Pedoman Skill Lab Spss Unwar

Fakultas Kedokteran dan Ilmu Kesehatan
Universitas Warmadewa
PEDOMAN SKILL LAB

STATISTIKA DASAR DENGAN SPSS
dr. Tangking Widarsa, MPH.
Fakultas Kedokteran dan Ilmu Kesehatan

Universitas Warmadewa
Denpasar, 2014
Modul Skil Lab Statistika & SPSS Page 1

JADWAL SKIL LAB
ANALISIS STASTISKA DASAR DENGAN SPSS
HARI/TGL/ TOPIK NARASUMBER

PUKUL
Selasa, 4 Maret 2014
Klp-1:8.00 10.00 Manajemen data SPSS dr. Tangking Widarsa, MPH
Klp-2:10.00-12.00 Membuat struktur data
Merekam, menyimpan, dan
membuka data
Transformasi data
Statistik Descriptive
Data Kategorikal
Data Numerikal
Rabu: 5 Maret 2014
Klp-1:8.00 10.00 Significancy Test Data dr. Tangking Widarsa, MPH
Klp-2:10.00-12.00 Numerikal:
Independent samples T Test
Paired samples T Test
One-way Anova
Significancy Test Data
Kategorikal:
Cross-sectional
Case-Control
Kamis; 6 Maret 2014

Klp-1:9.00 11.00 Korelasi & Regresi Linear dr. Tangking Widarsa, MPH
Klp-2:11.00-13.00 Korelasi dr. Ayu Swandewi, MPH
Regresi

SKIL LAB 1
Managemen Data SPSS
Pendahuluan
Pada modul ini akan dipelajari cara memulai dan mengakhirkan sesi SPSS, cara membuat struktur
data, cara merekam data, cara membuka file data SPSS atau file data dengan format bukan SPSS,
misalnya dalam format Excel, Dbase, Sas, dll. Juga akan dipelajari cara membuat variabel baru dari
data yang sudah ada dengan cara recode atau compute. Selain itu, juga akan dipelajari cara
memilih rekord tertentu dan cara mengurut data.
Tujuan
Untuk meningkatkan kemampuan peserta pelatihan dalam pengelolaan data dengan SPSS sebagai
persiapan analisis data selanjutnya.
TOPIK LATIHAN
Pada bagian ini akan dibahas dan dipraktekan cara:
Memulai dan mengakiri program SPSS
Membuat struktur data format SPSS
Merekam, menyimpan, dan memuka file SPSS
Cara tranformasi data
LATIHAN 1.1: Memulai dan Mengakhiri Program
1. Mengaktifkan SPSS
Untuk memulai program SPSS dapat dilakukan dengan mengaktifkan program SPSS dengan
cara:
Double Klik ikon SPSS pada Destop seperti di bawah ini.
Bila berhasil, maka akan tampil layar: SPSS Data Editor sebagai berikut.

Layar Data Editor terdiri dari Menu Utama dan dua Sheet. Menu utama terdiri dari menu:
File, Edit, View, Data, Transform, Analyze, Graphs, Utilities, Window, Help yang terletak di
bagian atas layar.
Selain Menu Utama, pada layar Data Editor terdapat dua sheet, yaitu Sheet untuk Variabel
View dan Sheet untuk Data View. Menu kedua Sheet tersebut terletak di bagian bawah kiri
layar. Sheet Variabel View digunakan untuk membuat struktur data, sedangkan Sheet Data
View adalah tempat data.
2. Mengaktifkan Sheet Data/Variabel View

Klik menu Data View bila ingin mengaktifkan Sheet Data View atau
Klik menu Variabel View bila ingin mengaktifkan Sheet Variable View.
CATATAN:
Sheet Data View adalah sheet untuk DATA, sedangkan Sheet Variable View untuk membuat dan
memperbaiki STRUKTUR DATA SPSS.
LATIHAN 1.2: Membuat Strukrur Data
1. Struktur Data SPSS

Sebelum data direkam dengan SPSS, maka perlu dibuat struktur file dari data tersebut. Setiap
variabel dalam file data SPSS memiliki struktur data sbb:
No Struktur Deskripsi
1 Name Nama menggunakan abjad, maksium 40 karakter, tidak ada
spasi, tanda baca dan tanda matematik
2 Type Numerik (untuk data dalam bentuk angka), string (data dalam
bentuk abjad), date (data tgl/bln/th)
3 Width Jumlah spasi (karakter) yang perlu disediakan termasuk decimal
dibelakang koma.
4 Decimal Jumlah angka di belakang koma. Bila tidak ada decimal, maka isi
0.
5 Label Nama variabel yang diinginkan tercetak pada output SPSS,
misalnya nama variabelnya P01 diberi label: Umur (th)
6 Values Label untuk setiap kategori dari variabel kategorikal, misalnya
SEX: 1=laki dan 2=perempuan. Hanya untuk variabel kategorikal
saja.

7 Missing Isikan kode missing bila diperlukan
8 Collumn Lebar kolom pada sheet data yang diinginkan
2. Membuat Konsep Struktur Data

Data yang akan dianalisis dengan SPSS dibuatkan struktur datanya. Berikut adalah contoh
data penelitian yang terdiri dari 5 variabel yang akan dianalisis dengan SPSS dan struktur
datanya adalah sbb:
Name Type Width Deci- Label Values Miss Collumn

mal ing
ID Numeric 8 0 No Identitas 8
Age Numeric 8 0 Umur (th) 8
Sex String 8 Jenis kelamin L=laki 8
P=wanita
Weight Numeric 8 1 Berat Badan 8
(kg)
Height Numeric 8 0 Tinggi Badan 8
(cm)
Diare Numeric 8 0 Diare akut 1=diare 8
2=tidak
3. Cara membuat struktur data dengan SPSS

Praktekan cara membuat struktur data penelitian di atas dengan langkah sebagai berikut:
1) Aktifkan Sheet Variable View dengan cara:
klik menu Variabel View, maka sheet variable view akan tampak sbb:
2) Ketik nama variabel pada kolom Name, type pada kolom Type, width pada kolom
Width, decimal pada kolom Decimal, dan label pada kolom Label untuk setiap
variabel yang ada, sehingga tampak sbb:

3) Mengubah type data
Setelah nama variabel diketik, maka secara otomatis (by default), Kolom Type akan
muncul Numeric artinya variabel tersebut diberikan type sebagai variabel numerik
(hanya bisa diisikan dengan data dalam bentuk angka dan tidak dapat menerima data
dalam bentuk huruf). Bila diperlukan mengubah type data tersebut, misalnya variabel Sex
datanya L (laki) dan P (perempuan), maka type numerik dari variabel tersebut diubah
menjadi type String, dengan cara sbb:
Klik bagian belakang kolom Type dari variabel yang diubah typenya. Dalam contoh
ini adalah Sex, maka akan tampak sbb:
Klik disini
Klik String seperti contoh di atas dan klik OK pada jendela Variable Type seperti
contoh di atas, maka hasilnya akan menjadi sbb:
Type dari variabel Sex sudah berubah menjadi string, seperti contoh di atas.
4) Membuat values label (HANYA UNTUK VARIABEL KATEGORIKAL)

Semua variabel KATEGORIKAL perlu dibuatkan value labelnya. Untuk data kategori seperti
SEX dengan kategori L=laki dan P=perempuan dan Diare dengan kategori 1=diare dan
2=tidak, maka value dari kedua variabel tersebut harus didefinisikan dalam struktur
datanya agar di dalam hasil analisis (output SPSS) yang tampak adalah value label
(mislanya Laki dan bukan kodenya L).
Cara membuatnya adalah sbb:

Klik bagian belakang kolom Values dari variabel yang akan dibuat definisi
kategorinya, untuk contoh ini akan dibuat kategori dari variabel SEX, maka akan
tampak jendela sbb:
Ketik: L pada kotak Value untuk kategori pertama dan ketik: Laki-laki pada kotak
Value Label, dan klik Add untuk memindahkan definisi tersebut ke kotak di
bawahnya. Lanjutkan ketik kode P pada kotak Value dan Perempuan pada kotak Value
labelnya, dan klik Add sehingga kedua definisi kategori sudah ada di kotak seperti
berikut.
Klik OK untuk kembai ke Sheet Variable View.
Lakukan hal yang sama untuk variavel Diare dan coba ulang lagi sampai mahir.

Hasil akhirnya akan menjadi sebagai berikut.
Kolom Values untuk variabel Sex dan Diare sudah berisikan Value Labelnya, seperti contoh
di atas.
5) Mengubah/menghapus Value Label

Bila ingin melihat atau memperbaiki value label yang sudah ada, klik bagian belakang dari
kolom Value, maka akan muncul Kotak dialog Value Label dari variabel tersebut. Kalau
akan diubah silahkan klik value label yang sudah ada dan ganti dengan label yang lain, lalu
klik CHANGE, maka value label yang baru akan muncul, lalu klik OK agar value label yang
baru tersimpan. Bila akan menghapus value label tersebut, klik REMOVE
LATIHAN 1.3: Merekam, menyimpan, dan membuka file Data
Merekam Data
Setelah struktur data dibuat, langkah selanjutnya adalah merekam data. Data hanya dapat
direkam pada Sheet Data View. Oleh karena itu sebelum memulai merekam maka aktifkan dahulu
Sheet Data View dengan cara:
1) Klik menu Data View yang terletak dibagian kiri bawah layar Data Editor, maka akan
tampak sbb:
Pakai data di bawah ini untuk latihan merekam data.

2) Ketik data ID, Age, Sex, Weight, dan Diare di atas pada Sheet Data View, maka akan
tampak sbb:
CATATAN:
Bila waktu saudara mengetik data Weight menggunakan koma untuk desimal dan setelah
diketik datanya hilang, berarti komputer saudara tidak menerima koma sebagai tanda
desimal. Bila hal itu terjadi, maka saudara harus menggunakan titik sebagai tanda desimal.
Menyimpan Data
Setelah data direkam, selanjutnya disimpan. Cara menyimpan data adalah:
1) Klik menu File, Save As, maka akan tampih kotak dialog sbb:
2) Ketik nama file di kotak: File name, kemudian klik kotak: Save, maka nama file akan
tampak di bagian kiri atas dari layar Data Editor.
Membuka Data
Di dalam Folder SKIL LAB UMWAR sudah ada file: DATA DAB.sav adalah data
anemia ibu hamil di Gianyar. Untuk latihan membuka file, bukalah file Data

DAB.SAV yang tersimpan pada Folder SKIL LAB UNWAR/DATA DAB.sav tersebut
dengan cara sbb:
1) Klik menu utama: File, ikuti dengan klik Open, pilih Data, maka akan tampak kotak dialog
Open File sbb:
2) Pilih Folder tempat data dengan cara klik tanda panah ke bawah dari kotak Look in ,
maka akan tampak kotak dialog sbb:
3) dan pilih Folder tempat data SKIL LAB UNWAR, maka akan tampak kotak dialog sbb:
4) klik nama file yang akan dibuka, misalnya Data DAB.sav, lalu klik kotak Open, maka
datanya akan tampak sbb:

Dibagian atas kiri layar Data Editor akan tampak nama file datanya, pada contoh ini nama
file datanya: Data DAB.sav.
LATIHAN 1.4: Transformasi Data

Pada survei anemia ibu hamil (DAB) telah dikumpulkan data tentang umur, paritas, umur
kehamilan (mgg), Hbpre, Hbpost, Hb-Sahli, Ankilos. Pada survei ini ingin diketahui:
1) Kejadian anemia dan bagaimana distribusinya menurut umur kehamilan (trimester), ada
tidaknya infeksi ankilos sebelum perlakuan
2) efektivitas program tablet besi 90 tablet terhadap peningkatan kadar Hb dan penurunan
kejadian anemia ibu hamil;
3) Hubungan antara kadar Hb sebelum program dengan kadar Hb setelah program;
Untu memenuhi tujuan analisis tersebut, maka perlu dibuat variabel baru seperti Anemipre
(anemia sebelum program) dari kadar Hbpre, anemipost (anemia sesudah program) dari kadar
Hbpost, dan peningkatan Hb (Hbpost Hbpre).
Cara membuat variabel baru adalah dengan cara Transformasi data. Ada dua cara transformasi
data yang paling sering dipakai, yaitu RECODE dan COMPUTE. Recode dipakai bila akan mengubah
(RECODE) atau membuat variabel baru dengan mengubah nilai data yang lama menjadi nilai baru.
Misalnya Hb diubah menjadi anemi dimana dinyatakan anemi bila Hb < 11 g/dl. Compute dipakai
bila akan membuat variabel baru dengan proses matematik seperti tambah/kurang, bagi/kali,
akar, log dan sebagainya. Misalnya membuat variabel peningkatan Hb = Hbpost Hbpre. Contoh
lain, misalnya membuat variabel baru IMT dari variabel Tinggi (TT) dan Berat Badan (BB) yang
sudah ada dengan formula IMT = BB/TT 2.
LATIHAN 1.4.1 Membuat variabel baru Anemipre dari variabel Hbpre

Konsep transformasi Hbpre menjadi Anemipre adalah sbb:
VARIABEL LAMA (OLD): VARIABEL BARU (NEW):

Hbpre
RECODE Anemipre
< 11 1 = Anemi
11 2= Tidak Anemi
Penjelasan:
Orang yang Hbpre < 11 akan menjadi kode 1 (anemi) pada variabel Anemipre dan yang
Hbprenya 11 akan menjadi kode 2 (tidak anemi) pada variabel Anemipre.

Langkah-langkahnya sbb:
1) Recode Hbpre menjadi Anemipre dengan cara sbb:
Klik menu: Transform, kemudian pilih Recode Into Difference Variables, seperti di
bawah ini:
Setelah submenu: Into Difference Variables diklik, maka akan muncul kotak dialog sbb:
Pilih variabel yang akan direcode, pada contoh ini yang dipilih adalah Hbpre (Hb
sebelum intervensi) dan pindahkan ke kotak Input Variable->Output Variable:
seperti tampak di bawah ini.
Ketik nama variabel baru Anemipre (ingat: nama variabel tidak boleh ada spasi)
pada Name di kotak Output Variabel sbb:

Klik kotak Change agar name variabel baru masuk ke kotak Numeric Variable ->
Output Variabel, maka akan tampak sbb:
Sampai tahap ini telah didefinisikan bahwa variabel Hbpre akan diubah menjadi
variabel Anemipre.
Langkah selanjutnya adalah transformasi nilai variabel lama menjadi nilai variabel
baru dengan cara klik: kotak Old and New Values, maka akan tampak kotak dialog
sbb:
Kotak dialog: Recode into Different Variable: Old and New Values terdiri dari dua
bagian, yaitu: Old Value pada kotak sebelah kiri dan New Value pada kotak

sebelah kanan. Pada Kotak Old Value terdapat beberapa pilihan pengelompokan,
yaitu:
Value: dipakai bila yang diubah adalah satu nilai lama menjadi dilai baru, misalnya
value 1 pada variabel lama diubah menjadi 0 pada variabel yang baru.
Range X through Y: dipakai bila rentang nilai variabel lama diubah menjadi nilai
baru pada variabel baru, misalnya age 1-5 (lama) menjadi kode 1 pada variabel
baru
Range Lowest through Y: dipakai bila dari nilai terrendah sampai nilai Y dari
variabel lama diubah menjadi nilai baru pada variabel baru, misalnya <11 variabel
lama diubah menjadi nilai 1 pada variabel baru
Range X through highest: dipakai bila dari nilai X sampai tertinggi dari variabel
lama diubag menjadi satu nilai pada variabel baru, misalnya >= 11 nilai variabel
lama diubah menjadi 2 pada variabel baru.
Untuk mengubah nilai <11 dari variabel lama menjadi nilai 1 pada variabel baru, maka:
Pilih Range LOWEST through value, Isi 10.99 pada kotak di bagian Old Value dan isi 1
pada kotak Value di bagian New Value dan klik Add agar definisi recode tersebut
berada di kotak Old New sbb:
Untuk mengubah nilai >=11 dari variabel lama menjadi nilai 2 pada variabel baru,
caranya adalah:
Pilih Range, value through HIGHEST, Isi 11 pada kotak di bagian Old Value dan isi 2
pada kotak Value di bagian New Value dan klik Add agar definisi recode
tersebut berada di kotak Old New sbb:

Pembuatan definisi recode variabel Hbpre menjadi Anemipre sudah selesai dan agar
dikerjakan oleh SPSS, maka klik kotak Continue dan OK, maka proses recode akan
dikerjakan dan hasilnya akan tampak pada Sheet Data View di kolom terakhir seperti
gambar berikut:
LATIHAN 1.4.2 Membuat variabel baru Anemipost dari variabel Hbpost

Hbpost
RECODE Anemipost
< 11 1 = Anemi
11 2= Tidak Anemi
Lakukan seperti Latihan 4.1 di atas!!
LATIHAN 1.4.3 Membuat variabel baru Peningkatan_Hb

Membuat variabel baru peningkatan_Hb dilakukan dengan proses
matematik dengan formula: Peningkatan_Hb = Hbpost Hbpre. Prosedur
transformasi yang dipakai adalah COMPUTE, seperti bagan di bawah ini.
COMPUTE Peningkatan_Hb
Hbpre Peningkatan_Hb = Hbpost
-Hbpre
Hbpost

Untuk membuat variabel baru peningkatan_Hb = Hbpost Hbpre dapat dilakukan dengan
prosedur Compute sbb:
1) Klik menu Utama: Transform, pilih Compute, maka akan tampil kotak dialog Compute sbb:
2) Ketik nama variabel baru: Peningkatan_Hb pada kotak Target Variable, lalu buat
persamaannya pada kotak Numeric Expression seperti contoh berikut:
3) Klik OK, maka hasil Transformasinya akan tampak pada Sheet Data View di kolom
terakhir sbb:

......ooooo ......

SKIL LAB 2
Analisis Deskriptif
2.1 KASUS
Suatu penelitian deskriptif dilakukan dengan tujuan untuk mengetahui prevalensi penyakit jantung
koroner (PJK) berdasarkan jenis kelamin, obesitas, dan hiperkolesterol. Sebanyak 200 pasien rawat
jalan di poliklinik tersebut dipilih menjadi sampel dengan cara acak sederhana. Data yang
dikumpulkan meliputi karakteristik pasien yang meliputi kelompok umur, jenis kelamin, kadar
kolesterol darah pasien, dan data faktor risiko PJK seperti obesitas dan hiperkolestrolemia.
Data dari hasil penelitian ini dismpan dalam file SPSS denga nama Data CHD.sav dengan
struktur data sbb:
1. Sex dengan kategori: 1=laki dan 0 = perempuan
2. Klp_umur dengan kategori: 1 =
3. Kolesterol dalam mg/dl
4. Obesitas dengan kategori: 1 = obase dan 0 = tidak obase
5. Hiperkolesterol dengan kategori: 1 = hiperkolesterol dan 0 = tidak
6. CHD dengan kategori: 1 = CHD dan 0 = bukan CHD
TUGAS:
1. Analisis data karakteristik seperti Sex, Klp_umur, dan kadar kolesterol secara deskriptif dan
sajikan dalam tabel serta berikan interpretasi saudara.
2. Analisis kejdian CHD menurut Sex, Obesitas, dan Hperkolesterol. Sajikan dalam tabel dan
grafik serta berikan interpretasi saudara terhadap hasil tersebut.
LATIHAN 2.1: membuka file data

Membuka file Data CHD.sav
Prosedur SPSS
1) Aktifkan SPSS dengan double klik ikon SPSS
Sehingga tampak sbb:
2) Buka file Data CHD.sav dengan cara:

Klik Menu File, Open, Data seperti contoh berikut:
Maka akan tampak sbb:
Cari file DATA CHD.sav, bila sudah ketemu, klik sehingga nama file tersebut masuk di kotak:
File name, seperti contoh di atas dan klik Open, maka akan tampak data sbb:
LATIHAN 2.2: analisis deskriptif satu variabel

1) Membuat distribusi data kategorikal seperti sex dan kelompok umur, dengan cara sbb:
Klik menu Analyze, Descriptive Statistics, Frequencies seperti contoh di bawah ini.

Maka akan tampak kotak dialog Frequencies sbb:
Klik variabel jenis kelamin dan klp_umur dan pindahkan ke kotak Variable(s), sehingga
tampak sbb:
Untuk menampilkan grafik balok, maka klik kotak Charts pada kotak dialog Frequencie
setelah itu dan pilih Bar pada kotak dialog Frequencies: Charts seperti gambar di
bawah ini. Bila akan menyajikan fekuensi, klik Frequencies atau Percentages bila ingin
menyajikan persentase padagrafiknya seperti gambar di bawah ini.
Klik kotak Continue untuk kembali ke menu sebelumnya sehingga tampak sbb:

Klik kotak OK, maka akan tampak output SPSS sbb:
Frequency Table
jenis kelamin
Cumulative
Frequency Percent Valid Percent Percent
Valid perempuan 125 62,5 62,5 62,5
laki 75 37,5 37,5 100,0
Total 200 100,0 100,0
klp_umur
Cumulative
Frequency Percent Valid Percent Percent
Valid - 34 th 36 18,0 18,0 18,0
35 - 54 th 116 58,0 58,0 76,0
55 - th 48 24,0 24,0 100,0
Total 200 100,0 100,0

2) Meringkas data numerikal seperti kadar kolestrol secara deskriptif dengan membuat
statistik deskriptif seperti Mean, Median, dan SD dengan cara sbb:
Klik menu Analyze, Descriptive Statistics, Descriptive seperti contah di bawah ini.
Maka akan tampak kotak dialog Descriptives sbb:
Pilih variabel Kolesterol lalu pindahkan ke kotak Variable(s) seperti contoh di atas.
Untuk memilih jenis statistik deskriptif yang diinginkan, maka klik kotak Options maka
akan tampak sbb:
Klik jenis statistik deskriptif yang diperlukan, misalnya Mean, SD dll. Lalu klik Continue
untuk kembali ke menu sebelumnya, maka akan tampak sbb:

Klik OK, maka akan tampak Output SPSS sbb:
Descriptives
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
kolesterol darah (mg/dl) 200 120 419 258,93 52,555

Valid N (listwise) 200
LATIHAN 2.3: analisis deskriptif dua variabel kategorikal
Membuat distribusi frekuensi dua variabel kategori seperti distribusi CHD menurut Sex, CHD
menurut Obase dan CHD menurut Hiperkolesterol dilakukan dengan membuat tabulasi silang
atau Crosstabs antara CHD dengan variabel Sex, Obesitas dan Hiperkolesterol. Langkah
analisis tabulasi adalah sbb:
1) Aktifkan prosedur Crosstab dengan cara sbb:

Klik menu Analyze, Descriptive statistics, dan Crosstabs seperti gambar sbb:
Maka akan tampak kotak dialog crosstabs sbb:

Pilih variabel Sex, obase, dan Hiperkolesterol dan pindahkan ke kotak Row(s) dan pilih
variabel CHD dan pindahkan ke kotak Column(s) seperti gambar di bawah ini.
Membuat angka prevalen CHD menurut sex, obase, dan hiperkolesterol dilakukan dengan
cara:
Klik kotak Cells, maka akan tampak kotak dialog Cells sbb:
Klik Observed pada kotak Count agar pada setiap sel pada tabel silang disajikan nilai
frekuensi observasi.

Klik Row pada kotak Percentages supaya ditampilkan nilai persen menurut baris pada
setiap sel dari tabel silang.
Klik Contue untuk kembali ke menu sebelumnya, sehingga tampak sbb:
Klik OK, maka akan tampak output SPSS sbb:
jenis kelamin * penyakit jantung koroner Crosstabulation
penyakit jantung
koroner
Non CHD CHD Total
jenis kelamin perempuan Count 93 32 125
% within jenis kelamin 74,4% 25,6% 100,0%
laki Count 46 29 75

Total Count 139 61 200
obase * penyakit jantung koroner Crosstabulation
penyakit jantung koroner
Non CHD CHD Total
obase Tdk obase Count 75 16 91
% within obase 82,4% 17,6% 100,0%
obase Count 64 45 109
% within obase 58,7% 41,3% 100,0%

% within obase 69,5% 30,5% 100,0%

Hiperkolesterol * penyakit jantung koroner Crosstabulation
penyakit jantung
koroner
Non CHD CHD Total
Hiperkolesterol normal Count 79 13 92
% within 85,9% 14,1% 100,0%

Hiperkolesterol
hyperkoles Count 60 48 108

terol % within 55,6% 44,4% 100,0%
Hiperkolesterol
% within 69,5% 30,5% 100,0%

Hiperkolesterol

Skil Lab 2
Statistik Inferensial
A. Compare Mean
Kasus
Suatu penelitian anemia ibu hamil dilakukan di Kabupaten Gianyar dan Karangasem dengan tujuan
untuk mengetahui efek program tablet besi terhadap peningkatan kadar Hb ibu hamil. Pengukuran
kadar Hb dilakukan sebanyak dua kali, yaitu sebelum ikut program tablet besi dan setelah
program. Data penelitian ini disimpan dalam file SPSS dengan nama DATA DAB.Sav yang
berisikan data sbb:
1. Kabupaten ( 1= Gianyar dan 2= Karangasem)
2. UK_trimester (umur kehamilan trimesteran)
3. Paritas (jumlah anak yang dilahirkan)
4. Hbpre (kadar Hb sebelum program)
5. Hbpost (kadar Hb setelah program)
6. Ankilos (infeksi ankilos dengan kategori; 1 = ankilos dan 2= tidak)
TUGAS:
1. Analisis apakah program tablet besi dapat meningkat Hb.
2. Analisis apakah Hb ibuhamil sebelum program berbeda antara ibu hamil di Gianyar
dengan ibu hamil di Karangasem
3. Analisis apakah terdapat perbedaan kadar Hb sebelum perlakuan antara yang infeksi
ankilos dengan yang tidak infeksi ankilos
4. Analisis apakah kadar Hb antara umur kehamilan trimester I, II, dan III berbeda.
5. Sajikan dan berikan interpretasi dari hasil analisis di atas.
Program Latihan
Pada skil lab ini akan dilatih prosedure:
Paired Sampels T Test
Independent Samples t Test
One-way ANOVA

2.1 Pelatihan 1: Paired Samples T Test
Indikasi
Paired Samples T Test dipakai untuk menganalisis pebedaan rerata dua sampel
berpasangan. Misalnya akan diteliti efek intervensi ergonomi terhadap produktivitas
karyawan pabrik sepatu dengan rancangan pre-post.
Persyaratan
Paired Samples T Test adalah bagian dari uji parametrik yang memiliki asumsi data
bedistribusi normal.
Hipotesis:
Ho. d = 0 (tidak ada berbeda antar pasangan)
Ha. d # 0 (ada berbeda antar pasangan)
Uji Statistik
Perbedaan rereta dua sampel berpasangan diuji dengan dependent samples T Test dengan
rumus sbb:
d
t
sd / n
Dimana:
d = rerata beda pasangan
n = jumlah sampel pasangan
CI perbedaan
Nilai interval kepercayaan beda rerata pasangan dapat dihitung dengan rumus sbb:
CI(1-) = d t x sd/n
Dimana:
d = rerata beda pasangan
n = jumlah sampel pasangan
t = nilai t tabel untuk tertentu
Cara membuat kesimpulan

Kesimpulan dapat dibuat dengan membandingkan nilai p dengan tingkat kemaknaan . Ho
diterima bila nilai p > dan sebaliknya, Ho ditolak bila nilai p . Cara pengambilan
kesimpulan juga dapat dibuat berdasarkan nilai interval kepercayaan (CI) dari nilai pebedaan
rerata. Ho diterima bila angka nol berada di dalam CI dan sebaliknya Ho ditolak bila angka
nol di luar CI.

Langkah analisis
Efek progam tablet besi terhadap peningkatan kadar Hb akan dianalisis dari perbedaan kadar
Hb sebelum perlakuan dengan kadar Hb setelah perlakuan menggunaan uji tpaired dengan
langkah analisis sebagai berikut.
1. Uji Normalitas Data

Data Hbpre dan Hbpost diuji normalitasnya dengan prosedur EXPLORE sbb:
Klik Analyze, Descritive Statistics, Explore sehingga tampak kotak dialog Explore sbb:
.
Klik variabel Hbpre dan Hbpost (yang akan diuji normalitasnya) dan pindahkan ke
kotak Dependent List, seperti conoh berikut.
Memilih uji normalitas, dengan cara: Klik Plots pada kotak Display dan klik menu
Plot yang berada di sebelah kanan atas kotak Explore, seperti contoh berikut.
Maka akan tampak kotak dialog sbb:

Memilih test normalitas,
Klik kotak Normality plot with test, pada kotak Boxplot pilih Non dan Kotak
Descriptive di non-aktifkan, seperti contoh berikut.
Klik Continue, lalu klik OK maka akan tampak hasil uji normalitas data Hbpre dan
Hbpost sbb:
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Hb. sbl intervensi ,054 231 ,098 ,994 231 ,476

Hb. stl intervensi ,057 231 ,066 ,988 231 ,059
a. Lilliefors Significance Correction
Membaca Hasil:
1) Test yang dibaca
Test Kolmogorov-Smirnov (K-S) dipakai bila jumlah sampel besar n > 30 dan sebaliknya
test Shapiro-Wilk dipakai bila jumlah sampel kecil n < 30.
2) Hasil analisis yang dibaca

Untuk menentukan apakah data berdistribusi normal atau tidak, didasarkan kepada nilai
Sig (P). Pada hasil diatas, nilai P untuk Hbpre dan Hbpost dari test K-S adalah 0,098
untuk Hbpre dan 0,066 untuk Hbpost.
3) Kesimpulan
Ho (yang menyatakan normal) diterima bila nilai p > 0,05 dan ditolak bila nilai p 0,05
untuk tingkat kemaknaan = 5%. Oleh karena itu, berdasarkan hasil uji K-S di atas,
Hbpre dan Hbpost dinyatakan berdistribus normal. Maka oleh karena itu, perbedaan
rerata kedua variabel tersebut dapat diuji dengan uji t.
2. Uji Beda Mean (Paired-Samples T Test)

Langkah uji Paired Samples T Test adalah sbb:
1) Klik menu Analyze, Compare Mean, dan Paired-Samples T Test seperti berikut.
Setelah Paired Samples T Test diklik, maka akan muncul kotak dialog Paired Samples T
Test sbb:
2) Memilih variabel yang diuji

Klik variabel 1: Hbpre dan pindahkan ke kotak Paired Variables
Klik variabel 2: Hbpost dan pindahkan ke kotak Paired Variables maka akan tampak
sbb:

3) Menjalankan program
Klik OK maka akan tampil Output sbb:
Ouput 1: Deskriptif Statistik
Paired Samples Statistics
Mean N Std. Deviation Std. Error Mean
Pair 1 Hb. sbl intervensi 11,682 231 1,0768 ,0708
Hb. stl intervensi 12,358 231 1,1808 ,0777
Output 2: Hasil analisis beda mean
Paired Samples Test
Paired Differences
95%
Confidence
Std. Std. Interval of the
Deviati Error Difference Sig. (2-

Mean on Mean Lower Upper t df tailed)
Pair 1 Hb. sbl -,6766 ,8396 ,0552 -,7855 -,5678 -12,248 230 ,000
intervensi - Hb.
stl intervensi
3. Interpretasi

Hipotesis
Ho. d = 0 (tidak ada perbedaan rerata kedua sampel)
Ha. d # 0 (terdapat perbedaan rerata kedua sampel)
Kesimpulan
Ho diterima bila nilai p >
Ho ditolak bila nilai p
Berdasarkan hasil analisis didapatkan bahwa kadar Hb setelah program lebih tinggi dari
sebelum program sebesar 0,6 g/dl (CI 95%: -0,79 s/d 0,57. Peningkatan tersebut secara
statistik bermakna dengan nilai p = 0,000 atau nilai nol terletak di luar CI perbedaan rerata
ke dua kelompok sampel.
2.2 LATIHAN 2 Independent Samples T Test
Indikasi
Independent Samples T Test dipakai untuk menguji perbedaan rerata dua sampel bebas
(independent samples). Sebagai contoh, akan diuji efek ekstrak seredelai terhadap serum
feritin tikus. Sebanyak 20 tikus dijadikan binatang percobaan, separunya diberi ekstrak
seredelai dan seperuhnya diberikan aqua (kontrol).
Persyaratan
Independent Samples T Test adalah bagian dari uji parametrik yang memiliki asumsi data
bedistribusi normal dan kedua kelompok memiliki varian yang sama (homogen).
Hipotesis:
Ho. 1 = 2 (tidak terdapat perbedaan serum Fe antara perlakuan dengan kontrol)
Ha. 1 # 2 (terdapat perbedaan rerata serum Fe antara perlakuan dengan kontrol)
Uji Statistik Homogenitas Varian

Homogenitas varian kedua kelompok diuji dengan Levenes Test dengan menggunakan
statistik F sbb:
F =SD12/SD22
Kedua sampel dinyatakan memiliki varian homogen bila uji Leven menunjukan nilai p >
dan sebaliknya dinyatakan tidak homogen bila nilai p .
Uji Statistik Perbedaan Rerata

Uji statitik yang dipakai menguji kebenaran hipotesis nol perbedaan rerata dua sampel
bebas adalah Independent Samples T Test. Cara penghitungan nilai Uji T pada Independent
Samples T Test dibedakan antara kedua sampel homogen dan kedua sampel tidak homogen.

Cara penghitungan nilai statistik T untuk dua sampel homogen
x1 x 2 Keterangan:
t SDp = SD gabungan
2 2
SD p SD p SD1 = standar deviasi sampel 1
SD2 = standar deviasi sampel 2
n1 n2
n1 = jumlah sampel 1
n2 = jumlah sampel 2
SDp2 = {(n1-1)SD12 + (n2-1)SD22}/(n1+n2-2)
Cara penghitungan nilai statistik T untuk dua sampel tidak homogen
x1 x 2
t
2 2
SD1 SD
2
n1 n2
Convidence Interval (CI) perbedaan

Nilai interval kepercayaan beda rerata pasangan dapat dihitung dengan rumus sbb:

CI(1-) = x1 x 2 t x se
Dimana:

x1 x 2 = beda rerata
se = standar error beda rerata
t = nilai t tabel untuk tertentu
Cara membuat kesimpulan

Ho diterima bila nilai p > atau nilai nol terletak di dalam CI perbedaan rerata, sebaliknya
Ho ditolak bila nilai p atau nilai nol terletak di luar CI perbedaan rerata kedua kelompok.
Analisis perbedaan Hbpre antara kelompok ibu hamil yang terinfeksi ankilos dengan
kelompok ibu hamil yang tidak terinfeksi ankilos untuk mengetahui apakah infeksi ankilos
perpengaruh terhadap kejadian anemi ibu hamil.
Langkah analisis
Perbedaan Hbpre antara ibu infeksi ankilos dengan tidak ankilos akan dianalsis dengan
Independent Samples t Test dengan langkah analisis sbb:
1) Uji Normalitas Data

Menguji normalitas Hbpre pada kelompok sampel dengan Ankilos dan kelompok sampel
yang tidak infeksi ankilos dengan prosedur EXPLORE, seperti berikut:

Mengaktifkan prosedur Explore
Klik: Analyze, Descriptive Statistics, Explore, maka akan tampak sbb:
Memilih variabel yang diuji

Klik Hbpre (variabel yang akan diuji normalitasnya) dan pindahkan ke kotak
Dependent List dan
Klik Ankilos dan pindahkan ke kotak Factor Lis, seperti contoh di bawah ini.
Memilih uji normalitas: Klik Plots, maka akan tampak sbb:

Klik kotak Normality plots with test, seperti contoh di atas, lalu klik Continue dan
Klik OK maka akan tampak hasil sbb:
Tests of Normality
Infeksi Cacing Kolmogorov-Smirnova Shapiro-Wilk

Ankilos Statistic df Sig. Statistic df Sig.
Hb. sbl Ankilostomiasis ,124 27 ,200* ,973 27 ,678

intervensi Tidak ,052 204 ,200* ,993 204 ,433
a. Lilliefors Significance Correction

*. This is a lower bound of the true significance.
Interpretasi Hasil
Hbpre pada kelompok sampel ankilos dan tidak ankilos berdistribusi normal dimana
nilai p uji K-S maupun Shapiro-Wilk > 0,05.
2) Menguji perbedaan mean Independent Samples

Procedure Independent Samples T Test adalah sbb:
1) Mengaktifkan prosedur Indepent Samples T Test
Klik menu Analyze, Compare Mean, dan Independent Samples T Test seperti
contoh di bawah ini.
Bila menu Independent Samples T Test diklik, maka akan tampak kotak dialog
Independent Samples t Test sbb:
2) Memilih variabel

Klik variabel tergantung Hbpre dan pindahkan ke kotak Test Variable(s)
Klik variabel bebas Ankilos dan pindahkan ke kotak Grouping Variable: seperti
contoh berikut.
3) Membuat definisi grup

Setelah variabel bebas dimasukan ke kotak Grouping Variable: akan tampak tanda
(? ?) di belakang nama variabel, maka selanjutnya harus dibuat definisi dari groups,
dengan cara memasukan kode untuk kelompok 1 dan kelompok 2 sbb:
Klik kotak Define groups, maka akan tampak kotak dialog sbb:
Ketik kode untuk Group1, untuk kasus di atas diketik angka 1 (ankilos) dan ketik
kode untuk Group 2 yaitu angka 2 (tidak infeksi ankilos), sehingga tampak sbb:
Lalu klik kotak Continue untuk kembali ke kotak dialog Independent Samples T
Test.
4) Menentukan Confidence Level Test
Untuk menentukan tingkat kepercayaan (confidence level) 95% atau 99% dapat
dilakukan dengan:
klik: kotak Option, maka akan tampak kotak dialog Idependent-Samples T Test:
Option sbb:

Ketik angka Confidence Interval yang diinginkan pada kotak Confidence Interval
dan setelah itu klik Continue untuk kembali ke Kotak dialog Independent-
Samples T Test.
Klik OK maka program akan dijalankan dan akan tampak output sbb:
Output 1: Statistik Deskriptif
Group Statistics
Infeksi Cacing Ankilos Std. Std. Error

N Mean Deviation Mean
Hb. sbl Ankilostomiasis 27 11,862 ,9303 ,1790

intervensi
dimensio n1
Tidak 204 11,658 1,0945 ,0766
Output 2: Hasil uji t
Independent Samples Test

Levene's Test
for Equality of
Variances t-test for Equality of Means
Std. 95% Confidence

Mean Error Interval of the
Sig. (2- Differe Differe Difference
F Sig. t df tailed) nce nce Lower Upper
Hb. sbl Equal variances ,932 ,335 ,923 229 ,357 ,2035 ,2206 -,2311 ,6382
interve assumed
nsi Equal variances 1,045 36,243 ,303 ,2035 ,1947 -,1914 ,5984
not assumed
6) Interpretasi
Deskriptif:
Rerata Hbpre pada kelompok ankilos 11,862 g/dl dan kelompok non ankilos 11,658 g/dl.

Uji Homogenitas varian (Levenes test)
Untuk menguji homogenitas variance antar kelompok yang dibandingkan adalah
menggunakan Levenes test dengan hipotesis statistik sbb:
Ho. S12 = S22 (kedua kelompok memiliki variance sama atau homogen)
Ha. S12 # S22 (kedua kelompok memiliki variance berbeda atau heterogen)
Kesimpulan:
Ho diterima bila nilai p > (kedua kelompok homogen)
Ho ditolak bila nilai p (kedua kelompok heterogen)
Dari analisis didapatkan nilai Sig atau p dari Levenes Test = 0,335 bererati Ho (equal
variance assumed) diterima, maka dapat disimpulkan bahwa kedua kelompok memiliki
variance homogen (p = 0,335)
Uji beda mean

Hipotesis perbedaan mean adalah sbb:
Ho. 1 = 2 (tidak berbeda)
Ha. 1 # 2 (berbeda)
Output yang dibaca:

Bila levenes Test menunjukan varian homogen (p > 0,05), maka hasil uji pada t-test for
equality of means pada baris Equal variances assumed yag dibaca. Sebaliknya, bila
levenes Test menunjukan varian heterogen (p 0,05), maka hasil uji pada t-test for
equality of means pada baris Equal variances not assumed yang dibaca. Untuk kasus di
atas, yang dibaca adalah pada baris Equal variances assumed.
Hasil test
Didapatkan beda mean = 0,20 dengan CI 95% (-0,23 s/d 0,63) dan nilai p = 0,357. Ini
berarti Ho diterima, maka dapat disimpulkan bahwa tidak terdapat perbedaan kadar
Hbpre antara kelompok ankilos dengan non ankilos.
2.3 LATIHAN 3 Procedure One-Way ANOVA
Indikasi
Uji One-way Anova dipakai menganalisis perbedaan rerata lebih dari dua kelompok sampel
bebas. Sebagai contoh, akan menganalisis efek ekstrak seredelai terhadap serum Fe.
Penelitian eksperimen dengan rancangan acak lengkap dimana terdapat tiga kelompok
percobaan, yaitu kelompok kontrol, ekstrak seredelai dosis 50% dan seredelai dosis 75%.
Untuk menganalisis perbedaan efek dilakukan dengan membadingkan rerata serum Fe
antara ke tiga kelompok. Analisis perbedaan rerata serum Fe dari ketiga kelompok dilakukan
dengan uji One-way Anova.

Persyaratan
Uji One-way ANOVA adalah bagian dari uji parametrik yang memiliki asumsi data
bedistribusi normal dan antar kelompok memiliki varian yang sama (homogen).
Hipotesis:
Ho. 1 = 2 = 3 (tidak terdapat perbedaan serum Fe antara perlakuan dengan kontrol)
Ha. Paling sedikt terdapat dua kelompok yang memiliki rerata serum Fe berbeda
Uji Statistik
Uji statistik pada analisis variance menggunakan uji Variance Ratio atau uji F dengan rumus
statistik sbb:
Varian antar kelompok

F = -------------------------------------
Varian dalam kelompok
Varian antar kelompok:

Varian kelompok menggambarkan variasi antar kelompok.
Varian antar kelompok = jumlah kwadrat antar kelompok/db
Kalau y 1. , y 2. , y 3. adalah rerata Y kelompok eksperimen 1, 2 dan 3 dan y adalah grand
mean, n1, n2, n3 adalah jumlah sampel di setiap kelompok dan k adalah jumlah kelompok,
maka:
Jumlah kwadrat antar kelompok (JKK):

k
JKK nk y k y
1
2
Derajat bebas kelompok (df):

df = k 1, maka:
Varian antar kelompok (VK):

k

VK nk y k y / k 1
1
2
Varian dalam kelompok

Menggambarkan variasi individu di dalam kelompoknya terhadap rerata kelompok.
Varian dalam kelompok = jumlah kwadrat dalam kelompok / db.
Jumlah kwadrat dalam kelompok (JKE)

k n
JKE yi. j y i.
2
i j
Derajat bebas dalam kelompok

df = n k, maka:
Varian dalam kelompok (VE)

k n
VE yi. j y i. / n k
2
i j
Berdasarkan uraian di atas, maka resume perhitungan analisis varian pada One-Way Anova
dapat disajikan sebagai berikut.
Resume Hasil analisis ANOVA
Sumber Jumlah Kwadrat Derajat Varian Varian

Variasi (Sum Square) Bebas (Mean Square) Ratio
Between
groups JKK= n
k
1
k y k y 2 k 1 VK = JKK/(k-1) F= VK/VE
Within JKE= n k VE = JKE/(n-k)
y
Groups k n
2
(Error) i. j y i.
i j
Cara membuat kesimpulan uji Anova

Kesimpulan dibuat berdasarkan nilai p dari statistik F.
Ho diterima bila nilai p > , berarti tidak ada kelompok yang berbeda
Ho ditolak bila nilai p , berarti ada kelompok yang berbeda
Uji Post Hoc

Uji Post Hoc merupakan analisis lanjutan dari analisis variance bila Ho pada analisis varian
ditolak. Uji post hoc dipakai untuk menguji kelompok mana yang berbeda dengan cara
melakukan perbandingan terhadap semua kelompok (multiple comparasion). Uji uji statistik
untuk Post Hoc Test dikelompokan menjadi dua kelompok, yaitu jenis uji Post Hoc bila
semua kelompok memiliki variance yang sama (homogen) dan bila vararian tidak homogen.
Jenis uji Post Hoc untuk variance homogen antara lain LSD, Scheffe, Duncan, dll dan untuk
variance tidak homogen adalah Thamhane, Dunnet, dll.
Bila terdapat 3 kelompok yang dibadingkan, maka akan terdapat 3 perbandingan antar
kelompok, yaitu:
Antara kelompok 1 vs kelompok 2 dengan Ho: 1 = 2
Dari perbadingan antar kelompok ini akan dapat diketahui kelompok mana yang berbeda
dengan kelompok yang mana.
Langkah analisis

Perbedaan kadar Hb sebelum perlakuan antar umur kehamilan trimester I, II, dan III akan
dilakukan dengan analisis One-way Anova dengan langkah sbb:
1. Uji Normalitas Data
Lakukan uji normalitas data Hbpre pada kelompok ibu hamil UK trimester I, II, dan III
dengan procedure EXPLORE seperti yang telah dilakukan pada uji T sebelumnya.
2. Uji Anova
1) Klik menu Analyze, Compare Mean, dan One-Way ANOVA... seperti contoh di
bawah ini.
Setelah menu One-Way ANOVA diklik, maka aka tampak kotak dialog One-Way
ANOVA sbb:
2) Memilih variabel
Pilih variabel tergantung, pada kasus ini Hbpre dan pindahkan ke kotak
Dependent List dengan klik tandan panah kanan

Pilih variabel bebas, pada kasus ini Trimes dan pindahkan ke kotak Factor
dengan klik tandan panah kanan , sehingga tampak sbb:

3) Uji Post Hoc
Uji Post Hoc dipakai menguji perbedaan rerata antara kelompok (multiple
comparisons). Uji Post Hoc dibedakan menjadi dua bagian, yaitu kelompok uji Post
Hoc untuk equal variance assumed dan uji Post Hoc untuk equal variance not
assumed.
Cara pemilihan uji Post Hoc adalah sbb:
Klik kotak Post Hoc, maka akan tampak kotak dialog Post Hoc sbb:
Uji Post Hoc untuk equal variances assumed terdiri dari: LSD, Bonferoni, Duncan,
dll, sedangkan uji Post Hoc untuk Equal variance non assumed terdiri dari:
Tamhanes T2, Dunnetts T3, Games-Howell, dan Dunnetts C, seperti contoh di
atas.
Pilih satu uji Post Hoc untuk Equal Variances Assumed misalnya LSD dan satu
test untuk Equal Variace Not Assumed misalnya Tamhanes, seperti contoh
berikut.

Klik Continue untuk kembali ke kotak dialog One-Way ANOVA
4) Memilih Option Statistik
Klik Option, maka akan tampak kotak dialog One-Way ANOVA: Options: sbb:
Pilih Descriptive, Homogeneity of variace test dan Means plot seperti contoh
di atas.
Klik OK maka akan tampak output sbb:

Output 1: Statistik Descriptives
Descriptives
Hb. sbl intervensi
95%
Confidence
Interval for
Klp
Std. Mean
Deviatio Std. Lower Upper
N Mean n Error Bound Bound Minimum Maximum
1 56 11,535 1,1604 ,1551 11,224 11,846 9,1 14,3
2 116 11,748 1,0118 ,0939 11,562 11,934 8,9 14,5
3 59 11,691 1,1232 ,1462 11,398 11,984 9,5 14,0
Total 231 11,682 1,0768 ,0708 11,542 11,821 8,9 14,5
Secara deskriptif, tampak rerata kadar Hbpre antara ibu hamil trimester I, II, dan III mirip.
Output 2: Test Homogenitas
Test of Homogeneity of Variances

Hb. sbl intervensi
Levene Statistic df1 df2 Sig.
1,143 2 228 ,321
Hasil uji Leven menunjukan bahwa ketiga kelompok memiliki varian Hbpre yang homogen,
dimana nilai p > 0,05.
Output 3
ANOVA
Hb. sbl intervensi
Sum of Squares df Mean Square F Sig.
Between Groups 1,717 2 ,859 ,739 ,479

Within Groups 264,960 228 1,162
Total 266,677 230

Hasil analisis varian One-way menunjukan tidak ada perbedaan rerata ketiga kelompok yang
dibandingkan dimana nilai p > 0,05.
Output 4: Hasil uji Post Hoc
Multiple Comparisons
Dependent Variable:Hb. sbl intervensi
(I) UK (J) UK 95% Confidence

Trimester Trimester Mean Interval
Difference Std. Lower Upper

(I-J) Error Sig. Bound Bound
LSD 1 2 -,2128 ,1754 ,226 -,558 ,133

di
dimensio n3
3 -,1557 ,2011 ,440 -,552 ,241

m
en
2 1 ,2128 ,1754 ,226 -,133 ,558
dimensio n3
si
3 ,0571 ,1724 ,741 -,283 ,397
on
3 1 ,1557 ,2011 ,440 -,241 ,552
dimensio n3
2 -,0571 ,1724 ,741 -,397 ,283

Tamhane 1 2 -,2128 ,1813 ,567 -,653 ,228
di
dimensio n3
3 -,1557 ,2131 ,848 -,672 ,361

m
en
2 1 ,2128 ,1813 ,567 -,228 ,653
dimensio n3
si
3 ,0571 ,1738 ,983 -,364 ,479
on
3 1 ,1557 ,2131 ,848 -,361 ,672
dimensio n3
2 -,0571 ,1738 ,983 -,479 ,364
Bila analisis ANOVA menunjukan nilai p > 0,05, maka uji Post tidak perlu dibaca.
Sebaliknya, bila nilai p dari ANOVA p < 0,05, maka Uji Post Hoc perlu dibaca untuk
mengetahui kelompok mana yang berbeda dengan kelompok yang mana.
B. Significancy Test for Categorical Data

Chi-square

Indikasi
Analisis Chi-square dipakai untuk menganalisis hubungan variabel X dan Y dimana variabel X dan y
berskala pengukuran nominal. Misalnya akan mempelajari hubungan antara infeksi ankilos dengan
Anemi ibu hamil. Contoh lain, misalnya hubungan antara merokok dengan PJK (penyakit jantung
koroner).
Risk
Hubungan antara faktor paparan (risk) misalnya infeksi ankilos dengan variabel outcome anemi ibu
hamil, secara deskriptif dapat diukur dari beberapa ukuran statistik sebagai berikut.
1) Relatif Risk
Relatif Risk (RR) merupakan ratio dari kejadian outcome (sakit) antara kelompok terpapar
(Infeksi ankilos) dengan kelompok tidak terpapar (tidak ankilos). RR dipakai menilai risk
untuk penelitian kohort atau trial klinik (prospektif).
2) Odd Ratio
Odd Ratio (OR) merupakan ratio dari Odd kelompok terpapar dengan Odd kelompok tidak
terpapar. OR umumnya dipakai menilai risk untuk penelitian dengan rancangan Case-
Control (retrospektif), tetapi juga bisa dipakai untuk rancangan yang lainnya.
Cara penghitungan RR dan OR serta Convidence Intervalnya akan ditunjukan dengan contoh di
bawah ini.
Hasil pengukuran outcome dan risk factors pada penelitian prospektif ataupun penelitian
retrospektif disajikan dalam tabel 2x2 sebagai berikut:
Faktor Resiko Outcome Total

Sakit Tidak sakit
Ekspose a b a+b
Nonekspose c d c+d
Total a+c b+d n=a+b+c+d
Penghitung nilai RR
Insiden klp terpapar a/(a+b)

RR = ----------------------------- = ------------
Insiden klp kontrol c/(c+d)
Penghitungan CI RR
Nilai CI dari RR dapat dihitung dengan langkah sebagai berikut:
1. batas bawah CI 95% RR = RR x Exp{-1,96 x (1/a-1/(a+b)+1/c-1/(c+d))}
2. batas atas CI 95% RR = RR x Exp{1,96 x (1/a-1/(a+b)+1/c-1/(c+d))}
Penghitungan nilai OR

Odd klp terpapar {a/(a+b)}/{b/(a+b)} a/b axd
OR = ------------------------------- = --------------------------- = ---------- = ---------
Odd klp tdk terpapar ({/(c+d)}/{d/(c+d)} c/d bxc
Penghitungan CI OR
1. batas bawah CI = OR x Exp{-1,96 (1/a+1/b+1/c+1/d)}
2. batas atas CI = OR x Exp{1,96 (1/a+1/b+1/c+1/d)}
Significancy test for RR dan OR
Hipotesis Statistik:
Ho : RR = 1 atau Ho: OR = 1 tidak terdapat perbedaan risk antara kelompok
terapar dengan tidak terpapar
Ha : RR # 1 Ha: OR # 1 terdapat perbedaan risk antara kelompok terpapar
dengan tidak terpapar.
Uji Statistik dan indikasinya:
1) Pearson Chi-square
Dipakai bila sampel besar dan tidak terdapat sel yang mempunyai nilai ekspektasi < 5
Rumus:
(Oi Ei ) 2
X2
Ei
dimana
Oi = frekuensi yang didapat untuk sel ke i
Ei = frekuensi yang diharapkan untk sel ke I
2) Continuity Correction Chi-square

Dipakai bila terdapat sel yang mempunyai nilai ekspektasi < 5
Rumus:
(| Oi Ei | 0,5) 2
X 2
Ei
3) Fisher exact probablity

Dipakai bila sampel kecil (n<40) dan terdapat sel dengan nilai ekspektasi < 5
Rumus:
(a b)!(c d )!(a c)!(b d )!

p
n!a!b!c! d !
4) McNemar
Dipakai bila menggunakan rancangan berpasangan (matched design)
Rmus:
(b c) 2
X2
bc

2.4 LATIHAN Procedure Crosstabs
Tugas:
Analisis apakah terdapat perbedaan risk terjadinya anemi pada ibu hamil yang terinfeksi
ankilos dengan yang tidak terinfeksi ankilos.
Langkah Analisis:
1) Cara mengaktifkan procedure COSSTABS
Klik menu Analyze, Descriptive Statistics, Crosstab seperti contoh di bawah ini.
Bila menu: Cosstabs diklik, maka akan tampak kotak dialog Crosstabs sbb:
2) Memilih variabel kategorikal yang akan dianalisis.

Misalnya akan dianalisis hubungann antara ankilos dengan anemiapre, maka pilih variabel
Anemipre (sebagai outcome variable) dan masukan ke kotak Column(s) dan pilih variabel
Ankilos (sebgai exposure variable) dan masukan ke kotak Row(s) seperti contoh gambar di
atas.
3) Menentukan Uji Statistik

Uji statistik yang dapat dipilih adalah uji chi-square, McNemar, Kappa, RR dan OR. Cara
memilih statistiknya adalah sbb:
Klik submenu: Statistics maka akan tampan kotak dialog sbb:
Klik Chi-square bila uji statistik yang akan dipakai adalah uji Chi-square dan klik
Risk bila menginginkan nilai OR dan RR, seperti contoh di atas ini.
Klik Continue untuk kembali ke kotak dialog Coss-tabs
4) Tentukan informasi yang akan disajikan dalam setiap sel tabel silangnya,
Di setiap sel dapat diisikan dengan Count (frekuensi observasi dan ekspektasi) dan
frekuensi relatif (Percentages) seperti row percentage, column persentage, dan total
percentage) dengan cara: klik Cell, maka akan tampak sbb:
Setiap sel akan diisikan informasi tentang Count (frekuensi), Row dan Column Percentages,
maka pada kotak Counts pilih Observed dan kotak Percentages dipilih Row dan
Column seperti contoh gambar di atas.
5) Klik Continue untuk kembali ke kotak Crosstabs, maka akan tampak sbb:

6) Klik OK untuk menjalankan procedure Cosstabsnya, maka akan tampak hasil sbb:
Infeksi Cacing Ankilos * Anemi pre Crosstabulation
Anemi pre
Infeksi Cacing Ankilos
Anemia Tidak Total
Ankilosto Count 4 23 27
miasis % within Infeksi Cacing Ankilos 14,8% 85,2% 100,0%
% within Anemi pre 6,8% 13,4% 11,7%
Tidak Count 55 149 204
% within Infeksi Cacing Ankilos 27,0% 73,0% 100,0%
% within Anemi pre 93,2% 86,6% 88,3%
% within Infeksi Cacing Ankilos 25,5% 74,5% 100,0%
% within Anemi pre 100,0% 100,0% 100,0%
Risk Estimate
95% Confidence Interval
Value Lower Upper

Odds Ratio for Infeksi Cacing Ankilos ,471 ,156 1,424
For cohort Anemi pre = Anemia ,549 ,216 1,396
For cohort Anemi pre = Tidak 1,166 ,976 1,394
N of Valid Cases 231
Chi-Square Tests
Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
a
Pearson Chi-Square 1,850 1 ,174
b
Continuity Correction 1,266 1 ,260
Likelihood Ratio 2,047 1 ,153
Fisher's Exact Test ,241 ,128
Linear-by-Linear 1,842 1 ,175
Association
N of Valid Cases 231
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 6.90.
b. Computed only for a 2x2 table

Skil Lab 3
Statistik Inferential 2
A. Correlation
Indikasi
Analisis korelasi dipakai untuk menganalisis hubungan variabel X dan Y dimana variabel X dan y
berskala pengukuran interval atau ordinal. Misalnya akan mempelajari hubungan antara panjang
tungkai kaki dengan jauh lompatan. Panjang tungkai bawah (dalam cm) adalah variabel berskala
interval dan jauh lompatan (dalam meter) juga berskala interval.
Persyaratan
Uji korelasi terdiri dari tiga jenis yaitu: korelasi Pearson, Spearman Rank, dan Kendall.
1) Pearson Correlation
Variabel X dan Y merupakan variabel numerik atau interval dan berdistribus normal.
2) Spearman rank Correlation

Variabel X dan Y adalah variabel numerik akan tetapi data dari kedua atau salah satu dari
variabel tersebut tidak berdistribusi normal atau keduanya merupakan variabel ordinal.
3) Kendall
Variabel X dan Y berskala pengukuran ordinal.
Scater Plot
Bila X dan Y adalah variabel yang akan dianalisis hubungannya, maka Scatter Plot variabel X dan Y
adalah grafik koordinat (X,Y) dari setiap sampel. Dari Scatter plot tersebut akan dapat dilihat kuat
dan arah hubungan dari kedua variabel tersebut. Bila semua koordinat (X,Y) terletak pada satu
garis lurus, maka hubungan kedua variabel tersebut dinyatakan sempurna. Sebaliknya, bila
koordinat (X,Y) menyebar disemua area grafik dan tidak menunjukan bentuk tertentu, maka kedua
variabel tersebut dinyatakan tidak ada hubungan. Kalau koordinat (X,Y) menyebar dalam bentuk
elip maka kedua variabel tersebut dinyatakan memiliki hubungan yang tidak sempurna.
Arah hubungan kedua variabel X dan Y bisa positif atau searah dan bisa negatif atau berlawanan
arah. Kedua variabel dinyatakan memiliki hubungan serarah bila gambar menunjukan jika nilai X
bertambah, nilai Y juga bertambah. Sebaliknya kedua variabel dikatakan memilki hubungan negatif
bila scatter plot menunjukan bila nilai X bertambah akan diukuti oleh penurunan dari nilai Y.
Berikut adalah contoh beberapa bentuk scatter plot.

17.50 14.00
12.00
15.00
10.00
12.50
8.00
Y
Y
6.00
10.00
4.00
7.50
2.00
5.00 0.00
0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00 0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00
X X
Korelasi sempurna positif Korelasi sempurna negatif
15.00 14.00
12.00
12.00
10.00
9.00
8.00
Y
6.00
6.00
4.00
3.00
2.00
0.00 0.00
0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00 0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00
X X
Korelasi positif Korelasi negatif
15.00
10.00
Y
5.00
0.00
0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00
Tidak ada korelasi
Koefisien Korelasi
Apabila variabel X dan Y yang diteliti hubungannnya, maka kuat dan arah hubungan dari kedua
variabel tersebut, selain dapat dilihat secara kasar dari scatter plot, juga dapat ditentukan dengan
koefisien korelasi dari hubungan kedua variabel tersebut. Koefisien korelasi diberi simbul r
memiliki rentang nilai absolutnya dari 0 sampai dengan 1. Nilai r = 0, berarti kedua variabel
tersebut sama sekali tidak berhubungan atau nilai dari variabel yang satu sama sekali tidak
berkaitan dengan nilai variabel yang lainnya. Bila nilai r antara 0,1 0,39 dinyatakan ada hubungan
yang ringan, nilai r antara 0,4-0,69 disebut ada hubungan sedang, nilai r 0,7-0,99 dinyatakan ada
hubungan yang kuat dan bila nilai r = 1 menunjukkan adanya hubungan yang sempurna antara
kedua variabel tersebut. Hubungan sempurna artinya setiap kenaikan satu unit dari variabel yang

pertama akan diikuti pula oleh meningkatnya satu unit dari variabel yang kedua dan scatter
plotnya akan berbentuk sebuah garis lurus.
Arah hubungan dari kedua variabel tersebut ditentukan dari tanda +/- dari nilai r. Bila nilai r
bertanda negatif maka kedua variabel tersebut dinyatakan memiliki hubungan negatif (berlawanan
arah). Sebaliknya, bila nilai r bertanda positif maka kedua variabel tersebut memiliki hubungan
positif (searah). Hubungan positif artinya arah perubahan kedua nilai variabel tersebut searah. Bila
nilai dari variabel yang satunya naik akan diikuti pula oleh naiknya nilai variabel yang satu lagi.
Misalnya umur dan berat badan mempunyai hubungan positif artinya bila umur bertambah, maka
berat badan juga bertambah. Sebaliknya, hubungan negatif berarti arah perubahan nilai kedua
variabel tersebut berlawanan. Bila nilai variabel yang satu naik, akan diikuti oleh menurunnya nilai
variabel yang lain. Misalnya hubungan antara bensin dalam tangki dengan jarak yang ditempuh.
Makin jauh jarak yang ditempuh, makin berkurang jumlah bensin di dalam tangki.
Cara Menghitung Koefisien Korelasi (r)

Bila variabel yang akan dipelajari hubungannya adalah variabel X dan Y, maka koefisien korelasi
hubungan dari kedua variabel tersebut dapat dihitung sebagai berikut:
Rumus:
r
XY X Y / n
X 2
X / n Y Y
2 2 2

/n
Keterangan:
r = koefisien korelasi
XY = jumlah hasil kali nilai var X dengan var Y
X = jumlah nilai var X
Y = jumlah nilai var Y
2
X = jumlah nilai var X kwadrat
Y2 = jumlah nilai var Y kwadrat
n = jumlah sampel
Uji Hipotesa Koefisien Korelasi

Sangatlah tidak mungkin menentukan korelasi variabel X dan Y di populasi, maka pada banyak
penelitian, penentuan korelasi X dan Y dilakukan pada sampel. Untuk menentukan apakah korelasi
yang ditentukan dari sampel benar menggambarkan korelasi X dan Y di poluasi, maka perlu
dilakukan uji hipotesis degan langkah berikut.
1) Menetapakan hipotesis untuk korelasi
Hipotesis statistik sbb:
Ho: = 0 (tidak ada hubungan)
Ha: # 0 (ada hubungan
2) Metode analisis

Koefisien korelasi mempunyai distribusi menyerupai distribusi t, oleh karena itu, uji
Hipotesa koefisien korelasi dilakukan dengan statistik uji t dengan derajat bebas df = n-2
dengan rumus sbb.
r r
t (n 2)
(1 r 2 ) (1 r 2 )
(n 2)
Keterangan:
t = nilai statistik t
r = koefisien korelasi sampel
n = jumlah sampel
Cara pengambilan kesimpulan

Ho diterima bila nilai p > 0,05 dan Ho ditolak bila nilai p 0,05.
Nilai p dapat dilihat pada tabel distribusi t dan pada semua program paket statsitik akan
mencantumkan nilai p dari hasil uji pada tabel luaran (output) hasil analisnya.
3.1 LATIHAN Membuat Scatter-plot

KEGUNAAN
Dipakai membuat grafik hubungan antara variabel yang akan dianalisis korelasinya sehingga dapat
diketahui arah dan kuat korelasinya secara visual.
TUGAS
Buat Scatter plot antara variabel Hb ibu hamil sebelum perlakuan (Hbpre) dengan kadar Hb ibu
hamil setelah perlakuan (Hbpost).
LANGKAH
1. Aktifkan Grapk Scatter-Plot, dengan cara:
Klik menu Graph, Legacy Dialog, Scatter/Dot, seperti contoh di bawah ini.

2. Pilih jenis scatter-plot (simpel)
Setelah menu Scatter/Dot diklik, maka akan tampak kotak dialog Scatter/Dot sbb:
Klik Simple Scatter dan klik Define maka aka tampak kotak dialog Simple Scatterplot
sbb:
3. Mimilih variabel yang akan ditempatkan sebagai sumbu X dan Y, dengan cara sbb:
Pilih variabel Hbpre dan masukan ke kotak Y Axis dan Hbpost ke X Axis seeperti contoh
di atas.
4. Menjalankan program
Klik OK, maka akan tampak output sbb:

5. Interpretasi
Tampak hubungan positif kuat antara Hbpre dengan Hbpost
3.2 LATIHAN Procedure Correlate

KEGUNAAN
Dipakai membuat analisis korelasi antara variabel yang akan dianalisis korelasinya sehingga dapat
diketahui arah dan kuat korelasinya dari besaran koefisien korelasi dan tingkat kemaknaan dari
koefisien korelasinya.
TUGAS
Analisis hubungan (korelasi) variabel Hb ibu hamil sebelum perlakuan (Hbpre) dengan kadar Hb
ibu hamil setelah perlakuan (Hbpost) dan tetntukan arah dan kuat hubungannya serta kemaknaan
dari hubungan tersebut.
LANGKAH
1. Mengaktifkan prosedur Correlate dengan cara:
Klik menu: Analyze, Correlate, Bivariate, seperti bagan di bawah ini.

Setelah menu Bivariate diklik, maka akan tampak kotak dialog Bivariate Correlations
seperti bagan berikut.
2. Memilih variabel yang dianalisis & koefisien korelasi

Pilih dan masukan semua variabel yang akan dikorelasikan ke kotak variables dan
selanjutnya dengan cara:
Klik: Variabel Hbpre dan hbpost, lalu pindahkan ke kotak Variables
Memilih Koefisien Korelasi, caranya:
Klik menu: Pearson bila data normal atau Kendall atau Spearman bila data ordinal
atau data tidak normal seperti bagan berikut pada kotak:Correlation Coeficients
Tentukan Test Significance, dengan cara:
Klik menu: Two-tailed atau One-tailed seperti contoh di bawah ini.
3. Menjalankan uji korelasi

Klik OK, maka akan output korelasi sebagai yang tersaji di bawah ini.
4. Output
Matrik Korelasi variabel Hbpre dengan Hbpost
Correlations
Hb. sbl
intervensi Hb. stl intervensi
Hb. sbl intervensi Pearson Correlation 1 ,727**
Sig. (2-tailed) ,000
N 231 231
**
Hb. stl intervensi Pearson Correlation ,727 1
Sig. (2-tailed) ,000
N 231 231
**. Correlation is significant at the 0.01 level (2-tailed).
5. Interpretasi
Arah hubungan dilihat dari sign koefisien korelasi. Bila sign negatif, berarti hubungannnya
negatif atau berlawanan arah. Sebaliknya, bila sign positif berarti ada hubungan positif atau
searah
Kuat hubungan dilihat dari nilai absolut koefisien korelasi. Korelasi sempurna bila r = 1, kuat
bila 0,7<r< 1, sedang bila0,4 <r <0,7, ringan bila 0<r<0,4, dan tidak ada hubungan bila r=0.
Signifikansi hubungan
Hubungan dinyatakan bermakna bila nilai p dan sebaliknya dinyatakan tidak bermakna
bila p >
Dari hasil analisis di atas dapat nilai koefisien korelasi r = 0,727** dngan nilai p = 0,000 dan
dapat disimpulkan bahwa kadar Hb setelah program (Hbpost) berkorelasi positif dan kuat
dengan kadar hb sebelum program (Hbpre).

Pedoman Skill Lab Spss Unwar

Diunggah oleh

Informasi Dokumen

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

Pedoman Skill Lab Spss Unwar

Diunggah oleh

Hak Cipta:

Format Tersedia

Fakultas Kedokteran dan Ilmu Kesehatan

PEDOMAN SKILL LAB

dr. Tangking Widarsa, MPH.

Fakultas Kedokteran dan Ilmu Kesehatan

Modul Skil Lab Statistika & SPSS Page 1

HARI/TGL/ TOPIK NARASUMBER

Kamis; 6 Maret 2014

Modul Skil Lab Statistika & SPSS Page 2

LATIHAN 1.1: Memulai dan Mengakhiri Program

Modul Skil Lab Statistika & SPSS Page 3

2. Mengaktifkan Sheet Data/Variabel View

LATIHAN 1.2: Membuat Strukrur Data

1. Struktur Data SPSS

Modul Skil Lab Statistika & SPSS Page 4

2. Membuat Konsep Struktur Data

Name Type Width Deci- Label Values Miss Collumn

3. Cara membuat struktur data dengan SPSS

Modul Skil Lab Statistika & SPSS Page 5

4) Membuat values label (HANYA UNTUK VARIABEL KATEGORIKAL)

Cara membuatnya adalah sbb:

Modul Skil Lab Statistika & SPSS Page 6

Klik OK untuk kembai ke Sheet Variable View.

Modul Skil Lab Statistika & SPSS Page 7

5) Mengubah/menghapus Value Label

LATIHAN 1.3: Merekam, menyimpan, dan membuka file Data

Pakai data di bawah ini untuk latihan merekam data.

Modul Skil Lab Statistika & SPSS Page 8

Modul Skil Lab Statistika & SPSS Page 9

Modul Skil Lab Statistika & SPSS Page 10

LATIHAN 1.4: Transformasi Data

LATIHAN 1.4.1 Membuat variabel baru Anemipre dari variabel Hbpre

VARIABEL LAMA (OLD): VARIABEL BARU (NEW):

Modul Skil Lab Statistika & SPSS Page 11

Modul Skil Lab Statistika & SPSS Page 12

Modul Skil Lab Statistika & SPSS Page 13

Modul Skil Lab Statistika & SPSS Page 14

LATIHAN 1.4.2 Membuat variabel baru Anemipost dari variabel Hbpost

VARIABEL LAMA (OLD): VARIABEL BARU (NEW):

LATIHAN 1.4.3 Membuat variabel baru Peningkatan_Hb

Modul Skil Lab Statistika & SPSS Page 15

Modul Skil Lab Statistika & SPSS Page 16

Modul Skil Lab Statistika & SPSS Page 17

LATIHAN 2.1: membuka file data

Sehingga tampak sbb:

2) Buka file Data CHD.sav dengan cara:

Modul Skil Lab Statistika & SPSS Page 18

Maka akan tampak sbb:

LATIHAN 2.2: analisis deskriptif satu variabel

Modul Skil Lab Statistika & SPSS Page 19

Modul Skil Lab Statistika & SPSS Page 20

Valid perempuan 125 62,5 62,5 62,5

laki 75 37,5 37,5 100,0

Total 200 100,0 100,0

Valid - 34 th 36 18,0 18,0 18,0

35 - 54 th 116 58,0 58,0 76,0

55 - th 48 24,0 24,0 100,0

Total 200 100,0 100,0

Modul Skil Lab Statistika & SPSS Page 21

Maka akan tampak kotak dialog Descriptives sbb:

Modul Skil Lab Statistika & SPSS Page 22

N Minimum Maximum Mean Std. Deviation

kolesterol darah (mg/dl) 200 120 419 258,93 52,555

LATIHAN 2.3: analisis deskriptif dua variabel kategorikal

1) Aktifkan prosedur Crosstab dengan cara sbb: