STATISTIKA FARMASI

Oleh:

Fea Prihapsara, M.Sc., Apt.

PROGRAM STUDI FARMASI FMIPA

UNIVERSITAS SEBELAS MARET
2015

DAFTAR ISI

1
 HAL

PENGENALAN SPSS... 3

INDEPENDENT T-TEST DENGAN SPSS 4

UJI T DEPENDEN DENGAN SPSS... 9

UJI T SATU SAMPEL DENGAN SPSS 12

UJI ANOVA (ONE WAY) DENGAN SPSS... 14

UJI CHI KUADRAT (CHI-SQUARE)... 18

REGRESI LINIER SEDERHANA DENGAN SPSS. 22

2
 Pengenalan SPSS

SPSS (Statistical Product and Service Solution) merupakan program aplikasi yang populer yang
dapat digunakan dalam analisa data. Hal ini memudahkan user untuk melakukan perhitungan
data. Data yang dahulunya hanya bisa dikerjakan secara manual dengan menggunakan rumusan
tertentu kini, dengan hanya sekali klik maka interpretasi data analisa sudah muncul.

Program SPSS merupakan sebuah aplikasi statistik kuantitatif yang dikembangkan di Universitas
Stanford dan Universitas Chicago pada tahun 1968. Program SPSS pertama kali dikembangkan
oleh seorang profesor ilmu sosial yang bernama Norman Nie dan seorang koleganya bernama C.
Hadlai Hull. Pada waktu itu nama SPSS merupakan singkatan dari Statistical Package for the
Social Science. Namun, dewasa ini aplikasi SPSS telah digunakan secara luas pada berbagai
disiplin ilmu, tidak hanya terbatas untuk ilmu sosial saja. Oleh karena itu, kepanjangan dari
SPSS kemudian disesuaikan menjadi Statistical Product and Service Solution. Program SPSS
menyediakan serangkaian fitur yang memungkinkan user (pengguna) komputer untuk dapat
mengatur, menganalisis, memanipulasi dan menampilkan data. Kepopuleran SPSS dewasa ini
disebabkan kemampuannya dalam menampilkan banyak angka pada fungsi-fungsi statistik dan
kemudian mempresentasikan hasilnya dalam berbagai format termasuk format grafis

Sebelum menjalankan SPSS hendaknya anda harus sudah memiliki data mentah yang akan
diolah menggunakan aplikasi SPSS. Alangkah baiknya tabulasi data yang anda miliki anda
simpan dalam file Ms. Excell dari semua tipe baik yang dikeluarkan oleh windows ataupun yang
open office. Hal ini bertujuan untuk memudahkan anda melakukan pengolahan data nantinya.

Secara garis besar, interface SPSS terbagi menjadi 2 yaitu data view dan variable view. Data
view merupakan lokasi/tempat untuk memasukkan data yang akan dilakukan analisa, sedangkan
untuk variable view merupakan area yang digunakan untuk memberikan keterangan atas masing-
masing variable yang dimasukkan. Hal ini secara tidak langsung akan memudahkan user untuk
fokus kepada data yang dimiliki karena data yang telah ada dapat segera untuk dilakukan
pengolahan.

3
Independen T Test dengan SPSS
Independen T Test adalah uji komparatif atau uji beda untuk mengetahui adakah perbedaan mean
atau rerata yang bermakna antara 2 kelompok bebas yang berskala data interval/rasio. Dua
kelompok bebas yang dimaksud di sini adalah dua kelompok yang tidak berpasangan, artinya
sumber data berasal dari subjek yang berbeda. Misal Kelompok Kelas A dan Kelompok kelas B,
di mana responden dalam kelas A dan kelas B adalah 2 kelompok yang subjeknya berbeda.
Bandingkan dengan nilai pretest dan posttest pada kelas A, di mana nilai pretest dan posttest
berasal dari subjek yang sama atau disebut dengan data berpasangan. Apabila menemui kasus
yang data berpasangan, maka uji beda yang tepat adalah uji paired t test.

Asumsi yang harus dipenuhi pada independen t test antara lain:

1. Skala data interval/rasio.
2. Kelompok data saling bebas atau tidak berpasangan.
3. Data per kelompok berdistribusi normal.
4. Data per kelompok tidak terdapat outlier.
5. Varians antar kelompok sama atau homogen.

Langsung saja kita buat data sebagai berikut: Data di bawah ini menunjukkan bahwa ada 2
kelompok yaitu 1 dan 2, di mana tiap kelompok terdapat 10 responden/observasi.

Dataset Independen T Test

Langkah pertama adalah menguji asumsi normalitas, outlier dan homogenitas. Yaitu pada
menu SPSS, klik Analyze, Descriptive Statistics, Explore. Maka akan muncul jendela seperti
berikut:

4
 Explore Independen T Test

Klik tombol Plots, setelah muncul jendela, centang Factor levels together, Stem-and-leaf,
Histogram, Normality plots with tests dan Power estimation. Kemudian Klik Continue.

Plot Independen T Test

Kemudian klik OK pada jendela utama. Lihat output!

Normalitas Independen T Test

Tabel di atas menunjukkan hasil uji Shapiro Wilk dan Lilliefors. Nilai p value (Sig) lilliefors
0,200 pada 2 kelompok di mana > 0,05 maka berdasarkan uji lilliefors, data tiap kelompok
berdistribusi normal. P value uji Shapiro wilk pada kelompok 1 sebesar 0,884 > 0,05 dan pada
kelompok 2 sebesar 0,778 > 0,05. Karena semua > 0,05 maka kedua kelompok sama-sama
berdistribusi normal berdasarkan uji Shapiro wilk.

5
 Homogenitas Independen T Test

Tabel di atas menunjukkan hasil uji homogenitas dengan metode Levene's Test. Nilai Levene
ditunjukkan pada baris Nilai based on Mean, yaitu 0,001 dengan p value (sig) sebesar 0,979 di
mana > 0,05 yang berarti terdapat kesamaan varians antar kelompok atau yang berarti homogen.

Oleh karena semua asumsi terpenuhi, maka dapat dilanjutkan ke uji selanjutnya yaitu uji
Independen T Test.
Pada menu SPSS, klik Analyze, Compare Means, Independen Samples T Test. Maka akan
muncul jendela sebagai berikut: Kemudian masukkan variabel terikat anda yaitu Nilai ke kotak
Test Variable(s) dan masukkan variabel bebas anda yaitu Kelompok ke kotak Grouping
Variables.

Independen T Test

Klik tombol Define Groups kemudian masukkan kode 1 dan 2.

6
 Grouping Independen T Test

Klik Continue. Dan pada jendela utama klik OK kemudian lihat Output!

Mean Independen T Test

Tabel di atas menunjukkan Mean atau rerata tiap kelompok, yaitu pada kelompok 1 nilainya 56
di mana lebih rendah dari kelompok 2 yaitu 73,1. Apakah perbedaan ini bermakna? lihat di
bawah ini:

Output Independen T Test

Nilai hasil uji levene test untuk homogenitas sama dengan bahasan di atas, yaitu homogen.
Karena homogen, maka gunakan baris pertama yaitu nilai t hitung -2,577 pada DF 18. DF pada
uji t adalah N-2, yaitu pada kasus ini 20-2=18. Nilai t hitung ini anda bandingkan dengan t tabel
pada DF 18 dan probabilitas 0,05.

Untuk menjawab hipotesis ada 2 cara:

Dengan membandingkan antara t hitung dengan t tabel:
Apabila nilai t hitung positif: Ada perbedaan bermakna apabila t hitung > t tabel.

7
Apabila nilai t hitung negatif: ada perbedaan bermakna apabila t hitung < t tabel.

Cara kedua adalah dengan melihat nilai Sig (2 tailed) atau p value. Pada kasus di atas nilai p
value sebesar 0,019 di mana < 0,05. Karena < 0,05 maka perbedaan bermakna secara statistik
atau signifikan pada probabilitas 0,05.

Besarnya perbedaan rerata atau mean kedua kelompok ditunjukkan pada kolom Mean
Difference, yaitu -17,1. Karena bernilai negatif, maka berarti kelompok pertama memiliki Mean
lebih rendah dari pada kelompok kedua.

8
Uji T Dependen (Berpasangan) dengan SPSS

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 intervensi.

Contoh Kasus :
Suatu studi ingin mengetahui pengaruh suatu metode diet, lalu diambil 28 ibu sebagai sampel
untuk menjalani program diet tersebut. Pengukuran berat badan yang pertama (BBIBU_1)
dilakukan sebelum kegiatan penyesuaian diet dilakukan, dan pengukuran berat badan yang kedua
(BBIBU_2) dilakukan setelah dua bulan menjalani penyesuaian diet.

Buka SPSS, dan masukan datanya seperti ini :

Kita akan melakukan uji hipotesis untuk menilai apakah ada perbedaan berat badan ibu antara
sebelum dengan sesudah mengikuti program diet, langkah-langkahnya sebagai berikut.

9
Dari menu utama, pilihlah: Analyze-->Compare Mean-->Paired-Sample T-test.

Pilih variabel BBIBU_1 dan BBIBU_2 dengan cara mengklik masing-masing variable tersebut.
Kemudian klik tanda segitiga untuk memasukkannya ke dalam kotak Paired-Variables. Seperti
nampak di bawah ini :

Selanjutnya klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti
berikut:

10
Dari 28 subjek yang diamati terlihat bahwa rata-rata (mean) berat badan dari ibu sebelum
intervensi (BBIBU_1) adalah 57.54, dan rata-rata berat badan sesudah intervensi (BBIBU_2)
adalah 56,21. Uji t yang dilakukan terlihat pada tabel berikut:

Dari hasil uji-t berpasangan tersebut terlihat bahwa rata-rata perbedaan antara BBIBU_1 dengan
BBIBU_2 adalah sebesar 1.321. Artinya ada penurunan berat badan sesudah intervensi dengan
rata-rata penurunan sebesar 1.32 kg.

Hasil perhitungan nilai t adalah sebesar 5,133 dengan p-value 0.000 dapat ditulis 0,001 (uji 2-
arah). Hal ini berarti kita menolak Ho dan menyimpulkan bahwa secara statistik ada perbedaan
yang bermakna antara rata-rata berat badan sebelum dengan sudah intervensi.

Dari hasil di atas kita bisa menilai bahwa program diet tersebut berhasil.

11
Uji T Satu Sampel dengan SPSS

1. Buka SPSS anda.

2. Misalkan data seperti di bawah ini :

3. Kita akan melakukan uji apakah data yang kita dapatkan berbeda dengan data sebelumnya,
menurut informasi rata-rata kunjungan pasien tahun lalu sebanyak 20 orang.

4. Pada menu di SPSS pilih Analyze --> Compare Means --> One-Sample T Test, jelasnya
seperti ini :

5. Setelah itu akan muncul jendela seperti ini :

12
6. Pilih variabel "kunjungan pasien", lalu klik tanda 'segitiga' untuk memindahkan variabel
tersebut ke kotak 'Test Variables'.

7. Isi kotak 'Test Value' dengan angka "20"(angka 20 merupakan rata-rata kunjungan pasien
tahun lalu), kemudian klik OK. Hasilnya :

8. Kesimpulan
Dari tabel "One-Sample Statistics" terlihat bahwa rata-rata kunjungan sebanyak 23 orang,
dengan standar deviasi 3,387. Bila melihat dari rata-rata kunjungan saat ini memang ada
perbedaan, namun perbedaan ini apakah bermakna secara statistik ?

Mari kita lihat pada tabel "One-Sample Test" pada kolom "Sig.(2-tiled)" diperoleh nilai P =
0,001, maka nilai P < , sehingga Ho ditolak. Dengan demikian dapat kita simpulkan bahwa
ternyata pada uji statistik dua sisi (2-tailed) pada taraf nyata = 0,05, menunjukan ada
perbedaan yang bermakna antara kunjungan pasien tahun lalu dengan tahun ini.

13
 Uji Anova (One Way) dengan SPSS

Pada praktek kali ini menggunakan data dari suatu studi yang ingin mengatahui hubungan Ras
(warna kulit) ibu dengan berat bayi yang dilahirkan. Warna kulit pada kasus ini terbagi dalam 3
kategorik, yaitu : putih, hitam, dan lainnya. Data yang diperoleh sebagai berikut :

1. Buka SPSS, lalu masukan (entry) data di atas seperti ini:

14
2. Pada menu utama SPSS pilih Analyze --> Compare Means --> One-Way ANOVA...sampai
muncul jendela One-Way ANOVA seperti ini :

3. Pilih variabel "berat bayi" lalu klik tanda segitiga paling atas untuk memindahkannya ke kotak
"Dependent List:" Kemudian pilih variabel "warna kulit (ras)" lalu klik tombol segitiga di bawah
untuk menempatkan variabel ras ke kotak "Factor:" Sehingga nampak seperti di bawah ini :

4. Klik tombol Option... akan muncul jendela ini :

5. Centang (tandai) pilihan Descriptive dan Homogeneity of variance test, kemudian klik
Continue

6. Masih dijendela One-Way ANOVA, klik tombol Post Hoc... sampai muncul jendela ini :

15
7. Pada kotak "Equal Variances Assumed" centang pilihan Bonferroni dan pada kotak "Equal
Variances Not Assumed" centang pilihan Games-Howell. Klik Continue.

8. Untuk menjalankan prosedur, klik OK sehingga keluar output berikut :

Dari tabel Descriptives nampak bahwa ibu yang berkulit putih rata-rata melahirkan bayi sebesar
3197,85 gram, ibu yang berkulit hitam rata-rata melahirkan bayi sebesar 2719,69 gram, dan ibu
yang berkulit lainnya melahirkan bayi rata-rata beratnya 2952,55 gram. Selanjutnya untuk
melihat uji kita lihat di tabel ANOVA :

Sebelum melanjutkan uji perlu diingat bahwa salah satu asumsi uji Anova adalah variansnya
sama. Dari tabel Test of Homegeneity of Variances terlihat bahwa hasil uji menunjukan bahwa
varian ketiga kelompok tersebut sama (P-value = 0,742), sehingga uji Anova valid untuk
menguji hubungan ini.

Selanjutnya untuk melihat apakah ada perbedaan rata-rata berat bayi yang dilahirkan dari ketiga
kelompok ras tersebut, kita lihat tabel ANOVA , dari tabel itu pada kolom Sig. diperoleh nila P
(P-value) = 0,034. Dengan demikian pada taraf nyata = 0,05 kita menolak Ho, sehingga
kesimpulan yang didapatkan adalah ada perbedaan yang bermakna rata-rata berat bayi yang
dilahirkan oleh ketiga kelompok ras tersebut.

Jika hasil uji menunjukan Ho gagal ditolak (tidak ada perbedaan), maka uji lanjut (Post Hoc
Test) tidak dilakukan. Sebaliknya jika hasil uji menunjukan Ho ditolak (ada perbedaan),
maka uji lanjut (Post Hoc Test) harus dilakukan.

16
Karena hasil uji Anova menunjukan adanya perbedaan yang bermakna, maka uji selanjutnya
adalah melihat kelompok mana saja yang berbeda.

Untuk menetukan uji lanjut mana yang digunakan, maka kembali kita lihat tabel Test of
Homogeneity of Variances, bila hasil tes menunjukan varian sama, maka uji lanjut yang
digunakan adalah uji Bonferroni. Namun bilai hasil tes menunjukan varian tidak sama, maka uji
lanjut yang digunakan adalah uji Games-Howell.

Dari Test of Homogeneity menghasilkan bahwa varian ketiga kelompok tersebut sama, maka
uji lanjut (Post Hoc Test) yang digunakan adalah Uji Bonferroni.

Dari tabel di atas memperlihatkan bahwa kelompok yang menunjukan adanya perbedaan rata-
rata berat bayi yang dilahirkan (ditandai dengan tanda bintang "*") adalah Kelompok ibu yang
berkulit putih dan ibu berkulit hitam.

17
 UJI CHI-KUADRAT (CHI SQUARE)

Ada beberapa jenis tes chi-kuadrat tetapi yang paling umum adalah Pearson chi-kuadrat yang
memungkinkan kita untuk menguji independensi dari dua variabel kategori. Semua tes chi-
kuadrat didasarkan atas distribusi chi-kuadrat, mirip dengan cara t-tes, sama halnya dengan
distribusi atau uji-F yang didasarkan pada distribusi F.

Misalkan kita memiliki hipotesis bahwa tingkat kelulusan / kegagalan dalam sebuah kelas
matematika tertentu berbeda untuk laki-laki dan perempuan. Katakanlah kita mengambil sampel
acak dari 100 siswa dan mengukur kedua jenis kelamin (laki-laki/wanita) dan status kelulusan
(lulus/gagal) sebagai variabel kategorik.

Tabel 1. Data tingkat kelulusan kelas matematika tersebut akan menjadi sebagai berikut
Siswa Laki- Perempuan TOTAL
laki
Lulus 30 36 66
Tidak 14 34 48
lulus
TOTAL 44 70 114

Hipotesis Null: Distribusi frekuensi beberapa kejadian yang diamati pada sebuah sampel
konsisten dengan distribusi teoritis tertentu

1. Ketika menjalankan SPSS, maka input data yang dimasukkan adalah sebagai berikut:

Perhatikan struktur data awal (tabel 1), kolom 1 dan baris satu menunjukkan perhitungan siswa
laki-laki yang lulus, yaitu 30. Kemudian kolom 1 dan baris 2 menunjukkan siswa perempuan
yang lulus, yaitu 36. Kolom 2 dan baris 1 menunjukkan siswa laki-laki yang tidak lulus, yaitu 14.
Sedangkan kolom terakhir 2 dan baris 2 menunjukkan siswa perempuan yang tidak lulus, yaitu
34.

2. Setelah data diinput maka anda adalah harus menegaskan kepada SPSS bahwa variabel
PERHITUNGAN mewakili frekuensi untuk masing-masing unik pengkodean BARIS dan
KOLOM, dengan menerapkan perintah DATA WEIGHT CASE seperti gambar berikut ini:

18
3. Setelah muncul kotak dialog, pilih variabel PERHITUNGAN, pilih weight case by
kemudian pindahkan variabel PERHITUNGAN dengan mengklik tanda panah seperti berikut:

4. Setelah itu pilih Analyze Descriptive Statistic Crosstabs, kemudian akan muncul kotak
dialog seperti berikut ini:

Masukkan variabel baris ke ROW, dan variabel kolom ke COLUMN, sedangkan untuk variabel
perhitungan tidak perlu lagi, karena sudah dilakukan pada tahap 3 diatas.

19
5. Kemudian pilih button Statistic (di bawah) checklist chi-square seperti berikut ini:

6. Setelah itu akan didapatkan output seperti berikut:

20
Setelah output didapat, maka nilai Pearson Chi-Square dibandingkan dengan Chi-square tabel.
Pembandingan ini menggunakan derajat bebas dengan rumus (baris 1)(kolom 1) atau (2
1)(2 1) = 1. Maka nilai kritiknya pada tabel sebaran chi-square adalah 3,841 artinya hitung >
Xtabel atau 3,841 > 3,111. Dengan demikian Hipotesis Null tidak bisa diterima.

Dari hasil diatas dapat dilihat bahwa nilai Exact Sig.(2-sides) adalah 0,084 maka lebih besar dari
titik kritis 0,05 (0,084 > 0,05). Dengan demikian dapat disimpulkan bahwa tidak ada hubungan
antara jenis kelamin siswa kelas matematika dengan tingkat kelulusan.

21
 Regresi Linier Sederhana dengan SPSS
Analisis regresi linear sederhana merupakan salah satu metode regresi yang dapat dipakai
sebagai alat inferensi statistik untuk menentukan pengaruh sebuah variabel bebas (independen)
terhadap variabel terikat (dependen). Uji Regresi linear sederhana ataupun regresi linier berganda
pada intinya memiliki beberapa tujuan, yaitu:

1. Menghitung nilai estimasi rata-rata dan nilai variabel terikat berdasarkan pada nilai
variabel bebas.
2. Menguji hipotesis karakteristik dependensi
3. Meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel bebas
diluar jangkaun sample.

Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi dan persyaratan
yang perlu diperiksa dan diuji, beberapa diantaranya adalah :

1. Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai disturbance term
sebesar 0 atau dengan simbol sebagai berikut: (E (U / X) = 0,
2. Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada
hubungan linier yang nyata,
3. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05,
Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui
jika angka Standard Error of Estimate < Standard Deviation,
4. Koefisien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi
signifikan jika T hitung > T table (nilai kritis),
5. Model regresi dapat diterangkan dengan menggunakan nilai koefisien determinasi (KD =
r2 x 100%) semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1
maka model regresi semakin baik,
6. Residual harus berdistribusi normal ,
7. Data berskala interval atau rasio,
8. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas
(variabel predictor) sedang variabel lainnya variabel terikat (variabel response) Berikut
ini contoh perhitungan regresi linier sederhana menggunakan software SPSS 20.

Proses mulai dengan memilih menu Analyze, kemudian pilih Linear,

22
 Menu Regresi Linear SPSS

Pilih variabel Y sebagai variabel dependen (terikat) dan X1 sebagai variabel independen (bebas)
lalu klik tombol OK,

Proses Regresi Linear SPSS

Output SPSS akan menampilkan hasil berupa 4 buah tabel yaitu;

1. Tabel variabel penelitian,

2. Ringkasan model (model summary),
3. Tabel Anova, dan

23
 4. Tabel Koefisien.

Output Regresi Linear SPSS

Cara membaca output spss hasil uji regresi linier tersebut adalah :

1. Tabel pertama menunjukkan variabel apa saja yang diproses, mana yang menjadi variabel
bebas dan variabel terikat.
2. Tabel kedua menampilkan nilai R yang merupakan simbol dari nilai koefisien korelasi.
Pada contoh diatas nilai korelasi adalah 0,342. Nilai ini dapat diinterpretasikan bahwa
hubungan kedua variabel penelitian ada di kategori lemah. Melalui tabel ini juga
diperoleh nilai R Square atau koefisien determinasi (KD) yang menunjukkan seberapa
bagus model regresi yang dibentuk oleh interaksi variabel bebas dan variabel terikat.
Nilai KD yang diperoleh adalah 11,7% yang dapat ditafsirkan bahwa variabel bebas X1
memiliki pengaruh kontribusi sebesar 11,7% terhadap variabel Y dan 88,3% lainnya
dipengaruhi oleh faktor-faktor lain diluar variabel X1.
3. Tabel ketiga digunakan untuk menentukan taraf signifikansi atau linieritas dari regresi.
Kriterianya dapat ditentukan berdasarkan uji F atau uji nilai Signifikansi (Sig.). Cara
yang paling mudah dengan uji Sig., dengan ketentuan, jika Nilai Sig. < 0,05, maka model
regresi adalah linier, dan berlaku sebaliknya. Berdasarkan tabel ketiga, diperoleh nilai

24
 Sig. = 0,140 yang berarti > kriteria signifikan (0,05), dengan demikian model persamaan
regresi berdasarkan data penelitian adalah tidak signifikan artinya, model regresi linier
tidak memenuhi kriteria linieritas.
4. Tabel keempat menginformasikan model persamaan regresi yang diperoleh dengan
koefisien konstanta dan koefisien variabel yang ada di kolom Unstandardized
Coefficients B. Berdasarkan tabel ini diperoleh model persamaan regresi : Y =38,256 +
0,229 X1.

25