertensi pada ibu

0 = Tidak
1 = Ya
BBAYI
Berat bayi lahir (gram)
DIDIK
Pendidikan ibu
0 = Rendah
1 = Sedang
2 = Tinggi
BBLR
Status berat bayi lahir rendah

0 = Tidak
1 = Ya
Dalam melakukan analysis data, kita harus memahami terlebih dahulu konsep dari jenis
data statistik yaitu data Numerik dan data Kategorik. Data numerik adalah data yang
berbentuk angka (kombinasi dari 0,1,29), yang merupakan gambaran dari hasil
mengukur atau menghitung. Sedangkan data kategorik merupakan data yang berbentuk
pernyataan, kualitas, atau pengelompokan (misalnya: laki/perempuan, baik/buruk,
setuju/tidak setuju, SD/SMP/SMU/PT, rendah/sedang/tinggi, dll).
Analysis data numerik akan berbeda dengan analisis data kategorik, termasuk cara
penyajian dan cara interpretasinya. Data numerik biasanya ditampilkan dalam bentuk nilai
tengah dan nilai sebaran (misalnya nilai rata-rata dan standar deviasi). Sedangkan data
kategorik ditampilkan dalam bentuk persentase atau proporsi.
2.2. ANALYSIS DESKRIPTIF DATA KATEGORIK

Hal:19dari139
Modul SPSS
Cara yang paling sering digunakan untuk menampilkan data katagorikal adalah
dengan menggunakan tabel distribusi frekuensi. Kita akan coba membuat tabel
distribusi frekuensi pendidikan ibu dari file IBU_BAYI_189.SAV.
1.
2.
Bukalah file IBU_BAYI_189.SAV, sehingga data tampak di jendela Data Editor

(prosedur untuk membuka file dapat dilihat pada bagian 1.7).
Prosedur untuk menampilkan distribusi frekuensi adalah sebagai berikut:
Dari menu utama, pilihlah:
Analyze
Descriptive Statistic <
Frequencies
Pada layar tampak kotak dialog seperti gambar berikut:
3.
Pada kotak dialog tersebut, klik pada variabel DIDIK yang terdapat pada kotak
sebelah kiri. Kemudian klik tanda >, sehingga kotak dialog menjadi seperti
gambar berikut:
4.
Klik OK untuk menjalankan prosedur. Pada jendela output tampak hasil seperti
berikut:
Hal:20dari139
Modul SPSS
DIDIK
Valid
SD
SMP
SMA
Total
Frequency
47
84
58
189
Percent
24.9
44.4
30.7
100.0
Valid Percent
24.9
44.4
30.7
100.0
Cumulative
Percent
24.9
69.3
100.0
Pada kolom Frequency menunjukkan jumlah kasus dengan nilai yang sesuai. Jadi
pada contoh di atas, ada 47 ibu yang berpendidikan SD dari 189 ibu yang ada.
Proporsi dapat dilihat pada kolom Percent, pada contoh di atas, ada 24,9% ibu
yang berpendidikan SD.
Kolom Valid Percent menampilkan proporsi jika missing cases tidak
diikutsertakan sebagai penyebut. Pada contoh di atas, kolom Percent dan Valid
Percent memberikan hasil yang sama karena pada data ini tidak ada missing
cases. Cumulative Percent menjelaskan tentang persen kumulatif, jadi pada
contoh di atas, ada 69,3% ibu yang berpendidikan SD dan SMP (24.9% +
44.4%).
2.3. PENYAJIAN DATA KATEGORIK

Penyajian data mempunyai prinsip efisiensi, artinya sajikan hanya informasi penting
saja, jangan semua output komputer disajikan dalam laporan. Contoh
penyajian data kategorik sebagai berikut:
Tabel 1. TINGKAT PENDIDIKAN RESPONDEN
Frequency
Percent
SD
47
24.9
SMP
84
44.4
SMA
58
30.7
Total
189
100.0
Contoh Interpretasi:
Distribusi frekuensi tingkat pendidikan responden dapat dilihat pada Tabel-1,
terlihat bahwa sebagian besar responden adalah tamat SMP (44.4%), kemudian
diikuti oleh tamat SMA sebanyak 30,7% dan sisanya hanya tamat SD (24,9%).
LATIHAN ANALYSIS DATA KATEGORIK

Latihan:
1. Buatlahlah tabel distribusi frekuensi untuk variabel HT, ROKOK,
a. Sajikan
Hal:21dari139
Modul SPSS
b. Interpretasikan
2. Buatlah distribusi frekuensi dari variabel UMUR_KEL dan BBLR setelah Kita
melakukan pengelompokkan ulang (lihat Bab 3: Transformasi Data untuk
mengetahui prosedur pengelompokkan ulang),
a. Sajikan
b. Interpretasikan
Hal:22dari139
Modul SPSS
2.4. ANALYSIS DESKRIPTIF DATA NUMERIK

Pada data numerik atau kontinyu, peringkasan data dapat dilakukan dengan
melaporkan ukuran tengah dan sebarannya. Ukuran tengah yang dapat digunakan
adalah rata-rata, median dan modus. Sedangkan ukuran sebaran yang dapat
digunakan adalah nilai minimum, maksimum, range, standar deviasi dan persentil.
Dari ukuran-ukuran tersebut, yang paling sering digunakan adalah rata-rata dan
standar deviasi. Sebagai contoh, kita akan coba mencari ukuran tengah dan sebaran
dari UMUR, BBIBU dan BBAYI.
1. Bukalah file IBU_BAYI_189.SAV, sehingga data tampak di jendela Data Editor.
(prosedur untuk membuka file dapat dilihat pada bagian 1.7).
Menggunakan Perintah Descriptive..
2.

Analyze
Descriptive
3.
Pada kotak dialog tersebut, klik pada variabel UMUR yang terdapat pada kotak
sebelah kiri. Tekan Ctrl (jangan dilepas), Klik variabel BBIBU_1, dan klik
variabel BBAYI, lepaskan Ctrl.. Dengan cara ini kita memilih 3 variabel
sekaligus. Kemudian klik tanda <, sehingga kotak dialog menjadi seperti
gambar berikut:
4.
Klik OK untuk menjalankan prosedur. Pada layar tampak hasil seperti berikut:
Descriptive Statistics
N
UMUR
BBIBU_1
BBAYI
Valid N (listwise)
189
189
189
189
Minimum
14
36
709
Maximum
45
112
4990
Mean
23.24
58.39
2944.66
Std. Deviation
5.30
13.76
729.02
Hal:23dari139
Modul SPSS
Nilai rata-rata dapat dilihat pada kolom Mean, sedangkan nilai standar deviasi
dapat dilihat pada Std Devation. Pada contoh di atas, rata-rata umur ibu adalah
23,24 tahun dengan standar deviasi 5,30 tahun dan umur minimun 14 tahun
serta umur maksimum 45 tahun.
Dengan cara di atas, kita dapat memperoleh nilai rata-rata, minimum, maksimum
serta standar deviasi. Tetapi kita tidak memperoleh nilai standar error, padahal
nilai ini diperlukan untuk melakukan estimasi inteval pada parameter populasi.
Menggunakan Perintah Option..
5. Jika Kita juga ingin agar SPSS menampilkan standar error, kita dapat memilih menu
Options.
Misalnya kita menginginkan stander error maka klik SE Mean, kemudian klik Continue
dan OK hasilnya pada Jendela Output adalah sebagai berikut:
UMUR
BBIBU_1
BBAYI
Valid N (listwise)
N
Statistic
189
189
189
189
Minimum
Statistic
14
36
709
Maximum
Statistic
45
112
4990
Mean
Statistic
Std. Error
23.24
.39
58.39
1.00
2944.66
53.03
Std.
Statistic
5.30
13.76
729.02
Dari hasil tersebut kita dapat melakukan estimasi interval dari berat bayi.
Hal:24dari139
Modul SPSS
Kita dapat menghitung 95% confidence interval berat bayi, yaitu 2944,66 + 1,96 x
53,03 (mean + SE mean). Jadi kita 95% yakin bahwa rata-rata berat bayi di
populasi berada pada selang 2840,72 sampai 3048,60 gram.
Menggunakan Perintah Explore..
6.
Cara yang lain untuk mengeluarkan nilai statistik deskriptif dari data numerik (nilai
rata-rata/mean std. Dev) beserta 95% confidence interval adalah sebagai
berikut: Dari menu utama, pilihlah:
Analyze
Explore
7.
sebelah kiri. Tekan Ctrl (jangan dilepas), Klik variabel BBIBU_1, dan klik
variabel BBAYI, lepaskan Ctrl. Dengan cara ini kita memilih 3 variabel
sekaligus. Kemudian klik tanda <, sehingga ketiga variabel tersebut masuk ke
kota Dependent List seperti gambar berikut:
Hal:25dari139
8.
Modul SPSS
Klik OK untuk menjalankan prosedur, sehingga hasilnya seperti gambar berikut:

Descriptives
BBIBU_1
BBAYI
Mean
95% Confidence
Interval for Mean
5% Trimmed Mean
Median
Variance
Std. Deviation
Minimum
Maximum
Range
Interquartile Range
Skewness
Kurtosis
Mean
95% Confidence
Interval for Mean
Lower Bound
Upper Bound
Lower Bound
Upper Bound
5% Trimmed Mean
Median
Variance
Std. Deviation
Minimum
Maximum
Range
Interquartile Range
Skewness
Kurtosis
Statistic
58.39
56.42
Std. Error
1.00
60.37
57.29
54.00
189.463
13.76
36
112
76
13.00
1.395
2.366
2944.66
2840.05
.177
.352
53.03
3049.26
2957.83
2977.00
531473.7
729.02
709
4990
4281
1069.00
-.210
-.081
.177
.352
Dari hasil tersebut kita mendapatkan estimasi titik dan estimasi interval dari
variabel numerik yang diukur. Kita dapat melihat nilai rata-rata dan
95%
confidence interval dari BIBU_1 yaitu 58,39 kg (56,4260,37), artinya kita 95%
yakin bahwa rata-rata berat ibu di populasi berada pada selang 56,42 sampai 60,37
kg. Untuk BBAYI yaitu 2944,66 gram (2840,053049,26), kita 95% yakin
bahwa rata-rata berat bayi di populasi berada pada selang 2840,05 sampai 3049,26
gram. Nilai ini tidak jauh berbeda dengan nilai yang dihitung dari output yang
didapat pada langkah no.5 sebelumnya.
Hal:26dari139
Modul SPSS
2.5. GRAFIK HISTOGRAM PADA DATA NUMERIK

Analisis data Numerik akan lebih lengkap apabila dilengkapi dengan grafik. Salah
satu Grafik yang cocok untuk data numerik adalah HISTOGRAM.
1.

Graphs
Histogram
2.
sebelah kiri. Kemudian klik tanda <, sehingga kotak dialog seperti berikut:
3.
Klik Display normal curve (untuk menampilkan garis distribusi normal),

Kemudian klik OK untuk menjalankan prosedur. Hasilnya sebagai berikut:
(Lakukan prosedur yang sama untuk menampilkan grafik HISTOGRAM berat bayi
BBAYI)
50
30
40
30
20
20
10
10
Std. Dev = 5.30
Std. Dev = 729.02
Mean = 23.2
Mean = 2944.7
N = 189.00
0
15.0
20.0
25.0
30.0
27.5
35.0
32.5
40.0
37.5
45.0
42.5
Umur ibu
N = 189.00
.0
00
48
.0
00
44
.0
00
40
.0
00
36
.0
00
32
.0
00
28
.0
00
24
.0
00
20
.0
00
16
.0
00
12
22.5
0
0.
80
17.5
Berat bayi lahir
Hal:27dari139
Modul SPSS
2.6. UJI NORMALITAS DISTRIBUSI DATA NUMERIK

Analisis data Numerik akan lebih lengkap apabila dilengkapi UJI NORMALITAS
distribusinya. Terutama jika akan dilakukan uji statistik parametrik terhadap variabel
tersebut maka distribusi normal merupakan salah satu prasyarat yang harus dipenuhi.
Suatu distribusi data numerik dapat dikatakan normal apabila memenuhi salah satu dari
kondisi berikut:
1.
Histogram terlihat normal
2.
Nilai signifikansi dari Kolmogorov-Smirnov > 0.05
3.
Nilai SE-Skewness dibagi nilai Skewness-nya < 3.0
Contoh histogram yang berdistribusi normal
30
20
10
Std. Dev = 729.02
Catatan:
Penentuan normal atau
tidaknya suatu distribusi data
melalui histogram sangat
subjektif, tidak ada batasan
mutlak yang harus dipenuhi
Mean = 2944.7
N = 189.00
.0
00
48
.0
00
44
.0
00
40
.0
00
36
.0
00
32
.0
00
28
.0
00
24
.0
00
20
.0
00
16
.0
00
12
0
0.
80
Berat bayi lahir
Cara menampilkan uji Kolmogorov-Smirnov dan Nilai Skewness beserta nilai SEnya, melalui perintah Explore..
1.

Analyze
Explore
2.
Pada kotak dialog tersebut, pilih variabel UMUR dan BBAYI, Kemudian klik tanda
panah ke kanan >, untuk memasukkannya ke kotak Dependent list:
Hal:28dari139
Modul SPSS
3.
Klik Plots.., kemudian aktifkan Histogram dan Normality plot with test.
4.
Klik Continue dan OK untuk menjalankan prosedur, hasilnya selain telah

ditampilkan pada bagian 2.4 halaman 22 juga ada penambahan sebagai berikut:
Tests of Normality
a
Umur ibu
Berat bayi lahir
Kolmogorov-Smirnov
Statistic
df
Sig.
.095
189
.000
.043
189
.200*
*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction
Hasil uji test normalitas

Dengan uji Kolmogorov-Smirnov, disimpulkan bahwa pada alpha 0.05
distribusi data umur ibu adalah tidak normal (nilai-p = 0.000) sedangkan
distribusi data berat bayi adalah normal (nilai-p = 0.200).
Apabila diperhatikan grafik HISTOGRAM (pada halaman 23), maka terlihat
bahwa data umur ibu memang tidak normal, tepatnya distribusi tersebut miring
ke kanan (miring positif +). Kemiringan positif ini dapat juga dilihat dari nilai
Skewness-nya yang bertanda positif (1.395)
Kesimpulan normal atau tidaknya suatu data didasarkan pada prinsip uji
hipotesis yang berpatokan pada Ho dan Ha. Dalam hal ini, Ho berbunyi
Distribusi data sama dengan distribusi normal, Ha berbunyi Distribusi
data tidak sama dengan distribusi normal. Apabila nilai-p kurang dari alpha
0.05 (mis 0.000), maka Ho ditolak dan disimpulkan Distribusi data adalah
tidak normal. Sedangkan apabila nilai-p lebih dari atau sama dengan alpha
0.05 (mis. 0.222), maka Ho gagal ditolak dan disimpulkan Distribusi data
adalah normal.
Hal:29dari139
Modul SPSS
Output berikutnya adalah sebagai berikut:

Beratbayilahir(gr)
Mean
95%ConfidenceIntervalforMean
Statistic
Std.Error
2944.66
53.03
LowerBound
2840.05
UpperBound
3049.26
2957.83
2977.00
531473.68
729.02
709.00
4990.00
4281.00
1069.00
0.21
0.18
0.08
0.35
5%TrimmedMean
Median
Variance
Std.Deviation
Minimum
Maximum
Range
InterquartileRange
Skewness
Kurtosis
Nilai SE-Skewness dibagi nilai Skewness-nya = 0.18 / 0.21 = 0.9, masih kecil dari
3.0 sehingga disimpulkan distribusi berat bayi adalah normal
2.7. PENYAJIAN DATA NUMERIK

Penyajian data mempunyai prinsip efisiensi, artinya sajikan hanya informasi penting
saja, jangan semua output komputer disajikan dalam laporan. Contoh
penyajian data numerik sebagai berikut:
Variabel
Umur ibu
Berat ibu
Berat bayi
Jumlah
189
189
189
Min-Max
1445
36112
7094990
Mean
23.24
58.39
4990
Median
23.0
24.0
2977.0
SD
5.30
13.76
729.02
95% CI Mean
22.4824.0
56.4260.37
2840.053049.26
Hal:30dari139
Modul SPSS
Transformasi Data
Transformasi data adalah suatu proses dalam merubah bentuk data. Misalnya
merubah data numerik menjadi data kategorik atau merubah dari beberapa
variabel yang sudah ada dibuat satu variabel komposit yang baru. Beberapa
perintah SPSS yang sering digunakan adalah RECODE dan COMPUTE.

-
1. Menjelaskan Pengertian Transformasi Data
2. Melakukan Transformasi Data dengan perintah RECODE
3. Melakukan Transformasi Data dengan perintah COMPUTE
4. Melakukan Transformasi Data dengan perintah IF
5. Melakukan Analisis Deskriptif dan Interpretasi Hasil
Hal:31dari139
Modul SPSS
3.1. PENGERTIAN TRANSFORMASI DATA

Transformasi data merupakan suatu proses untuk merubah bentuk data sehingga data siap
untuk dianalisis. Banyak cara yang dapat dilakukan untuk merubah bentuk data namun
yang paling sering digunakan antara lain adalah RECODE dan COMPUTE.
Perubahan bentuk data yang paling sederhana adalah pengkategorian data numerik menjadi
data kategorik, misalnya UMUR dikelompokan menjadi 3 kategori yaitu < 20 th, 2030
th, dan >30 th. Atau dapat juga dilakukan pengelompokkan data kategorik menjadi
beberapa kelompok yang lebih kecil, misalnya DIDIK dikelompokkan menjadi 2 kategori
yaitu rendah (SD/SMP) dan tinggi (SMU/PT). Proses pengelompokan atau pengkategorian
ulang tersebut lebih dikenal dengan istilah RECODE.
Perubahan bentuk data lainnya adalah penggunaan fungsi matematik dan algoritma.
Misalnya penjumlahan skor pengetahuan, skor sikap, atau skor persepsi. Atau dapat juga
dilakukan proses perkalian dan pembagian sekaligus, misalnya untuk menghitung Index
Massa Tubuh (IMT=BB/TB^2). Atau dapat juga dilakukan pengelompokkan beberapa
variabel sekaligus mengunakan fungsi algoritma, misalnya jika TAHU=1 dan SIKAP=1
dan PRILAKU=1 maka KONSISTEN=1 (jika ke-3 kondisi tersebut terpenuhi maka
dikategorikan sebagai konsisten atau KONSISTEN=1, namun jika salah satu tidak
terpenuhi maka dikategorikan tidak konsisten atau KONSISTEN=0). Proses penggunaan
fungsi matematik dan algoritma tersebut lebih dikenal dengan istilah COMPUTE.
Berikut ini merupakan contoh transformasi data dari Survei Cepat Kesehatan Ibu dan Anak
di 4 Kabupaten di Jawa Barat yaitu Tangerang, Cianjur, Lebak, dan Cirebon. Agar konsep
transformasi data lebih mudah dipahami, maka langsung ditampilkan dalam bentuk contoh
nyata dalam pengolahan data.
Sebagai contoh data kita gunakanlah file TNG.REC (hasil survei cepat di Kabupaten
Tangerang yang telah dientry dengan program EPI INFO). Dengan menggunakan program
EPI-INFO atau EPI Data lakukanlah Export data TNG.REC ke TNG.DBF. Kemudian
buka file TANGERANG.DBF, dan Save ke TANGERANG.SAV. (Lihat Bab I:
Pendahuluan untuk prosedur membuka file DBF dan menyimpan datanya).
LATIHAN MEMBUAT LABEL & VALUE:
Dengan program SPSS, buatlah LABEL untuk setiap Variabel dan VALUE untuk Kode
tertentu yang diperlukan dari data TNG tersebut. Kita memerlukan BUKU KODE untuk
dapat membuat LABEL dan VALUE (Lihat Bab I: Pendahuluan untuk prosedur membuat
label dan value). Buku kode untuk membuat label tersebut ada dihalaman berikutnya.
Hal:32dari139
Modul SPSS
Buku kode
Survei Cepat Kesehatan Ibu di Kabupaten Tangerang, Lebak, Cianjur, Cirebon
Nama
variabel
Klaster
No.
Pertanyaan
--
Nilai
--
Nomor klaster
RESP
--
--
Nomor responden
V01
Kontinyu
15-45
Umur ibu (tahun)
V02
V03
V04
1
2
3
4
5
6
Pendidikan ibu
Tidak sekolah
Tidak tamat SD
Tamat SD
Tamat SLTP/sederajat
Tamat SLTA/sederajat
Akademi/perguruan tinggi
1
2
3
4
5
6
7
8
Pekerjaan utama ibu

Tidak bekerja
Buruh
Pedagang
Petani
Jasa
Pegawai swasta
Pengawai negeri/ABRI
Lain-lain
1
2
Apakah ibu melakukan pemeriksaan kehamilan ?

Ya
Tidak
V05
V06
Kontinyu
1
2
3
4
5
6
7
8
Nilai
Label
7
1
2
3
4
5
6
7
8
9
V08
Nama
variabel
No.
pertanyaan
Berapa kali ibu periksa hamil ?

Siapa yang menganjurkan ibu untuk periksa hamil ?
Keinginan sendiri
Keluarga
Tetangga/teman
Kader kesehatan
Bidan
Paraji
Petugas puskesmas
Dokter praktek swasta
Lain-lain
Tempat pemeriksaan kehamilan yg paling sering dikunjungi
Posyandu
Bidan praktek swasta
Puskesmas
Rumah sakit
Pondok bersalin
Dokter praktek swasta
Rumah bersalin
Paraji
Lain-lain
Alasan utama mengunjungi tempat pemeriksaan kehamilan tersebut
Biaya murah
Sabar/simpatik
Teliti
Jaraknya dekat
Tradisi keluarga
Aman/selamat
Dianjurkan
Lain-lain
1
2
3
4
5
6
7
8
9
V07
Label
Hal:33dari139

V09a
V09b
V09d
9.d
V11
Pada saat periksa hamil, apakah dilakukan penimbangan ?

Ya
Tidak
1
2
Pada saat periksa hamil, apakah dilakukan imunisasi TT ?

Ya
Tidak
1
2
Pada saat periksa hamil apakah diberikan pil Fe ?

Ya
Tidak
1
2
Pada saat periksa hamil apakah dilakukan pemeriksaan tinggi

fundus?
Ya
Tidak
1
2
Pada saat periksa hamil, apakah dilakukan pemeriksaan tek. darah

?
Ya
Tidak
1
2
3
4
5
Berapa pil Fe yg diminum selama hamil ?

1-30 pil
31-60 pil
61-90 pil
> 90 pil
Tidak pernah
1
2
3
4
5
6
Siapa yang menolong ibu melahirkan pada kehamilan terakhir ?

Tetangga/keluarga
Dukun
Kader
Bidan
Dokter
Lain-lain
1
2
3
4
5
6
7
8
Di mana ibu melahirkan ?

Rumah sendiri/orang tua
Rumah paraji
Puskesmas
Praktek bidan swasta
Pondok bersalin
Rumah sakit
Rumah bersalin
Lain-lain
1
2
Apakah bayi ditimbang setelah lahir ?

Ya
Tidak
9.b
9.c
V10
1
2
9.a
V09c
V09e
Modul SPSS
9.e
10
11
V12
12
V13
13
V14
14
V15
15
Kontinyu
1
2
Berat bayi lahir (gram)

Apakah ibu memperoleh nasehat perawatan nifas ?
Ya
Tidak
Hal:34dari139
Modul SPSS
3.2. ANALISA DESKRIPTIF

Setelah semua variabel dibuat LABEL dan VALUE, jawablah pertanyaan di bawah ini,
dan sajikan dalam bentuk tabel yang sesuai dan tuliskan interpretasinya.
PERTANYAAN:
1. Bagaimana distribusi pendidikan ibu di Kabupaten tsb ?
2. Bagaimana distribusi pekerjaan ibu di Kabupaten tsb ?
3. Berapa persen ibu yang melakukan pemeriksaan kehamilan ?
4. Dari ibu yang melakukan pemeriksaan kehamilan, berapa kali rata-rata mereka
memeriksakan kehamilannya ?
5. Dari ibu yang melakukan pemeriksaan kehamilan, berapa persen yang melakukan
pemeriksaan kehamilan 4 kali atau lebih ? Buat variabel baru dg nama PERIKSA
6. Dari ibu yang melakukan pemeriksaan kehamilan, berapa persen yang dianjurkan oleh
tenaga kesehatan (kader, bidan, puskesmas, dokter), berapa persen yang dianjurkan
oleh non tenaga kesehatan (keluarga, tetangga, paraji, lain-lain) dan berapa persen
karena keinginan sendiri ? Buat variabel baru dg nama ANJURAN
7. Dari ibu yang periksa hamil, berapa persen ibu yang periksa hamil 4 kali atau lebih dan
kualitasnya baik (ditimbang, diimunisasi TT, diberi pil Fe, diperiksa tinggi fundus dan
diperiksa tekanan darah) dan dapat pil Fe > 90 pil ?. Kombinasi variabel ini merupakan
proksi dari kualitas K4. Buat variabel baru dg nama K4
8. Berapa persen ibu yang pada saat melahirkan ditolong oleh tenaga kesehatan
(Bidan/dokter)? Buat variabel baru dg nama PENOLONG
9. Dari bayi yang ditimbang, berapa rata-rata berat badan bayi lahir dan berapa standar
deviasinya?
10. Dari bayi yang ditimbang, berapa persen yang BBLR ? (BBLR = Berat lahir kurang
dari 2500 gram) Buat variabel baru dg nama BBLR
Langkah-langkah untuk menjawab pertanyaan no. 1 s.d no. 5 dan 7 akan dipandu
selangkah demi selangkah dalam uraian buku ini, sedangkan pertanyaan no.6, 8 s.d
10 harus kita kerjakan sendiri sebagai latihan.
Hal:35dari139
Modul SPSS
Jawaban Pertanyaan no. 1 sampai no. 3

Pertanyaan no. 1 s.d no. 3 berkaitan dengan jenis data kategorik, sehingga analysis data
disesuaikan dengan prosedur analysis data kategorik (Lihat Bagian 2.1 untuk prosedur
lengkapnya) yaitu sebagai berikut:
1.
2.
Bukalah file TANGERANG.SAV, sehingga data muncul di Data editor window.

Analize <
Descriptive Statistics <
Frequencies.
Pilih variabel V02 V03 V04 dengan cara mengklik masing-masing variable tersebut, dan
masukkan ke kotak Varible(s) di sebelah kanan dengan cara mengklik tanda <
seperti berikut:
Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti berikut:
Pendidikan Ibu
Valid
Tidak sekolah
Tdk Tamat SD
Tamat SD
Tamat SMP
Tamat SMU
Tamat PT
Total
Frequency
42
98
87
37
33
1
298
Percent
14.1
32.9
29.2
12.4
11.1
.3
100.0
Valid Percent
14.1
32.9
29.2
12.4
11.1
.3
100.0
Cumulative
Percent
14.1
47.0
76.2
88.6
99.7
100.0
Pekerjaan Ibu
Valid
Tidak bekerja
Buruh
Pedagang
Petani
Jasa
Pegawai swasta
Pengawai negeri/ABRI
Total
Frequency
274
3
11
1
1
5
3
298
Percent
91.9
1.0
3.7
.3
.3
1.7
1.0
100.0
Valid Percent
91.9
1.0
3.7
.3
.3
1.7
1.0
100.0
Cumulative
Percent
91.9
93.0
96.6
97.0
97.3
99.0
100.0
Hal:36dari139
Modul SPSS
Jawaban Pertanyaan no. 4

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

Descriptives
Berapa Kali
Periksa Kehamilan
Mean
95% Confidence
Interval for Mean
Lower Bound
Upper Bound
5% Trimmed Mean
Median
Variance
Std. Deviation
Minimum
Maximum
Range
Interquartile Range
Skewness
Kurtosis
Statistic
6.49
5.67
Std. Error
.42
7.31
5.79
5.00
48.149
6.94
1
81
80
5.00
7.727
76.446
.147
.293
Catatan: Untuk penyajian dan Interpretasi dapat dilihat Bab 2: Analysis Deskriptif.
Nilai maksimum adalah 81, kita harus mempertanyakan apakah data ini benar atau tidak? Lakukan
terlebih dahulu Cleaning Data.
Hal:37dari139
Modul SPSS
3.3. TRANSFORMASI DATA DG PERINTAH RECODE

Jawaban Pertanyaan no. 5
Pada pertanyaan no. 5, kita harus membuat kategori baru dari variabel V05 menjadi
variabel PERIKSA, dimana nilai 1--3 pada V05 menjadi kode=1 pada PERIKSA dan nilai
4--Max pada V05 menjadi kode=2 pada PERIKSA. Dapat ditulis ulang sebagai berikut:
13
1 = Periksa kurang dari 4 kali
4max 2 = Periksa 4 kali atau lebih
Transform <
Recode <
Into Different Variable.
2. Pilih variabel V05 klik tanda < untuk memasukkannya ke kotak sebelah kanan
3. Isi Kotak Name dengan varibel baru PERIKSA
4. Klik Change, sehingga V05 berubah menjadi V05 PERIKSA seperti
berikut:
5. Klik OLD AND NEW VALUES
6. Pada OLD Value, Pilih ( ) Range
through
dan isi 1 through 3
Kemudian pada NEW Value isi 1, selanjutnya klik ADD. Hasilnya dapat dilihat pada
gambar berikut:
Hal:38dari139
Modul SPSS
7. Berikutnya, pada OLD Value, Pilih (.) Range
through highest dan isi
kotak 4 through highest.

Kemudian pada NEW Value isi 2, kemudian klik ADD
8. Klik Continue dan kemudian OK untuk menjalankan prosedur
Proses transformasi selesai, lihat pada jendela Data-View, kolom paling kanan
Pemberian LABEL dan VALUE..

9. Beri Label PERIKSA Jumlah Kunjungan Periksa Hamil
10. Beri Value PERIKSA kode 1 Kurang 4 kali kode 2 4 kali atau lebih
11. Tampilkan distribusi frekuensi untuk variabel PERIKSA sebagai berikut:
Jumlah Kunjungan Periksa Hamil
Valid
Missing
Total
Kurang dari 4 kali

4 kali atau lebih
Total
System
Frequency
76
199
275
23
298
Percent
25.5
66.8
92.3
7.7
100.0
Valid Percent
27.6
72.4
100.0
Cumulative
Percent
27.6
100.0
Dari semua yang periksa hamil (275), sebanyak 199 (72.4%) memeriksakan kehamilannya 4 kali atau lebih,
ada 23 responden yang missing (artinya tidak pernah periksa hamil).
Catatan tambahan:
Jika kita menginginkan data yang missing tersebut juga diberi kode= 1 (Periksa kurang
dari 4 kali/tidak periksa hamil), maka setelah langkah nomor 7 tambahkan perintah berikut:
Hal:39dari139
Modul SPSS
12. Pada OLD Value, Pilih System missing,

kemudian pada NEW Value isi 1, kemudian klik ADD, hasilnya sebagai berikut:
13. Klik Continue dan OK untuk menjalankan prosedur.

14. Keluarkan distribusi frekuensi dari variabel PERIKSA, hasilnya sebagai berikut:
Jumlah Kunjungan Periksa Hamil
Valid
Kurang dari 4 kali

4 kali atau lebih
Total
Frequency
99
199
298
Percent
33.2
66.8
100.0
Valid Percent
33.2
66.8
100.0
Cumulative
Percent
33.2
100.0
Interpretasinya berbeda dengan output sebelumnya:

Dari semua reponden (298), sebanyak 199 (66.8%) memeriksakan kehamilannya 4 kali atau lebih
Catatan: Untuk penyajian dan Interpretasi lebih detail dapat dilihat Bab 2: Analysis Deskriptif.
Hal:40dari139
Modul SPSS
3.4. TRANSFORMASI DATA DG PERINTAH COMPUTE

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

Kemudian keluarkan distribusi frekuensi dari K4 (Analysis deskriptif data kategorik),
sehingga muncul hasil seperti berikut:
Hal:41dari139
Modul SPSS
K4
Frequency
Valid
.00
Missing
Percent
221
74.2
1.00
47
Total
268
System
Total
Cumulative
Percent
Valid Percent
82.5
82.5
15.8
17.5
100.0
89.9
100.0
30
10.1
298
100.0
Buat Label untuk variabel K4=Pemeriksakan kehamilan dengan kualitas baik,

Buat VALUE kode 0=Kualitas K4 tidak baik dan kode 1=Kualitas K4 baik,
Keluarkan kembali tabel frekuensinya sebagai berikut:
Ibu memeriksakan kehamilan dengan kualitas baik
Frequency
Valid
Kualitas K4 tidak baik

Kualitas K4 baik
Total
Missing
System
Total
Percent
221
74.2
47
268
Valid Percent
Cumulative
Percent
82.5
82.5
15.8
17.5
100.0
89.9
100.0
30
10.1
298
100.0
Contoh interpretasi:
Dari semua responden ibu hamil (298), sebanyak 47 (15.8%) memeriksakan kehamilan dengan
kualitas K4 yang baik
Hati-hati dengan interpretasi lain yang berbeda:
Dari semua yang pernah periksa hamil (268), sebanyak 47 (17.5%) mendapatkan pemeriksaan
kehamilan dengan kualitas K4 yang baik
Interpretasi mana yang akan dipilih harus disesuaikan dengan tujuan dan substansi yang ingin
diukur oleh peneliti
Perintah Compute tersebut dapat juga diketik pada SPSS Syntax sebagai berikut:
COMPUTE K4 = V05 >= 4 and V09a=1 and V09b=1 and V09c=1 and V09d=1 and V09e=1 and v10=4.
FREQ K4.
*Pemberian Variabel Label
VAR LAB K4 Ibu memeriksakan kehamilan K4 dengan kualitas baik.
*Pemberian Value Label
VALUE LAB K4 1 Kualitasw Baik 0 Kualitas Kurang.
Tabel Frekuensi:
FREQ K4.
Hal:42dari139
Modul SPSS
3.5. TRANSFORMASI DATA DG PERINTAH IF

Membuat variabel baru dengan kondisi, perintah IF
Dalam pembuatan variabel baru seringkali dihasilkan dari kondisi beberapa
variabel yang ada. Misalnya dalam file TANGERANG.SAV terdapat variabel umur
ibu dan variabel berat bayi. Kemudian kita ingin membuat variabel baru yang berisi dua
kelompok yaitu: risiko tinggi dan ririko rendah. Misalkan variabel tersebut diberi nama
Risk dan untuk kelompok risiko rendah (kode 0) dan risiko tinggi (kode 1). Adapun
kriteria risiko tinggi adalah bila ibu berumur di atas 30 tahun dan berat bayi kurang dari
2500 gram. Selain kondisi tersebut dikelompokkan ke dalam risiko rendah. Dari kasus ini
berarti kita diharapkan membuat variabel baru dengan kondisi variabel umur_ibu dan berat
bayi. Bagaimana cara membuat variabel Risk tersebut? Ada dua langkah untuk
menyelesaikan kasus ini:
Langkah pertama:
= membuat variabel RISK yang isinya semuanya 0 (risiko rendah)=
1). Pilih Transform
2). Pilih Compute
3). Pada kotak Target Variable, ketiklah risk
4). Pada kotak Numeric Expression, ketiklah 0
5). Klik OK, terlihat dilayar Data View sebelah paling kanan, variabel risk sudah
terbentuk dengan semua selnya berisi angka 0.
Hal:43dari139
Modul SPSS
Langkah kedua:
=membuat kondisi risiko tinggi (kode 1) untuk umur_ibu >30 dan Berat_bayi <2500
6). Pilih kembali menu Transform
7). Pilih kembali Compute
8). Pada kotak Target Variable biarkan tetap berisi RISK.
9). Pada kotak Numeric Expression, hapus angka 0 dan gantilah dengan angka 1.
10). Klik tombol If , sesaat kemudian muncul dialog ComputeVariable: If Cases

11). Klik tombol berbentuk lingkaran kecil: Include if case satisfies condition.
12). Pada kotak di bawah option include . : ketiklah: umur_ibu > 30 & berat_bayi < 2500
Hal:44dari139
Modul SPSS
13). Klik Continue

14). Klik OK, akan muncul pesan:
15). Klik OK, maka terbentuklah variabel RISK pada kolom paling kanan dengan isi 0
dan 1. Silakan buat Label untuk value 0=risiko rendah dan 1= risiko tinggi, kalau menemui
data yang berisi umur diatas 30 tahun dan berat bayi dibawah 2500 gram, maka isi variabel
RISK adalah 1, coba dicek !!!!
Catatan : setiap kita melakukan perintah : Compute, Recode, atau IF sebaiknya di
croscek, apakah hasilnya betul sesuai yang kita kehendaki
Hal:45dari139
Modul SPSS
3.6. MEMILIH SEBAGIAN DATA DG PERINTAH

SELECT
Dalam kondisi tertentu seringkali kita hanya menginginkan mengolah dan
menganalisis hanya data dari kelompok tertentu saja. Misalkan kita punya data seluruh
DKI, tapi kita hanya ingin mengetahui distribusi aktifitas pada ibu hamil yang tinggal di
Jakarta Selatan. Di dalam data tentunya ada variabel yang menunjukkan wilayah tempat
tinggal ibu hamil.
Sebagai contoh kita ingin menganalisis data, hanya untuk ibu yang memeriksa
kehamilan saja (V03=1),(dalam contoh ini kita masih menggunakan file data
TANGERANG.SAV). caranya:
1). Pilih menu Data
2). Pih Select Cases
3). Klik pada tombol : If Conditin is satisfied
4). Klik If
5). Ketiklh/sorot dan pindah pada kotak dan tuliskan kondisinya yaitu: Eksklu=0
Ket: ibu yang menyusui eksklusive kodenya=0
Hal:46dari139
Modul SPSS
6). Klik Continue

7). Perhatikan di bagian bawah pada kotak: Unselected cases are: filtered atau deleted.
Pilihlah filtered artinya data yang tidak dianalisis hanya ditandai dengan pencoretan
nomor kasus. Sedangkan untuk Deleted, artinya kasus yang tidak terpilih akan
dihapus secara permanen. Biasanya cukup digunakan option: filtered.
8). Klik OK sehingga kita kembali ke data editor. Perhatikan pada data editor ada
beberapa kasus yang tidak terpilih (dimatikan), yang ditandai dengan pencoretan
nomor kasusnya. Nomor batang yang dicoret artinya dikeluarkan dari data, sedangkan
yang tidak dicoret merupakan data yang aktif (ibu yang menyusui eksklusive)
Hal:47dari139
Modul SPSS
4 Merge File Data

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

-
1. Menjelaskan Pengertian Merge
2. Melakukan Merger dengan perintah ADD VARIABEL
3. Melakukan Merger dengan perintah ADD CASES
4. Melakukan Merger antara data INDIVIDU dengan data RUMAH TANGGA
Hal:48dari139
Modul SPSS
4.1. PENGERTIAN MERGE

Merge merupakan suatu proses yang diperlukan untuk menggabung beberapa file data
yang ingin dijadikan satu file data saja. Secara umum ada tiga jenis merger, yaitu 1)
merger untuk menambah record/kasus/responden, 2) merger untuk menambah variabel,
dan 3) merger untuk menggabungkan antara data individu dengan data rumah tangga.
1. MERGER dengan ADD CASES:
Jenis merger ini biasanya dilakukan pada satu penelitian dengan jumlah
record/kasus/responden relatif banyak dan pada saat melakukan ENTRY data
biasanya dilakukan oleh lebih dari 1 petugas entry supaya cepat selesai.
Contoh:
Data file pertama, berisi: nomor responden 1 sampai 3
No
Umur
Pendidikan
1
20
1
2
23
3
3
19
2
Data file kedua, berisi: nomor responden 4 sampai 7
No
Umur
Pendidikan
4
21
1
5
23
4
6
20
2
7
24
3
Data gabungan/merger, berisi: nomor responden 1 sampai 7
No
Umur
Pendidikan
1
20
1
3
23
2
2
19
3
1
21
4
4
23
5
2
20
6
3
24
7
Contoh lain:
Penelitian survei cepat dengan topik yang sama (Antenatal Care) dilakukan di
Cianjur (300 responden) dan Lebak (300 responden), proses ENTRY data
dilakukan oleh 2 orang. Data tersebut dapat dianalysis terpisah satu persatu, namun
peneliti ingin juga melakukan analysis gabungan. Sebelum dilakukan analisis
gabungan, file tersebut harus dimerge terlebih dahulu. Pada merge jenis ini
dilakukan penambahan record/kasus/responden (ADD CASES). Hasil gabungan 2
file tersebut akan didapatkan 600 responden, dengan jumlah variabel yang sama
karena surveinya sama.
Hal:49dari139
Modul SPSS
2. MERGER dengan ADD VARIABEL

Jenis merger ini biasanya dilakukan pada satu penelitian dengan jumlah variabel
yang relatif banyak, atau pada beberapa penelitian dengan topik yang berbeda
dengan responden yang sama. Pada saat ENTRY data biasanya dilakukan oleh
lebih dari 1 petugas entri supaya cepat selesai. Atau ENTRY data antara satu topik
dengan topik lainnya sengaja dipisah supaya databasenya tidak terlalu besar.
Data pertama : berisi variabel: no, umur dan pendidikan
no
1
2
3
4
5
6
7
umur
20
23
19
21
23
20
24
pendidikan
1
3
2
1
4
2
3
Data kedua: berisi variabel: no, jenis.kelamin, kerjaan, dan berat.badan

no
1
2
3
4
5
6
7
jenis.kelamin
2
2
1
2
2
1
2
kerjaan
1
3
2
1
3
2
3
berat.badan
60
45
56
76
56
60
55
Data gabungan/merger: berisi: no, umur, didik, sex, kerja dan bb

No
1
2
3
4
5
6
7
umur
20
23
19
21
23
20
24
pendidikan jenis.kelamin
2
1
2
3
1
2
2
1
2
4
1
2
24
3
kerjaan
1
3
2
1
3
2
3
berat.badan
60
45
56
76
56
60
55
Contoh lain:
Penelitian Survei Sosial Ekonomi Nasional (Susenas) mempunyai banyak topik
yang diteliti (ISPA, DIARE, MENYUSUI, KB, dll) pada responden/keluarga yang
sama. Proses ENTRY data biasanya dilakukan per topik (satu topik satu file data)
sehingga jika ingin mengolah data tersebut harus dilakukan merger terlebih dahulu.
Pada merge jenis ini dilakukan penambahan variabel (ADD VARIABEL). Proses
merge ini memerlukan variabel ID yang sama.
Hal:50dari139
Modul SPSS
Contoh lain:
Survei cepat di Lebak (300 responden), proses ENTRY data dilakukan oleh 2
orang. Petugas ENTRY-1 melakukan pemasukan data untuk variabel V01 sampai
09 sedangkan Petugas ENTRY-2 melakukan pemasukan data untuk variabel V10
sampai 15. Sebelum dianalisis file tersebut harus digabung terlebih dahulu. Proses
penggabungan memerlukan ID yang sama.
3. MERGER data INDIVIDU dengan RUMAH TANGGA
Data INDIVIDU.SAV
No.RT No.indiv umur
20
1
1
23
2
1
19
1
2
21
2
2
23
3
2
20
1
3
24
2
3
Data GABUNGAN.SAV
No.RT No.indiv
umur
20
1
1
23
2
1
19
1
2
21
2
2
23
3
2
20
1
3
24
2
3
Data RT.SAV
No.RT
Income
60.000
1
45.000
2
55.000
3
pendidikan sex
2
1
2
3
1
2
2
1
2
4
1
2
24
3
pendidikan
1
3
2
1
4
2
3
sex
2
2
1
2
2
1
24
Income
60.000
60.000
45.000
45.000
45.000
55.000
55.000
4.2. MERGER dengan ADD VARIABEL

Pada uraian berikut akan dijelaskan penggabungan file LEBAK-1.SAV (variabel id v01
v09) dengan LEBAK-2.SAV (variable id v10v15).
Persyaratan:
1. Harus ada variabel ID yang sama, artinya nomor identitas responden pada
file-1 harus sama dengan nomor identitas responden pada file-2
2. Variabel ID atau nomor identitas tersebut tidak boleh ada nomor yang sama
atau nomor kembar (double), artinya dalam satu file hanya boleh ada satu
nomor identitas. Tidak boleh ada responden-A memiliki nomor ID 10012
tetapi responden-B juga memiliki nomor ID 10012.
Dalam contoh ini variabel ID yang dipakai adalah RESP_ID.
Hal:51dari139
Modul SPSS
- SORT DATA-1.SAV
1.
2.
Bukalah file LEBAK-1.SAV, sehingga data tampak di Data editor window.

Lakukan SORT terhadap variabel ID (RESP_ID). Dari menu utama, pilihlah:
Data <
Sort Cases <

Pindahkan variabel RESP_ID ke kotak kanan dengan cara mengklik RESP_ID dan klik
tanda < . Pastikan Sort Order yang dipilih adalah Sort by Ascending (Urutan dari
nilai terkecil ke nilai terbesar).
Kemudian klik OK untuk menjalankan prosedur.
Pilih SAVE untuk meyimpan file data tersebut.

Tutup data LEBAK-1 tersebut dan Buka LEBAK-2
- SORT DATA-2.SAV
Bukalah file LEBAK-2.SAV, sehingga data tampak di Data editor window.
Lakukan SORT terhadap variabel ID (RESP_ID). Sesuai dengan prosedur no 2 sampai 4:
Pilih SAVE untuk meyimpan file data tersebut.
- PROSES MERGE
Buka kembali file LEBAK-1.SAV
Mulai proses Merger dengan perintah:
Data <
Merge Files <
Add Variabel
Pilih file LEBAK-2 kemudian klik Open
Hal:52dari139
Modul SPSS
Pindahkan variabel RESP_ID dari kotak Excluded variabel ke kotak Key Variabel (di
kanan bawah) dengan cara: klik RESP_ID, klik Macth cases on key variables in
sorted files, dan klik tanda panah ke kanan <.
Klik dan aktifkan Macth cases on key variables in sorted files, dengan pilihan
* Both file provide cases: kedua data digabung secara utuh (pilihan standar)
* External file is keyed table: data-2 sebagai acuan untuk menggabung
* Working file is keyed table: data-1 sebagai acuan untuk menggabung
Selanjutnya akan muncul warning yang akan memberi tahu bahwa proses merger akan
gagal jika Key variabel (RESP_ID) tidak di sort menurut ascending.
Pilih saja OK, karena kita sudah mensortnya, kemudian proses penggabungan akan
berlangsung
Jika selesai, lihat Data View bagian paling kanan akan ditambahkan V10 sampai V15
Simpan file dengan nama LEBAK.SAV
4.3. MERGER dengan ADD CASES

Suatu survei yang dilakukan pada dua atau lebih tempat yang berbeda, untuk efisiensi
maka proses ENTRY data dilakukan pada tempat yang berbeda pula. Pada saat
ANALYSIS data, beberapa file data yang terpisah tadi perlu digabung terlebih dahulu agar
analysis secara menyeluruh dapat dilakukan.
Hal:53dari139
Modul SPSS
Persyaratan:
1. Kedua file harus mempunyai NAME variabel yang sama, artinya jika file-1 ada 15
variabel maka file-2 juga harus mempunyai 15 variabel yang sama. Kesamaan
NAME ke-15 variabel harus mencakup juga kesaman dalam TYPE dan WITH,
serta DECIMAL
2. ID atau nomor identitas responden tidak terlalu penting
Uraian di bawah ini akan menjelaskan langkah-langkah proses penggabungan file
LEBAK.SAV dan CIANJUR.SAV dengan prosedur sebagai berikut:
1. Bukalah file LEBAK.SAV, sehingga data tampak di Data editor window.
2. Lakukan merger dengan perintah berikut: Dari menu utama, pilihlah:
Data <
Merge files <
Add cases#
Pilih file Cianjur kemudian klik Open.
3. Di menu tersebut terlihat bahwa SPSS memberi tahu bahwa ada variabel yang tidak
sama atau tidak tersedia pada ke-2 file data yaitu RESP_ID, variabel yang tidak
sama tersebut akan ditempatkan dalalm kotak Unpaired variabels. Abaikan saja
variabel tersebut, sehingga nantinya tidak akan dimasukkan dalam data gabungan.
Jika variabel tersebut merupakan variabel penting yang harus masuk, maka lakukan
perubahan terhadap variabel itu terlebih dahulu, harus dicek apakah NAME, TYPE,
WITH, atau DECIMAL-nya yang berbeda.
4. Pilih OK untuk menjalankan proses merger
5. Pastikan jumlah record/responden dan variabel sudah sesuai dengan keinginan,
dalam hal ini (LEBAK+CIANJUR) respondennya adalah 300+300 = 600 dan
varaiabelnya V01 sampai dengan V15.
6. Jika selesai, Simpan file dengan nama baru, misalnya: LEBAK-CIANJUR.SAV
Hal:54dari139
4.4.
Modul SPSS
MERGER antara data INDIVIDU dengan

data RUMAHTANGGA
Pada survei besar seperti SUSENAS database antar topik atau antara rumah tangga
dengan individu dipisahkan demi efisiensi. Pada saat analysis, seringkali kita
membutuhkan penggabungan antara data tersebut. Suatu hubungan file yang memiliki
hirarkhi tersebut, seperti data rumah tangga dengan data individu dalam rumah tangga,
ingin digabungkan untuk analysis lebih lanjut.
Prosedur penggabungannya adalah sama dengan cara Merge Add Variable. Namun,
pada proses penggabungan, perlu diingat bahwa file data yang memiliki hirarkhi lebih
tinggi (rumah tangga) harus dijadikan sebagai acuan (Match cases) pada variabel kunci.
Contoh berikut ini akan menggabungkan file RT.SAV (berisi variabel idrt dan
income) dengan file INDIV.SAV (berisi variabel idrt, umur, & didik). File yang aktif
adalah INDIV dan file yang akan digabungkan adalah RT. Harus dipastikan tidak ada
variabel IDRT yang double pada file RT.SAV
File INDIV.SAV
File RT.SAV
PERSIAPAN MERGE
1.
2.
3.
4.
Bukalah file RT.SAV, sehingga data tampak di Data editor window.

Lakukan SORT terhadap variabel ID (IDRT). Dari menu utama, pilihlah:
Data <
Sort Cases <
Sort IDRT by Ascending, SAVE, dan CLOSE
Bukalah file INDIV.SAV, sehingga data tampak di Data editor window.
Hal:55dari139
5.
6.
Modul SPSS
Lakukan SORT terhadap variabel ID (IDRT). Dari menu utama, pilihlah:

Data <
Sort Cases <
Sort IDRT by Ascending, dan SAVE
PROSEDUR MERGE
7.
8.
9.
10.
11.
Pastikan data yang aktif adalah data INDIV.SAV

Mulai proses Merger dengan perintah:
Data <
Merge Files <
Add Variabel
Pilih file RT.SAV kemudian klik Open
Pindahkan variabel IDRT dari kotak Excluded variabel ke kotak Key Variabel
dengan cara: klik IDRT, aktifkan Macth cases on key variables in sorted files,
klik tanda panah ke kanan >.
Klik dan aktifkan Macth cases on key variables in sorted files, dengan pilihan
* External file is keyed table: data-external (RT.SAV) sebagai acuan untuk
digabungkan ke data yang sedang aktif (INDIV.SAV)
Selanjutnya akan muncul warning yang akan memberi tahu bahwa proses
merger akan gagal jika Key variabel (IDRT) tidak di sort menurut
ascending.
Hal:56dari139
Modul SPSS
12.
Pilih saja OK, kemudian proses penggabungan akan berlangsung, hasilnya
sebagai berikut:
Perhatikan bahwa rumah tangga nomor 5 tidak mempunyai data income karena memang
data aslinya pada RT.SAV IDRT nomor 5 tidak ada (missing), IDRT no 4 langsung no 6.
Selain itu, income RT nomor 6 sampai 10 tidak masuk dalam file gabungan, karena
memang IDRT 6 10 tidak tersedia pada file INDIV.SAV (mising).
Jangan lupa untuk menyimpan file gabungan dengan nama yang berbeda dengan perintah
SAVE AS.., tulis nama file GABUNGAN-INDIV-RT.SAV.
Hal:57dari139
Modul SPSS
Konsep Uji Statistik

A. RUMUSAN HIPOTESIS
Hipotesis adalah pernyataan sementara yang perlu diuji kebenarannya. Uji
ini diperlukan oleh karena penelitian dilakukan pada sampel, tidak pada
populasi, sedangkan peneliti ingin menggeneralisasikan hasil studinya pada
populasi. Prinsip uji hipotesis adalah melakukan perbandingan antara nilai
sampel (data hasil penelitian) dengan nilai hipotesis (nilai populasi) yang
diajukan .
Uji hipotesis adalah prosedur statistika untuk menunjukkan kesahihan suatu
hipotesis. Dengan uji hipotesis tersebut dapat ditentukan apakah perbedaan
(atau tidak adanya perbedaan) yang diperoleh dari data sampel, berlaku pula
untuk populasi yang diwakili oleh sampel yang diteliti tersebut.
Kemudian terhadap data pada sampel dilakukan uji untuk memperoleh
angka apakah cukup bukti untuk menolak hipotesis nol, hingga dapat
disimpulkan ada atau tidaknya perbedaan antara kelompok. Pada akhir uji
statistik akan diperoleh nilai p; karena nilai ini diperoleh dengan
penggandaian hipotesis nol, maka dalam interpretasinya harus disertai
dengan pernyataan bila hipotesis nol benar.
Dua Jenis hipotesis statistik
1. Hipotesis nol ( Ho)
Pernyataan netral atau hipotesis yang menyatakan tidak ada
perbedaan sesuatu kejadian antara kedua kelompok. Atau hipotesis
yang menyatakan tidak ada hubungan antara variabel satu dengan
variabel lain.
2. Hipotesis alternatif (Ha)
Pernyataan yang memihak atau hipotesis yang menyatakan ada
perbedaan suatu kejadian antara kedua kelompok . Atau hipotesis
yang menyatakan ada hubungan variabel satu dengan variabel yang
lain.
Hal:58dari139
Modul SPSS
Bentuk hipotesis alternatif:
One tail (satu arah atau satu sisi)

Bila hipotesis alternatifnya menyatakan ada perbedaan lebih
tinggi atau lebih rendah.
Contoh : kadar hb pada ibu hamil yang rutin minum susu lebih
tinggi daripada kadar Hb pada ibu hamil yang tidak
mengkonsumsi susu .
Hipotesis satu arah dapat dibuat setelah melakukan kajian
literatur, sehingga sudah jelas arah atau tinggi rendahnya.
Two tail (dua arah atau dua sisi)

Bila hipotesis alternatifnya hanya menyatakan ada perbedaan
saja, tanpa melihat lebih tinggi maupun lebih rendah
Contoh
Kadar hb pada ibu hamil di perkotaan berbeda dengan kadar ibu
hamil di pedesaan.
Hipotesis dua arah biasanya dibuat untuk bidang kajian yang
relatif masih baru, sehingga belum diketahui arah atau tinggi
rendahnya.
B. KEMUNGKINAN SALAH DALAM UJI HIPOTESIS

Dalam setiap uji hipotesis, selalu terdapat kemungkinan bahwa kesimpulan yang
diperoleh tersebut adalah salah. Mungkin perbedaan antara 2 kelompok, atau
hubungan antara variabel bebas dengan variabel tergantung yang diperoleh dalam
sampel sebenarnya hanya terjadi semata-mata karena peluang atau kebetulan;
artinya dalam populasi yang diwakili oleh sampel, hubungan atau perbedaan
tersebut tidak ada. Atau sebaliknya yang terjadi, data pada sampel tidak
menunjukkan perbedaan atau hubungan, sedangkan dalam populasi perbedaan atau
hubungan tersebut ada. Salah satu dari kedua kemungkinan salah tersebut selalu
ada pada setiap uji hipotesis.
Apabila dalam uji hipotesis diperoleh hubungan atau perbedaan (hipotesis nol
ditolak), sedangkan sebenarnya dalam populasi asosiasi atau perbedaan tersebut
tidak ada, hal ini disebut kesalahan tipe I, atau positif semu. Batas kesalahan tipe I
yang boleh diperbuat dinyatakan dalam (alpha). Sebaliknya, bila asosiasi atau
Hal:59dari139
Modul SPSS
perbedaan tidak ada dalam data sampel, sedangkan di dalam populasi ada, maka
kita dihadapkan pada kesalahan tipe II, atau hasil negatif semu. Batas kesalahan
tipe II yang boleh diperbuat dinyatakan dalam (beta).
Hasil uji statistik sampel

Ho ditolak
Keadaan sebenarnya di populasi

Berbeda
Sama
Power (1-)
(1- ) Tingkat Kepercayaan
Ho gagal ditolak
Analog dengan uji diagnostik, uji hipotesis pada dasarnya memperbandingkan hasil
yang diperoleh dalam sampel, dan diuji kesahihannya dengan kebenaran yang ada
dalam populasi. Apa yang sebenarnya terdapat dalam populasi, tidak diketahui,
namun dengan berdasarkan teori peluang dan menggunakan berbagai prosedur
statistika dapat memberikan gambaran apakah hasil yang ada pada sampel tersebut
menggambarkan apa yang terdapat dalam populasi.
Istilah power adalah kemampuan uji hipotesis untuk menemukan perbedaan (atau
asosiasi), bila perbedaan (asosiasi) tersebut dalam populasi memang ada. Besar
power adalah (1-); bila ditentukan nilai adalah 0,10 maka nilai power adalah
0,90; artinya uji hipotesis pada sampel mempunyai peluang 90% untuk menemukan
perbedaan, bila perbedaan tersebut ada dalam populasi. Dalam uji diagnostik maka
power adalah setara dengan sensitifitas.
Istilah tingkat kepercayaan adalah kemampuan uji hipotesis untuk menyimpulkan
tidak cukup bukti dalam menyatakan adanya perbedaan atau hubungan (dengan
kata lain menyimpulkan tidak ada perbedaan atau tidak ada hubungan),
bila
perbedaan atau hubungan tersebut memang tidak ada. Besarnya tingkat

kepercayaan adalah
Hal:60dari139
Modul SPSS
(1- ). Bila ditentukan nilai adalah 0,05, maka tingkat kepercayaan adalah 0.95
artinya peneliti mempunyai peluang 95% untuk menyatakan tidak ada perbedaan,
bila perbedaan tersebut memang tidak ada dalam populasi.
C. MENENTUKAN TINGKAT KEMAKNAAN
Nilai p
Dalam setiap uji hipotesis peneliti pada akhirnya akan sampai pada nilai p, yang
biasanya disebut sebagai batas kemaknaan uji hipotesis. Nilai p ini mempunyai makna
yang penting, namun tidak mutlak, dan harus diinterpretasi dengan baik agar tidak
terjadi kesalahan kesimpulan.
Dalam uji hipotesis, peneliti mulai dengan mengatakan bahwa tidak terdapat perbedaan
atau hubungan antara 2 variabel (hipotesis nol). Dengan dasar asumsi tersebut, dan
dengan perhitungan berdasarkan rumus tertentu, berdasarkan data sampel yang telah
dianalisis akan diperoleh nilai p.
Interpretasi nilai p yang benar adalah:
Besarnya kemungkinan untuk mendapatkan hasil yang diperoleh atau hasil yang
lebih ekstrem, bila hipotesis nol benar

atau :
Besarnya kemungkinan bahwa hasil yang diperoleh, atau hasil yang lebih ekstrem,
disebabkan oleh faktor peluang atau faktor kebetulan semata, bila hipotesis nol benar.
Nilai p ini seringkali disalahtafsirkan, misalnya:
menyatakan bahwa nilai p adalah kemungkinan bahwa hipotesis nol benar
(besarnya kemungkinan tidak ada hubungan atau besarnya kemungkinan antara ke dua
kelompok tidak berbeda). Hal ini keliru, karena nilai pada populasi adalah nilai yang
tetap, sehingga kemungkinan benar atau salah adalah 0 atau 1.
Salah tafsir lainnya adalah menyatakan bahwa nilai p adalah besarnya
kemungkinan bahwa hasil yang diperoleh adalah disebabkan oleh peluang atau
kebetulan atau akibat variasi random. Interpretasi ini keliru sebab kalimat tersebut
secara implisist mengkaitkan nilai p dengan .
Interval Kepercayaan
Hal:61dari139
Modul SPSS
Dalam memaparkan hasil analisis penelitian, sekarang dianjurkan untuk menyertakan

interval kepercayaan dari pada hanya nilai p-nya saja, oleh karena dengan
mengemukakan interval kepercayaan dapat diperoleh dua hal sekaligus yaitu 1)
gambaran hasil analisis pada populasi dan 2) presisi. Sesuai dengan nilai , maka
interval kepercayaan yang biasa dipakai adalah 95% (untuk = 0,05) atau IK 99%
(untuk = 0,01).
Interval kepercayaan dapat ditetapkan dengan menghitung standard error, dan dapat
diterapkan baik untuk proporsi, rerata, maupun untuk perbedaan proporsi, perbedaan
rerata, dan berbagai statistik lainnya. Rasio prevalens pada studi cross sectional, risiko
relatif pada studi kohort, rasio odds pada studi kasus-kontrol, sensitivitas, spesifisitas,
nilai prediksi pada uji diagnostik juga perlu disajikan nilai interval kepercayannya.
Kemaknaan substansi vs kemaknaan statistik

Setiap intrepretasi hasil penelitian jangan hanya dinilai dari aspek statistik saja tetapi
juga perlu memperhatikan aspek substansi atau klinis. Kemanknaan dibedakan menjadi
dua yaitu kemaknaan secara substansi dengan kemaknaan secara statistik. Kemaknaan
secara statistik bisa dengan mudah didapatkan pada survei-survei skala nasional dengan
sampel yang sangat sangat besar. Padahal secara substansi belum tentu ada maknanya.
Ilustrasi berikut ini akan memaparkan pentingnya pemahaman tentang kemaknaan
substansi dan tidak hanya terpaku pada kemaknaan statistik semata.
Tabel 1
Kebiasaan
PJK
minum teh
Ya
Tidak
Ya
12 (12%)
88
Tidak
10 (10%)
90
Jumlah
22
178
Chi2 = 0,20 p = 0,651
n
100
100
200
Pada tabel 1 terlihat kejadian penyakit jantung koroner (PJK) pada kelompok yang biasa
minum teh sebesar 12% sedangkan kejadian PJK pada kelompok yang tidak memiliki
kebiasan minum teh sebesar 10%. Secara statistik tidak ada perbedaan yang signifikan
(nilai p = 0,651).
Tabel 2
Hal:62dari139
Kebiasaan
minum teh
Ya
Tidak
Jumlah
Pada tabel 2,
Modul SPSS
Penyakit Jantung Koroner

Ya
Tidak
240 (12%)
1760
200 (10%)
1800
440
3560
2
Chi = 4,09 p = 0,043
Jumlah
2000
2000
4000
sampel penelitian ditambah menjadi 20 kali lipat, sedangkan proporsi
penyakit jantung koroner pada kedua kelompok yang diuji tetap sama (12% dan 10%). Uji
statistik chi-square menunjukkan p=0,043, sehingga pada alpa = 0,05 kita menyimpulkan
ada perbedaan proporsi penyakit jantung koroner pada orang yang memiliki kebiasan
minum teh dengan yang tidak memiliki kebiasaan minum teh atau kejadian PJK lebih
tinggi pada kelompok yang memiliki kebiasan minum teh dengan yang tidak memiliki
kebiasaan minum teh.
Perbedaan proporsi sebesar 2% tidak terdeteksi oleh statistik jika sampel hanya 100 per
kelompok (tabel 1) namun jika sampel dinaikan menjadi 2000 per kelompok maka statistik
dapat mendeteksi perbedaan 2% tersebut (tabel 2). Dalam pengambilan kesimpulan,
peneliti perlu mempertimbangkan apakah perbedaan kejadian penyakit jantung koroner
sebesar 2% memang bermakna secara substansi atau klinis?
Hal yang sebaliknya dapat terjadi. Misalnya hasil uji beda rata rata berat bayi lahir antara
ibu perokok dengan ibu tidak perokok memiliki nilai p = 0,06 dengan perbedaan rata-rata
sebesar 250 gram. Walaupun nilai p menyatakan hipotesis nol gagal ditolak karena nilai
p>0,05 tetapi secara substansi atau klinis perbedaan berat bayi lahir sebesar 250 gram
sangat bermakna. Dalam kasus ini, uji statistik tidak mampu mendeteksi adanya perbedaan
sebesar 250 gram itu kemungkinan karena besar sampelnya tidak cukup atau sampel terlalu
sedikit atau power terlalu rendah.
Hal:63dari139
Modul SPSS
D. PEMILIHAN JENIS UJI STATISTIK

Untuk memudahkan dalam memilih jenis uji statistik apakah parametrik ataupun
non parametrik dapat dilihat sebagai berikut :
9 Uji Parametrik
o Jenis variabel numerik (skala ukur interval atau rasio)
Bila Distribusi datanya normal atau Jumlah sampel besar (>30)
9 Uji Non parametrik
o Jenis variabel kategorik (skala ukur nominal atau ordinal)
Bila distribusi datanya tidak normal atau Jumlah sampel kecil (<30)
PEMILIHAN JENIS UJI STATISTIK
Skala ukur
1-kelompok atau
1-sampel
Uji Komparasi atau Asosiasi

2 kelompok
>2 kelompok
Tidak
Berpasangan
Berpasangan
Tidak
Berpasangan Berpasangan
Korelasi
Interval/Rasio
T-test atau Z-test

untuk satu mean
Uji-t
independen
Uji-t
berpasangan
One-way
Anova
Two-way
Anova
Korelasi
Pearson
Ordinal
Run test,
Kolmogorovsmirnov satu
sampel
Mann-Whitney,
KolmogorovSmirnov
Wilcoxon,
Sign test
KruskalWallis,
JonckheereTerpstra
Friedman
Two-way
Anova
Korelasi
Spearman
Nominal
Binomial test, Ztest untuk satu

proporsi, Chisquare goodness
of fit
Fisher exact,
Chi-square
McNemar
Chi-square
Cochran Qtest
Korelasi
Kappa
Hal:64dari139
Modul SPSS
Uji Beda 2-Rata-rata (t-test)

Uji beda 2 rata-rata (atau T-test atau uji-T) dikenal juga dengan nama uji
hubungan antara dua variabel, yakni variabel numerik dengan variabel
kategorik, dimana kategorinya hanya dua. Dua nilai rata-rata yang akan
diuji tersebut apakah sama atau berbeda signifikan secara statistik. Dalam
uji-T dikenal 2 jenis yaitu uji-T berpasangan dan uji-T independen.
Masing-masing jenis uji-T tersebut akan dibahas dengan contoh-contoh
aplikasinya dan dilengkakpi dengan dengan cara penyajian dan
interpretasinya.

- 1. Menjelaskan kembali konsep uji-T independen dan uji-T berpasangan
serta uji Wilcoxon dan Mann Whitney-U
- 2. Melakukan uji-T independen dan uji-T berpasangan serta uji Wilcoxon
dan Mann Whitney-U
- 3. Menyajikan dan menginterpretasikan hasil uji-T independen dan uji-T
berpasangan serta uji Wilcoxon dan Mann Whitney-U
Hal:65dari139
Modul SPSS
5.1. Pengertian
Pertanyaan yang sering muncul dalam suatu intervensi di bidang kesehatan adalah apakah
intervensi berhasil atau tidak? dan bagaimana cara menentukan keberhasilan suatu
intervensi? Uji statistik apa yang cocok digunakan untuk menguji keberhasilan suatu
intervensi?.
Untuk mengukur keberhasilan suatu intervensi kita harus melakukan uji statistik untuk
melihat apakah nilai parameter antara dua populasi tersebut berbeda atau tidak, kedua
populasi itu adalah populasi intervensi dan populasi kontrol tanpa intervensi. Misalnya,
apakah ada perbedaan rata-rata berat badan antara sebelum dengan sesudah mengikuti
intervensi program diet? Atau apakah ada perbedaan rata-rata tekanan darah penduduk
kota dengan penduduk desa?.
Sebelum kita melakukan uji statistik dua kelompok data, kita perlu perhatikan apakah dua
kelompok data tersebut berasal dari dua kelompok yang independen atau berasal dari dua
kelompok yang dependen/berpasangan. Dikatakan kedua kelompok data independen bila
populasi kelompok yang satu tidak tergantung dari populasi kelompok kedua, misalnya
membandingkan rata-rata tekanan darah sistolik orang desa dengan orang kota. Tekanan
darah orang kota adalah independen (tidak tergantung) dengan orang desa. Dilain pihak,
dua kelompok data dikatakan dependen/pasangan bila datanya saling mempunyai
ketergantungan, misalnya data berat badan sebelum dan sesudah mengikuti program diet
berasal dari orang yang sama (data sesudah dependen/tergantung dengan data sebelum).
5.2. Konsep Uji Beda 2 Rata-rata

Uji beda dua rata-rata dikenal juga dengan nama uji-t independen atau uji-t berpasangan
(paired) pada statistik parametrik dan uji-wilcoxon atau Mann-Whitney-U pada statistik
non-parametrik. Konsep dari uji beda rata-rata adalah membandingkan nilai rata-rata
beserta selang kepercayaan tertentu (confidence interval) dari dua populasi. Pada
prinsipnya pengujian dua rata-rata adalah melihat perbedaan variasi kedua kelompok. Oleh
karena itu dalam pengujian ini diperlukan informasi apakah varian kedua kelompok yang
diuji sama atau tidak. Varian kedua kelompok data akan berpengaruh pada nilai standar
error yang akhirnya akan membedakan rumus pengujiannya.
Hal:66dari139
Modul SPSS
Dalam menggunakan uji-t ada beberapa syarat atau asumsi yang harus dipenuhi. Asumsi
utama yang harus dipenuhi dalam menggunakan uji-t adalah data harus berdistribusi
normal. Jika data tidak berdistribusi normal, maka harus dilakukan transformasi data
terlebih dahulu untuk menormalkan distribusinya. Jika transformasi yang dilakukan tidak
dapat membuat distribusi data tersebut menjadi normal, maka uji-t tidak valid untuk
dipakai, sehingga disarankan untuk melakukan uji non-parametrik seperti Wilcoxon (data
berpasangan) atau Mann-Whitney U (data independen).
Berdasarkan karakteristik datanya, pada statistik parametrik uji beda dua rata-rata dibagi
dalam dua kelompok, yaitu: uji beda rata-rata independen dan uji beda rata-rata
berpasangan.
5.3. Aplikasi Uji-T Dependen/Berpasangan/Paired

Uji-t untuk data berpasangan berarti setiap subjek diukur dua kali. Misalnya sebelum dan
sesudah dilakukannya suatu intervensi atau pengukuran yang dilakukan terhadap pasangan
orang kembar. Dalam contoh ini akan membandingkan data sebelum dengan sesudah
kehamilan. Dalam file IBU_BAYI_189.SAV sudah ada data berpasangan yaitu
pengukuran berat badan ibu yang dilakukan sebelum hamil dan sesudah melahirkan.
Kita akan melakukan uji hipotesis untuk menilai apakah ada perbedaan berat badan ibu
antara sebelum dengan sesudah kehamilan, langkah-langkahnya sebagai berikut.
STATISTIK PARAMETRIK: UJI-T BERPASANGAN (PAIRED)

Uji-T berpasangan digunakan apabila data selisih berat badan berdistribusi normal. Boleh
jadi data berat badan sebelum atau berat badan sesudah tidak berdistribusi normal, namun
jika selisih berat badan berdistribusi normal maka asumsi statistik parametrik telah
terpenuhi dan uji-T berpasangan dapat dilakukan, sebagai berikut.
1.
Bukalah file IBU_BAYI_189.SAV, sehingga data tampak di Data editor window.
Hal:67dari139
2.
3.
4.
5.
6.
Modul SPSS

Analize <
Compare Mean <
Paired-Sample T-test.
Pilih variabel BBIBU_1 dan BBIBU_2 dengan cara mengklik masing-masing variable
tersebut.
Kemudian klik tanda < untuk memasukkannya ke dalam kotak Paired-Variables.
Pada menu Options pilihlah derajat kepercayaan yang diinginkan, misalnya 95%.
Kemudian pilih Continue.
Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti berikut:
Paired Samples Statistics
Pair
1
BBIBU_1
Mean
58.39
BBIBU_2
60.12
189
Std. Deviation
13.76
Std. Error
Mean
1.00
189
13.72
1.00
Dari 189 subjek yang diamati terlihat bahwa rata-rata (mean) berat badan dari ibu sebelum
hamil (BBIBU_1) adalah 58.39, dan rata-rata berat badan sesudah hamil (BBIBU_2) adalah
60.12. Apakah di populasi ada perbedaan yang signifikan rata-rata berat badan ibu antara
sebelum dan sesudah hamil?. Hasil Uji t untuk menguji perbedaan rata-rata terlihat pada
tabel berikut:
Paired Samples Test Paired Differences
Mean Std. Dev
Pair 1 BBIBU_1 BBIBU_2
-1.730
Std. Error
Mean
1.773
0.129
95% CI of the
Difference
Lower
Upper
-1.985
-1.476
Df
Sig.
(2-tailed)
-13.413
188.000
0.000
Dari hasil uji-t berpasangan tersebut terlihat bahwa rata-rata perbedaan antara BBIBU_1
dengan BBIBU_2 adalah sebesar -1.73. Tanda minus (-) berarti berat sesudah lebih besar
daripada berat sebelum hamil. Artinya ada peningkatan berat badan sesudah hamil sebesar
1.73 kg.
Hal:68dari139
Modul SPSS
Hasil perhitungan didapatkan nilai t adalah sebesar 13.41 dengan nilai-p 0.000 (uji 2arah). Hal ini berarti kita menolak Ho dan menyimpulkan bahwa pada populasi (dari
mana sampel tersebut diambil) secara statistik ada perbedaan yang signifikan rata-rata
berat badan sebelum dan sudah hamil.
Hal:69dari139
Modul SPSS
STATISTIK NON-PARAMETRIK: UJI-WILCOXON

Uji-wilcoxon sign rank test digunakan apabila data selisih berat badan tidak berdistribusi
normal. Langkah-langkah uji Wicoxon adalash sebagai berikut.
1. Bukalah file IBU_BAYI_189.SAV, sehingga data tampak di Data editor window.

Analize Nonparametrik Test 2 Related Samples.
3. Pilih variabel BBIBU_1 dan BBIBU_2 dengan cara mengklik masing-masing
variable tersebut (Jika tidak bisa, maka tekan kontrol kemudian klik variabel
tersebut).
4. Kemudian klik tanda > untuk memasukkannya ke dalam kotak Test Paire(s) List:.
5. Pada menu Options aktifkan Descriptive. Kemudian pilih Continue.
Hal:70dari139
Modul SPSS
6. Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti
berikut:
N
Mean
Std. Deviation
Minimum
Maximum
Berat badan ibu (sebelum hamil)
189
58.39
13.765
36
112
Berat badan ibu (sesudah melahirkan)
189
60.12
13.721
40
112
Test Statistics(b)
Berat badan ibu (sesudah melahirkan) - Berat
badan ibu (sebelum hamil)
Z
-9.645(a)
Asymp. Sig. (2-tailed)
.000
a Based on negative ranks.

b Wilcoxon Signed Ranks Test
Hasil perhitungan nilai t adalah sebesar 13.41 dengan nilai-p 0.000 (uji 2-arah). Hal ini
berarti kita menolak Ho dan menyimpulkan bahwa pada populasi (dari mana sampel
tersebut diambil) secara statistik ada perbedaan yang signifikan antara rata-rata berat badan
sebelum dengan sudah intervensi.
5.4. Penyajian Hasil Uji-t Dependen pada Data Berpasangan

STATISTIK PARAMETRIK: HASIL UJI-T BERPASANGAN
Tabel #. Distribusi nilai rata-rata berat ibu antara sebelum dengan sesudah hamil
Variabel
n
Mean
SD
Min-Max Paired Nilai-p
T-Test
Berat Badan ibu (kg)
- Sebelum hamil
189
58.4
13.7
36-112
-13.41
0.000
- Sesudah hamil
189
60.1
13.7
40-112
Dari 189 subjek yang diamati terlihat bahwa rata-rata atau mean berat badan dari ibu
sebelum hamil adalah 58.39 dan rata-rata berat badan sesudah hamil adalah 60.12. Secara
statistik ada perbedaan yang signifikan antara rata-rata berat badan sebelum dengan sudah
proses kehamilan, ada peningkatan berat badan setelah melahirkan sebesar 1,7 kg. Dengan
menggunakan Uji-T Berpasangan didapatkan nilai-p sebesar 0,000
STATISTIK NON-PARAMETRIK: HASIL UJI-WILCOXON
Hal:71dari139
Variabel
Berat Badan ibu (kg)
- Sebelum hamil
- Sesudah hamil
Modul SPSS
Mean
SD
Min-Max
189
189
58.39
60.12
13.76
13.72
36-112
40-112
Wilcoxon*
Nilai-p
-9.645
0.000
* Wilcoxon Signed Ranks Test

Dari 189 subjek yang diamati terlihat bahwa rata-rata (mean) berat badan dari ibu sebelum
hamil adalah 58.39 dan rata-rata berat badan sesudah hamil adalah 60.12. Secara statistik
ada perbedaan yang signifikan antara rata-rata berat badan sebelum dengan sudah proses
kehamilan, ada peningkatan berat badan setelah melahirkan sebesar 1,7 kg dengan
menggunakan Uji Wilcoxon Signed Ranks Test didapatkan nilai-p sebesar 0,000.
5.5. Aplikasi Uji-t Independen

Uji-t untuk data independen dilakukan terhadap dua kelompok data yang tidak saling
berkaitan antara satu dengan lainnya. Misalnya membandingkan kelompok intervensi
dengan kelompok kontrol atau kelompok ibu-ibu perokok dengan ibu-ibu bukan perokok
adalah dua kelompok yang tidak saling berkaitan.
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
perokok dengan bayi yang lahir dari ibu bukan perokok.
Kita
akan
melakukan
uji
hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu bukan perokok
dengan rata-rata berat bayi yang lahir dari ibu perokok, dengan langkah-langkah sebagai
berikut.
STATISTIK PARAMETRIK: UJI-T INDEPENDEN


Hal:72dari139
Modul SPSS
Analize >
Compare Mean >
Independent-Samples T-test.
Pilih variabel BBAYI dengan cara mengklik variable tersebut.
Kemudian klik tanda < untuk memasukkannya ke dalam kotak Test
variable(s).
Pilih variabel ROKOK dan masukkan ke dalam kotak Grouping variable.
Kemudian klik menu Define group, dan isi angka 0 (nol) -kode untuk bukan
perokok- pada Group-1 dan isi angka 1 (satu) -kode untuk perokok- pada
Group-2. Kemudian pilih Continue. (Kodenya bisa saja 1 dengan 2
tergantung data yang dipakai)
Pada menu Options pilihlah derajat kepercayaan yang diinginkan, misalnya
95%. Kemudian pilih Continue.
Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti
berikut:
3.
4.
5.
6.
7.
8.
Group Statistics
BBAYI
ROKOK
Tidak
Ya
N
115
74
Mean
3054.96
2773.24
Std. Deviation
752.41
660.08
Std. Error
Mean
70.16
76.73
Hasil tersebut memperlihatkan bahwa ada 115 ibu yang tidak perokok dan mereka
mempunyai rata-rata berat bayi sebesar 3054.96 gram. Sedangkan 74 ibu yang perokok
melahirkan bayi yang lebih rendah beratnya daripada kelompok sebelumnya yakni dengan
rata-rata 2773.24 gram.
Independent Samples Test
Levene's Test
for Equality of
Variances
F
BBAYI
Equal variances
assumed
1.508
t-test for Equality of Means
Sig.
.221
Equal variances
not assumed
df
Sig.
(2-tailed)
Mean
Difference
Std. Error
Difference
2.634
187
.009
281.71
106.97
2.709
170.0
.007
281.71
103.97
Pada tabel output hasil uji-t independen disajikan dua jensi uji statistik. Pertama adalah uji
Levenes Test for Equality of Variance untuk melihat apakah ada kesamaan varians
antara kedua kelompok.
Kedua adalah T-test for Equality of Means yang merupakan
uji-t untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak.
Hal:73dari139
Modul SPSS
Jika nilai-p (Sig.) dari uji Levenes Test lebih besar dari nilai alpha (0.05), hal ini berarti
varians kedua kelompok adalah sama, maka signifikansi uji-t yang dibaca adalah pada
baris pertama (Equal variances assumed). Tetapi jika nilai-p dari uji Levenes lebih kecil
atau sama dengan nilai alpha (0.05), hal ini berarti bahwa varians kedua kelompok adalah
tidak sama, maka signifikansi uji-t yang dibaca adalah pada baris kedua (Equal variances
not assumed).
Pada contoh diatas signifikansi uji Levenes adalah 0.221, berarti varians kedua kelompok
adalah sama, maka hasil uji-t pada baris pertama memperlihatkan nilai-p (sig.) adalah
0.009 untuk uji 2-sisi. Dapat disimpulkan bahwa secara statistik rata-rata berat bayi
yang lahir dari populasi ibu yang tidak perokok lebih tinggi dari populasi ibu
perokok. (Catatan: Jika uji yang kita lakukan adalah uji 1-sisi maka nilai-p harus dibagi
2 sehingga menjadi 0.0045).
STATISTIK NON-PARAMETRIK: UJI MANN WHITNEY-U

Jika data berat bayi tidak berdistribusi normal, maka hasil uji-t independen tidak akurat,
sehingga harus digunakan uji non parametrik (Mann-Whitney-U) dengan langkah-langkah
sebagai berikut.

Analize Nonparametrik Test 2 Independen Samples.
Hal:74dari139
Modul SPSS
3. Pilih variabel numerik yang ada dikotak sebelah kiri (BBAYI) dan masukkan ke
kotak Test Variabel List
4. Pilih variabel kategorik yang ada dikotak sebelah kiri (ROKOK) dan masukkan ke
kotak Grouping variable
Kemudian klik menu Define Groups dan ketik kode 0 dan 1 ke kotak Group1 dan Group 2 sesuai dengan kode yang ada pada data (merokok=1 tidak
merokok=0). Kemudian klik Continue. Catatan: Kode 0, 1 atau 1, 0 sama saja
5. Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti
berikut:
Ranks
Berat bayi lahir (gr)
Apakah ibu perokok

Tidak
Ya
Total
N
115
74
189
Mean Rank
103.60
81.64
Sum of Ranks
11913.50
6041.50
Test Statisticsa
Berat bayi
lahir (gr)
3266.500
6041.500
-2.693
.007
Mann-Whitney U
Wilcoxon W
Z
Asymp. Sig. (2-tailed)
a. Grouping Variable: Apakah ibu perokok
Hasil uji ranking memperlihatkan bahwa mean ranking berat bayi pada ibu yang tidak
Hal:75dari139
Modul SPSS
perokok lebih tinggi dibandingkan dengan mean ranking berat bayi pada ibu yang tidak
perokok (103 berbanding 81). Artinya mean berat bayi pada ibu yang tidak perokok lebih
tinggi dibandingkan ibu perokok.
Hasil uji Mann-Whitney-U memperlihatkan nilai-p
0,007 artinya lebih besar dari nilai alpha 0,05 dan disimpulkan bahwa perbedaan berat bayi
antara ibu perokok dengan tidak perokok signifikan secara statistik.
5.6. Penyajian Hasil Uji-Beda 2 Rata-rata

STATISTIK PARAMETRIK: HASIL UJI-T INDEPENDEN
Tabel #. Nilai rata-rata berat bayi yang dilahirkan oleh ibu perokok
dan bukan ibu perokok
Variabel
n
Mean
SD
T (t-test) Nilai-p
Ibu Perokok
- Tidak
115
3054,9
752,4
2,634
0.009
- Ya
74
2773,2
660,1
Hasil analisis memperlihatkan bahwa dari 115 ibu yang tidak perokok mempunyai rata-rata
berat bayi sebesar 3054.96 gram.
Sedangkan dari 74 ibu yang perokok, mereka
melahirkan bayi dengan berat yang lebih rendah yakni rata-rata 2773.24 gram. Dari hasil
uji statistik T-test dapat kita simpulkan bahwa terdapat perbedaan yang signifikan antara
berat bayi dari populasi ibu perokok dibandingkan dengan ibu bukan perokok (nilai-p =
0,009). atau Secara statistik rata-rata berat bayi yang lahir dari populasi ibu yang tidak
perokok lebih tinggi dari populasi ibu perokok (nilai-p = 0,0045).
STATISTIK NON-PARAMETRIK: HASIL UJI-MANN WHITNEY-U
Variabel
n
Mean
SD
Mean Rank
Mannnilai-p
Whitney-U
Ibu Perokok
- Tidak
115 3054,9
752,4
103,6
3266,5
0.009
- Ya
74
2773,2
660,1
81,6
Hasil uji beda rata-rata memperlihatkan bahwa mean ranking berat bayi pada ibu yang
tidak perokok lebih tinggi dibandingkan dengan mean ranking berat bayi pada ibu yang
tidak perokok (103,6 berbanding 81,6). Artinya mean berat bayi pada ibu yang tidak
perokok lebih tinggi dibandingkan ibu perokok.
Hasil uji Mann-Whitney-U
memperlihatkan nilai-p 0,007 artinya lebih besar dari nilai alpha 0,05 dan disimpulkan
bahwa perbedaan berat bayi antara ibu perokok dengan tidak perokok signifikan secara
Hal:76dari139
Modul SPSS
statistik.
Hal:77dari139
Modul SPSS
Uji Beda > 2-Rata-rata (ANOVA)

Uji beda 2 rata-rata atau lebih (Uji Anova atau analisis of
variance) dikenal juga dengan nama uji hubungan antara variabel
numerik dengan variabel kategorik, dimana kategorinya lebih

atau sama dengan dua. Uji ANOVA adalah prosedur statistik
yang digunakan untuk menentukan apakah perbedaan rata-rata
antara dua kelompok atau lebih merupakan berbeda secara
signifikan atau tidak.
Dua atau lebih nilai rata-rata yang akan diuji tersebut apakah ada
perbedaan yang signifikan secara statistik, jika ada perbedaan
yang signifikan, maka tahap berikutnya adalah melakukan uji
Post-Hoc Multiple comparison, untuk melihat kelompok mana
saja yang berbeda. Bab ini akan menguraikan uji Anova lengkap
dengan contoh aplikasi dan disertai dengan cara penyajian dan
interpretasi.

-
1. Menjelaskan kembali langkah-langkah uji-Anova dan uji

Kruskal Wallis
2. Melakukan uji Anova dan uji Kruskal Wallis
3. Menyajikan dan menginterpretasikan hasil uji-Anova dan uji

Kruskal Wallis
4. Melakukan uji-Post Hoc (Multiple comparison)
5. Menyajikan dan menginterpretasikan hasil uji-Post Hoc

(Multiple comparison)
Hal:78dari139
Modul SPSS
6.1. PengertianUji Beda > 2 Rata-rata (Anova)

Untuk menguji perbedaan rata-rata antara 2 kelompok independen telah dibahas pada
bagian sebelumnya yang digunakan Uji-T, sedangkan untuk melakukan uji perbedaan
terhadap rata-rata antara 3 kelompok independen atau lebih digunakan Analisis of Varins
(Anova). Pada uji rata-rata perbedaan 3 kelompok atau lebih, kita tidak boleh lagi
menggunakan uji t berulang-ulang.
Misalnya kita ingin mengetahui apakah ada perbedaan rata-rata hasil antara 3 kelompok
intervensi, apakah ada perbedaan rata-rata berat badan bayi lahir menurut tingkat
pendidikan ibu (rendah, menengah, & tinggi). Dalam menganalisis rata-rata 3 kelompok
ini tidak dibolehkan menggunakan uji-t. Jika menggunakan uji-T ada dua kelemahan yang
timbul yaitu: pertama kita harus melakukan pengujian berulang-ulang sesuai kombinasi
yang mungkin dan kedua apabila melakukan uji-t berulang-ulang akan meningkatkan nilai
alpha (inflasi nilai alpha). Besaran nilai alpha yang akan terjadi jika melakukan pengujian
berulang dapat dihitung dengan rumus berikut = 1 - (1-alpha)n dimana n = berapa kali
pengulangan uji-t dilakukan. Pada uji beda rata-rata 3 kelompok akan ada 3 kali
pengulangan uji-T. Semakin banyak jumlah kelompok semakin banyak pengulangan uji-T
yang harus dilakukan artinya nilai alpha yang sesungguhnya semakin besar dan peluang
mendapatkan hasil yang keliru juga akan semakin besar.
Untuk mengatasi masalah dalam menganalisis beda lebih dari dua mean kelompok
independen maka uji statistik yang tepat adalah Uji ANOVA atau uji-F. Aplikasi analisis
varian atau ANOVA ada dua jenis yaitu Anova satu faktor (one way anova) dan Anova
dua faktor (two ways anova). Pada bab ini hanya akan dibahas Anova satu faktor.
Sebelum menggunakan uji Anova, maka harus dipahami beberapa asumsinya terkait
dengan uji statistik Non-Parametrik. Beberapa asumsi yang harus dipenuhi pada uji Anova
adalah:
1. Sampel berasal dari kelompok yang independen
2. Data masing-masing kelompok berskala numerik (interval atau rasio) dan berdistribusi
normal
3. Varian antar kelompok harus diketahui apakah sama atau berbeda
Asumsi pertama tentang kelompok yang independen harus sudah dipenuhi pada saat
Hal:79dari139
Modul SPSS
pengambilan sampel yang dilakukan secara random terhadap beberapa kelompok yang
independen, artinya nilai pada satu kelompok tidak tergantung pada nilai di kelompok lain
atau pengambilan sampel pada satu kelompok tidak bergantung pada kelompok lain.
Pemenuhan terhadap asumsi kedua dan ketiga dapat dicek jika data telah terkumpul dan
dimasukkan ke komputer. Jika asumsi normalitas tidak terpenuhi dapat dilakukan
transformasi terhadap data. Teknik trasformasi yang bisa dipakai adalah Log10, Ln, Akar,
dan Kuadrat. Apabila proses transformasi tidak berhasil membuat data memenuhi asumsi
normal maka uji Anova tidak boleh dilakukan, sehingga harus menggunakan uji statistik
non-parametrik yaitu Kruskal Wallis.
6.2. Konsep Uji Beda > 2 Rata-rata (Anova)

Apabila kita ingin membandingkan efek 3 jenis obat terhadap penurunan kadar kholesterol
serum darah tikus atau membandingkan rata-rata berat bayi lahir dari ibu yang perokok
berat, perokok ringan, perokok pasif, dan bukan perokok. Uji Anova pada prinsipnya
adalah melakukan analisis terhadap variasi data, pada data berkelompok ada dua sumber
variasi data yaitu variasi individu di dalam kelompok (within group) dan variasi individu
antar kelompok (between group).
Apabila variasi antara between group dan within group adalah sama, atau rasio
perbandingan kedua varian mendekati atau sama dengan satu, dengan kata lain nilai ratarata antar kelompok tidak berbeda, hal ini berarti tidak ada perbedaan antar kelompok atau
efek dari intervensi yang dilakukan tidak berhasil membuat perbedaan. Sebaliknya apabila
variasi antar kelompok (between group) lebih besar dari variasi di dalam kelompok (within
group), dengan kata lain nilai rata-rata antar kelompok menunjukkan adanya perbedaan,
artinya intervensi yang dilakukan memberikan efek yang berbeda.

Perhitungan uji Anova menggunakan rumus sebagai berikut:
MSb2 Varian _ between /(k 1)

F=
=
MSw2 Varian _ within /(n k )
Varian _ between = B
Varian _ within =
2
W
n
=
j k
SD
=
( x j k x ) 2
k 1
2
j k
(n j k 1)
N k
Hal:80dari139
Modul SPSS
Keterangan:
k-1 : derajat kebebasan (degree of freedom) untuk pembilang
n - k : derajat kebebasan (degree of freedom) untuk penyebut
6.3. Aplikasi Uji Beda > 2 Rata-rata

STATISTIK PARAMETRIK UJI BEDA > 2 RATA-RATA (ANOVA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya). Misalnya
membandingkan pengaruh dari 3 jenis intervensi atau membandingkan rata-rata berat bayi
dari kelompok ibu-ibu perokok berat dengan perokok ringan atau bukan perokok.
Pada contoh analisis ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari
ibu yang berpendidikan SD, ibu yang berpendidikan SMP, dengan ibu yang berpendidikan
SMA. Kita akan melakukan uji hipotesis apakah ada perbedaan rata-rata berat bayi yang
lahir dari ibu dari jenis pendidikan yang berbeda, dengan langkah-langkah sebagai berikut.
1. Bukalah file IBU_BAYI_189.SAV sampai tampak pada Data editor window.
2. Dari menu utama, pilihlah
Analyze >
Compare Means >
One-way ANOVA ...
3.
4.
Klik variabel BBAYI dan masukkan ke kotak Dependent List.

Klik variabel DIDIK dan masukkan kotak Factor.
Hal:81dari139
Modul SPSS
5. Pada menu Options.. aktifkan Deskriptive dan Homegeneity of varians.

6. Klik Continue dan Klik OK untuk menjalankan prosedur. Hasilnya muncul di output
seperti berikut:
Descriptives
BBAYI
95% Confidence
Interval for Mean
N
Std.
Deviation
695.90
Std.
Error
101.51
Lower
Bound
2196.10
Upper
Bound
2604.75
Mini
mum
709
Maxi
mum
3940
SD
47
Mean
2400.43
SMP
84
2915.17
555.33
60.59
2794.65
3035.68
1588
4153
SMA
58
3428.38
655.32
86.05
3256.07
3600.69
1729
4990
Total
189
2944.66
729.02
53.03
2840.05
3049.26
709
4990
Pada output deskriptif di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan SD adalah 2400.43 gram, pada ibu dengan pendidikan SMP adalah 2915.17
gram, dan pada ibu berpendidikan SMA adalah 3428.38 gram. Standar deviasi, nilai
minimum-maximun, dan interval 95% tingkat kepercayaan juga diperlihatkan.
Test of Homogeneity of Variances
BBAYI
Levene
Statistic
1.300
df1
2
df2
186
Sig.
.275
Salah satu asumsi dari uji Anova adalah varians masing-masing kelompok harus sama.
Untuk itu dilakukan uji homogenitas varians yang hasilnya memperlihatkan bahwa nilai-p
(sig.) lebih besar dari nilai alpha=0.05, berarti varians antar kelompok adalah sama. Jika
varians tidak sama, maka hasil uji Anova tidak akurat. Catatan: dalam contoh ini tidak
dilakukan uji normalitas, uji normalitas telah dilakukan sebelumnya dan data berat bayi
berdistribusi normal (lihat bab tentang statistik deskriptif data numerik).
Hal:82dari139
Modul SPSS
ANOVA
BBAYI
Between Groups
Within Groups
Total
Sum of
Squares
27565146
72351907
99917053
df
2
186
188
Mean Square
13782572.92
388988.746
F
35.432
Sig.
.000
Pada output di atas diperoleh nilai ANOVA atau F = 35.43 dengan nilai-p = 0.000 (nilai-p
dapat juga ditulis seperti berikut p < 0.001). Hipotesis nol pada uji ANOVA adalah tidak
ada perbedaan rata-rata berat bayi antara kelompok ibu dengan pendidikan SD, SMP, dan
SMA. Sedangkan hipotesis alternatifnya adalah ada perbedaan rata-rata antar kelompok
atau paling tidak salah satu nilai rata-rata berbeda dengan lainnya.
Dengan menggunakan alpha = 0.05 dari hasil di atas kita menolak hipotesis nol. Sehingga
kita menyimpulkan ada perbedaan berat badan bayi dari ke tiga kelompok ibu tersebut
(setidaknya salah satu nilai mean berbeda dengan lainnya). Namun, kita tidak tahu
kelompok mana yang berbeda antara satu dengan yang lainnya.
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda, apakah antara
pendidikan SD dengan SMP, SD dengan SMA, atau SMP dengan SMA. Untuk menjawab
pertanyaan ini kita harus melakukan uji banding ganda. Untuk melakukan uji banding
ganda, kita harus klik menu Post Hoc pada kotak dialog ANOVA.
Silakan kembali ke langkah muali dari awal: Analyze, Compare means, One-way-Anova,
dan klik Post Hoc. Pada kotak dialog Post Hoc ada banyak pilihan uji komparasi ganda.
Kita harus membuka buku statistik untuk memahami kelebihan dan kekurangan masingmasing uji. Pada contoh kali ini, kita akan menggunakan uji Tukey honestly significant
different (Tukey HSD), suatu uji post hoc yang sering digunakan. Klik Tukey untuk
meminta agar uji tersebut dilakukan oleh komputer, kemudian klik Continue dan OK.
Hasil output SPSS sama dengan hasil uji ANOVA sebelumnya dan ditambah dengan
tampilan berikut:
Hal:83dari139
Modul SPSS
Post Hoc Tests

Multiple Comparisons
Dependent Variable: BBAYI
Tukey HSD
(I) DIDIK
SD
SMP
SMA
(J) DIDIK
SMP
SMA
SD
SMA
SD
SMP
Mean
Difference
(I-J)
-514.74*
-1027.95*
514.74*
-513.21*
1027.95*
513.21*
Std. Error
113.61
122.41
113.61
106.48
122.41
106.48
Sig.
.000
.000
.000
.000
.000
.000
95% Confidence Interval

Lower Bound Upper Bound
-781.01
-248.47
-1314.84
-741.07
248.47
781.01
-762.76
-263.66
741.07
1314.84
263.66
762.76
*. The mean difference is significant at the .05 level.
Pada kolom Mean Difference terlihat tanda * yang menggambarkan perbedaan antar
kelompok signifikan pada alpha = 0.05.
Pada baris pertama (SD) dapat dilihat
perbandingan antara berat bayi dari ibu berpendidikan SD dengan berat bayi dari ibu
berpendidikan SMP atau SMA. Begitu juga dengan baris ke-2, terlihat perbandingan antara
berat bayi dari ibu berpendidikan SMP dengan berat bayi dari ibu berpendidikan SD dan
SMA.
Dari hasil di atas muncul semua tanda bintang, artinya semua kelompok dengan lainnya,
disimpulkan bahwa ada perbedaan rata-rata berat bayi antara ibu berpendidikan SD dengan
ibu berpendidikan SMP, antara ibu berpendidikan SD dengan ibu berpendidikan SMP, dan
ibu berpendidikan SMP dengan ibu berpendidikan SMA.
STATISTIK NON-PARAMETRIK UJI BEDA>2 RATA-RATA (KRUSKALWALLIS)

Uji-Anova digunakan untuk uji beda rata-rata variabel numerik (skala interval atau rasio)
dan datanya berdistribusi normal. Pada variabel berskala ordinal atau data tidak
berdistribusi normal (upaya transformasi data tidak berhasil membuat distribusi normal)
maka uji beda rata-rata 2 kelompok atau lebih menggunakan uji Kruskal-Wallis.
Misalnya distribusi berat bayi tidak normal, maka dilakukan uji Kruskal-Wallis untuk
mengetahui perbedaan rata-rata berat bayi menurut pendidikan ibu dengan langkahlangkah sebagai berikut.
1.
2.
Bukalah file IBU_BAYI_189.SAV sampai tampak pada Data editor window.

Dari menu utama, pilihlah
Hal:84dari139
Modul SPSS
Analyze >
Nonparametric Test >
K Independen Samples...
3. Pilih variabel numerik yang ada dikotak sebelah kiri (BBAYI) dan masukkan ke kotak
Test Variabel List
4. Pilih variabel kategorik yang ada dikotak sebelah kiri (DIDIK) dan masukkan ke kotak
Grouping variable
Kemudian klik menu Define Range dan ketik kode 0 pada kotak Minimum
dan kode 2 pada kotak maksimum sesuai dengan kode yang ada pada data (0=SD,
1=SMP, 2=SMA). Kemudian klik Continue.
5. Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti berikut:
Hal:85dari139
Modul SPSS
Ranks
Tingkat pendidikan ibu

SD
SMP
SMA
Total
N
47
84
58
189
Mean Rank
55.53
91.72
131.73
Test Statisticsa,b
Chi-Square
df
Asymp. Sig.
Berat bayi
lahir (gr)
50.924
2
.000
a. Kruskal Wallis Test

b. Grouping Variable: Tingkat pendidikan ibu
Hasil uji ranking memperlihatkan bahwa semakin tinggi pendidikan ibu semakin tinggi
mean ranking berat bayinya. Mean ranking berat bayi pada ibu yang berpendidikan SD
adalah 55,5, berpendidikan SMP adalah 91,7 dan berpendidikan SMA adalah 131,7. Hasil
uji Kruskal Wallis memperlihatkan nilai-p 0,000 yang lebih besar dari nilai alpha 0,05 dan
disimpulkan bahwa ada perbedaan yang signifikan nilai rata-rata berat bayi antar tingkat
pendidikan ibu.
6.4. Transformasi Data Jika Varians Tidak Homogen

Jika ingin mendapatkan hasil uji Anova yang lebih akurat, maka varians antar kelompok
harus homogen. Jika asumsi ini tidak bisa dipenuhi dapat dilakukan transformasi data agar
varians antar kelompok menjadi homogen dengan langkah-langkah sebagai berikut:
Pilih menu Analyze, Descriptive, Explore, Kemudian aktifkan Power Estimation.
Kemudian klik Continue dan OK, hasilnya sebagai berikut.
Hal:86dari139
Modul SPSS
Spread vs. Level Plot of GULA By CLASS

4,3
4,2
4,1
4,0
3,9
Spread
3,8
3,7
3,6
5,3
5,4
5,5
5,6
5,7
Level
* Plot of LN of Spread vs LN of Level
Slope = 1,429 Power for transformation = -,429
Nilai slope dan nilai power adalah panduan untuk menentukan jenis transformasi yang
digunakan.
Berikut ini ditampilkan tabel transformasi
yang dianjurkan untuk
menghomogenkan varians berdasarkan nilai slope dan power.

Tabel #. Jenis Transformasi Terbaik Berdasarkan Nilai Slope Dan Power.
Slope
Power
Jenis Transformasi Terbaik
-1
Square (kuadrat)
Tidak perlu transformasi
0,5
0,5
Square root (akar)
Logaritma
1,5
-0,5
1/ square root
-1
Reciprocal (1/n)
Hal:87dari139
Modul SPSS
6.5. Contoh Penyajian Hasil Uji Beda > 2 Rata-rata

STATISTIK PARAMETRIK: HASIL UJI ANOVA
Tabel # Distribusi nilai rata-rata berat bayi menurut status pendidikan ibu
Variabel
Mean
SD
Niali F
(Anova)
Nilai-p
Pendidikan ibu
- SD
- SMP
- SMA
47
84
58
2400,4
2915,2
3428,4
695,9
555,3
655,3
35,4
0,000
Pada tabel di atas terlihat bahwa rata-rata berat bayi meningkat sesuai dengan peningkatan
status pendidikan ibu. Ibu dengan pendidikan SD rata-ratanya adalah 2400.43 gram, ibu
dengan pendidikan SMP adalah 2915.17 gram, dan ibu berpendidikan SMA adalah
3428.38 gram. Hasil uji Anova memperlihatkan bahwa ada perbedaan yang signifikan
rata-rata berat bayi menurut tingkat pendidikan ibu (nilai-p 0.000). Analisis lebih lanjut
dengan uji Tukey memperlihatkan bahwa perbedaan terjadi pada semua kelompok
pendidikan, yaitu perbedaan rata-rata berat bayi antara ibu berpendidikan SD dengan SMP,
SD dengan SMU, dan SMP dengan SMU seperti yang disajikan pada tabel berikut.
Tabel # Signifikansi perbedaan rata-rata berat bayi menurut Pendidikan ibu
(Hasil Uji-Tukey)
Pendidikan
- SD vs SMP
- SD vs SMU
- SMP vs SMU
nilai-p
0,000
0,000
0,000
Simpulan
Berbeda signifikan
Berbeda signifikan
Berbeda signifikan
STATISTIK NON PARAMETRIK: HASIL UJI KRUSKAL WALLIS

Tabel # Distribusi nilai rata-rata berat bayi menurut status pendidikan ibu
Variabel
Mean
SD
Pendidikan ibu
- SD
- SMP
- SMA
47
84
58
2400,4
2915,2
3428,4
695,9
555,3
655,3
Mean
Rank
55,3
91,7
131,7
Kruskal
Wallis
Nilai-p
50,9
0,000
Pada tabel di atas terlihat bahwa rata-rata berat bayi meningkat sesuai dengan peningkatan
status pendidikan ibu. Ibu dengan pendidikan SD rata-ratanya adalah 2400.43 gram, ibu
dengan pendidikan SMP adalah 2915.17 gram, dan ibu berpendidikan SMA adalah
Hal:88dari139
Modul SPSS
3428.38 gram. Hasil uji Kruskal Wallis memperlihatkan bahwa semakin tinggi pendidikan
ibu semakin tinggi mean ranking berat bayinya. Dengan nilai-p 0,000 lebih besar dari nilai
alpha 0,05 disimpulkan bahwa ada perbedaan yang signifikan nilai rata-rata berat bayi
antar tingkat pendidikan ibu.
Hal:89dari139
Modul SPSS
Uji Beda Proporsi (2:Chi-square)
Uji beda proporsi dikenal juga dengan nama uji chi-square atau
uji hubungan antara dua variabel, yakni variabel kategorik dengan
variabel kategorik. Dua atau lebih nilai proporsi yang akan diuji
tersebut apakah sama atau berbeda signifikan secara statistik, jika
ada perbedaan, maka dilakukan langkah berikutnya yakni
perhitungan nilai Odds Ratio (pada data survei atau kasus
kontrol) dan nilai Risk Ratio (pada data kohor atau eksperimen)
untuk melihat besar risiko (efek size). Uji beda proporsi tersebut
akan dibahas dengan contoh-contoh aplikasinya dan dilengkapi
dengan dengan cara penyajian dan interpretasinya.

-
1. Menjelaskan kembali langkah-langkah melakukan uji-beda 2 proporsi atau lebih
2. Melakukan uji chi-square untuk uji beda proporsi
3. Menghitung nilai Odds Ratio (OR) untuk tabel 2 x 2
4. Menghitungan nilai Odds Ratio (OR) untuk tabel lebih dari 2 x 2
5. Penyajian dan interpretasi hasil uji-proporsi dan Odds Ratio
Hal:90dari139
Modul SPSS
7.1. Pengertian Uji Beda Proporsi

Dalam penerapan praktis, kita ingin menguji apakah ada hubungan antara dua variabel kategorik.
Atau kita ingin menguji apakah ada perbedaan proporsi pada populasi. Jika perbedaan proporsi itu
eksist dapat kita katakan bahwa adanya keterkaitan atau hubungan antara dua variabel kategorik
tersebut.
Misalnya kita ingin menguji apakah proporsi hipertensi pada populasi perokok lebih tinggi dari
proporsi hipertensi pada populasi bukan perokok. Pengamatan dilakukan terhadap kebiasaan
merokok dan pengukuran dilakukan terhadap tekanan darahnya (yang setelah diukur dikategorikan
menjadi normotensi dan hipertensi). Apabila pengamatan diatas disusun didalam suatu tabel, maka
tabel tersebut dinamakan tabel kontingensi (tabel silang). Dari data tersebut dapat dilakukan uji
statistik untuk melihat ada tidaknya asosiasi antara dua sifat/variabel tadi (kebiasaan merokok dan
hipertensi)
Uji statistik untuk melihat hubungan antara dua variabel yang dikategorikan sering digunakan uji
chi-square ( ). Secara spesifik uji chi square dapat digunakan untuk menentukan/menguji:
2
1) Ada tidaknya hubungan/asosiasi antara 2 variabel (test of independency)

2) Apakah suatu kelompok homogen dengan sub kelompok lain (test of homogenity)
3) Apakah ada kesesuaian antara pengamatan dengan parameter tertentu yang
dispesifikasikan (Goodness of fit).
Secara umum tidak ada asumsi yang harus dipenuhi untuk uji , karena distribusi ini termasuk
2
free-distribution. Hanya saja, jumlah pengamatan tidak boleh terlalu sedikit, frekuensi harapan
(expected frequency) tidak boleh kurang dari satu dan frekuensi harapan yang kurang dari lima
tidak boleh lebih dari 20%. Jika asumsi ini tidak terpenuhi maka harus dilakukan pengelompokan
ulang sampai hanya menjadi dua kelompok saja (tabel 2 x 2), Pada tabel 2 x 2 gunakan Fisher
Exact test yang merupakan nilai-p sebenarnya, yang secara otomatis sudah ada di output SPSS.
Hal:91dari139
Modul SPSS
7.2. Konsep Uji Chi Square

Dasar dari uji kai kuadrat adalah membandingkan frekuensi yang diamati dengan frekuensi yang
diharapkan. Misalnya sebuah uang logam dilambungkan seratus kali, kemudian diamati permukaan
uang yang muncul yaitu A (Angka) sebanyak 55 kali dan B (Gambar) sebanyak 45 kali. Kalau
uang logam tersebut seimbang tentu permukaan A dan B diharapkan muncul sama banyak yaitu 50
kali. Hal ini berarti tidak ada perbedaan antara frekuensi yang diamati (Observed = O) adalah 55
kali dengan frekuensi yang diharapkan (Expected= E) yakni 50 kali. Jadi tidak ada perbedaan
antara pengamatan dengan yang diharapkan (O - E),
sekitainya terjadi perbedaan, apakah
perbedaan itu cukup berarti (bermakana) atau hanya karena faktor kebetulan saja. Hasil percobaan
melambungkan mata uang tadi disajikan seperti tabel dibawah ini:
Tabel: 1
Hasil pelambungan 100 kali sebuah mata uang logam

(1)
O(observed)
(2)
E (expected)
(3)
O-E
(4)
( O - E )2
45
55
100
50
50
100
-5
5
0
25
25
200
A (Angka)
B (Huruf)
Total
(5)
(O - E)2
E
0.5
0.5
2 = 1.0
Perhitungan nilai dilakukan dengan rumus berikut, dan dari tabel tersebut diatas dapat dilihat
2
bahwa nilai adalah 1.0.

2
2 =
( O - E )2
E
Pertanyaan berikutnya ialah apakah nilai yang telah dihitung = 1.0 memiliki kemungkinan besar
2
untuk terjadi atau hanya terjadi secara kebetulan (merupakan peristiwa yang jarang terjadi),
misalnya kemungkinannya kecil dari nilai alpha 5% atau 0,05?. Untuk menjawab pertanyaan ini,
perlu diketahui distribusi kuantitas
yang merupakan salah satu distribusi probabilitas untuk
statistik non-parametrik. Para ahli statistik telah membuktikan, bahwa distribusi ini mempunyai
kemencengan positif, dengan menghitung luas area diluar nilai 1.0 pada distribusi , dapat
2
ditentukan nilai-p serta keputusan untuk menolak atau tidak menolak hipotesis nol dengan
membandingkan luas area dengan nilai alpha.
Setelah dihitung dengan tabel distribusi chi-square, ternyata nilai-p adalah 0.15 artinya ada
kemungkinan untuk terjadi kesalahan sebesar 15% jika kita menyimpulkan 55 berbeda dengan
50. Tingkat kesalahan yang 15% ini lebih besar dari 5% sehingga kita lebih memilih untuk
menyimpulkan tidak adanya perbedaan antara 55 dengan 50 dengan kata lain hipotesis nol gagal
ditolak .
Hal:92dari139
Modul SPSS

Hubungan antara dua variabel katagorik pada SPSS dapat dilakukan dengan perintah crosstabs.
Dalam contoh ini, kita akan menguji apakah ada hubungan antara merokok dengan BBLR dari file
IBU_BAYI_189.SAV dan penyajian hasilnya akan ditampilkan dalam bentuk tabel silang antara
merokok dan BBLR dengan langkah-langkah sebagai berikut.
1.
2.

Analyze >
Descriptif Statistic >
Crosstabs
Seperti gambar berikut:
1.
Pilih variabel independen (ROKOK), kemudian klik tanda > untuk memasukkannya ke
kotak Row(s)
2.
Pilih variabel dependen (BBLR), kemudian klik tanda > untuk memasukkannya ke kotak
Colom(s).
Hal:93dari139
3.
Modul SPSS
Pada menu Statistics aktifkan Chi-Square dan Risk dengan mengklik kotak
disampingnya hingga muncul tanda . Jika kita klik sekali lagi, maka tanda akan
hilang atau tidak aktif. Kemudian Klik Continue.
4.
Klik menu Cells, kemudian aktifkan Observed pada menu Count dan aktifkan Rows pada
menu Percentages hingga muncul tanda . Kemudian Klik Continue.
5.
Klik OK untuk menjalankan prosedur. Pada layar tampak hasil seperti berikut:
ROKOK * BBLR Crosstabulation
ROKOK
Tidak
Ya
Total
BBLR
Tidak
86
74.8%
44
59.5%
130
68.8%
Count
% within ROKOK
Count
% within ROKOK
Count
% within ROKOK
Ya
29
25.2%
30
40.5%
59
31.2%
Total
115
100.0%
74
100.0%
189
100.0%
Dari tabel silang tersebut terlihat bahwa dari 74 ibu-ibu perokok, ada 30 orang (40.5%) melahirkan
bayi dengan BBLR. Dari 115 ibu-ibu yang bukan perokok, hanya ada 29 orang (25.2%) yang
melahirkan bayi BBLR. Artinya proporsi BBLR pada ibu perokok lebih besar dari proporsi
BBRL pada ibu yang bukan perokok.
Hal:94dari139
Modul SPSS
Walaupun secara proporsional terlihat ada hubungan antara merokok dan BBLR yang terlihat dari
proporsi bayi BBLR lebih besar pada ibu perokok dari pada ibu tidak perokok, namun untuk
menguji apakah hubungan tersebut signifikan secara statistik, maka kita harus melakukan uji chisquare dengan melihat hasil output berikut:
Chi-Square Tests
Pearson Chi-Square
Continuity Correctiona
Likelihood Ratio
Fisher's Exact Test
Linear-by-Linear
Association
N of Valid Cases
Value
4.924b
4.236
4.867
4.898
Asymp.
Sig.
(2-sided)
.026
.040
.027
df
1
1
1
Exact
Sig.
(2-sided)
Exact
Sig.
(1-sided)
.036
.020
.027
189
a. Computed only for a 2x2 table

b. 0 cells (.0%) have expected count less than 5. The minimum expected count is
23.10.
Output SPSS menampilkan semua nilai chi-square dari berbagai macam uji, seperti Pearson Chisquare, Continuity Correction, atau Fishers Exact Test. Masing-masing uji tersebut dilengkapi
dengan nilai-p untuk test 2-sisi.
Untuk memilih nilai 2 atau nilai-p yang paling sesuai, kita harus berpedoman pada asumsi-asumsi
yang terkait dengan uji 2. Antara lain:
1. Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3), apabila nilai frekuensi harapan
(expected) yang kurang dari 5 tidak lebih dari 20%, maka nilai 2 atau nilai-p dari Pearson
Chi-square
atau
Likelihood
Ratio
dapat
kita
laporkan.
Catt: Jika nilai expected yang kurang dari 5 lebih dari 20% atau ada nilai expected yang
kurang dari 1.0 (karena ada sell yang kosong), maka hasil uji chi-square tidak valid, harus
dilakukan pengelompokan ulang terlebih dahulu.
2. Untuk tabel 2 x 2, nilai 2 atau nilai-p dari Continuity Correction dapat kita laporkan.
Tetapi jika nilai frekuensi harapan kurang dari 5, maka nilai-p dari Fishers Exact Test
yang harus kita laporkan.
Nilai-p Fishers Exact Test merupakan nilai-p yang cukup valid, sehingga dapat juga kita laporkan
meskipun frekuensi harapan tidak ada yang kurang dari 5. Dalam hal ini, kita pakai nilai tersebut
dengan nilai-p = 0.036. Artinya hubungan antara merokok dengan BBLR secara statistik
cukup signifikan dan bukanlah terjadi secara kebetulan belaka.
Hal:95dari139
Modul SPSS
Dari tabel Risk Esimate terlihat bahwa OR=2.022. Hal ini berarti bahwa ibu yang perokok
mempunyai kecenderungan (risiko) sebesar 2 kali lebih besar untuk melahirkan bayi dengan
BBLR dibandingkan dengan ibu yang bukan perokok.
Risk Estimate
Odds Ratio for ROKOK (0 / 1)

For cohort BBLR = 0
For cohort BBLR = 1
N of Valid Cases
Value
2.022
1.258
.622
189
95% Confidence
Interval
Lower
Upper
1.081
3.783
1.013
1.561
.409
.945
Untuk estimasi resiko (OR atau RR), nilai perhitungannya dari tabel silang hanya akan keluar jika
tabel silang yang dibuat adalah tabel 2 x 2. Jika tabel silang yang dibuat lebih dari tabel 2 x 2
(misalnya 2x3, 3x3), maka nilai estimasi resiko tidak akan keluar, karena SPSS tidak bisa
menghitungnya. Untuk menghitung nilai OR pada tabel 2x3 atau 3x3 kita dapat memilih salah satu
dari 3 alternatif berikut yaitu 1) menghitung secara manual dari tabel silang tersebut, 2) membuat
dummy variabel kemudian dilakukan crosstab, atau 3) melalui regresi logistik sederhana.

Pada contoh ini, kita akan menguji apakah ada perbedaan proprosi BBLR pada populasi dengan
tingkat pendidikan yang berbeda-beda (SD, SMP, dan SMA), kita akan membuat tabel silang
antara DIDIK dan BBLR dari file IBU_BAYI_189.SAV. Dengan langkah yang sama seperti pada
tabel 2x2 kita lakukan prosedur untuk Crosstabs. Pilih variabel ROKOK, kemudian klik tanda <
untuk memasukkannya ke kotak Row(s). Pilih variabel BBLR, kemudian klik tanda < untuk
memasukkannya ke kotak Colom(s). Pada menu Statistics aktifkan Chi-Square. Pada menu
Cells aktifkan Observed dan aktifkan Rows. Pilih continue dan klik OK untuk menjalankan
analisis. Hasilnya sebagai berikut:
DIDIK * BBLR Crosstabulation
DIDIK
SD
SMP
SMA
Total
BBLR
Tidak
18
38.3%
61
72.6%
51
87.9%
130
68.8%
Count
% within DIDIK
Count
% within DIDIK
Count
% within DIDIK
Count
% within DIDIK
Ya
29
61.7%
23
27.4%
7
12.1%
59
31.2%
Total
47
100.0%
84
100.0%
58
100.0%
189
100.0%
Tabel silang tersebut memperlihatkan bahwa dari 47 ibu-ibu berpendidikan SD, ada 29 orang
(61.7%) melahirkan bayi dengan BBLR. Dari 84 ibu-ibu yang berpendidikan SMP, ada 23 orang
Hal:96dari139
Modul SPSS
(27.4%) yang melahirkan bayi BBLR. Dari 58 ibu-ibu yang berpendidikan SMA, ada 7 orang
(12.1%) yang melahirkan bayi BBLR Artinya semakin rendah tingkat pendidikan ibu akan
semakin besar proporsi BBRL. Walaupun secara proporsional terlihat ada hubungan antara
PENDIDIKAN dengan BBLR yang mana ibu berpendidikan rendah cenderung melahirkan bayi
BBLR, namun untuk menguji apakah hubungan tersebut signifikan secara statistik, maka kita
lakukan uji chi-square dengan melihat hasil output sebagai berikut:
Chi-Square Tests
Pearson Chi-Square
Likelihood Ratio
Linear-by-Linear
Association
N of Valid Cases
Value
30.822a
30.774
2
2
Asymp. Sig.
(2-sided)
.000
.000
.000
df
28.715
189
a. 0 cells (.0%) have expected count less than 5. The

minimum expected count is 14.67.
Dalam tabel tersebut terlihat bahwa nilai
baik Pearson maupun Likelihood Ratio
memperlihatkan hasil yang sama yaitu 30.8 dengan nilai-p = 0.000. Artinya secara statistik ada
hubungan yang signifikan antara pendidikan ibu dengan BBLR dan kejadian tersebut sangat
kecil kemungkinannya untuk terjadi secara kebetulan.
7.5. Dummy Variabel

Output SPSS tidak bisa menampilkan nilai OR, karena nilai OR hanya bisa dihitung pada tabel 2 x
2, padahal tabel untuk pendidikan dengan BBLR adalah tabel 3 x 2. Untuk bisa mendapatkan nilai
OR dan CI-nya pada tabel 3 x 2 ada dua cara yang dapat dilakukan yaitu 1) harus dibuat dummy
variabel tabel terlebih dahulu kemudian baru dilakukan Crosstabs atau 2) lakukan analisis regresi
logistik sederhana.
Untuk membuat dummy variabel dari pendidikan (SD, SMP, & SMA), pertama-tama harus
ditetapkan kelompok mana yang akan dijadikan sebagai pembanding, kelompok pembanding akan
diberi kode = 0 (nol).
Dalam hal ini sebagai pembanding kita tetapkan SMA sehingga SMA diberi kode 0 pada variabel
dummy. Dari DIDIK (0=SD, 1=SMP, 2=SMA) dibuat 2-varibel dummy dari menu Transformasi
data dengan perintah RECODE.
DIDIK_1 (0=SMA, 1=SD)
DIDIK_2 (0=SMA, 1=SMP)
Selanjutnya lakukan crosstabs dari 2 variabel dummy itu dengan BBLR, hasilnya sebagai berikut:
Hal:97dari139
Modul SPSS
DIDIK_1 dengan BBLR

Crosstab
DIDIK_1
SMA
SD
Total
BBLR
Tidak
51
87.9%
18
38.3%
69
65.7%
Count
% within DIDIK_1
Count
% within DIDIK_1
Count
% within DIDIK_1
Ya
Total
7
12.1%
29
61.7%
36
34.3%
58
100.0%
47
100.0%
105
100.0%
Proporsi BBLR lebih tinggi pada ibu dengan pendidikan SD ( 61.7%) dibandingkan dengan ibu
pendidikan SMA (12.1%). Hasil ini sama dengan tabel 3 x 2 sebelumnya.
Chi-Square Tests
Pearson Chi-Square
Likelihood Ratio
Fisher's Exact Test
Linear-by-Linear
Association
N of Valid Cases
Value
28.386b
26.226
29.732
1
1
1
Asymp. Sig.
(2-sided)
.000
.000
.000
.000
df
28.116
Exact Sig.
(2-sided)
Exact Sig.
(1-sided)
.000
.000
105

16.11.
Nilai-p dari dan Fisher Exact memperlihatkan hasil yang sama dan signifikan secara statistik
2
(p=0.000).
Nilai OR 11,7 dapat diinterpretasikan bahwa ibu yang berpendidikan SD mempunyai
kecenderungan untuk melahirkan bayi BBLR sebesar 11.7 kali lebih besar dibandingkan dengan
ibu yang berpendidikan SMA.
Risk Estimate
Value
Odds Ratio for DIDIK_1
(SMA / SD)
For cohort BBLR = Tidak
For cohort BBLR = Ya
N of Valid Cases
95% Confidence
Interval
Lower
Upper
11.738
4.384
31.429
2.296
.196
105
1.578
.094
3.341
.406
Hal:98dari139
Modul SPSS
DIDIK_2 dengan BBLR

Crosstab
DIDIK_2
SMA
SMP
Total
BBLR
Tidak
51
87.9%
61
72.6%
112
78.9%
Count
% within DIDIK_2
Count
% within DIDIK_2
Count
% within DIDIK_2
Ya
Total
58
100.0%
84
100.0%
142
100.0%
7
12.1%
23
27.4%
30
21.1%
Proporsi BBLR lebih tinggi pada ibu yang berpendidikan SD (27.4%) dibandingkan dengan ibu
yang berpendidikan SMA (12.1%), dan hubungan ini signifikan secara statistik (p = 0.036)
Chi-Square Tests
Pearson Chi-Square
Likelihood Ratio
Fisher's Exact Test
Linear-by-Linear
Association
N of Valid Cases
Value
4.827b
3.952
5.099
df
1
1
1
4.793
Asymp. Sig.
(2-sided)
.028
.047
.024
Exact Sig.
(2-sided)
Exact Sig.
(1-sided)
.036
.022
.029
142

12.25.
Nilai OR 2,7 dapat diinterpretasikan bahwa ibu yang berpendidikan SMP mempunyai
kecenderungan untuk melahirkan bayi BBLR sebesar 2.7 kali lebih besar dibandingkan dengan ibu
yang berpendidikan SMA.
Risk Estimate
Value
Odds Ratio for DIDIK_2
(SMA / SMP)
For cohort BBLR = Tidak
For cohort BBLR = Ya
N of Valid Cases
95% Confidence
Interval
Lower
Upper
2.747
1.090
6.922
1.211
.441
142
1.029
.203
1.424
.959
Hal:99dari139
Modul SPSS
7.6. Regresi Logistik Sederhana

Seperti telah dijelaskan sebelumnya bahwa Crosstabs pada tabel 2 x 2 tidak bisa menampilkan nilai
OR, misalnya pendidikan dengan BBLR yang merupakan tabel 3 x 2. Untuk bisa mendapatkan
nilai OR dan CI-nya pada tabel 3 x 2 ada dua cara yang dapat dilakukan yaitu 1) harus dibuat
dummy variabel kemudian baru dilakukan Crosstabs atau 2) lakukan analisis regresi logistik
sederhana. Langkah-langkah dengan dummy variabel telah dijelaskan pada bagian sebelumnya,
sedangkan langkah-langkah dengan regresi logistic sederhana akan diuraikan berikut ini.
Pada contoh ini, kita akan membandingkan risiko kejadian BBLR pada populasi dengan tingkat
pendidikan yang berbeda-beda (variabel didik dengan kode sebagai berikut: 0=SD, 1=SMP, dan
2=SMA). Sebagai kelompok pembanding kita tetapkan SMA. Lakukan perintah analisis dengan
SPSS sebagai berikut:
1.
2.

Analyze <
DescripRegression <
Binary Logistic
3. Pilih variabel dependen (BBLR), kemudian masukkan ke kotak Dependent

4. Pilih variabel independen (DIDIK), kemudian masukkan ke kotak Covariates
Hal:100dari139
Modul SPSS
5. Pada menu Categorical pilih variabel DIDIK dan klik tanda > untuk memasukkannya
ke kotak Categorical Covariates
6. Pastikan Reference Categori adalah Last (artinya kelompok pembanding adalah kode
tertinggi, dalam hal ini kode 2=SMA).
7. Klik Continue jika sudah selesai, SPSS akan kembali ke menu utama.
8. Klik Option kemudian aktifkan CI for exp(B) seperti gambar berikut.
9. Kemudian klik Continue jika sudah selesai, SPSS akan kembali ke menu utama.
10. Klik OK untuk menjalankan prosedur. Pada layar output akan tampak hasil regresi logistic.
Pada output ini, kita hanya mengambil bagian yang paling akhir saja, yang berkaitan dengan
perbandingan risiko BBLR pada berbagai tingkat pendidikan dalam bentuk OR atau Exp(B) seperti
berikut:
Hal:101dari139
Modul SPSS
Variables in the Equation
B
Step
a
1
DIDIK
DIDIK(1)
DIDIK(2)
Constant
S.E.
2.463
1.011
-1.986
Wald
26.820
24.022
4.593
24.275
.502
.472
.403
df
2
1
1
1
Sig.
.000
.000
.032
.000
Exp(B)
11.738
2.747
.137
95.0% C.I.for
EXP(B)
Lower
Upper
4.384
1.090
31.428
6.922
a. Variable(s) entered on step 1: DIDIK.
Nilai OR atau Exp(B) 11,7 dan 2,7 dapat diinterpretasikan bahwa ibu yang berpendidikan SD
DIDIK(1) mempunyai risiko untuk melahirkan bayi BBLR sebesar 11.7 kali lebih besar
dibandingkan dengan ibu yang berpendidikan SMA (nilai-p=0.000). Sedangkan ibu yang ber
pendidikan SMP DIDIK(2) mempunyai risiko untuk melahirkan bayi BBLR sebesar 2.7 kali lebih
besar dibandingkan dengan ibu yang berpendidikan SMA (nilai-p=0.032).
7.7. Penyajian Hasil Uji Beda Proprosi (Chi-Square)

Tabel #
Hubungan BBLR dengan Pendidikan ibu dan Status Rokok
Variabel
Rokok
- Tidak
- Ya
Pendidikan ibu
- SD
- SMP
- SMA
BBLR
Total
Tidak
n (%)
Ya
n (%)
86 (74,8)
44 (59,5)
29 (25,2)
30 (40,5)
18 (38,3)
61 (72,6)
51 (87,9)
29 (61,7)
23 (27,4)
7 (12,1)
OR (95%CI)
nilai-p
115
74
2,0 (1,13,8)
0,020
47
84
58
11,7 (4,331,4)
2,7 (1,16,9)
1,0
0,000
0,032
n=189
Hubungan antara Pendidikan dengan BBLR terlihat bahwa semakin rendah tingkat pendidikan ibu
akan semakin besar kemungkinan untuk melahirkan bayi BBRL. Dari 47 ibu-ibu berpendidikan
SD, sebanyak 61.7% melahirkan bayi dengan BBLR. Dari 84 ibu-ibu yang berpendidikan SMP,
sebanyak 27.4% melahirkan bayi BBLR. Dari 58 ibu-ibu yang berpendidikan SMA, sebanyak
12.1% yang melahirkan bayi BBLR
Dari Nilai OR dapat disimpulkan bahwa ibu yang berpendidikan SD mempunyai kecenderungan
untuk melahirkan bayi BBLR sebesar 11.7 kali lebih besar dibandingkan dengan ibu yang
berpendidikan SMA (nilai-p=0.000). Sedangkan ibu yang ber pendidikan SMP mempunyai
kecenderungan untuk melahirkan bayi BBLR sebesar 2.7 kali lebih besar dibandingkan dengan ibu
yang berpendidikan SMA (nilai-p=0.032).
Hal:102dari139
Modul SPSS
Chi-square syntax
DATA LIST LIST/ COLUMN(A) ROW(A) N.
BEGIN DATA.
'1' '1' 20
'1' '2' 40
'2' '1' 3
'2' '2' 12
END DATA.
EXECUTE.
WEIGHT BY N.
CROSSTABS
/TABLES=COLUMN BY ROW
/FORMAT=AVALUE TABLES
/STATISTICS=CHISQ RISK
/CELLS=COUNT ROW TOTAL
/COUNT ROUND CELL.
Hal:103dari139
Modul SPSS
Uji Korelasi & Regresi Linier

Uji korelasi dan regresi linier atau uji hubungan antara dua
variabel, yakni variabel numerik dengan variabel numerik. Dua
variabel numerik yang akan diuji tersebut apakah koefisien
korelasi pearson sama dengan nol (tidak ada korelasi) atau tidak
sama dengan nol (ada korelasi yang signifikan secara statistik).
Jika ada korelasi yang signifikan, maka dilakukan langkah
berikutnya yakni perhitungan persamaan garis lurus (regresi
linier) yang dapat digunakan untuk memprediksi nilai Y
(dependen variabel) apabila nilai X diketahui (independen
variabel). Uji korelasi dan regresi linier tersebut akan dibahas
dengan contoh-contoh aplikasinya dan dilengkapi dengan dengan
cara penyajian dan interpretasinya.

-
1. Menjelaskan kembali konsep uji-korelasi serta interpretasinya
2. Melakukan uji-korelasi serta menginterpretasikan koefisien korelasi dan

koefisien determinasi
3. Melakukan uji-regresi linier sederhana
4. Membuat persamaan garis regrasi linier sederhana
5. Menginterpretasikan koefisien regresi
6. Menyajikan dan interpretasi hasil uji-korelasi dan regresi linier
Hal:104dari139
Modul SPSS
8.1. Konsep Uji Korelasi

Dalam aplikasi praktis di dunia kesehatan dan kedokteran, seringkali kita ingin menguji
apakah ada hubungan atau korelasi antara dua variabel numerik?, jika ada korelasi seperti
apa persamaan garisnya?. Misalnya kita ingin menguji apakah ada hubungan antara berat
ibu sebelum hamil (x) dengan berat bayi yang dilahirkannya (y).
Uji statistik untuk melihat hubungan antara dua variabel numerik adalah uji uji korelasi.
Koefisien korelasi ini dikembangkan oleh Pearson sehingga dikenal dengan nama Pearson
Coeficient Correlation untuk statistik parametrik dan dikembangkan oleh Spearman
sehingga dikenal dengan nama Spearman Coeficient Correlation untuk statistik

parametrik. Koefisien korelasi dilambangkan dengan huruf r kecil atau R kapital.
Nilai r berkisar antara 0.0 yang berarti tidak ada korelasi, sampai dengan 1.0 yang
berarti adanya korelasi yang sempurna. Semakin kecil nilai r semakin lemah korelasi,
semakin besar nilai r semakin kuat korelasi.
Selain itu, r juga mempunyai nilai negatif (-) atau minus yang menkitakan adanya
hubungan terbalik antara x dengan y. Artinya, semakin tinggi nilai x maka semakin rendah
nilai y, misalnya korelasi antara umur dengan kemampuan daya ingat pada kelompok usia
lanjut.
Jika korelasi yang ada signifikan secara statistik, kita bisa menganalisis lebih lanjut dengan
membuat persamaan garisnya (regresi linier) untuk memprediksi atau memperkirakan
berapa nilai (y) jika nilai (x) diketahui. Prediksi tersebut dapat dilakukan jika kita
mempunyai persamaan garis lurus yang biasanya disebut dengan istilah regresi linier
dengan persamaan matematis y = a + bx. Besaran nilai b menggambarkan besarnya
perubahan (peningkatan/penurunan) pada nilai y untuk setiap kenaikan nilai x sebesar satu
satuan.
Korelasi
Korelasi digunakan untuk mengetahui ada atau tidaknya hubungan, kekuatan hubungan,
dan arah hubungan dua variabel numerik. Misalnya, apakah hubungan umur dan daya ingat
mempunyai hubungan yang signifikan atau tidak? kekuatan hubungannya kuat atau lemah?
apakah hubungannya berpola positif atau negatif?.
Hal:105dari139
Modul SPSS
Untuk mengetahui kekuatan hubungan dua variabel numerik digunakan Koefisien Korelasi
Pearson dengan formula sebagai berikut:
r=
x y
xy n
( x)
( y )
x y
n
n
atau
r=
xy * n x y
[ x * n ( x) ]* [ y * n ( y ) ]
2
Nilai korelasi (r) berkisar 0 s.d. 1 atau bila dengan disertai arahnya
nilainya antara 1 s.d. +1.
r = 0 tidak ada hubungan linier
r = -1 hubungan linier negatif sempurna
r = +1 hubungan linier positif sempurna
Hubungan dua variabel dapat berpola positif maupun negatif. Hubungan positif terjadi bila
kenaikan satu diikuti kenaikan variabel yang lain, misalnya semakin bertambah berat
badannya (semakin gemuk) semakin tinggi tekanan darahnya. Sedangkan hubungan
negatif dapat terjadi bila kenaikan satu variabel diikuti penurunan variabel yang lain,
misalnya semakin bertambah umur (semakin tua) semakin rendah daya ingat-nya.
Kekuatan hubungan dua variabel secara kualitatif dapat dibagi dalam 4 area, yaitu:
r = 0,00 0,25 tidak ada hubungan atau hubungan lemah
r = 0,26 0,50 hubungan sedang
r = 0,51 0,75 hubungan kuat
r = 0,76 1,00 hubungan sangat kuat
Uji Hipotesis
Regresi Linier Sederhana
Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk
mengetahui bentuk hubungan antar dua atau lebih variabel. Tujuan analisis regresi adalah
untuk membuat perkiraan (prediksi) nilai suatu variabel (variabel dependen) melalui
variabel yang lain (variabel independen).
Sebagai contoh kita ingin menghubungkan dua variabel numerik asupan garam dan
tekanan darah. Dalam kasus ini berarti asupan garam sebagai variabel independen dan
tekanan darah sebagai variabel dependen, sehingga dengan regresi kita dapat
memperkirakan besarnya nilai tekanan darah bila diketahui asupan garam.
Hal:106dari139
Modul SPSS
Untuk melakukan prediksi, digunakan persamaan garis yang dapat diperoleh dengan
berbagai cara atau metode. Salah satu metode yang sering digunakan oleh peneliti adalah
metode kuadrat terkecil (least square). Metode least square merupakan suatu metode
pembuatan garis regresi dengan cara memilih jumlah kuadrat terkecil dari selisih jarak
antara nilai Y observasi dengan nilai Y prediksi dari garis regresi itu. Secara matematis
persamaan garis regresi ditulis sebagai berikut:
Y = a + bx + e
Y = Variabel Dependen
X = Variabel Independen
a = Intercept, perbedaan besarnya rata-rata variabel Y ketika variabel X = 0
b = Slope, perkiraan besarnya perubahan nialia variabel Y bila nilai variabel X berubah
satu unit pengukuran
e = nilai kesalahan (error) yaitu selisih antara niali Y individual yang teramati dengan
nilai Y yang sesungguhnya pada titik X tertentu
Nilai b dapat dihitung dengan rumus berikut:
Nilai a dapat dihitung dengan rumus berikut:
b=
xy * n x y
x * n ( x )
2
a = Y bX
Y = rata _ rata _ Y
X = rata _ rata _ X
Hal:107dari139
Modul SPSS
8.2. Asumsi Normalitas pada Uji Korelasi Pearson

Dasar dari uji korelasi Pearson adalah statistik Parametrik, yang berasumsi data
mempunyai distribusi normal. Dalam hal ini variabel Y harus berdistribusi normal.
Apabila asumsi ini tidak terpenuhi, dapat dilakukan transformasi terlebih dahulu misalnya
dengan LOG, AKAR, atau KUADRAT. Jika pada proses transformasi tidak berhasil
membuat distribusi data menjadi normal, maka pilihan statistik non-parametrik lebih
dianjurkan, yakni uji korelasi Spearman.
8.3. Aplikasi Uji Korelasi

Dalam contoh ini, kita akan menguji apakah ada korelasi antara berat badan ibu sebelum
hamil dengan berat badan bayi yang akan dilahirkannya kelak. Kita akan menggunakan
variabel bbibu_1 dan bbayi dari file IBU_BAYI_189.SAV.
8.3.1. Uji Normalitas dengan Kolmogorov-Smirnov

1.
2.
Analyze <
Descriptif statistic <
Explore
6. Pilih variabel Berat Bayi Lahir (bbayi), kemudian klik tanda > untuk
memasukkannya ke kotak Dependent List.
Hal:108dari139
Modul SPSS
7. Pilih Plots.., kemudian aktifkan Histogram dan Normality plots with tests.
Kemudian klik Continue.
8. Klik OK untuk menjalankan prosedur. Pada layar tampak hasil seperti berikut:
Descriptives
Berat bayi lahir
Mean
95% Confidence
Interval for Mean
Lower Bound
Upper Bound
5% Trimmed Mean
Median
Variance
Std. Deviation
Minimum
Maximum
Range
Interquartile Range
Skewness
Kurtosis
Statistic
2944.66
2840.05
3049.26
2957.83
2977.00
531473.7
729.02
709
4990
4281
1069.00
-.210
-.081
Std. Error
53.03
.177
.352
Hal:109dari139
Modul SPSS
Tests of Normality
a
Berat bayi lahir
Kolmogorov-Smirnov
Statistic
df
Sig.
.043
189
.200*
*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction
Dengan uji Kolmogorov-Smirnov, disimpulkan bahwa distribusi data berat bayi adalah
normal (nilai-p = 0.200).
Catatan: Cara lebih rinci dalam melakukan uji normalitas dapat dilihat bab 2 Statistik
Deskriptif.
8.3.2. Uji Korelasi Pearson atau Spearman

Korelasi Pearson (untuk statistik parametrik) atau Spearman (untuk statistik nonparametrik) antara berat badan ibu sebelum hamil (bbibu_1) dengan berat badan bayi yang
dilahirkannya (bbayi) dapat dilakukan dengan prosedur sebagai berikut:
1.
2.
Analyze >
Correlate >
Bivariate
Hal:110dari139
Modul SPSS
11. Pilih variabel bbibu_1 dan bbayi, kemudian masukkan ke kotak Variables
12. Pada Correlation Coeficient, aktifkan Pearson untuk statistik parametrik atau
aktifkan Spearman untuk statistik non-parametrik, kemudian klik OK, hasilnya
sebagai berikut:
Correlation:
Yang menampilkan Pearson Correlation
Correlations
Berat badan ibu

(sebelum hamil)
Berat bayi lahir
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Berat badan
Berat bayi
ibu (sebelum
lahir
hamil)
1.000
.186*
.
.011
189
189
.186*
1.000
.011
.
189
189
*. Correlation is significant at the 0.05 level (2-tailed).
Nonparametric Correlation:
Yang menampilkan Spearman Correlation
Hal:111dari139
Modul SPSS
Correlations
Spearman's rho
Berat badan ibu

(sebelum hamil)
Correlation Coefficient
Sig. (2-tailed)
N
Correlation Coefficient
Sig. (2-tailed)
N
Berat badan
ibu (sebelum
Berat bayi
hamil)
lahir (gr)
1.000
.250**
.
.001
189
189
.250**
1.000
.001
.
189
189
**. Correlation is significant at the 0.01 level (2-tailed).
Hasil Korelasi Pearson memperlihatkan bahwa koefisien korelasi Pearson antara berat
badan ibu sebelum hamil dengan berat bayi lahir adalah 0.186, korelasi itu signifikan
secara statistik dengan nilai-p 0.011.
Hasil Korelasi Spearman memperlihatkan bahwa koefisien korelasi Spearman antara berat
badan ibu sebelum hamil dengan berat bayi lahir adalah 0.250, korelasi itu signifikan
secara statistik dengan nilai-p 0.001.
8.4. Aplikasi Regresi Linier Sederhana

Setelah dilakukan uji korelasi, kita menyimpulkan korelasi tersebut signifikan secara
statistik. Selanjutnya kita akan membuat persamaan garis lurus untuk menggambarkan
secara lebih rinci korelasi antara bbibu dengan bbayi serta dapat digunakan untuk
memprediksi berat bayi jika berat ibunya diketahui. Analisa statistik yang kita gunakan
adalah regresi linier, dalam hal ini regresi linier sederhana, dengan prosedur sebagai
berikut:
1.
2.
Analyze <
Regressions <
Linier
Hal:112dari139
Modul SPSS
13. Klik variabel bbibu_1, kemudian masukkan ke kotak Dependent

14. Klik variabel bbayi, kemudian masukkan ke kotak Independent(s)
15. Kemudian klik OK, dan hasilnya sebagai berikut:
Model Summary
Model
1
R
.186a
R Square
.034
Adjusted
R Square
.029
Std. Error of
the Estimate
718.26
a. Predictors: (Constant), Berat badan ibu (sebelum

hamil)
Nilai R yang ditampilkan merupakan nilai koefisien korelasi Pearson yang hasilnya sama
dengan analisa Korelasi Bivariat yang dikerjakan sebelumnya yaitu 0.186. R-square
merupakan nilai r yang dikuadratkan, yang artinya besarnya variasi pada variabel bbayi
Hal:113dari139
Modul SPSS
yang dapat dijelaskan oleh variabel bbibu_1 (atau oleh persamaan garis regresi yang kita
peroleh) adalah 3,4%.
ANOVAb
Model
1
Regression
Residual
Total
Sum of
Squares
3444549
96472503
99917053
df
1
187
188
Mean Square
3444549.214
515895.740
F
6.677
Sig.
.011a
a. Predictors: (Constant), Berat badan ibu (sebelum hamil)

b. Dependent Variable: Berat bayi lahir
Nilai signifikansi dari ANOVA yang ditampilkan merupakan gambaran apakah model
persamaan garis yang kita peroleh sudah signifikan secara statistik. Dengan nilai-p 0.011
bila dibandingkan dengan alpha 0.05 kita simpulkan bahwa persamaan garis yang kita
peroleh secara statistik memang signifikan.
Coefficientsa
Model
1
(Constant)
Berat badan ibu
(sebelum hamil)
Unstandardized
Coefficients
B
Std. Error
2370.440
228.282
9.834
3.806
Standardi
zed
Coefficien
ts
Beta
.186
t
10.384
Sig.
.000
2.584
.011
a. Dependent Variable: Berat bayi lahir
Nilai koefisien B yang ditampilkan merupakan gambaran untuk membuat model

persamaan garis y = a + bx. Nilai B untuk variabel Constant (atau a) adalah 2370.44
dengan nilai-p 0.000, sedangkan nilai B untuk variabel berat badan ibu (atau b) adalah
9.834 dengan nilai-p 0.011. Persamaan garis lurus yang kita dapat adalah:
Berat bayi lahir = 2370.44 + 9.834 (berat ibu)
8.5. Penyajian dan Interpretasi Korelasi & Regresi Linier

Setelah dilakukan uji korelasi dan Regressi Linier, kita harus memilih nilai-nilai tertentu
untuk disajikan dalam suatu laporan singkat yang dapat dimengerti dengan baik oleh
pembacanya, sebagai berikut:
Hal:114dari139
Tabel 1.
Modul SPSS
Analisis Korelasi dan Regresi Linier Berat Ibu sebelum hamil dengan
Berat bayi lahir
Variabel
R2
1.Berat ibu
Persamaan garis
Nilai-p
Berat bayi lahir =
sebelum hamil
0.186
0.034
2370.44 + 9.834 (berat ibu)
0.011
2. ..
Hubungan antara berat ibu sebelum hamil dengan berat bayi lahir menunjukkan korelasi
yang positif dengan kekuatan/keeratan hubungan yang rendah (R=0.186). Artinya semakin
tinggi berat ibu sebelum hamil maka semakin tinggi berat bayi yang akan dilahirkannya,
setiap kenaikan satu kilogram berat ibu akan dapat meningkatkan 9.384 gram berat bayi.
Namun, variabel berat ibu hanya dapat menjelaskan 3,4% variasi pada variabel berat bayi
atau variabel berat ibu kurang dapat menjelaskan variabel berat bayi. Walaupun hubungan
ini signifikan secara statistik (nilai- 0.011).
8.6. Memprediksi nilai Y

Dari persamaan garis regressi linier yang didapatkan, kita bisa memperkirakan atau
memprediksi nilai y, bila nilai x kita ketahui. Misalnya, diketahui berat badan ibu sebelum
hamil adalah 70 kg, maka perkiraan berat bayi yang akan dilahirkannya dapat dihitung
sebagai berikut:
Berat bayi lahir
= 2370.44 + 9.834 (berat ibu)

= 2370.44 + 9.834 (70)
= 2370.44 + 688.38
= 3058.82 gram
Hal:115dari139
Modul SPSS
UJI VALIDITAS & RELIABILITAS INSTRUMEN
Uji validitas dan reliabilitas instrumen merupakan suatu proses

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

-
1. Pengertian validitas
2. Pengertian reliabilitas
3. Cara melakukan uji validitas dan reliabilitas
4. Cara menginterpretasikan hasil uji validitas dan reliabilitas
Hal:116dari139
Modul SPSS
9.1. Pendahuluan
VALIDITAS
Validitas berarti keakuratan yang biasanya merujuk pada keakuratan dari suatu
pengukuran.
Hasil penelitian hanya bisa dipercaya apabila datanya diukur dengan
menggunakan alat ukur atau instrumen atau kuesioner yang valid dan reliabel. Validitas
terdiri dari berbagai jenis, seperti 1) Validitas kontent atau isi dan 2) Validitas
konstruksi/komponen.
Validitas kontent atau isi menggambarkan seberapa tepat hasil pengukuran dibandingkan
dengan standar baku (gold standar) yang sudah ada. Validitas kontent dapat diuji apabila
tersedia nilai baku emas (gold standar).
Contoh-1: Timbangan untuk mengukur berat (Digital, Pegas, Dacin, dll) yang sudah ditera
oleh Badan Metrologi dengan membandingkannya dengan Gold Standar
dijamin keakuratannya.
Contoh-2: Timbangan Pegas untuk mengukur berat badan, setiap pemakaian 10
penimbangan atau 10 responden, wajib dicek atau distandarkan kembali titik
nolnya untuk menjamin keakuratannya.
Contoh-3:: Kuesioner berisi 10 pertanyaan untuk mengukur stress, harus direview oleh
orang yang ahli di bidang stress (psikolog), agar terjamin keakuratannya.
Validitas konstruk/komponen menggambarkan seberapa akurat konstruksi/komponen
variabel atau daftar pertanyaan yang ada, berkontribusi terhadap suatu konsep atau variabel
latent atau variabel komposit yang ingin diukur.
Misalnya, untuk mengukur pengetahuan ada 10 pertanyaan, apakah ke 10 pertanyaan
tadi betul-betul memiliki kontribusi? atau mungkin cukup hanya dengan 8 pertanyaan saja?
Atau adakah pertanyaan yang tidak punya kontribusi sehingga tidak perlu ditanyakan?.
Untuk mengetahui pertanyaan mana saja yang tidak memiliki kontribusi atau kontribusinya
sedikit maka dilakukanlah uji validitas.
Validitas kontruksi sering dipakai untuk menguji instrumen yang dipakai untuk mengukur
suatu konsep yang terdiri dari variabel komposit (yaitu variabel yang terdiri dari beberapa
pertanyaan) seperti pengetahuan, sikap, kepercayaan, motivasi, kinerja, kepuasan, dll
Hal:117dari139
Modul SPSS
Suatu pertanyaan atau variabel akan valid (dari sisi validitas kontruksi) apabila:
1. Jawabannya bervariasi dan tidak hanya satu jawaban saja atau
2. Kurva dari jawaban yang bervariasi tadi akan berbentuk berdistribusi Normal atau
3. Korelasi masing-masing pertanyaan dengan total-gabungan semua item variabel (inter-
item-total correlation) signifikan secara statistik. Yakni nilai R-hitung (Koefisien

Korelasi Pearson) lebih besar dari nilai R-tabel sesuai derajat kebebasan (degree of
freedom atau jumlah sampel dikurangi satu, n-1) dan signifikansi atau kemaknaan
tertentu (5% atau 1%). Daftar nilai R koef. Korelasi sesuai df dan n-1 sebagai
berikut:.
Hal:118dari139
Modul SPSS
RELIABILITAS
Realibilitas adalah suatu ukuran yang menunjukkan sejauhmana suatu alat ukur
menghasilkan pengukuran yang sama atau konsisten apabila pengukuran dilakukan
berulang-ulang dengan alat ukur yang sama.
Contohnya seseorang ingin mengukur jarak dari satu tempat ke tempat lain dengan
menggunakan dua jenis alat ukur. Alat ukur pertama dengan meteran yang dibuat dari besi,
sedangkan alat ukur kedua dengan menghitung langkah kaki. Pengukuran dengan meteran
besi akan mendapatkan hasil yang sama kalau pengukurannya dilakukan berulang-ulang.
Sebaliknya pengukuran yang dilakukan dengan langkah kaki, besar kemungkinan akan
didapatkan hasil yang berbeda kalau pengukurannya diulang dua kali atau lebih. Dari
ilustrasi ini berarti meteran besi lebih reliable dibandingkan langkah kaki untuk mengukur
jarak.
Suatu kuesioner dikatakan reliabel jika jawaban terhadap kuesioner tersebut konsisten atau
stabil dari satu responden ke responden lainnya atau pada satu responden yang ditanyakan
pada hari yang berbeda tetap memberikan jawaban yang sama. Misalnya responden
menjawab tidak setuju terhadap perilaku merokok, jika beberapa hari kemudian
ditanyakan kembali untuk hal yang sama, maka seharusnya jawabannya konsisten dengan
jawaban semula yaitu tidak setuju. Hal ini memungkinkan apabila pertanyaan yang
diajukan jelas, mudah dipahami, dan tidak memiliki arti ganda.
Hal:119dari139
Modul SPSS
Pengukuran reliabilitas pada dasarnya dapat dilakukan dengan dua cara:

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

Contoh pertanyaan yang valid (Validitas kontruksi), ada variasi jawaban dan mendekati
distribusi normal:
4
3.0
2.5
Frequency
Frequency
2.0
1.5
1.0
0.5
Mean = 2.60
Std. Dev. =
1.17379
N = 10
Mean = 2.50
Std. Dev. =
1.19523
N=8
0.0
0.00
1.00
2.00
3.00
4.00
5.00
0.00
1.00
Pengetahuan 1
2.00
3.00
4.00
5.00
s4
Contoh pertanyaan yang tidak valid (Validitas kontruk), jawaban tidak bervariasi dan
jauh dari distribusi normal::
14
12
Frequency
10
Mean = 3.70
Std. Dev. =
0.94868
N = 10
0
-1.00
0.00
1.00
2.00
3.00
4.00
5.00
6.00
p5
Hal:120dari139
Modul SPSS
9.3. Penilaian pertanyaan yang tidak valid

Pertanyaan yang tidak valid tergambar dari hasil analisis uji validitas dan reliabilitas, pada
bagian Corrected Item-Total Correlation:
1. Suatu pertanyaan tidak valid apabila nilai R Corrected Item-Total Correlation
lebih kecil dari nilai R Tabel.
2. Suatu pertanyaan tidak valid apabila pertanyaan tersebut di hilangkan, maka
nilai Cronbach Alpa akan meningkat secara signifikan
3. Suatu pertanyaan tidak valid apabila nilai R pertanyaan tersebut adalah negatif
(minus).
9.4. Langkah-langkah uji validitas dan reliabilitas

Gunakan File: Uji Validitas Reliabilitas.SAV (Ada 20 responden dan 16 Variabel Kepuasan). Dari
informasi jumlah responden dalam data tersebut kita menetapkan Nilai R hitung harus > nilai R
tabel 0.433 pada kemaknaan 5%, df = 19 (n-1).
Langkah-1:
Perintah pada SPSS:
1. Analyze > Scale > Reliabilty >
2. Masukkan variabel semua variabel kepuasan yang akan diuji ke kotak kanan
3. Pilih statistic > aktifkan item, total, dan item if deleted
4. Continue > OK
Hal:121dari139
Modul SPSS
R E L I A B I L I T Y
Item-total Statistics
VAR00001
VAR00002
VAR00003
VAR00004
VAR00005
VAR00006
VAR00007
VAR00008
VAR00009
VAR00010
VAR00011
VAR00012
VAR00013
VAR00014
VAR00015
VAR00016
A N A L Y S I S
S C A L E
(A L P H A)
Scale
Mean
if Item
Deleted
Scale
Variance
if Item
Deleted
Corrected
ItemTotal
Correlation
Alpha
if Item
Deleted
62.5500
61.9500
61.9500
63.6500
61.8500
61.7000
62.0500
62.5500
62.7000
61.8000
62.3000
64.6000
62.1500
62.0500
63.6000
62.3000
232.5763
238.3658
237.1026
272.9763
234.1342
236.4316
237.6289
227.1026
235.3789
233.2211
226.7474
270.8842
234.2395
229.8395
277.5158
226.7474
.7651
.6855
.7755
.0000
.9170
.8596
.7787
.8670
.7465
.8208
.8869
.2774
.8613
.9225
-.6160
.8869
.9489
.9505
.9485
.9567
.9457
.9469
.9484
.9464
.9492
.9475
.9459
.9560
.9467
.9452
.9588
.9459
Reliability Coefficients
N of Cases =
20.0
Alpha =
.9525
A N A L Y S I S
S C A L E
Jika var04 di
delete, maka
Alpha
cronbach
akan
meningkat
dari 0,9525
menjadi
0.9567
(A L P H A)
N of Items = 16
Langkah-2:
Delete variabel 04 karena selain tidak valid (R < 0,433), item-total correlation paling
kecil, dan jika pertanyaan ini didelete maka akan meningkatkan Cronbach Alpa menjadi
0,9567.
Perintah pada SPSS:
2. Keluarkan variabel 04 dari kotak sebelah kanan, ke kotak sebelah kiri
3. Continue > OK
Hal:122dari139
VAR00001
VAR00002
VAR00003
VAR00005
VAR00006
VAR00007
VAR00008
VAR00009
VAR00010
VAR00011
VAR00012
VAR00013
VAR00014
VAR00015
VAR00016
Modul SPSS
Scale
Mean
if Item
Deleted
Scale
Variance
if Item
Deleted
59.5500
58.9500
58.9500
58.8500
58.7000
59.0500
59.5500
59.7000
58.8000
59.3000
61.6000
59.1500
59.0500
60.6000
59.3000
232.5763
238.3658
237.1026
234.1342
236.4316
237.6289
227.1026
235.3789
233.2211
226.7474
270.8842
234.2395
229.8395
277.5158
226.7474
N of Cases =
20.0
Alpha =
.9567
Corrected
ItemTotal
Correlation
.7651
.6855
.7755
.9170
.8596
.7787
.8670
.7465
.8208
.8869
.2774
.8613
.9225
-.6160
.8869
A N A L Y S I S
S C A L E
Alpha
if Item
Deleted
.9537
.9554
.9533
.9505
.9517
.9533
.9513
.9540
.9523
.9508
.9609
.9515
.9501
.9637
.9508
Jika var15 di
delete, maka
Alpha
cronbach
akan
meningkat
dari 0,9557
menjadi
0.9637
(A L P H A)
N of Items = 15
Setelah var04 di delete, maka Alpha cronbach berubah

dari 0,9525 menjadi 0.9567
Langkah-3:
Delete variabel 15 karena tidak valid (R < 0,433) dan item-total correlation paling kecil.
Perintah pada SPSS:
2. Keluarkan variabel 15 dari kotak sebelah kanan
3. Continue > OK
VAR00001
VAR00002
VAR00003
VAR00005
VAR00006
VAR00007
VAR00008
VAR00009
VAR00010
VAR00011
VAR00012
VAR00013
VAR00014
VAR00016
Scale
Mean
if Item
Deleted
Scale
Variance
if Item
Deleted
56.5000
55.9000
55.9000
55.8000
55.6500
56.0000
56.5000
56.6500
55.7500
56.2500
58.5500
56.1000
56.0000
56.2500
236.8947
242.5158
241.2526
238.2737
240.5553
241.8947
231.3158
239.6079
237.3553
230.9342
275.4184
238.4105
234.0000
230.9342
Corrected
ItemTotal
Correlation
.7625
.6878
.7776
.9188
.8623
.7781
.8656
.7464
.8224
.8860
.2759
.8623
.9227
.8860
A N A L Y S I S
S C A L E
N of Cases =
20.0
N of Items = 14
Alpha =
.9637
Alpha
if Item
Deleted
.9619
.9634
.9614
.9586
.9598
.9614
.9595
.9621
.9604
.9590
.9688
.9596
.9582
.9590
(A L P H A)
Setelah var15 di delete, maka Alpha cronbach berubah

menjadi 0.9637
Langkah-4:
Delete variabel 12 karena tidak valid (R < 0,433) dan item-total correlation paling kecil.
Hal:123dari139
Modul SPSS
Perintah pada SPSS:

2. Keluarkan variabel 12 dari kotak sebelah kanan
3. Continue > OK
Scale
Mean
if Item
Deleted
VAR00001
54.4500
VAR00002
53.8500
VAR00003
53.8500
VAR00005
53.7500
VAR00006
53.6000
VAR00007
53.9500
VAR00008
54.4500
VAR00009
54.6000
VAR00010
53.7000
VAR00011
54.2000
VAR00013
54.0500
VAR00014
53.9500
VAR00016
54.2000
_
N of Cases =
20.0
Alpha =
.9688
Scale
Variance
if Item
Deleted
234.9974
240.5553
239.2921
236.3026
238.5684
239.9447
229.4184
237.7263
235.3789
229.0105
236.4711
232.0500
229.0105
Corrected
ItemTotal
Correlation
.7615
.6877
.7777
.9195
.8632
.7778
.8652
.7448
.8232
.8862
.8621
.9233
.8862
A N A L Y S I S
S C A L E
Alpha
if Item
Deleted
.9679
.9694
.9673
.9645
.9657
.9673
.9654
.9681
.9663
.9648
.9655
.9641
.9648
(A L P H A)
N of Items = 13
Semua pertanyaan sudah valid (R > 4.33)
9.4. Penyajian dan interpretasi hasil uji validitas dan reliabilitas

Dari 16 variabel, ada 3 variabel yang tidak valid, dan hanya ada 13 variabel yang valid.
Ke 13 variabel tersebut valid untuk mengukur kepuasan pelayanan keperawatan dengan
item-total koefisien korelasi berkisar antara 0.6877 sampai 0.9233.
Ke 13 variabel tersebut juga reliabel dalam mengukur kepuasan pelayanan keperawatan
dengan Cronbach Alpha 0.9688
VAR00001
VAR00002
VAR00003
VAR00005
VAR00006
VAR00007
VAR00008
VAR00009
VAR00010
VAR00011
VAR00013
VAR00014
VAR00016
Scale
Mean
if Item
Deleted
Scale
Variance
if Item
Deleted
54.4500
53.8500
53.8500
53.7500
53.6000
53.9500
54.4500
54.6000
53.7000
54.2000
54.0500
53.9500
54.2000
234.9974
240.5553
239.2921
236.3026
238.5684
239.9447
229.4184
237.7263
235.3789
229.0105
236.4711
232.0500
229.0105
Corrected
ItemTotal
Correlation
.7615
.6877
.7777
.9195
.8632
.7778
.8652
.7448
.8232
.8862
.8621
.9233
.8862
Alpha
if Item
Deleted
.9679
.9694
.9673
.9645
.9657
.9673
.9654
.9681
.9663
.9648
.9655
.9641
.9648
Hal:124dari139
Modul SPSS
9.5. Latihan uji validitas dan reliabilitas kuesioner

CONTOH SOAL LATIHAN
UJI VALIDITAS DAN RELIABILITAS KUESIONER
Lakukan uji validitas dan reliabilitas kuesioner untuk mengetahui tingkat KEPUASAN
KERJA perawat di RS X. Untuk mengukur kepuasan digunakan 5 pertanyaan. Uji coba dilakukan pada
15 perawat dengan bentuk pertanyaan sbb:
KUESIONER KEPUASAN PERAWAT
1.
Menurut anda, seberapa sering anda merasa tidak puas dengan hasil kerja anda?
1. tidak pernah
2.
2. jarang
2. jarang
3. kadang-kadang
4. sering
5. selalu
2. Jarang
3. kadang-kadang
4. sering
5. selalu
Menurut anda, seberapa sering anda merasa ada konflik dengan rekan sekerja?
1. tidak pernah
5.
5. selalu
Menurut anda, seberapa sering anda merasa mudah marah pada pasien?
1. tidak pernah
4.
4. sering
Menurut anda, seberapa sering anda merasa dalam hidup ini perlu bersaing?
1. tidak pernah
3.
3.kadang-kadang
2. Jarang
3. kadang-kadang
4. Sering
5. selalu
Menurut anda, seberapa sering anda merasa ada konflik dengan atasan?
1. tidak pernah
2. Jarang
3. kadang-kadang
4. sering
5. selalu
Data hasil pretest pada 15 responden, sbb:

No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
PUAS1
4
1
1
4
2
3
4
1
3
2
1
2
4
3
2
PUAS2
PUAS3
3
1
2
4
4
3
1
1
3
3
1
2
2
1
3
4
1
1
3
2
3
4
1
3
2
1
2
4
3
2
PUAS4
4
1
1
4
2
3
4
1
3
2
1
2
3
3
2
PUAS5
4
1
1
4
2
3
4
1
3
2
1
2
4
3
2
JAWAB:
Entry data tersebut ke program SPSS, kemudian lakukan uji validitas & reliabilitas
RELIABILITY
/VARIABLES=PUAS1 PUAS2 PUAS3 PUAS4 PUAS5
/FORMAT=NOLABELS
/SCALE(ALPHA)=ALL/MODEL=ALPHA
/STATISTICS=DESCRIPTIVE SCALE
/SUMMARY=TOTAL .
Hasilnya sbb:
Hal:125dari139
Modul SPSS
Item-Total Statistics
Scale
Scale Mean if
Variance if
Item Deleted Item Deleted
PUAS1
9.53
15.124
PUAS2
9.73
20.924
PUAS3
9.60
15.971
PUAS4
9.60
15.686
PUAS5
9.53
15.124
Reliability Statistics
Corrected
Item-Total
Correlation
.963
.328
.915
.955
.963
Cronbach's
Alpha if Item
Deleted
.881
.993
.892
.884
.881
Cronbach's Alpha
N of Items
.928
5
PUAS2 tidak valid, sehingga dikeluarkan, hasilnya sbb:
Item-Total Statistics
PUAS1
PUAS3
PUAS4
PUAS5
Scale Mean if
Item Deleted
7.27
7.33
7.33
7.27
Scale
Variance if
Item Deleted
11.495
12.095
12.095
11.495
Corrected
Item-Total
Correlation
.996
.971
.971
.996
Cronbach's
Alpha if Item
Deleted
.988
.994
.994
.988
Reliability Statistics
Cronbach's Alpha
N of Items
.993
4
Keempat variabel kepuasan sudah valid dengan nilai item-total korelasi berkisar 0,988 sd 0,994 dan
sudah reliabel dengan nilai Cronbach Alpa 0,993.
9.6. Latihan uji validitas dan reliabilitas

Dari kuesioner dan data terlampir, lakukan uji validitas dan reliabilitas, serta tulis apa
simpulan/ saran kita.
KUISIONER : KINERJA PERAWAT DALAM DOKUMENTASI
PENERAPAN STANDAR ASUHAN KEPERAWATAN
FORMAT A :
Disi oleh perawat
Petunjuk pengisian:
1. Berilah tanda cek () pada kolom pilihan jawaban yang tersedia disebelah pernyataan
sesuai dengan yang saudara lakukan, dengan pilihan jawaban
S = Selalu
TS = Tidak Selalu
KK = Kadang-Kadang
TP = Tidak Pernah
2. Mohon agar saudara dapat memberikan jawaban dengan sejujur-jujurnya dan
seterus terang mungkin serta menelaah makna setiap pernyataan dengan baik. Hasil
dari kuisioner ini tidak akan ada artinya sama sekali apabila saudara memberikan
Hal:126dari139
Modul SPSS
jawaban bukan gambaran yang sebenarnya tentang kinerja saudara dalam melakukan
pendokumentasian asuhan keperawatan.
No
PERNYATAAN
1
2
3
4
Saat mencatat data yang dikaji saya lakukan sesuai dengan pedoman pengkajian.
Setelah saya melakukan pengkajian, data kelompokkan (bio-psiko-sosial-spritual).
Saat saya melakukan pengkajian, data dikaji sejak pasien masuk sampai pulang.
Masalah yang saya rumuskan berdasarkan kesenjangan antara status kesehatan
dengan norma dan pola fungsi kehidupan.
Saya membuat diagnosa keperawatan berdasarkan masalah yang telah dirumuskan.
Diagnosa keperawatan yang saya rumuskan mencerminkan PE (Problem Etiologi)/PES
(Problem Etiologi Symtom)
Saat saya merumuskan diagnosa keperawatan meliputi diagnosa aktual/potensial
Rencana tindakan yang saya buat berdasarkan diagnosa keperawatan
Rencana tindakan yang saya susun menurut urutan prioritas
Rumusan tujuan yang saya buat mengandung komponen pasien, perubahan perilaku,
kondisi pasien dan atau kriteria
Rencana tindakan yang saya buat mengaju pada tujuan dengan kalimat perintah, terinci
dan jelas
Rencana tindakan yang saya buat menggambarkan keterlibatan pasien/keluarga.
Rencana tindakan yang saya buat menggambarkan kerjasama dengan tim kesehatan
lain
Dalam melaksanakan tindakan keperawatan saya lakukan mengacu pada rencana
keperawatan
Saya mengobservasi respon pasien terhadap tindakan keperawatan dan
mendokumentasikannya.
Revisi tindakan yang saya buat berdasarkan hasil evaluasi.
Semua tindakan yang telah saya laksanakan dicatat ringkas dan jelas.
Evaluasi yang saya lakukan mengaju pada tujuan.
Hasil evaluasi saya catat
Dalam membuat catatan asuhan keperawatan saya menulis pada format yang sudah
baku
Pencatatan yang saya tulis dilakukan sesuai dengan tindakan yang dilaksanakan
Pencatatan saya tulis dengan jelas, ringkas, istilah yang baku dan benar
Setiap melakukan tindakan/kegiatan, saya mencantumkan paraf/nama jelas, dan
tanggal, jam dilakukannya tindakan.
Berkas catatan keperawatan saya simpan sesuai dengan ketentuan yang berlaku
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
TS
KK
Database: KINERJA_BERDASAR_RESPONDEN.SAV
DATA
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
knr1
2
2
2
2
4
4
3
3
4
2
3
3
3
3
3
knr2
4
4
1
1
3
3
3
3
4
1
2
2
2
3
4
knr3
2
3
3
3
4
4
2
4
4
4
4
4
3
3
3
knr4
2
3
4
4
4
4
2
3
4
3
3
3
3
3
3
knr5
2
2
1
1
4
4
1
4
4
1
4
4
4
4
4
knr6
2
2
2
2
4
4
1
3
4
1
4
4
4
4
4
knr7
2
2
3
3
4
4
1
4
4
1
4
4
4
4
4
knr8
2
2
4
4
4
4
3
4
4
2
3
3
4
4
4
knr9
2
2
4
4
4
4
4
4
4
2
3
3
3
3
3
knr10
2
2
4
4
4
4
4
4
4
4
4
4
3
3
3
knr11
2
2
4
4
4
4
4
4
4
2
4
4
3
3
3
Hal:127dari139
knr12
2
2
2
2
4
4
4
3
3
3
3
3
3
3
3
TP
Modul SPSS
16
17
18
19
20
4
4
2
3
3
4
1
1
1
3
4
4
3
3
4
4
4
3
4
4
4
4
3
4
4
4
4
3
4
4
4
4
3
4
4
4
4
3
3
4
3
3
3
3
3
4
4
3
3
3
4
4
3
3
3
4
4
3
3
4
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
knr13
2
2
3
3
4
4
4
2
3
3
4
4
3
3
3
4
4
3
3
4
knr14
3
2
3
3
4
4
4
2
3
3
4
4
3
3
3
4
4
3
3
4
knr15
2
2
3
3
4
4
4
2
3
3
4
4
2
3
3
4
4
3
3
4
knr16
2
2
3
4
4
4
4
4
4
4
3
3
3
3
3
4
4
3
3
2
knr17
3
2
3
3
4
4
4
2
3
3
4
4
3
3
3
4
4
3
4
4
knr18
2
2
3
3
4
4
4
2
3
3
4
4
3
3
3
4
4
3
2
3
knr19
3
2
3
3
4
4
4
2
3
3
4
4
3
3
3
4
4
3
4
3
knr20
3
3
3
3
3
4
4
2
3
3
4
4
3
3
3
4
4
3
4
4
knr21
2
2
3
3
4
4
4
2
3
3
4
4
2
3
3
4
4
3
3
2
knr22
4
3
4
4
4
4
4
3
4
4
2
2
4
4
4
4
4
3
2
4
knr23
3
4
4
4
4
4
4
4
4
4
4
3
2
2
2
4
4
3
3
4
knr24
4
4
4
4
4
4
4
4
4
4
3
3
4
4
4
4
4
3
3
4
Hal:128dari139
Modul SPSS
HASIL
***************KINERJA DINILAI RESP
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Scale
Mean
if Item
Deleted
KNR1
KNR2
KNR3
KNR4
KNR5
KNR6
KNR7
KNR8
KNR9
KNR10
KNR11
KNR12
KNR13
KNR14
KNR15
KNR16
KNR17
KNR18
KNR19
KNR20
KNR21
KNR22
KNR23
KNR24
Scale
Corrected
Variance
ItemAlpha
if Item
Total
if Item
Deleted Correlation
Deleted
75.7500
76.2000
75.3000
75.3500
75.5500
75.5000
75.3500
75.2500
75.5000
75.2000
75.3000
75.6000
75.4500
75.4000
75.5000
75.4000
75.3500
75.5500
75.4000
75.3500
75.6000
75.1500
75.2000
74.9000
N of Cases = 20.0
Alpha = .9126
107.0395
120.4842
112.6421
113.5026
106.6816
106.8947
108.3447
110.8289
113.6316
111.9579
109.3789
109.4105
108.7868
110.7789
108.3684
113.3053
111.1868
109.1026
111.8316
114.8711
109.7263
120.0289
117.6421
121.4632
.8829
-.0161
.5800
.5269
.5037
.5851
.5569
.6306
.4967
.6215
.7316
.7693
.8154
.7429
.7836
.4899
.6961
.7597
.6636
.4981
.6745
.0528
.1977
-.0163
.9023
.9256
.9083
.9093
.9119
.9084
.9089
.9072
.9097
.9076
.9053
.9048
.9040
.9057
.9041
.9098
.9064
.9048
.9070
.9099
.9062
.9178
.9152
.9158
N of Items = 24
Hal:129dari139
Modul SPSS
HASIL UJI VALIDITAS DAN RELIABILITAS

Variabel yang Item-total correlation kurang dari 0.433 (alpha 5%, df = 19 (n-1), tidak
valid, yaitu : KNR2, KNR22, KNR23, KNR24
Kuesioner yang tidak valid, boleh saja tetap dipakai atau tidak dibuang, tetapi diperbaiki
saja redaksionalnya, sehingga tidak ada makna ganda, artinya jelas dan mudah dipahami.
Contoh saran untuk perbaikannya sebagai berikut:
No
2
Pertanyaan
Setelah saya melakukan pengkajian, data kelompokkan
(bio-psiko-sosial-spritual).
KOMENTAR/SARAN PERBAIKAN
Maksud pertanyaan tidak jelas, Kues harus di
Perbaiki, atau dikeluarkan
22
Pencatatan saya tulis dengan jelas, ringkas, istilah yang

baku dan benar
Jangan menggabung beberapa topik jadi satu,

pisahkan menjadi 3 pertanyaan (satu
pertanyaan untuk satu topik):
1. Saya tulis dengan jelas
2. Saya tulis dengan ringkas
3. Saya tulis dengan istilah baku (bhs
indonesia /bhs medis ?)
23
Setiap
melakukan
tindakan/kegiatan,
saya
mencantumkan paraf/nama jelas, dan tanggal, jam
dilakukannya tindakan.
24
Berkas catatan keperawatan saya simpan sesuai dengan

ketentuan yang berlaku
--- idem
Pisahkan jadi 3 pertanyaan:
1. nama jelas
2. paraf
3. tgl & jam tindakan
.. ketentuan yang berlaku? Maknanya sangat
luas sehingga setiap orang punya persepsi
berbeda2,
harus perjelas maksudnya.
Hal:130dari139
Modul SPSS
Uji Interrater Reliability

Dalam melakukan penelitian dengan metode observasi seringkali antara peneliti dengan
numerator (pengumpul data) terjadi perbedaan persepsi terhadap kejadian yang diamati.
Agar data yang dihasilkannya valid, maka harus ada penyamaan persepsi antara peneliti
dengan petugas pengumpul data (numerator). Uji interrater Reliability merupakan jenis uji
yang digunakan untuk menyamakan persepsi antara peneliti dengan petugas pengumpul
data. Alat yang digunakan untuk uji Interrater adalah uji statistik Kappa.
Prinsip ujinya: bila hasil uji Kappa signifikan/bermakna maka persepsi antara peneliti
dengan numerator sama, sebaliknya bila hasil uji kappa tidak signifikan/bermakna, maka
persepsi antara peneliti dengan numerator terjadi perbedaan.
Contoh :
Suatu penelitian praktek keperawatan keluarga terdapat instrumen yang berbentuk
observasi terhadap perilaku perawat merawat pasien. Pertanyaanya:
Apakah dalam melakukan komunikasi dengan pasien bersifat ramah ?

1. ya
2. tidak
Kemudian dilakukan uji coba dengan pengamatan sebanyak 10 pasien, adapun hasilnya
sbb:
No pasien
penelitinumerator
10
Hal:131dari139
Modul SPSS
Ujilah apakah ada kesepakatan antara peneliti dengan numerator:

Langkah:
1. data di entry di SPSS

2. Klik analysis, sorot Descriptif, sorot dan klik Crostab
3. Masukkan variabel peneliti ke bagian Row dan masukkan variabel
numerator ke bagian colom.
4. Klik tombol Statistic, klik Kappa

5. Klik Continue
6. Klik OK, dan hasilnya
Symmetric Measures
Measure of Agreement
N of Valid Cases
Kappa
Value
.583
10
Asymp.
a
Std. Error
.262
Approx. T
1.845
Approx. Sig.
.065
a. Not assuming the null hypothesis.

b. Using the asymptotic standard error assuming the null hypothesis.
Hasil uji didapatkan nilai koefisien kapaa sebesar 0,583 dan p valuenya sebesar 0,065.
Dengan hasil ini berarti p value > alpha berarti hasil uji kappa tidak signifikan/bermakna,
sehingga kesimpulannya: ada perbedaan persepsi mengenai aspek yang diamati antara
peneliti dengan numerator.
Latihan 2 : Uji Instrumen

a: uji validitas dan reliabilitas Kuesioner
Lakukan uji validitas dan reliabilitas untuk pertanyaan variabel Kepuasan

pekerja :
1. Saya mendapatkan kesempatan menggunkan ketrampilan saya dalam
melaksanakan tugas
a. selalu b.sering
c.kadang-kadang d.jarang
e.tdk
puas
2. Saya memperoleh kesempatan untuk melakukan tugas-tugas yang
beragam
a. selalu b.sering
e.tdk
puas
3. Saya menerima saran-saran dari teman sewaktu menghadapi persoalan
a. selalu b.sering
e.tdk
puas
Hal:132dari139
Modul SPSS
4. Atasan saya mendorong saya untuk lebih berprestasi

a. selalu b.sering
e.tdk
puas
5. Suhu udara di tempat kerja saya terasa:
a. sngt sejuk b.cukup sejuk
c.sejuk
d.tdk sejuk e.sangat tdk
sejuk
data hasil pre test sbb:
no
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
puas1 puas2 puas3 puas4 puas5

1
1
2
1
4
2
2
2
2
5
4
3
3
3
4
2
2
3
4
4
1
1
1
2
5
1
1
1
2
5
3
3
3
3
5
2
2
2
2
4
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
1
1
3
3
2
1
2
2
2
2
1
1
2
2
2
1
1
1
1
3
3
3
3
3
3
4
4
4
4
3
5
5
5
5
3
4
4
4
4
4
3
3
3
3
3
Hal:133dari139
Modul SPSS
b: Uji Interrater Reliability Observasi

Lakukan uji interrater (penyamaan persepsi) antara peneliti dengan
numerator. Data yang diamati adalah:
Apakah perawat melakukan komunikasi yang efektif saat berinteraksi dengan
pasien?
1. ya
2. tidak
Untuk menyamakan persepsi, kemudian dilakukan pretest pengamatan pada
15 pasien, hasilnya:
No peneliti
numerator
1
1
1
2
2
2
3
1
2
4
1
1
5
1
1
6
2
2
7
2
2
8
1
1
9
1
1
10
1
1
11
2
2
12
1
1
13
1
1
14
2
1
15
1
1
Ujilah dengan menggunakan uji kappa untuk mengetahui tingkat kesepakatan
antara peneliti dengan numerator
Hal:134dari139
Modul SPSS
Daftar Pustaka
1. Daniel W. Biostatistics: A Foundation For Analysis in The Health Sciences. Fourth
Edition, John Wiley & Sons, New York 1987
2. Hildebrand David K, R. Lyman Ott. Basic Statistical Ideas for Manager. Duxbury
Press, Belmont, California, 1996
3. Kleinbaum DG dan Klein M. Logistic Regression: A Self Learning Text. 3rd ed.
Springer 2010.
4. Kleimbaum K dan Muller. Applied Regression Analysis and Other Multivariable
Method. Second edition, PWS Kent Pub & Co. 1988

5. Kusma, JW. Basic Statistics for the Health Sciences. California: Mayfield Publishing
Company, 1984
6. Pallant J. SPSS Survival Manual: a step by step guide to data analysisng using SPSS.
2nd edn. Sydney: Ligare, 2005
7. Pagano M dan Gauvreau K. Principles of Biostatistics. Belmont: Duxbury Press, 1993.
8. SPSS Inc. SPSS Base 14.0 Applications Guide. SPSS, 2005
9. Vijay Gupta. Regression Explain in Simple Term. A Vijay Gupta Publication. 2000
Hal:135dari139
Modul SPSS
For the DHS surveys, MEASURE DHS distributes separately Household, Household Member,
Women, Children under five, Men, and Couples files in flat or hierarchical formats. Care has
been taken to include the variables that are deemed important for each of these files. For
example, variables for household characteristics are included in the women, men, and children's
files.
However, there are instances when researchers have to merge or combine different files to
obtain the variables that meet their analysis needs. This section discusses the variables and
mechanisms that can be used to accomplish that task.
On this page
File Relationship Types
Matching Variables
Steps for Merging Datasets
Unique Case Identifiers
File Relationship Types

It is important to mention again that matching files is only necessary when variables required
for the analysis are not present in the distributed file but are present in any other file. When
merging data files its important to know the type of relationship that exists between the files to
be merged as well as the type of output file desired (unit of analysis). There are two types of
relationships: The first is that of one entity related to many other entities [1 : 0-N] and the
second is that of one entity related to just one other entity [1 : 0-1].
An example of a relationship of one to many entities can be found between households and
women or men. There may exist zero or several women or men questionnaires for each
household. An example of a relationship of one to one can be found in the relation existent
between women and men. In a monogamous country, there may be zero or one man
questionnaire for each woman if she is currently married.
Unique Case Identifiers

One of the advantages of processing complex surveys with CSPro, a software capable of
handling hierarchical files, is that it allows to tightly control the case identifiers. DHS guarantees
that their files can be matched seamlessly whenever a relationship is possible. To properly
manipulate the files it is necessary to know what the variables or fields that identify the cases
are. The following reference table shows those fields.
Hal:136dari139
Modul SPSS
Matching Variables
When merging files it is generally easier to use the original variables rather than the ID
variables. For example, it is not possible to merge the household and womens files using HHID
and CASEID because CASEID has three extra characters identifying the womens line number.
The files can be more easily merged using variables HV001 with V001 and HV002 with V002.
The following reference table shows the variables required to match different files. In the rows,
the base files are listed. In the columns, the secondary files along with the variables to be used
as keys or matching variables are listed. In the cells intersecting the rows and columns,
variables from the base files used to match the secondary file are listed.
This table shows that household variables can be appended to women, men and children.
Women variables can be appended to their children. They also can be appended to men, to
create couples. Notice that there is no relationship between children and men because children
come from the birth history, which is asked to women.
With software that requires the variables that are used for merging to have the same name in
both files it will be necessary to either rename or to create copies of the matching variables in
one file to match the names in the other file being used. For example, to match the household
data to the women's data, first rename HV001 to V001 and HV002 to V002, or create a copy of
HV001 in V001 and a copy of HV002 in V002 in the household data before merging.
Hal:137dari139
Modul SPSS
Steps for Merging Datasets

All statistical packages (SPSS, SAS, STATA) have commands that allow merging files, but
regardless of the package the following steps are necessary:
1. Determine the common identifiers (identification variables).
2. Sort both data files by the identification variables.
3. Determine the base (primary) file. The base file establishes the unit of analysis.
Normally, when the relationship is that of one to many [1:0-N], the base file is the one
with the many entities. For example, if merging data from households and women, the
base file should be the womens file. The reason is that you may want to assign to every
woman the characteristics of her household. If the match is done the other way around,
once the program matches the first woman it will not look for another woman or it will
give an error for finding duplicate cases. In the case of matching women and children,
the base file should be the childrens file. That way, mothers characteristics are
assigned to children.
If the relationship is that of one to one [1:0-1], the base file is normally the one with
the least number of cases. In DHS, men's questionnaires are only applied to a subsample of households. This means that not all currently married women have a match
with a men's questionnaire. In this case, the base file should be the men's questionnaire
and the resulting file (unit of analysis) will be the Couples file.
4.
Finally, using the right commands depending on the software to be used, the files will be
merged.
Hal:138dari139

Modul SPSS Besral 2013

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul SPSS Besral 2013

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS DATA RISET KESEHATAN

Besral, FKM UI, 2012

Besral, FKM UI, 2012

4. Merge File Data

Konsep Uji Statistik

5. Uji Beda 2-Rata-rata (t-test)

Besral, FKM UI, 2012

5.6. Penyajian Hasil Uji-t Independen

6. Uji Beda > 2-Rata-rata (ANOVA)

7. Uji Beda Proporsi (2) Chi-Square

8. Uji Korelasi & Regresi Linier

9. Uji Validitas dan Reliabilitas Instrumen

Besral, FKM UI, 2012

SPSS Windows merupakan perangkat lunak statistik multiguna yang bermanfaat

Setelah mempelajari BAB ini, peserta mampu:

1. Mengaktifkan program SPSS dan menjalankannya

4. Memasukkan data ke program SPSS (entry)

5. Menyimpan file SPSS (save)

6. Membuka File SPSS (open)

Besral, FKM UI, 2012

1.1. MEMULAI SPSS

Besral, FKM UI, 2012

1.2. JENDELA SPSS

1.2.1. JENDELA SPSS DATA EDITOR

1.2.1.A DATA VIEW

Besral, FKM UI, 2012

1.2.1.B. VARIABEL VIEW

Besral, FKM UI, 2012

1.3. JENDELA SPSS OUTPUT

Output SPSS Viewer

1.4. MEMASUKKAN (ENTRY) DATA

Besral, FKM UI, 2012

Contoh data untuk latihan memasukkan/entry data

1.4.1 PEMBERIAN NAMA, TYPE, & LABEL VARIABEL

Besral, FKM UI, 2012

1.4.2 PEMBERIAN KODE VALUE LABELS

Besral, FKM UI, 2012

Ulangi prosedur tersebut untuk kode 2=Perempuan,

1.4.3 MEMASUKKAN DATA

Besral, FKM UI, 2012

1.5. MENGEDIT DATA (DELETE & COPY)

1.5.1 MENGHAPUS (DELETE) DATA PADA SEL TERTENTU

Besral, FKM UI, 2012

1.5.2 MENGHAPUS (DELETE) DATA VARIABEL

1.5.3 MENGHAPUS (DELETE) DATA RECORD

1.5.4 MENGGANDAKAN (COPY) DATA

Besral, FKM UI, 2012

1.6. MENYIMPAN (SAVE) DATA

Besral, FKM UI, 2012

1.7. MEMBUKA (OPEN) DATA SPSS

1.8. MEMBUKA (OPEN) DATA.DBF

Besral, FKM UI, 2012

5. Maka data Tangerang.DBF akan muncul di Untitled SPSS Data Editor.

Besral, FKM UI, 2012

Besral, FKM UI, 2012

Setelah mempelajari BAB ini, peserta mampu:

1. Menjelaskan Buku Kode

2. Melakukan Analisis Deskriptif Data Kategorik

3. Menyajikan Hasil Analisis Deskriptif Data Kategorik

4. Melakukan Analisis Deskriptif Data Numerik

5. Menyajikan Hasil Analisis Deskriptif Data Numerik

6. Membuat Grafik Histogram

7. Melakukan Uji Normalitas