I. Deskripsi Singkat :
Blok ini merupakan pengenalan bagi mahasiswa mengenai pentingnya peran metode
penelitian dalam pengembangan ilmu kedokteran yang terus berkembang sesuai dengan
kemajuan Ilmu Pengetahuan dan Teknologi serta tuntutan masyarakat. Setelah menyelesaikan
blok ini mahasiswa diharapkan mampu menjelaskan mengenai metode penelitian dan
menggunakan data dan informasi dalam setiap pengambilan keputusan sehingga bermanfaat
dalam pengembangan ilmu kesehatan khususnya ilmu kedokteran.
II. Relevansi :
Kompetensi dalam pengelolaan data (manajemen data) atau kemampuan untuk mengolah
data menjadi informasi yang berkualitas untuk pengambilan keputusan administrasi dan klinis
sangat penting. Hal ini didasarkan bahwa data statistik maupun data dari rancangan percobaan
merupakan dasar untuk setiap pengambilan keputusan baik untuk diagnosis, pemberian
perawatan, maupun pengobatan, harus dapat dipertanggung jawabkan dan dimanfaatkan
untuk mendukung keputusan yang cepat, tepat dan akurat. Tujuannya agar kompetensi
tersebut akan mendorong seorang dokter dapat mengelola informasi dan mampu
memanfaatkannya untuk pengambilan keputusan berbasis bukti (evidence base medicine).
III. Kompetensi
1. Standar Kompetensi :
2. Kompetensi Dasar
a. TujuanUmum :
Setelah mengikuti matakuliah ini, mahasiswa diharapkan mampu menggunakan
aplikasi komputer untuk mengolah dan menganalisis data statistik.
b. TujuanKhusus
Setelah mengikuti praktikum ini mahasiswa mampu :
1) Menjelaskan tentang manajemen data dan melakukan teknik pengolahan data:
pembuatan variabel, pemasukan data dan transformasi data menggunakan
aplikasi komputer.
2) Melakukan trnsformasi/ modifikasi data
3) Melakukan uji validitas dan reliabilitas instrumen.
4) Melakukan analisis deskriptif menggunakan aplikasi komputer.
5) Melakukan pembuatan grafik.
6) Melakukan uji normalitas dan uji t.
7) Melakukan uji ANOVA
8) Melakukan uji hipotesis korelasi dan regresi.
9) Melakukan uji hipotesis non parametrik.
10) Melakukan penyajian data statistik rumah sakit.
11) Melakukan analisis dalam uji diagnostik, kurva ROC
3. Indikator
Mahasiswa mampu untuk menjelaskan teknik dan langkah-langkah dalam pengelolaan
data (manajemen data) , melakukan pengolahan dan analisis data.
II. Penyajian
1. Pengertian Manajemen Data
Pengolahan data atau manajemen data merupakan salah satu bagian rangkaian kegiatan
penelitian setelah kegiatan pengumpulan data. Setelah kegiatan pengumpulan data timbul
pertanyaan :
Mau diapakan data yang telah terkumpul ?
Bagaimana menghubungkan data di kuesioner dengan tujuan penelitian ?
Untuk itu data yang masih mentah (raw data) perlu diolah sedemikian rupa sehingga
menjadi informasi yang dapat digunakan untuk menjawab tujuan penelitian.
2. Tahapan Pengolahan Data
Ada 4 tahapan pengolahan data yang harus dilalui, agar analisis penelitian menghasilkan
informasi yang benar, yaitu :
a. Editing
Merupakan kegiatan untuk melakukan pengecekan isian formulir atau kuesioner apakah
jawaban yang ada di kuesioner sudah memenuhi indicator kualitas informasis ebagai berikut
:
1) Lengkap : semua pertanyaan sudah terisi jawabannya.
2) Jelas : jawaban pertanyaan tulisannya cukup jelas terbaca
3) Relevan : jawaban tertulis relevan tidak dengan pertanyaan
4) Konsisten : apakah antara beberapa pertanyaan yang berkaitan dengan isi
jawabannya konsisten.
b. Koding
Merupakan kegiatan merubah data kualitatif menjadi data numerik (angka). Kegunaan
koding adalah mempermudah pada saat analisis data dan juga mempercepat entry data.
Misalnya untuk variabel jenis kelamin dilakukan koding : 1 = laki-laki, 2 = perempuan
c. Proccessing
Merupakan kegiatan memproses data agar dapat dianalisis. Proses data dilakukan dengan
cara mengentry kuesioner ke paket program komputer, misalnya menggunakan SPSS for
Windows.
d. Cleaning
Cleaning atau pembersihan data merupakan kegiatan pengecekan kembali data yang sudah
dientry apakah ada kesalahan atau tidak.Kesalahan tersebut dimungkinkan terjadi pada saat
mengentry data ke komputer.
Cara mengcleaning data :
1). Mengetahui missing data
Cara mendeteksi dengan membuat distribusi frekuensi dari variabel yang ada. Misal data
yang diolah data mahasiswa terdiri jenis kelamin dan agama.
Tabel 1. Jenis kelamin
Jenis kelamin Jumlah
Laki-laki 25
Perempuan 30
Jumlah 55
Tabel 2. agama
Agama Jumlah
Islam 45
Kristen 5
Jumlah 50
Dari kedua tabel memperlihatkan bahwa tabel jenis kelamin tidak ada nilai yang hilang (55
mhs), sedang pada tabel 2 ada 5 data yang hilang (total harusnya 55).
2) Mengetahui variasi data
Cara mendeteksi dengan mengeluarkan distribusi frekuensi masing-masing variabel. Dalam
entry data biasanya data dimasukkan dalam bentuk kode, misalnya untuk variabel jenis
kelamin laki-laki kode 1, perempuan kode 2. Untuk mengetahui kesalahan perhatikan tabel
di bawah ini :
Tabel 3. Jenis kelamin
Jenis kelamin Jumlah
1 25
2 25
3 5
Jumlah 55
Dari tampilan jumlah data sudah benar, tetapi muncul kode jenis kelamin 3, padahal jenis
kelamin hanya dikodekan dengan angka 1 dan 2.
10) Mengetahui konsistensi data
Cara mendeteksi ketidakkonsistenan data dengan menghubungkan 2 variabel.
a). Membandingkan dua buah tabel
Tabel 4. Keikutsertaan imunisasi
Imunisasi Jumlah
Ya 25
Tidak 30
Jumlah 55
Tabel 5. Jenis imunisasi
Dari tampilan di tas ada ketidak konsistenan antara peserta imunisasi (25 anak) dengan jenis
imunisasi (20 anak), harusnya jenis imunisasi 25 anak.
b) Membuat tabel silang
Contoh menghubungkan variabel umur dengan jumlah anak.
Tabel 6. Umur dan Jumlah anak
Saat sekarang ini produk SPSS telah digunakan dalam berbagai berbagai bidang
seperti Retail, Telekomunikasi, Farmasi, Keuangan, Manajemen, Kesehatan dan lain-lain.
1. Windows SPSS
SPSS menyediakan 7 windows, yaitu :
a. Data Editor
Windows ini terbuka secara otomatis setiap kali program SPSS dijalankan, dan berfungsi
untuk input data SPSS.
Menu yang ada pada data editor
File
Menu File berfungsi untuk menangani hal-hal yang berhubungan dengan file data,
seperti membuat file baru, membuka file tertentu dan sebagainya.
Edit
Menu Edit berfungsi untuk menangani hal-hal yang berhubungan dengan memperbaiki
atau mengubah nilai data, seperti duplikasi data, menghapus data dan sebagainya.
View
Menu View berfungsi untuk mengatur toolbar.
Data
Menu data berfungsi untuk membuat perubahan data SPSS secara keseluruhan, seperti
mengurutkan data, meyeleksi data berdasar kriteria tertentu dan sebagainya.
Transform
Menu Transform berfungsi untuk membuat perubahan pada variabel yang telah dipilih
dengan kriteria tertentu.
Analyze
Merupakan menu inti yang berfungsi untuk melakukan semua prosedur perhitungan
statistiks.
Graphs
Menu graphs berfungsi untuk membuat berbagai jenis grafik.
Utilities
Menu Utilities adalah menu tambahan yang mendukung program SPSS, seperti memberi
informasi tentang variabel yang sekarang sedang dijalankan, menjalankan scripts dan
mengatur tampilan menu-menu yang lain.
Add_ons
Adalah menu yang berisi software lain misalnya amos dll, service, extension program dan
statistical guide.
Windows
Menu Window berfungsi untuk berpindah diantara menu-menu yang lain di SPSS.
Help
Menu Help berfungsi untuk menyediakan informasi mengenai program SPSS yang bisa
diakses secara mudah dan jelas
b. Menu Output Navigator
Menu yang berfungsi untuk menampilkan hasil pengolahan data, menu output pada prinsipnya
sama dengan menu editor dengan disesuaikan untuk kegunaan output SPSS dengan menu
tambahan yaitu :
Insert
Berfungsi untuk menyisipi judul, grafik, teks atau obyek tertentu dari aplikasi lain.
Format
Berfungsi untuk mengubah tata letak huruf.
c. Menu Pivot Table Editor
Menu pivot table editor berhubungan dengan pengerjaan tabel SPSS seperti
mentransformasikan tabel menjadi kolom dan sebaliknya, memindah baris dan kolom tabel
dan sebagainya. Menu pivot table editor mempunyai submenu hampir sama dengaan menu
output editor dengan tambahan menu PIVOT yang khusus digunakan untuk pengerjaan
pivoting (mengubah status pivoting trays dan pengerjaan multidimensional pivot tabel).
hanya bisa digunakan dengan SPSS command language dan bisa diketik secara manual.
Namun SPSS juga menyediakan berbagai kemudahan untuk pembuatan syntax, seperti lewat
Output Log, Journal File dan lainnya. Isi menu syntax sama dengan menu yang lain hanya
ada tambahan menu Run yang berfungsi untuk menjalankan Syntax yang sudah ditulis.
Praktikum I
1. Memulai SPSS
Untuk mengaktifkan SPSS dapat dilakukan dengan beberapa cara yaitu :
Dari Menu Start
Klik Start > Program > SPSS for Windows > SPSS 16.0 for Windows, sepertitampak
pada gambar 1.
Jika sebelumnya sudah disediakan shortcut, pilih icon yang berbentuk gambar SPSS.
Short
cut
SPSS
Pada kotak dialog awal SPSS disediakan beberapa pilihan yang akan dilakukan yaitu :Run the
tutorial, Type in data, run an existing query, creates new query using database wizard, Open an
exixting file dan Open an existing data source. Jika ingin membuat file baru klik Cancel dan
selanjutnya akan muncul layar kosong
Title bar SPSS dibawah ini :
Sizing
Control menu
icon butto
ns
Menu
bar
Tool bar Heading
Column
Heading Pointer
Data
Row Variable Cells
View
View Scroll
bar
Status
bar
Gambar 3. Tampilan Layar SPSS
Elemen dasar SPSS Data editor yang perlu anda ketahui di antaranya :
1. Icon Kontrol Menu (Control Menu Icon), digunakan untuk mengontrol jendela yang
sedang aktif.
2. Baris Judul (Title Bar), berisi nama file dan nama program aplikasi yang sedang aktif,
baris judul ini dapat juga digunakan untuk memindahkan jendela ke posisi lain
3. Baris Menu (Menu Bar), berisi barisan perintah berupa menu seperti menu File, Edit,
View, Data, Transform, Analyze, Graphs, Utilities, Windows dan Help.
4. Baris Toolbar (Toolbars), berisi tombol-tombol yang digunakan untuk menjalankan suatu
perintah dengan cepat dan mudah, terutama perintah-perintah yang sering anda gunakan.
5. Baris Pengulung (Scroll Bar), untuk menggeser layar ke kiri dan ke kanan gunakan
pengulung mendatar sedangkan untuk ke atas dan ke bawah gunakan baris penggulung
tegak.
6. Pointer sel (Cell pointer), digunakan untuk menunjuk sel ( perpotongan antara baris dan
kolom) yang aktif.
7. Judul baris (Heading row), berisi nomor urut baris.
8. Judul kolom (Heading Column), berisi nama variabel.
9. Baris status (Status bar), digunakan untuk melihat perintah yang sedang dijalankan.
10. Tombol Ukuran (Sizing Button)
Tombol Keterangan
Sebelum mengisi data, perlu dilakukan pendefinisian variabel yang datanya akan
dimasukkan. Ada dua cara dalam mendefinisikan variabel, yaitu :
a. Cara pertama
Klik pada Variable View
b. Cara Kedua
Letakkan pointer pada heading kolom
Lakukan klik ganda pada heading kolom tersebut.
Sehingga akan muncul kotak dialog Define Variable sebagai berikut :
Gambar 5 . Tampilan Define Variable
Untuk keperluan penggunaan SPSS, struktur data pada define variable terdiri dari:
Name : menentukan nama variabel yang akan disimpan. Pada saat default, isi nama variabel
adalah VAR0001. Nama variabel tidak boleh terlalu panjang, dibatasi 8 karakter
tanpa spasi, dimulai dengan huruf bukan angka atau tanda baca/simbol.
Type : berguna menentukan tipe variabel, lebar karakter variabel dan jumlah angka desimal.
Klik heading type, klik kotak kecil sebelah kanan sel maka akan akan muncul kotak dialog
seperti gambar di bawah ini :
Missing Values : tombol pilihan pada missing values berguna untuk menjelaskan data
variabel yang dianggap sebagai nilai yang salah atau keliru.
Klik heading missing value, klik kotak kecil sebelah kanan sel maka akan akan muncul
kotak dialog seperti gambar di bawah ini :
Gambar 8. Kotak dialog Missing Values
Terdapat 3 pilihan dalam kotak dialog missing values, yaitu :
No Missing Values, jika variabel tersebut tidak memiliki missing value
Discrete Missing Variabel, jika pada variabel terdapat 1,2 atau 3 buah missing value dengan
hanya mengisikan harga-harga missing value pada kotak yang tersedia.
Range Plus One Discrete Missing Values, jika pada variabel tersebut terdapat missing value
berupa inerval suatu bilangan dan sebuah harga missing value yang berupa alternatif.
Column : digunakan untuk menentukan lebar kolom dengan hanya mengklik dua kali pada
pilihan kolom tersebut lalu tentukan lebar kolom sesuai keinginan.
Align: digunakan untuk meratakan data (rata kiri, rata tengah atau kanan).
Measure : digunakan untuk menentukan skala pengukuran dari suatu variabel, terdiri 3
pilihan scale (rasio/interval), ordinal dan nominal.
Contoh Kasus :
Dalam kegiatan pemeriksaan ibu hamil akan dikumpulkan data dengan pertanyaan sebagai
berikut :
Pilih
string
Pilih string sesuai type data, ganti Character dengan 20 dan klik tombol
Jumlah digit isikan pada kolom width, jika pada variable type sudah diisi maka akan terisi
secara otomatis.
Jumlah desimal isikan pada kolom Decimal, karena data string maka Decimal otomatis terisi
0.
Keterangan variabel pada kolom label, isikan Nama ibu hamil.
Katagori pada kolom Value, None.
Columb fungsinya untuk mengatur lebar kolom, pilih 8.
Align untuk mengatur penulisan ada 3 pilihan rata kiri, tengah atau kanan, pilih left.
Variabel Kedua :Alamat
Pindahkan pointer sel pada baris kedua isi dengan variabel kedua yaitu alamat, cara sama
dengan variabel nama (lihat tabel 1).
Variabel Ketiga :Umur
Letakkan pointer sel pada baris ketiga, nama variabel ketik umur.
Pilih type data numeric dengan width 3 dan decimal 0
Isi label dengan Umur ibu hamil.
Pilih align dengan right dan measured isikan scale (skala pengukuran untuk rasio/interval).
Variabel Keempat :didik
Pindahkan pointer sel pada baris keempat isi dengan variabel keempat yaitu didik, cara
sama dengan variabel umur. Perlu diketahui bahwa perhitungan SPSS selalu untuk tipe data
numerik, oleh karena itu pada variabel didik, kolom values diisi untuk mengubah karakter
menjadi numerik.
Klik disembarang tempat pada kolom values, sehingga tampak tampilan kotak dialog values
label di bawah ini :
Klik Add
Penyimpanan
9 Cikita data yang dientry
WonodriKopen 55 dilakukan
35 2seperti penyimpanan
08/09/04 60 struktur3 data.2
157 File >
Save10
AsNuraini
> latih01
Singosari II/5 30 4 08/09/04 62 160 2 1
III. Penutup
1. Tes Formatif
a. Jelaskan tentang pengolahan data !
b.Mengapa perlu melakukan pengolahan data ?
c. Bagaimana tahapan dalam pengolahan data ? jelaskan !
d.Sebutkan bagian-bagian dari SPSS
e. Buat struktur data untuk Berat badan, tinggi badan, anakke dan jumlah anak sesuai
dengan struktur data pada tabel 1.
f. Input data sesuai dengan data input pada tabel 2
g.Simpan dengan nama latih 01
2. Umpan balik
a. Mahasiswa menyebut bagian-bagian SPSS yang ditunjukkan
b. Mahasiswa melaksanakan pembuatan struktur data dan input data sesuai dengan
formulir dan data pada tabel 2.
c. Mahasiswa diminta memastikan bahwa semua data dan struktur sudah terekam
3. Tindak lanjut
a. dosen menjelaskan kalau ada mahasiswa yang tidak jelas
b. dosen member contoh pembuatan variabel dan input data dan mahasiswa menirukan
c. dosen memberi penjelasan kalau ada mahasiswa yang kesulitan.
I. Pendahuluan
1. Deskripsi singkat
Blok ini merupakan pengenalan modifikasi datayaang terdiri dari menyisipkan dan
menambah variabel baru, menyisipkan dan menambah data baru, menyeleksi kasus,
melakukan compute, count dan recode, melakukan penghapusan data atau variabel dan
mengkopi data atau variabel menggunakan aplikasi komputer untuk statistik.
2. Relevansi
Sebelum data diolah untuk pengambilan keputusan, data perlu dimodifikasi sesuai
dengan kebutuhan informasi yang akan disajikan
3. Kompetensi
3.1. Standar Kompetensi :
Mahasiswa mampu memodifikasi data menggunakan bantuan aplikasi komputer
untuk statistik.
3.2. Kompetensi Dasar :
Setelah memperoleh praktikum mahasiswa mampu :
1) Menyisipkan dan menambah variabel baru
2) Menyisipkan dan menambah data baru
3) Menyeleksi kasus
4) Melakukan perintah Compute, Count dan Recode
5) Melakukan penghapusan data atau variabel
6) Melakukan copy data atau variabel
II. Penyajian
1. Menyisipkan / Menambah Variabel Baru
Ketika kegiatan pembuatan struktur data telah selesai atau kegiatan
perekaman/pemasukan data sudah dilakukan, seringkala ada beberapa variabel yang akan
ditambahkan atau disisipkan pada struktur data yang telah ada.
Langkah-langkah yang perlu dilakukan adalah :
Buka file Latih01(file yang pada praktikum 1 dibuat) dengan perintah klik file, klik Open
danklik data. Pilih nama file yang akan diaktifkan.
Aktifkan Variabel View, untuk penambahan variable letakkan pointer sel pada posisi yang
terakhir, sedangkan untuk menyisipkan variabel letakkan pointer sel pada variabel yang
akan disisipi.
Pindahkan pointer sel pada variabel anak_ke
Klikmenu edit, klik Insert Variabels, ketikkan nama variabel HB, type data numerik, width
3, decimal 0.
Lakukan penyimpanan data dengan perintah klik toolbar
3. Menyeleksi Kasus
Dalam beberapa pengolahan data statistik, diperlukan adanya filter (saringan atau seleksi)
agar prosedur statistik bisa dilakukan. Untuk itu bisa menggunakan perintah Select
Cases.File latih01 (file praktikum 1) akan dibuat untuk pengolahan data statistik dengan
kriteria hanya memasukkan ibu hamil yang mempunyai umur lebih dari 35 tahun.Untuk itu
tidak semua kasus akan ditampilkan, namun hanya responden yang berumur lebih dari 35
tahun.
Klik Data View.
Pindahkan pointer sel sembarang tempat.
Klik Data, klik Select Cases, hingga tampak tampilan di bawah ini :
klik
c. Recode
Kegiatan pengelompokan dapat dilakukan terhadap data numerik yang akan diubah
menjadi katagori atau penyederhanaan beberapa katagori yang jumlahnya banyak untuk diubah
menjadi katagori yang jumlahnya lebih sedikit. Sebagai contoh umur ibu yang semula numerik
akan diubah menjadi kelompok resiko tinggi untuk umur > 35 th danumur< 18 dan resiko
rendah untuk umur 18 s/d 35 th. Sedangkan pendidikan yang semula dikatagorikan SD, SMP,
SMA, AKD/PT akan disederhanakan menjadi Pendidikan dasar dan menengah. Untuk
pengelompokkan umur, langkah-langkah yang perlu dilakukan adalah :
Klik menu Transform, pilih Recode - Into Different Variabledan -
Into same variable
Pilihan into same variable menyebabkan data asli akan hilang, sedangkan into different
variabel menyebabkan data asli akan tetap tersimpan. Pilih Into Different Variable
Selanjutnya akan muncul tampilan sebagai berikut :
kelumur
Pilih
umur
Kelompok
umur
responden
Klik
klik
Gambar 20. Kotak dialog Old and New Values yang sudah terisi
Sesuai gambar 20 lakukan langkah-langkah sebagai berikut :
Klik Range Lowest through, ketik 17, pada value ketik 1, selanjutnya pilih Add.
Klik Range Through highest, ketik 36, pada value ketik 1, selanjutnya pilih Add.
Klik range ketik 18 through ketik 35, pada value ketik 2, selanjutnya pilih add
Pilih Continue, maka akan kembali ke Recode Into difference Variable, selanjutnya klik
tombol , maka tampilan data akan diperoleh data yang sudah
dikelompokkantetapimasihdalamtampilankode.
Pindahke sheet variable view isi value pada variable kat_umurdengankode 1
untukrisikotinggi dank ode 2 untukrisikorendah.
III. Penutup
1. Tes Formatif
a. Sisipkan variabel baru tekanan darah (atur struktur data sendiri) dibawah variabel hb.
b. Isi data pada variabel tekanan darah.
c. Sisipkan data responden atau kasus baru pada data ke 5
d. Kopikan data ke 5 sampai 12 pada baris 13
e. Hapus data yang tadi sudah dikopikan
f. Seleksi responden yang mempunyai kadar hb normal 12
BB
g. Hitung IMT 2
TB
100
h. Hitung ibu hamil yang mempunyai IMT >30
i. Katagorikan pendidikan menjadi :
Pendidikan Dasar untuk pendidikan SD (kode 1)
Pendidikan Lanjut untuk SMP, SMA dan AKD/PT (kode 2)
j. Katagorikan HB menjadi :
Kurang, untuk data hb <12 (kode 1)
Normal, untuk data hb 12 (kode 2)
k. Simpan dengan nama latih02
2. Umpan balik
a. Mahasiswa mempraktekkan sesuai dengan perintah
b. Dosen memastikan semua mahasiswa dapat melaksanakan semua perintah
c. Mahasiswa diminta memastikan bahwa semua data dan struktur sudah terekam
3. Tindak lanjut
a. dosen menjelaskan kalau ada mahasiswa yang tidak jelas
b. dosen member contoh dengan mempraktekkan, mahasiswa menirukan
c. dosen memberi penjelasan kalau ada mahasiswa yang kesulitan.
II. Penyajian
1. Uji Validitas dan reliabilitas Instrumen
Salah satu masalah dalam suatu penelitian adalah bagaimana data yang diperoleh akurat
dan obyektif. Kesimpulan dari sebuah penelitian menjadi tidak berguna bila didasarkan dari
informasi yang tidak dapat dipercaya. Data yang dikumpulkan menjadi tidak berguna, bila
alat pengukur yang digunakan untuk mengumpulkan data tidak mempunyai validitas dan
reliabilitas yang tinggi.
a. Validitas
Validitas merupakan pernyataan tentang sejauh mana alat ukur ( pengukuran, tes,
instrumen) mengukur apa yng memang sesungguhnya hendak diukur. Jika instrumen
mengukur dengan benar apa yang ingin diukur, maka instrumen itu dikatakan valid. Contoh
bila ingin mengukur suhu badan menggunakan termometer badan, tetapi bila alat itu
digunakan untuk mengukur suhu ruangan alat tersebut menjadi tidak valid.
Cara mengukur validitas :
Untuk mengetahui validitas suatu instrumen (kuesioner) dilakukan dengan cara meelakukan
korelasi antara skor masing masing variabel dengan skor totalnya Suatu variabel
(pertanyaan ) dikatakan valid bila skor variabel tersebut berkorelasi secara signifikan dengan
skor totalnya.
Teknik korelasi yang digunakan adalah korelasi Pearson Product Moment (r)
n X i Yi - X i Yi
r=
n X2 -
i X n Y - Y
2 2 2
i i i
Keputusan uji ;
Bila r hitung > r tabel Ho ditolak, artinya valid
Bila r hitung < r tabel Ho diterima, artinya tidak valid
b. Reliabilitas
Reliabilitas adalah suatu ukuran yang menunjukkan sejauh mana hasil pengukuran
tetap sama bila dilakukan pengukuran dua kali atau lebih terhadap gejala yang sama dengan
alat ukur yang sama. Contoh suatu kuesioner dikatakan reliabel atau handal jika jawaban
seseorang terhadap pernyataan konsisten dari waktu ke waktu. Contoh jika responden
menyatakan setuju terhadap kebijakan pemerintah menaikkan harga BBM, maka beberapa
waktu kemudian bila ditanyakan lagi akan menjawab hal yang sama yaitu setuju.
No RESP. P1 P2 P3 P4 P5
1 1 0 0 0 1
2 1 0 0 0 0
3 1 1 0 0 1
4 1 1 1 1 1
5 1 1 1 1 0
6 1 1 1 1 1
7 1 1 1 1 1
8 1 1 0 1 1
9 1 1 1 1 1
10 1 1 1 1 1
11 1 1 1 1 1
12 1 1 1 1 1
13 1 1 0 1 1
14 1 1 1 1 1
15 1 1 1 1 1
Pertanyaan :
a. Uji validitas dari kuesioner di atas ?
b. Pertanyaan mana yang kurang baik untuk mengukur pengetahuan tentang kecacingan ?
c. Lakukan uji reliabilitas dari kuesioner di atas.
Penyelesaian :
Langkah langkahnya sebagai berikut :
Masukkan data di atas ke dalam SPSS
Klik Analyze
Pilih Scale
Pilih Reliability Analysis, sehingga muncul tampilan di bawah ini :
Gambar 21. Reliability Analysis
Masukkan semua variabel kedalam kotak items, yaitu variabel P1, P2, P3,
P4 dan P5, dengan cara :
Blok semua variabel pindahkan dengan klik tombol panah, seperti tampak pada gambar di
bawah ini :
Gambar 22. Reliability Analysis
Klik continue
Klik OK
Scale: ALL VARIABLES
Ca se Processing Sum ma ry
N %
Cases Valid 15 100,0
Ex cludeda 0 ,0
Total 15 100,0
a. Lis twis e deletion based on all
variables in the procedure.
Reliability Statistics
Cronbach's
Alpha N of Items
,737 5
Mean St d. Deviation N
P1 1,00 ,000 15
P2 ,87 ,352 15
P3 ,67 ,488 15
P4 ,80 ,414 15
P5 ,87 ,352 15
Item-Total Statistics
Interpretasi
Hasil analisis reliabilitas memperlihatkan dua bagian. Bagian pertama menunjukan hasil statistik
deskriptif masing-masing variabel dalam bentuk mean, standar deviasi dan lain-lain.
Pada bagian kedua memperlihatkan hasil dari proses validitas dan reliabilitas, kaidah yang
berlaku bahwa pengujian dimulai dengan menguji validitas kuesioner baru dilanjutkan uji
reliabilitas.
a. Uji validitas
Untuk mengetahui uji validitas kuesioner dilakukan dengan membandingkan r tabel dengan r
hitung.
Menentukan r tabel dilihat dengan tabel (pada lampiran) dengan menggunakan df = n-2 =
15-2 =13. Pada tingkat kemaknaan 5% didapat angka r tabel = 0.514
Menentukan nilai r hasil perhitungan
nilai r hasil perhitungan bisa dilihat pada kolom Corrected ItemTotal Correlation.
Keputusan
Masing-masing pertanyaan /variabel dibandingkan nilai r hitung dengan r tabel, dengan
ketentuan :
Bila r hitung > r tabel, maka pertanyaan tersebut valid
Dari 5 pertanyaan ada 2 pertanyaan yaitu P1 (r =0,0000) dan P5 ( r=0,3041) nilainya < dari r
tabel. Sehingga pertanyaan P1 dan P5 tidak valid, sedangkan pertanyaan P2, P3 dan P4 valid
(nilai > r tabel).
Langkah selanjutnya melakukan analisis lagi dengan mengeluarkan pertanyaan yang tidak valid.
Lakukan prosedur/langkah seperti di atas yaitu :
Klik analyze
Pilih scale
pilih reliability
Masukkan keempat variabel yaitu P2, P3, dan P4 (P1 dan P5 tidak ikut dianalisis)
Klik OK. Kemudian muncul tampilan sebagai berikut :
Scale: ALL VARIABLES
Ca se Processing Sum ma ry
N %
Cases Valid 15 100,0
Ex cludeda 0 ,0
Total 15 100,0
a. Lis twis e deletion based on all
variables in the procedure.
Reliability Statistics
Cronbach's
Alpha N of Items
,854 3
Item Statistics
Interpretasi :
Sekarang terlihat bahwa dari 3 pertanyaan semua mempunyai r hitung (lihat corrected item total
correlation) berada di atas dari nilai r tabel (r=0,514). Sehingga dapat disimpulkan ketiga
pertanyaan tersebut valid.
b. Uji Reliabilitas
Setelah semua pertanyaan sudah valid semua, analisis dilakukan dengan uji reliabilitas. Untuk
mengetahui reliabilitasnya dengan membandingkan nilai r Cronbach Alpha dengan 0,6; dengan
ketentuan :
Bila nilai Cronbach Alpha > 0,6 dikatakan reliabel
Dari hasil uji di atas lebih ternyata nilai r Alpha (0,854) lebih besar dibandingkan nilai 0,6;
maka ketiga pertanyaan reliabel..
III. Penutup
1. Tes Formatif
a. Buat instrument untuk mengukur pengetahuan salah satu penyakit
b. Kuesioner disebar pada 20 orang
c. Lakukan uji validitas dan reliabilitas
2. Umpan balik
a. Mahasiswa mempraktekkan sesuai dengan perintah
b. Dosen memastikan semua mahasiswa dapat melaksanakan semua perintah
c. Mahasiswa diminta memastikan bahwa semua data dan struktur sudah terekam
3. Tindak lanjut
a. dosen menjelaskan kalau ada mahasiswa yang tidak jelas
b. dosen memberi contoh dengan mempraktekkan, mahasiswa menirukan
c. dosen memberi penjelasan kalau ada mahasiswa yang kesulitan.
SUB POKOK BAHASAN 4
ANALISIS DESKRIPTIF
I. Pendahuluan
1. Deskripsi singkat
Blok ini merupakan pengenalanmelakukan analisis deskriptifbaik unttuk data
kategorik maupun data numerik menggunakan aplikasi komputer.
2. Relevansi
Setelah data diinput dan dimodifikasi, perlu untuk diolah secara deskriptif sesuai
dengan jenis data.
3. Kompetensi
3.1. Standar Kompetensi :
Mahasiswa mampu mengoperasikan aplikasi komputer untuk analisis data
deskriptif.
3.2. Kompetensi Dasar :
Setelah memperoleh pembekalan mahasiswa mampu :
1) Menjelaskan analisis dan interpretasi data, jenis data dan tujuan analisis data
dan langkah-langkah analisis data.
2) Menjelaskan analisis data deskriptif (data kategorik dan data numerik).
3) Mampu melakukan analisis data deskriptif untuk data kategorik
4) Mampu melakukan analisis data deskriptif untuk data numerik
II. Penyajian
1. Pengertian Analisis dan Interpretasi Data
Setelah selesai melakukan pengolahan data, langkah selanjutnya adalah menganalisis data
tersebut. Analisis data merupakan kegiatan yang sangat penting dalam penelitian, sebab dengan
melakukan analisis, data menjadi dapat mempunyai arti/makna yang dapat digunakan untuk
memecahkan masalah penelitian. Akan tetapi dengan melakukan analisis tidak dengan
sendirinya dapat memberikan jawaban penelitian secara langsung. Untuk itu perlu diketahui
bagaimana cara menginterpretasi hasil analisis tersebut. Menginterpretasi berarti kita dapat
menjelaskan hasil analisis agar memperoleh makna atau arti.
Interpretasi data memiliki dua bentuk, yaitu :
a. Interpretasi dalam arti sempit (deskriptif)
Yaitu interpretasi data dilakukan hanya sebatas pada masalah penelitian yang diteliti
berdasarkan data yang dikumpulkan dan diolah untuk keperluan penelitian tersebut.
b. Interpretasi dalam arti luas(analitik)
. yaitu interpretasi guna maencari makna data hasil penelitian dengan jalan tidak hanya
menjelaskan/menganalisis data hasil penelitian tersebut, tetapi juga melakukan inferensi
(generalisasi) dari data yang diperoleh dengan teori-teori yang relevan dengan hasil-hasil
penelitian tersebut.
2. Jenis Data
Data merupakan kumpulan angka/huruf hasil dari penelitian terhadap sifat/karakteristik
yang kita teliti. Isi data umumnya bervariasi ( misalnya data tinggi badan 150 cm, 155 cm, 160
cm dan seterusnya), sehingga muncul istilah variabel. Jadi variabel merupakan karakteristik yang
nilai datanya bervariasi dari satu pengukuran ke pengukuran yang lain.Skala pengukuran dibagi
menjadi 4 (empat), yaitu nominal, ordinal, interval dan rasio.
a. Nominal
Skala pengukuran nominal yaitu data kategori (variabel) yang hanya dapat membedakan,
kategori itu tidak dapat diurutkan dan diberi peringkat, contoh: jenis kelamin, agama dll.
Variabel nominal nilainya sederajat
b. Ordinal
Skala pengukuran ordinal adalah variabel yang dpat membedakan nilai datanya, dapat
diurutkan atau diberi peringkat, contoh : pendidikan (SD, SMP, SMA), sikap (mendukung,
tidak mendukung), pengetahuan(baik, cukup, kurang) dan lain-lain.
c. Interval
Skala interval adalah variabel yang dapat dibedakan, diketahui tingkatnya dan diketahu jarak
atau perbedaan antara nilai pengamatan satu dengan nilai pengamatan lainnya. Namun pada
variabel interval belum diketahui kelipatan suatu nilai terhadap nilai yang lain dan pada
skala interval tidak mempunyai titik nol mutlak. Contoh : variabel suhu, misalnya benda A
suhunya 50 C dan benda B adalah 25C. Benda A lebih panas dari benda B, beda panas
benda A dan B adalah 25C , namun kita tidak bisa mengatakan bahwa benda A panasnya 2
kali benda B (berarti tidak ada kelipatan). Selanjutnya bila benda tersebut suhunya 0C , ini
tidak berarti benda tersebut tidak mempunyai panas (tidak mempunyai nol mutlak).
d. Rasio
Skala rasio adalah variabel yang dapat dibedakan, ada tingkatan, ada besar beda dan ada
kelipatannya serta ada nilai nol mutlak interval yang mempunyai titik nol absolut Contoh :
variabel tinggi badan misalnya tinggi A 160 cm dan benda B adalah 80 cm. A lebih tinggi
dari B, selisih tinggi antara A dan B adalah 80 cm, tinggi A 2 kali benda B (berarti ada
kelipatan). Selanjutnya bila tinggi 0 cm tidak ada tinggi badannya ini berarti benda tersebut
mempunyai nol mutlak
Dalam analisis pembagian data/variabel dibagi menjadi dua kelompok, yaitu :
a. Katagorik (kualitatif) merupakan data hasil pengklasifikasian/penggolongan suatu data.
Contoh status pekerjaan, jenis kelamin, agama dan lain-lain.
b. Numerik (kuantitatif) merupakan variabel hasil dari perhitungan dan pengukuran.
Variabel numerik dibagi 2, menjadi :
1) Variabel diskrit adalah variabel yang diperoleh dari hasil perhitungan.contoh : jumlah
pasien, frekuensi makan, dll
2) Variabel kontinu adalah variabel yang diperoleh dari hasil pengukurancontoh : tinggi
badan, berat badan, suhu, kadar hb dan lain-lain.
Variabel katagorik umumnya berisi variabel berskala nominal dan ordinal, sedangkan variabel
numerik berisi variabel berskala interval dan rasio.
Pada analisis statistik, sering data numerik diubah dalam bentuk data katagorik dengan
cara mengelompokkan/mengklasifikasikan. Misalnya variabel skor pengetahuan data
riilnya merupakan data numerik. Namun bila dikelompokkan mendadi pengetahuan baik
(skor >=85 ), cukup ( <= 65 skor < 85) dan kurang (skor <65), maka variabel tersebut
berubah menjadi katagorik.
a. Jenis Penelitian
Jika ingin mengetahui pada umumnya (secara rata-rata) pendapat masyarakat akan suatu hal
tertentu, maka pengumpulan data dilakukan dengan survei. Dalam kasus ini dapat dilakukan
analisis data dengan pendekatan kuantitatif. Namun jika ingin mendapatkan
gambaran/pendapat yang mendalam tentang suatu fenomena, maka data dapat dikumpulkan
dengan fokus grup diskusi atau observasi, maka analisisnya menggunakan pendekatan
kualitatif.
b. Jenis sampel
Analisis sangat tergantung pada jenis sampel yang dibandingkan, misal pada penelitian
survei yang tidak menggunakan sampel sama, dapat digunakan uji statistik yang
mengasumsikan sampel yang independen. Misalnya suatu survei ingin mengetahui apakah
ada perbedaan berat badan bayi antara bayi-bayi yang dilahirkan oleh ibu pengidap diabetes
dengan bayi-bayi pada ibu yang tidak menderita diabetes (independen). Sedangkan untuk
penelitian eksperimen yang sifatnya pre dan post(sebelum dan sesudah adanya perlakuan
tertentu dilakukan pengukuran), maka uji statistik yang digunakan untuk uji statistik dengan
data dependen. Misalnya penelitian ingin mengetahui pengaruh penyuluhan terhadap
pengetahuan ibu rumah tangga tentang penyakit Flu Burung. Pertanyaan penelitiannya :
Apakah ada perbedaan pengetahuan antara sebelum dan sesudah mendapatkan penyuluhan?
Sampel kelompok ibu rumah tangga bersifat dependen, karena pada kelompok orang yang
sama diukur dua kali, yatitu pada saat sebelum penyuluhan (pretest) dan sesudah dilakukan
penyuluhan (post test)
c. Jenis data/variabel
Untuk data kategori dapat dijelaskan dengan menggunakan nilai proporsi/persentase
(analisis univariat), sedang untuk data jenis numerik menggunakan nilai rata-rata untuk
menjelaskan karakteristiknya. Untuk analisis hubungan dua variabel uji chi square hanya
dapat dipakai untuk mengetahui hubungan antara data katagori dengan data katagori.
Sebaliknya untuk mengetahui hubungan numerik dengan numerik menggunakan uji korelasi
atau regresi.
d. Asumsi kenormalan
Jenis analisis yang dilakukansangat tergantung dengan bentk distribusi datanya.
Bila data berdistribusi normal digunakan prosedur uji statistik parametrik, bila tidak
berdistribusi normal menggunakan prosedur uji statistik non parametrik.
4. Langkah-langkah analisis data
a. Analisis deskriptif (univariat)
Tujuan untuk menjelaskan/mendeskripsikan karakteristik masing-masing variabel yang diteliti.
Untuk data numerik digunakan nilai mean, median, standar deviasi,inter kuartil range dan
minimal dan maksimal.
b. Analisis Analitik
1). Analisis bivariat
Analisis bivariat adalah metode statistik untuk himpunan data dengan satu
variabel bebas (independence variable) dan satu variabel tak bebas/terikat (dependence
variable), sedang jenis uji statistiknya tergantung jenis data/variabel yang dibutuhkan.
2). Analisis multivariat
Analisis multivariat adalah metode statistik untuk himpunan data dengan lebih dari satu
variabel bebas (independence variable) dan lebih dari satu variabel tak bebas/terikat (dependence
variable).
5. Analisis Deskriptif
Tujuan analisis deskriptif untuk menjelaskan/mendeskripsikan karakteristik masing-
masing variabel yang diteliti. Dalam analisis kuantitatif kita dihadapkan pada kumpulan data
yang besar dan banyak yang belum bermakna. Fungsi analisis menyederhanakan atau meringkas
kumpulan data hasil pengukuran, sedemikian hingga kumpulan data tersebut berubah menjadi
kumpulan informasi yang berguna.
Peringkasan tersebut dapat berupa ukuran-ukuran statistik, tabel dan juga grafik. Pada
dasarnya analisis merupakan kegiatan meringkas kumpulan data menjadi ukuran tengah dan
ukuran variasi. Selanjutnya membandingkan gambaran gambaran-gambaran tersebut antara satu
kelompok subyek dan kelompok subyek lain, sesuai dengan tujuan yang ingin dicapai.
b. Mean
Mean adalah ukuran rata-rata yang merupakan hasil bagi dari jumlah semua nilai pengukuran
dibagi oleh banyaknya pengukuran. Secara sederhana perhitungan nilai mean dapat dituliskan
dengan rumus :
jumlah nilai data
Rata-rata hitung =
banyak data
x1 + x 2 +...+ x n
x=
n
n
x
i=1
i
x=
n
Mean dapat digunakan apabila data berskala rasio atau interval dan mempunyai sebaran normal.
Keuntungan nilai mean adalah mudah menghitungnya dan sudah melibatkan seluruh data
dalam perhitungannya. Namun kelemahan nilai mean adalah nilai mean sangat dipengaruhi oleh
nilai ekstrim, baik ekstrim tinggi maupun ekstrim rendah. Contoh ada 5 mahasiswa diukur berat
badannya : 55 kg, 50 kg, 45 kg, 60 kg, 150 kg, nilai meannya 72 kg hasil ini tidak dapat
mewakili karena secara visual datanya sebagian besar kurang dari 60 kg. Dengan demikian
penggunaan nilai mean yang ada nilai ekstrimnya kurang tepat.
c. Median
Median adalah nilai dimana setengah banyaknya pengamatan mempunyai nilai dibawahnya
dan setengah lagi mempunyai nilai di atasnya. Perhitungan median hanya mempertimbangkan
urutan nilai hasil pengukuran, besar beda antara nilai diabaikan. Karena mengabaikan besar beda
maka median tidak dipengaruhi nilai ekstrimnya.
Median digunakan bila kondisi data tidak berskala rasio dan interval. Contoh : dengan
menggunakan data di atas mediannya adalah :
d. Modus/Mode
Modus adalah nilai pengamatan yang mempunyai frekuensi/jumlah terbanyak Contoh data
jenis kelamin mahasiswa L, P, P, P, L, P, dari data tersebut modusnya adalah P. Jadi
mahasiswa terbanyak mempunyai jenis kelamin P (perempuan).Penggunaan modus untuk data
berskala ordinal atau nominal.
Berat badan berkisar antara 40 kg sampai dengan 7 0kg dengan median 52 kg dan range inter
quartil 10,5 kg.
Data Katagorik
Tabel 10 Distribusi Frekuensi Berdasarkan Jenis Kelamin FK tahun 2012
Jenis Kelamin Jumlah Persentase
Laki-laki 30 33.3
Perempuan 60 66.7
Jumlah 90 100
klik
klik
klik
60
klik
Jika ingin menampilkan grafik dapat memilih pilihan chart, sehingga akan tampak tampilan
di bawah ini :
Gambar 29. Menentukan jenis grafik
Pada kotak dialog chart terdapat pilihan :
Chart type
Berisi pilihan jenis grafik yang dapat ditampilkan, yaitu : Bar chart dan histogram chart
untuk tampilan grafik bivariat Sedang pie chart untuk tampilan grafik univariate
Pilih pie chart sebab untuk data kategorik hanya bisa digambarkan secara univariat, klik
continue
a. Chart Value
Ada dua pilihan, yaitu :
1). frequencies, tampilan data dalam frekuensi
2). Percentage, tampilan data dalam bentuk persentase
Klik Ok, sehingga akan tampil output sebagai berikut :
Valid Cumulative
Frequency Percent Percent Percent
Valid L 4 16.7 16.7 16.7
Klik menu pilih Analyze, pilih Descriptive Statistics, klik Descriptive sehingga tampak
tampilan sebagai berikut :
Descriptives
Descriptive Statistics
Statistics
UMUR
N Valid 24
Missing 0
Mean 34.50
St d. Error of Mean 1.12
Median 32.50
Mode 32
St d. Deviat ion 5.49
Minimum 25
Maximum 48
UMUR
8
2
Frequency
0 N = 24. 00
25.0 27.5 30.0 32.5 35.0 37.5 40.0 42.5 45.0 47.5
UMUR
Pada bagian statistik berisi mean, median, mode, standar deviasi , minimum dan maksimumnya.
Distribusi frekuensi ditampilkan dari termuda sampai umur tertua. dengan disertai dengan
jumlah dan persentasenya Bentuk distribusi data diketahui dari grafik histogram dan kurva
normalnya Dari tampilan grafik dapat dilihat bahwa distribusi variabel umur berdistribusi
normal.
Dari hasil di atas belum diperoleh informasi estimasi interval yang penting untuk
melakukan estimasi parameter populasi. Bila ingin memperoleh estimasi interval lakukan
analisis eksplorasi data dengan langkah sebagai berikut :
Klik menu pilih Analyze, pilih Descriptive Statistics, klik Explore Gambar 37. Kotak
dialog Explore
Pindahkan variabel umur ke kotak Dependent List, kotak faktor list dan label case by
biarkan kosong, tampilannya sebagai berikut :
Cases
Valid Missing Total
N Percent N Percent N Percent
UMUR 24 100.0% 0 .0% 24 100.0%
De scriptives
St atist ic St d. Error
UMUR Mean 34.50 1.12
95% Confidenc e Lower Bound 32.18
Int erval for Mean Upper Bound
36.82
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
UMUR .175 24 .054 .957 24 .428
a. Lilliefors Significance Correction
1.5
1.0
.5
0.0
Expected Normal
-.5
-1.0
-1.5
-2.0
20 30 40 50
Observed Value
.6
.4
.2
50
40
30
20
N = 24
UMUR
Dari hasil analisis explore terdapat nilai mean, median, mode, minimum, maksimum,
range, dll. Namun yang penting dari tampilan explore muncul angka estimasi interval.
Dari hasil tersebut kita dapat melakukan estimasi interval dari umur. Kita dapat
menghitung 95 % confidence interval umur dari 32.18 th sampai 36,82 th. Jadi 95 %
yakin bahwa rata-rata umur responden dipopulasi berada pada selang 32.18 th sampai
36.82 th. Dari hasil di atas juga diperoleh uji kenormalan menggunakan kolmogorov
smirnov dengan p value = 0.428 > 0.05 sehingga data berdistribusi normal.
Analisis :
Umur responden rata-rata umur responden 34,5 tahun. ( 95% CI : 32.18 -36.82) dengan standar
deviasi 5.49 tahun. Sedang umur responden berkisar antara 25 tahun sampai 48 tahun. Dari hasil
estimasi interval dapat disimpulkan bahwa 95% diyakini bahwa rata-rata umur ibu antara 32.18
tahun sampai 36.82 tahun.
III. Penutup
1.Tes Formatif
a. Lakukan analisis deskriptif untuk variabel yang lain
b. Kumpulkan minggu depan dengan bentuk :
1) Penyajian dan interpretasi
2) Print out hasil analisis
2. Umpan balik
a. Mahasiswa mempraktekkan sesuai dengan perintah
b. Dosen memastikan semua mahasiswa dapat melaksanakan semua perintah
c. Mahasiswa diminta memastikan bahwa semua data sudah terekam
3. Tindak lanjut
a. dosen menjelaskan kalau ada mahasiswa yang tidak jelas
b. dosen memberi contoh dengan mempraktekkan, mahasiswa menirukan
c. dosen memberi penjelasan kalau ada mahasiswa yang kesulitan.
SUB POKOK BAHASAN 5
PEMBUATAN GRAFIK
I. Pendahuluan
1. Deskripsi singkat
Blok ini merupakan pengenalanmelakukan pembuatan berbagai jenis grafik menggunakan
aplikasi komputer.
2. Relevansi
Setelah data diinput dan dimodifikasi, perlu untuk diolah menjadi berbagai macam grafik
sesuai dengan jenis data.
3. Kompetensi
3.1. Standar Kompetensi :
Mahasiswa mampu mengoperasikan aplikasi komputer untuk membuat berbagai jenis
grafik
3.2. Kompetensi Dasar :
Setelah memperoleh praktikum mahasiswa mampu :
1) Membuat grafik Batang
2) Membuat grafik garis
3) Membuat grafik lingkaran
4) Membuat grafik scatter
II. Penyajian
1. Pendahuluan
Berbagai macam bentuk grafik disediakan oleh SPSS maupun Microsoft Excel, sehingga
memungkinkan pemakai mentransformasikan data statistik kedalam berbagai macam bentuk
grafik yang menarik dan komunikatif. Penyajian dalam bentuk grafik memudahkan pemakai
untuk menganalisisnya sehingga dapat digunakan dalam pengambilan keputusan.Pada prinsipnya
grafik yang dibuat oleh SPSS dibagidalam 3 bagian :
Summaries for group of cases
Grafik ini menyajikan data untuk tiap grup tertentu.
Summaries of separates variables
Grafik ini menyajikan data untuk tiap variabel yang terpisah.
Values of individual cases
Grafik ini menyajikan data untuk tiap kasus secara individual.
2. Kasus
Data cakupan Vitamin A Balita dan Vitamin A ibu nifas di Kabupaten Harapan Jaya
Tahun 1998 - 2003 adalah sebagai berikut:
Vitamin A Vitamin A Vitamin A
Tahun BalitaFebruari BalitaAgustus Bufas
1998 95.76 100.68 72.04
1999 99.06 93.10 66.20
2000 95.43 97.97 85.72
2001 94.84 96.70 80.97
2002 95.25 95.80 82.50
2003 96.08 97.50 85.58
Graph
99
98
Mean VITA_FEB
97
96
95
94
1998 1999 2000 2001 2002 2003
Catatan :
TAHUN
Grafik di atas bisa diperbaiki (penempatan judul, jenis font dan lainnya), dengan cara :
Tempatkan pointer pada daerah grafik.
Dobel klik, maka akan muncul window baru chart editor seperti tampak pada gambar42. Grafik
bisa diperbaiki dengan fasilitas charts editor, dan setelah selesai tutup charts editor, maka
otomatis hasil perbaikan output tampak pada outputs SPSS.
Gambar42. Chart Editor
Simpan dengan cara klik menu bar pilih FileSave asberi nama Bar_1.
Analisis
Terlihat pada tahun 1999 angka cakupan Vitamin A untuk Balita pada bulan Feruari mencapai
angka tertinggi, sedang pada tahun 2001 angka cakupan imunisasi terendah. .
97,0
96,8
96,6
96,4
96,2
96,0
Mean
95,8
VITA_FEB VITA_AUG
Simpan dengan cara klik menu bar pilih File>Save as>beri nama Bar_2.
Analisis
Terlihat pada tahun 1998 angka cakupan Vitamin A untuk Balita pada bulan Feruari lebih tinggi
dibandingkan pada bulan Agustus.
b. Clustered
Dari menubar pilih Graph > Bar
Selanjutnya akan tampak kotak dialog Bar chart, seperti gambar 36
Pilih clustered.
Pilih data in chart area : summaries of separate variable.
Klik Define, sehingga akan tampak tampilan seperti gambar 44
Sesuai dengan gambar 44 ikuti langkah langkah sebagai berikut :
Klik Tahun kemudian klik , maka variabel tahun akan pindah ke categori axis
(sumbu X).
Klik Vita_feb, Vita_aug dan vit_bfas, kemudian klik , maka variabel Vita_feb,
Vita_aug dan vit_bfas akan pindah ke bar represent.
c. Stacked
Dari menubarpilih Graph >Legacy dialog> Bar , seperti tampak pada gambar 34
Selanjutnya akan tampak kotak dialog Bar chart
Pilih stacked.
Pilih data in chart area : summaries of separate variable.
Klik Define, sehingga akan tampak tampilan seperti gambar 37.
Gambar 49 Kotak dialog Define Simple Line : summarise for group of cases.
Sesuai dengan gambar 46 ikuti langkah langkah sebagai berikut :
Kolom category Axis atau nilai untuk sumbu X, klik tahun kemudian klik , maka
variabel tahun akan pindah ke category axis.
Nilai dari line represent mewakili nilai untuk sumbu Y (SPSS hanya menyediakan satu
kemungkinan). Pilih other summary function. Pilih variabel vita_feb, kemudian klik ,
sehingga variabel vita_feb pindah ke variable.
Kolom templates, abaikan saja, Untuk memberi judul pada grafik, klik Titles
Title line 1 : Ketik Grafik Cakupan Vitamin A Balita Februari
Title line 2 : Ketik Kab. Harapan Jaya
Subtitles : Ketik Tahun 1998
Footnote abaikan.
Klik Continue untuk meneruskan, maka akan kembali ke Define Simple line.
Kolom options, abaikan. Klik OK, maka tampak output.
OUTPUT SPSS
Grafik Cakupan Vitamin A Balita Februari
Kab. Harapan Jaya
Tahun : 1998-2003
100
99
98
Mean VITA_FEB
97
96
95
94
1998 1999 2000 2001 2002 2003
TAHUN
Gambar50.grafik line
Simpan dengan cara klik menu bar pilihFileSave asberinama LINE_1a.
Analisis
Terlihat pada tahun 1999 angka cakupan Vitamin A untuk Balita pada bulan Februari tertinggi.
Tugas :Untuk model yang lain coba sendiri
Simpan dengan caraklik menu bar pilih File>Save As beri nama Pie_1
Analisis
Terlihat pada grafik Pie jumlah yang berimbang cakupan Vitamin A Februari antaratahun 1998-
2003.Angkacakupan tertinggi pada tahun 1999.
Summaries of separate variable
Langkah-langkah :
Dari menubar pilih Graph >Legacy dialog>Pie
Selanjutnya akan tampak kotak dialog Pie chart
Pilih data in chart area : summaries of separate variable
Klik Define, sehingga akan tampak tampilan seperti gambar 54.
4. Grafik Scatter
Dipergunakan pada data kuantitatif
Dipergunakan menyajikan sepasang pengamatan dari dua variabel untuk memperlihatkan
hubungan antara dua variable
Tiap pasang pengamatan disajikan sebagai sebuah diagram
Skala vertical padascater tidak perlu diamati dari nol sebab bukan skala frekuensi
Langkah-Langkah
Buka file latih 03
Pilihmenu graphLegacy dialog Scatter/Dot, sepertitampilan di bawahini
III. Penutup
1. Tes Formatif
a. Lakukan pembuatan grafik menggunakan aplikasi computer (SPSS dan MS Excel)
sesuai dengan jenis data yang digunakan menggunakan file latih 03
b. Buat grafik scater hubungan antara pengetahuan dengan sikap, pengetahuan dengan
praktek dans ikap dengan praktek
c. Kumpulkan minggu depan dengan bentuk :
1) Penyajian dan interpretasi
2) Print out hasil analisis
2. Umpan balik
a. Mahasiswa mempraktekkan sesuai dengan perintah
b. Dosen memastikan semua mahasiswa dapat melaksanakan semua perintah
c. Mahasiswa diminta memastikan bahwa semua data dan struktur sudah terekam
3. Tindak lanjut
a. dosen menjelaskan kalau ada mahasiswa yang tidak jelas
b. dosen member contoh dengan mempraktekkan, mahasiswa menirukan
c. dosen member penjelasan kalau ada mahasiswa yang kesulitan.
SUB POKOK BAHASAN 6
UJI NORMALITAS DAN UJI t
I. Pendahuluan
1. Deskripsi singkat
Sub pokok bahasan ini berisi tentang praktikum uji normalitas dan uji hipotesis (uji
parametrik) perbedaan mean antara 2 sampel baik (uji t) baik uji t independent maupun
uji t dependen menggunakan aplikasi komputer.
2. Relevansi
Sebelum dilakukan uji hipotesis perlu dilakukan uji asumsi kenormalan data untuk
menentukan pemilihan uji parametrik atau non parametrik. Setelah semua data siap maka
perlu dilakukan analisis analitik. Jika data berdistribusi normal maka salah satu uji
diantaranya adalah uji perbedaan mean antara 2 sampel.
3. Kompetensi
3.1. Standar Kompetensi :
Mahasiswa mampu melakukan uji normalitas data dan melakukan pengujian hipotesis
menggunakan uji perbedaan 2 mean menggunakan aplikasi komputer
3.2. Kompetensi Dasar :
Setelah memperoleh praktikum mahasiswa mampu :
1) Melakukan uji kenormalan data
2) Melakukan uji perbedaan 2 mean pada sampel independent
(uji t independent)
3) Melakukan uji perbedaan 2 mean pada sampel dependent
(uji t dependent / paired t test)
II. Penyajian
1. Uji Kenormalan
a. Tujuan
Untuk menguji apakah data berasal dari populasi yang berdistribusi normal atau tidak
2. Menggunakan explore
Klik analyzed
PilihDescriptive Statistics
Pilih Explore
Pindahkan bbibu ke dependent list
PilihPlots, klik steam and leaf,
Klik histogram
Klik normality plot with test
Klikcontinue
KlikOK
Descriptives
.00 2 .
4.00 2 . 5789
10.00 3 . 0022222234
5.00 3 . 77899
4.00 4 . 0002
1.00 4 . 8
Stem width: 10
Each leaf: 1 case(s)
Data tidak menyebar jauh dari garis diagonal dan/ menunjukkan pola distribusi normal
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
umur responden
N 24
Positive .175
Negative -.092
Kolmogorov-Smirnov Z .860
2. Analisis Perbedaan
Analisis komparatif atau perbedaan atau analisis komparasi adalah bentuk analisis variabel
(data) untuk mengetahui perbedaan diantara dua kelompok data atau lebih
Terdapat dua jenis perbedaan , yaitu :
1. Perbedaan dua sample
2. Perbedaan k sampel
Kemudian keduanya dibagi menjadi 2 yaitu :
1. Sampel yang berhubungan atau berpasangan
2. Sampel yang tidak berhubungan
Untuk lebih jelasnya lihat tabel di bawah ini :
Contoh :
Seorang mahasiswa FK ingin meneliti perbedaan pengetahuan tentang Imunisasi sebelum dan
sesudah penyuluhan. Jumlah sampel 25 orang dan pengetahuan responden diambil saat sebelum
(pre) penyuluhan dan setelah penyuluhan.
Langkah-langkah :
1. Uji kenormalan data
Buka file data Latih03.sav
Uji (KS) Kolmogorof Smirnov 1 sampel :
SPSS Windows Analyze Non parametric test 1-sampel-KS
One-Sample Kolmogorov-Smirnov Test
skor
skor pengetahuan
pengetahuan sesudah
responden penyuluhan
N 24 24
Normal Parametersa Mean 85.62 87.46
Std. Deviation 11.193 10.112
Most Extreme Differences Absolute .152 .116
Positive .100 .107
Gambar 69.Hasil Uji Normalitas
Dari hasil uji KS diketahui bahwa variabel pengetahuan (sebelum penyuluhan) nilai p =
0,639 dan pengetahuan setelah penyuluhan nilai p = 0,902. Kedua variabel tersebut
memenuhi asumsi yaitu berdistribusi normal sebab nilai p KS > 0,05.
Hasilnya :Pada tabel Paired Samples Statistics terlihat statistik deskriptif dimana rata-rata
skor pengetahuan sebelum penyuluhan sebesar 85,62 dengan standar deviasi 11,193,
sedangkan rata-rata skor pengetahuan sesudah penyuluhan sebesar 87,46 dengan standar
deviasi sebesar 10,112.
Paired Samples Test
Paired Differences
95%
Confidence
Interval of the
Std. Std. Difference
Deviatio Error Uppe Sig. (2-
Mean n Mean Lower r t df tailed)
Pair 1 skor pengetahuan
responden - skor
pengetahuan -1.833 2.761 .564 -2.999 -.667 -3.253 23 .004
sesudah
penyuluhan
Sementara pada tabel Paired Samples Test, diperoleh nilai rata-rata perbedaan antara
pengukuran pertama dan pengukuran kedua adalah -1,833 dengan standar deviasi 2,761.
Hasil uji statistik dengan uji t sampel berhubungan diperoleh nilai p = 0,004 ( < alpha 5%),
dengan demikian dapat disimpulkan :
Ada perbedaan yang signifikan antara pengetahuan sebelum dan sesudah penyuluhan
3. Penyajian dan Interpretasi Dalam Laporan Penelitian
Bentuk penyajian interpretasi dalam laporan penelitian adalah sebagai berikut:
Tabel 13 Distribusi rata-rata pengetahuan sebelum dan sesudah penyuluhan
Tujuan : Untuk mengetahui perbedaan rata-rata (mean) antara dua kelompok data yang
independen :
Contoh :
Apakah ada perbedaan antara berat bayi yang dilahirkan pada ibu bekerja dengan ibu yang
tidak bekerja.
Syarat :
1. distribusi normal
2. Kedua kelompok data independen
3. Jenis variabel numerik dan katagorik (dua kelompok)
Prinsip pengujian dua mean adlah melihat perbedaan variasi kedua kelompok data. Oleh
karena itu dalam pengujian ini diperlukan informasi apakah varaian kedua kelompok yang
diuji sama atau tidak. Bentuk varian kedua kelompok data akan berpengaruh pada nilai
standar error yang akhirnya akan membedakan rumus pengujiannya.
.a. Uji untuk varians sama
Uji beda dua mean dapat dilakukan dengan menggunakan uji Z atau uji T. Uji Z dapat
digunakan bila standar deviasi populasi diketahui dan jumlah sampel besar (lebih dari 30) .
Apabila kedua syarat tidak terpenuhi maka dilakukan uji T. Pada umumnya nilai standar
deviasi populasi sulit diketahui sehingga uji beda dua mean biasanya menggunakan uji T (T-
Test) Untuk varians sama bentuk ujinya sebagai berikut :
X1 X 2
T
1 1
Sp
n1 n2
Sp 2
n1 1 S12 n2 1 S12
n1 n2 2
df = n1 + n2 - 2
dimana :
n1atau n2 = jumlah sampel kelompok 1 atau 2
S1 atau S2 = standar deviasi sampel kelompok 1 atau 2
Contoh :
Seorang mahasiswa FK ingin meneliti perbedaan pengetahuan antara laki-laki dengan
perempuan. Sampel diambil dengan rumus didapatkan n = 50 orang.
Kerangka konsep :
Gender pengetahuan
Variabel Independen :
Gender : Skala kategorik (1 = L dan 2 = P)
Variabel Dependen :
Pengetahuan : Skala numerik
Langkah-langkah :
1. Uji kenormalan data
Uji (KS) Kolmogorof Smirnov 1 sampel :
SPSS Windows Analyze Non parametric test 1-sampel-KS
Hasil lihat gambar 69 (distribusi normal) jadi memenuhi asumsi yaitu berdistribusi normal
sebab nilai p KS > 0,05.
2. Uji t sampel bebas (independent samples t test)
Dari menu utama SPSS, klik Analyze
Pilih sub menu Compare Mean
Pilih Independent-Samples t test.
Gambar 72. Kotak Dialog Independent sampels t-test
Tampak pada layar :
Klik variabel pengetahuan (numeric) dan masukkan ke kota Test Variable
Klik variabel Gender (kategorik) dan masukkan ke kotak Grouping Variable
Klik Define Group, kemudian dilayar kotak isian. Pada kotak ini diminta mengisi kode
variabel kategorik, pada kasus ini laki-laki diberi kode 1 dan Perempuan kode 2.
Group Statistics
jenis
kelamin
respond
en N Mean Std. Deviation Std. Error Mean
Pada output diatas (Group Statistics), terlihat bahwa rata-rata pengetahuan pada responden
Laki-lakisebesar 87,50 hampir sama dengan rata-rata pengetahuan responden perempuan
sebesar 85,25.
Sedangkan pada output Independent Samples Test, SPSS menampilkan dua uji t yaitu uji t
dengan asumsi varians kedua kelompok sama (Equal Variances Assumed) dan uji t dengan
asumsi varian kedua kelompok berbeda (Equal Variances Not Assumed).
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 Differ Difference
F Sig. t df tailed) nce ence Lower Upper
Skor Equal
pengeta variances 1.565 .224 .360 22 .722 2.250 6.250 -10.712 15.212
huan assumed
respond
Equal
en variances not .286 3.640 .791 2.250 7.875 -20.493 24.993
assumed
Untuk memilih uji mana dipakai, dapat dilihat uji homogenitas melalui Uji Levene. Pada tabel
diatas diperoleh nilai p pada uji levene (0,224), nilai ini > dari alpha (0,05), yang berarti
varian pada kedua kelompok diatas sama.
Jadi yang dilihat sekarang pada uji T dengan varian yang sama (equal). Dari hasil diatas
didapat nilai p = 0,722 (> dari alpha 0,05), sehingga dapat disimpulkan
bahwa pada alpha 5% didapat tidak ada perbedaan yang signifikan rata-rata pengetahuan
pada responden laki-laki dan perempuan
3. Penyajian dan Interpretasi Dalam Laporan Penelitian
Bentuk penyajian interpretasi dalam laporan penelitian adalah sebagai berikut:
Tabel 14 distribusi rata-rata pengetahuan berdasarkan jenis kelamin
Variabel Rata-rata SD SE p value N
Pengetahuan
a. L 87,50 15,00 7,500 0,722 4
b. P 85,25 10,735 7,401 20
Rata-rata pengetahuan pada laki-laki (87,50) dengan standar deviasi 15.Sedangkan rata-rata
pengetahuan pada responden perempuan yaitu 85,25 dengan standar deviasi 10,735. Hasil uji
statistik didapat nilai p=0,722 berarti pada alpha 5% tidak ada perbedaan yang signifikan
rata-rata pengetahuan pada responden laki-laki dan perempuan
III. Penutup
1. Tes Formatif
a. Lakukan uji perbedaan 2 sampel dengan menggunakan variable yang ada pada latihan
3
b. Lakukan uji normalitas untuk variable numeric yang lain baik secara grafik maupun
uji statistic
2. Umpan balik
a. Mahasiswa mempraktekkan sesuai dengan perintah
b. Dosen memastikan semua mahasiswa dapat melaksanakan semua perintah
c. Mahasiswa diminta memastikan bahwa semua data sudah terekam
3. Tindak lanjut
a. dosen menjelaskan kalau ada mahasiswa yang tidak jelas
b. dosen memberi contoh dengan mempraktekkan, mahasiswa menirukan
c. dosen memberi penjelasan kalau ada mahasiswa yang kesulitan.
SUB POKOK BAHASAN 7
UJI ANOVA
I. Pendahuluan
1. Deskripsi singkat
Sub pokok bahasan ini berisi tentang praktikum uji hipotesis (uji parametrik)
perbedaan antara lebih dari 2 sampel baik one way anova dan two way anova
menggunakan aplikasi komputer.
2. Relevansi
Setelah semua data siap maka perlu dilakukan analisis analitis salah sattu diantaranya
adalah uji perbedaan antara lebih dari 2 sampel
3. Kompetensi
3.1. Standar Kompetensi :
Mahasiswa mampu melakukan uji perbedaan lebih dari 2 sampel menggunakan
aplikasi komputer
3.2. Kompetensi Dasar :
Setelah memperoleh praktikum mahasiswa mampu :
1) Melakukan uji one way anova
2) Melakukan uji two way anova
II. Penyajian
1. AnovaSatuFaktor/One Way Anova
Contoh :
Seorang mahasiswa FK ingin meneliti perbedaan pengetahuan berdasarkan pendidikan.
Kerangka konsep :
Pendidikan pengetahuan
Variabel Independen :
Pendidikan : Skala kategorik (1= SMA, 2 = D1, 3 = D3)
Variabel Dependen :
pengetahuan :Skala numerik
Langkah-langkah :
1. Ujikenormalan data
Buka file data Latih03.sav
Uji (KS) Kolmogorof Smirnov 1 sampel
SPSS Windows Analyze Non parametric test 1-sampel-KS
Hasil normal (lihatgambar 69)
2. UjiAnova One Way
Klik Analyze,
Pilih Compare Mean, Pilih One Way Anova.
Tampakpadalayar :
Hasilnya :
skorpengetahuanresponden
.472 2 21 .630
Dari hasil test homogenitas (levene test) diketahui bahwa varian antar kelompok pendidikan
homogeny dengan nilai p value = 0,630 atau lebih besar dari nilai alpha 0,05 (memenuhi syarat uji
anova).
Descriptives
skorpengetahuanresponden
95% Confidence
Interval for Mean
ANOVA
skorpengetahuanresponden
Total 2881.625 23
Hasiluji statistic dengan pada tabel diatas, terlihat nilai p value sebesar 0,003 (< alpha
0,05). Hal iniberartipada alpha 5 % dapat disimpulkan bahwa ada perbedaan pengetahuan
diantara ketiga jenjang pendidikan tersebut.
Untuk melihat pasangan mana yang berbeda, maka digunakan uji lanjut sesudah anova, yaitu
post hoc test pada latihan ini digunakan Bonferroni
Multiple Comparisons
skorpengetahuanresponden
Bonferroni
Hasil analisis lebih lanjut membuktikan bahwa kelompok yang berbeda signifikan adalah antara
jenjang pendidikan D1dengan D3dengan p value 0,003 (< alpha 0,05), dan tidak ada perbedaan
padap endidikan SMA dengan D1dengan p value 0,109 (> alpha 0,05) dan antara jenjang
pendidikan SMA dengan D3 dengan p value 0,056 (> alpha 0,05).
Pendidikan
Pengetahuan
JenisKelamin
Variabel Independen :
Pendidikan : Skala kategorik (1= SMA, 2 = D1, 3 = D3)
JenisKelamin : Skala kategorik (1= L dan 2 = P)
Variabel Dependen :
Pengetahuan : Skala numerik
Langkah-langkah :
1. Ujikenormalan data
Buka file data Latih03.sav
Uji (KS) Kolmogorof Smirnov 1 sampel
SPSS Windows Analyze Non parametric test 1-sampel-KS
Hasil normal (lihatgambar 69)
Between-Subjects Factors
Value Label N
pendidikanresponden 1 SMA 13
2 D1 8
3 D3 3
jeniskelaminresponden 1 L 4
2 P 20
Padatabel diatas, menunjukkan data yang diikutsertakan dalam uji, untuk variable pendidikan
terdiri atas 3 kategori yaitu SMA (13 orang), D1 (8 orang), dan D3 (3 orang) sedangkan
untuk variabel jenis kelamin terdiri 2 kategori yaitu Laki-laki (4 orang) dan yang perempuan
(20 orang). Jadi jumlah seluruh data 24 data yang diikutkan dalam proses uji.
Dependent Variable:skorpengetahuanresponden
Total 178841.000 24
III. Penutup
1. Tes Formatif
Lakukan uji perbedaan lebih dari 2 sampel dengan menggunakan variable yang ada pada
latihan 3
2. Umpan balik
a. Mahasiswa mempraktekkan sesuai dengan perintah
b. Dosen memastikan semua mahasiswa dapat melaksanakan semua perintah
c. Mahasiswa diminta memastikan bahwa semua data dan struktur sudah terekam
3. Tindak lanjut
a. dosen menjelaskan kalau ada mahasiswa yang tidak jelas
b. dosen member contoh dengan mempraktekkan, mahasiswa menirukan
c. dosen memberi penjelasan kalau ada mahasiswa yang kesulitan.
SUB POKOK BAHASAN 8
UJI KORELASI DAN REGRESI LINIER
I. Pendahuluan
1. Deskripsi singkat
Sub pokok bahasan ini berisi tentang praktikum uji hipotesis (uji parametrik) yaitu uji
korelasi dan regresi menggunakan aplikasi komputer.
2. Relevansi
Setelah semua data siap maka perlu dilakukan analisis analitis salah sattu diantaranya
adalah uji korelasi dan regresil
3. Kompetensi
3.1. Standar Kompetensi :
Mahasiswa mampu melakukan uji korelasi dan regresi menggunakan aplikasi
komputer
3.2. Kompetensi Dasar :
Setelah memperoleh praktikum mahasiswa mampu :
1) Melakukan uji korelasi
2) Melakukan uji regresi
II. Penyajian
1. Uji Korelasi Pearson
Korelasi Pearson digunakan untuk menguji hubungan dua variable kuantitatif (interval,
rasio) dan berdistribusi normal. Korelasi Pearson disamping dapat mengetahui kekuatan
hubungan juga dapat mengetahui arah hubungan dua variable numeric. Misalnya apakah
hubungan antara beratbadan ibu dengan berat lahir bayi mempunyai hubungan yang kuat atau
lemah, juga apakah hubunganitu berpola positif atau negative.
Secara sederhana atau secara visual hubungan dua variable dapat dilihatdari diagram
tebar/pencar (scatter plot). Diagram tebar adalah grafik yang menunjukkan titik-titik
perpotongan nilai data dari dua variable (x dan y). Pada umumnya dalam grafik variable
independent y) diletakkan pada garis horizontal sedangkan variable dependen (y) padagaris
vertical.
Dari diagram tabar dapat diperoleh informasi tentang pola hubungan antara dua variable
x dan y. Selain member informasi pola hubungan dari kedua variable diagram tebar juga
dapat menggambarkan keeratan hubungan darik edua variable tersebut.
Untuk mengetahui lebih tepat kekuatan hubungan digunakan koefisien korelasi
Pearson.Koefisien korelasi disimpulkan dengan huruf r (huruf r kecil).
Dari nilai r kita dapat menentukan :
a. Kekuatan hubungan ( nilai 0 dan 1)
b. Arah hubungan (+ dan -)
Kisaran nilai r antara 0 sampaidengan 1
0 :tidakada hubungan linier
+1 :ada hubungan linier positif sempurna
-1 :ada hubungan linier negatif sempurna
Arah hubungan
+ :hubungan positip : semakin besar x semakin besar y
- : hubungan negative
Hubungan dua variable dapat berpola positif atau negative ,hubungan positif terjadi bila
kenaikan satu variable diikuti kenaikan variable lain, missal semakin bertambah indeks
massa tubuh (semakin gemuk) semakin tinggi tekanan darahnya. Sedangkan hubungan
negatip dapatterja dibila kenaikan satu variable diikutip enurunan variable yang lain,
misalnya semakin banyak jumlahanakknya semakin rendah gizi balitanya.
Contoh
pengetahuan sikap
Variable independen :pengetahuan
Variabeldependen : sikap
Pertanyaan:
Apakah ada hubungan antara pengetahuan dengan sikap? Seberapa kuatkah hubungan
tersebut? Bagaimana arah hubungant ersebut?
Langkah-langkah :
1. Buka Latih03.sav
2. Buat diagram tebar dengan cara :
klik graph, pilih scatter
klik simple, klik define
padakotak y axis, isikan variable dependennya : sikap
padakotak x axis, isikan variable independennya : pengetahuan
klik OK
terlihat di layargrafik scatter plotnya ( garisregresibelumada? )
Untuk mengeluarkan garisnya, klik grafiknya dua kali
Klik chart, pilih icon add fit line at total, pastikan pada posisi linier klik close
Klik close, maka muncul garis regresinya.
3. Pada data buat variable baru yang merupakan perkalian antara pengetahuan dengan sikap
yaitu namavariabelnya tahusikap dengan cara:
a. klik transform, pilih compute
b. pada target variable isikan : tahusikap
c. pada numeric expression ketik : pengetahuan * sikap
d. klik OK
4. Uji kenormalan datanya untuk variable pengetahuan, sikap dan tahusikap
menggunakanuji one sample kolmogorof smirnof dengan cara:
klik analyze, pilih nonparametrik test, pilih one sample KS
masukkan kekotak test variable list: variable pengetahuan, sikap dan tahusikap
pada test distribution pilih normal
klik OK
5. Melakukan analisa korelasi dengan cara :
klik analyze, pilih correlate, pilih bivariate
masukkan kekotak variable: variable pengetahuan dan sikap
pada correlation coefficients pilih Pearson
pada test of significance pilih : two tailed
danklik Flag significant correlations
klik OK
6. Interpretasihasil
Hasil :
1. Diagram tebar:
Pada diagram tebar terlihat hubungan yang kuat dan data menyebar dengan pola positif artinya
semakin bertambah pengetahuan semakin bertambah pula sikapnya. Namun untuk lebih
tepatnya dilakukanan alisis korelasi untuk mengetahui koefisien korelasinya.
2. Pada analisis kenormalan data, hasilnya :
Pada uji kenormalan, terlihat p value untuk ketiga variable yaitu pengetahuan, sikap dan
tahusikap p value> 0,05 sehingga kesimpulannya data berdistribusi normal sehingga asumsi
distribusi normal terpenuhi.
3. AnalisakorelasiPearson :
Ho: = 0 (pada populasi tidak ada hubungan antara pengetahuan dengan sikap
Ha: 0 (pada populasi ada hubungan antara pengetahuan dengan sikap
Hasil uji dengan SPSS:
Correlations
skorpengetahua skorsikaprespon
nresponden den
skorpengetahuanresponden Pearson Correlation 1 .569**
Sig. (2-tailed) .004
N 24 24
skorsikapresponden Pearson Correlation .569** 1
Sig. (2-tailed) .004
N 24 24
n X i .Yi - X i Yi
b =
n X i2 - X i
2
a Y bX
dimana Y= mean Y dan X= mean X
1. Nilaia.koefisien
Predictors:korelasi
(Constant),r skorpengetahuanresponden
= 0,569
2. Koefisien determinasi R2 = 0,32 (variasi sikap dapat dijelaskan olehvariabel pengetahuan
sebesar32 %).
ANOVAb
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
pengetahuan praktek
sikap
Hubungan pengetahuan dengan praktek setelah dikontrol sikap diperoleh p-value sebesar0,001
(< 0,05). Sehingga kesimpulannya adalah : ada hubungan pengetahuan dengan praktek setelah
dikontrol sikap.
III. Penutup
1. Tes Formatif
Lakukan uji korelasi dan regresi dengan menggunakan variable yang ada pada latihan 3
2. Umpan balik
a. Mahasiswa mempraktekkan sesuai dengan perintah
b. Dosen memastikan semua mahasiswa dapat melaksanakan semua perintah
c. Mahasiswa diminta memastikan bahwa semua data dan struktur sudah terekam
3. Tindak lanjut
a. dosen menjelaskan kalau ada mahasiswa yang tidak jelas
b. dosen memberi contoh dengan mempraktekkan, mahasiswa menirukan
c. dosen memberi penjelasan kalau ada mahasiswa yang kesulitan.
SUB POKOK BAHASAN 9
UJI NON PARAMETRIK
I. Pendahuluan
1. Deskripsi singkat
Sub pokok bahasan ini berisi tentang praktikum uji hipotesis (uji non parametrik) yaitu
uji tanda dan Wilcoxon, uji Mann whitney, Uji Median, Uji Kruskal Wallis dan Uji chi
Squaremenggunakan aplikasi komputer.
2. Relevansi
Setelah semua data siap maka perlu dilakukan analisis analitik salah sattu diantaranya
adalah uji statistik non parametrik
3. Kompetensi
3.1. Standar Kompetensi :
Mahasiswa mampu melakukan uji statistic non parametric menggunakan aplikasi
komputer
3.2. Kompetensi Dasar :
Setelah memperoleh praktikum mahasiswa mampu :
1) Melakukan uji tanda dan Wilcoxon
2) Melakukan uji Mann Whitney
3) Melakukan uji Median
4) Melakukan uji Kruskal Wallis
5) Melakukan uji Chi Square
II. Penyajian
1. UJI TANDA DAN UJI WILCOXON
Uji tanda dan uji Wilcoxon digunakan untuk menganalisis perbedaan dua sampel yang
berpasangan/berhubungan (dependence sample) antara dua variabel kategorik (statistik non
parametrik). Uji tanda adalah uji yang dilakukan dengan memberi tanda pada perbedaan antara
pasangan nilai nilai pengamatan dari satu atau dua sampel yang berhubungan atau sebelum dan
sesudah suatu perlakuan.Uji tanda berisi informasi tentang apakah satu pengamatan lebih besar
(positif) atau lebih kecil (negatif) dari pengamatan lainnya, tanpa mengetahui seberapa besar
perbedaan tersebut.
Sedangkan Uji wilcoxon merupakan perluasan dari uji tanda, dimana tidak hanya
memberikan informasi tentang arah perbedaan tetapi juga besarnya perbedaan pasangan nilai
tersebut.
Asumsi yang digunakan :
a. Kedua sampel yang dibandingkan harus dependen dan dicuplik secara acak dari populasi
b. Variabel diukur minimal dalam skala ordinal
Contoh kasus :
Peneliti ingin membandingkan persepsi ibu tentang alat KB sebelum dan sesudah diberikan
penyuluhan
Langkah langkah :
setelah
penyuluhan -
sebelum
penyuluhan
Z -1.000a
As ymp. Sig. (2-tailed) .317
a. Based on negative ranks .
b. Wilcoxon Signed Ranks Test
Ra nks
Sign Test
Frequenci es
N
setelah penyuluhan - Negative Differencesa 3
sebelum penyuluhan Positive Differencesb 6
Ties c 11
Total 20
a. setelah penyuluhan < s ebelum peny uluhan
b. setelah penyuluhan > s ebelum peny uluhan
c. sebelum penyuluhan = setelah peny uluhan
Test Statisticsb
setelah
penyuluhan -
sebelum
penyuluhan
Exact Sig. (2-tailed) .508a
a. Binomial distribution us ed.
b. Sign Test
Hipotesis
Ho : persepsi sebelum dan sesudah penyuluhan tidak berbeda
Ha : persepsi sebelum dan sesudah penyuluhan berbeda secara nyata
Keputusan
Dari hasil exact.sig (2-tailed) didapat hasil untuk kedua uji >0.05, sehingga Ho gagal ditolak,
artinya persepsi ibu tentang alat KB sebelum dan sesudah penyuluhan tidak berbeda.
2. Uji Mann-Whitney
Uji dua sampel bebas (independent) pada statistik non-parametrik dapat digunakan uji
Mann-Whitney.Uji Mann-Whitney bertujuan membandingkan median peringkat dari sampel
pertama dengan median peringkat dari sampel kedua.
Dalam penerapannya, uji Mann-Whitney analog dengan metode parametrik yang disebut
uji t independent (independent t test), dengan obyek perbandingan ialah pengamatan-pengamatan
dari dua buah sampel yang tidak berhubungan (sampel bebas).
Asumsi yang digunakan :
a. Kedua sampel yang dibandingkan harus independen dan dicuplik secara acak dari populasi
b. Variabel diukur minimal dalam skala ordinal
c. Jika skala data rasio atau interval tetapi distribusi datanya tidak normal
Contoh kasus 1 :
Peneliti ingin mengetahui apakah ada perbedaan sikap terhadap kolostrum pada ibu bekerja dan
tidak bekerja.
Sikap terhadap kolostrum : 1. STS (Sangat Tidak Setuju)
2. TS (Tidak Setuju)
3. KS (Kurang Setuju)
4. S (Setuju)
5. SS (Sangat Setuju)
Skala pengukuran : ordinal
Status bekerja : 0. Tidak Bekerja
1. Bekerja
Langkah langkah
Buka file BERLATIH.SAV.
Dari menu analyze, pilih non parametrik test, lalu pilih 2-Independent sample
Pada test variable list isi variabel kolostrum
Pada grouping variable isi kerja define : untuk group 1 isi 0, group 2 isi 1
Pada test type pilih uji Mann Whitney
Klik OK
Didapat hasil:
Ranks
Te st Statisticsa
Diberi
kolostrum
Mann-W hit ney U 215.000
W ilcox on W 540.000
Z -1. 969
As ymp. Sig. (2-tailed) .049
a. Grouping Variable: Status kerja ibu
Hipotesis :
Ho : Sikap ibu terhadap kolostrum sama antara ibu yang bekerja dengan ibu yang tidak bekerja.
Ha : Sikap ibu terhadap kolostrum berbeda antara ibu yang bekerja dengan ibu yang tidak
bekerja
Keputusan:
Dari uji diatas didapat p-value 0,049 < alpha (0.05), sehingga Ho ditolak, artinya sikap ibu
terhadap kolostrum berbeda antara ibu yang bekerja dengan ibu yang tidak bekerja
Contoh kasus 2 :
Peneliti ingin mengetahui apakah sikap ibu terhadap ASI eksklusif sesuai dengan perilaku
menyusui eksklusif pada ibu
Langkah langkah
Buka file BERLATIH.SAV.
Dari menu analyze, pilih non parametrik test, lalu pilih 2-Independent sample
Pada test variable list isi variabel ratsikap
Pada grouping variable isi eksklu define : untuk group 1 isi 0, group 2 isi 1
Pada test type pilih uji Mann Whitney Klik OK
Didapat hasil:
Ranks
Test Statisticsa
RATSIKAP
Mann-Whitney U 263.000
Wilcoxon W 614.000
Z -1.102
As ymp. Sig. (2-tailed) .270
a. Grouping Variable: Menyusui eksklusive
Hipotesis :
Ho : Sikap ibu terhadap ASI eksklusif sesuai dengan perilaku menyusui eksklusif
Ha : Sikap ibu terhadap ASI eksklusif tidak sesuai dengan perilaku menyusui eksklusif
Keputusan:
Dari uji di atas didapat p-value 0,270 > 0.05, sehingga Ho gagal tolak, artinya sikap ibu terhadap
ASI eksklusif sesuai dengan perilaku menyusui eksklusif.
Contoh kasus 3:
Peneliti ingin mengetahui apakah ada perbedaan rata-rata umur pada ibu yang pendidikannya
SD, dan ibu yang pendidikannya SLTP, SLTA dan PT
umur skala pengukuran : rasio
Pendidikan : 0. SD
Langkah langkah:
1 Melakukan uji kenormalan pada data umur ibu karena skala pengukuran adalah rasio.
Langkah-langkah adalah sebagai berikut:
Aktifkan file Prak Reglog Multi.SAV.
Pada Analize pilih Nonparametric Test, lalu pilih 1-sample K-S
Masukkan variabel jumlah anak ke test variable list
Pada test Distribution pilih : normal
Lalu klik : OK
Hasil :
Umur ibu
N 225
Normal Parametersa,b Mean 23.111
St d. Deviation 5.278
Most E xtreme Absolute .100
Differences Positive .100
Negative -.052
Kolmogorov-Smirnov Z 1.500
As ymp. Sig. (2-tailed) .022
a. Test distribution is Normal.
b. Calculated from data.
Ranks
Test Statisticsa
Umur ibu
Mann-Whitney U 2682.000
Wilcoxon W 20637.000
Z -2.015
As ymp. Sig. (2-tailed) .044
a. Grouping Variable: didikbaru2
Hipotesis :
Ho : Tidak ada perbedaan rata-rata umur ibu pada ibu yang pendidikannya SD dan ibu yang
pendidikannya SLTP, SLTA dan PT
Ha : Ada perbedaan rata-rata umur ibu pada ibu yang pendidikannya SD dan ibu yang
pendidikannya SLTP, SLTA dan PT
Keputusan :
Dari hasil asymp.Sig (p-value) didapat nilai 0.044 berarti < 0.05, sehingga Ho ditolak, artinya
ada perbedaan rata-rata umur ibu pada ibu yang pendidikannya SD dan ibu yang pendidikannya
SLTP, SLTA dan PT
3. Uji Median
Uji median digunakan untuk menguji kemaknaan perbedaan beberapa (k) sampel independen
dengan data berskala ordinal.Dalam pegujiannya, uji median melakukan perhitungan angka
median (titik tengah) dan berdasarkan median tersebut dilakukan pegelompokan, yaitu angka
dibawah median dan diatas median.
Contoh Kasus 1 :
Peneliti ingin mengetahui apakah ada perbedaan nilai median sikap terhadap kolostrum pada ibu
yang berpendidikan SD, SMP, SMU dan PT.
Sikap terhadap kolostrum : 1. STS (Sangat Tidak Setuju)
2. TS (Tidak Setuju)
3. KS (Kurang Setuju)
4. S (Setuju)
5. SS (Sangat Setuju)
Skala pengukuran : ordinal
Tingkat pendidikan ibu : 1. SD
2. SMP
3. SMU
4. PT
Langkah langkah
Aktifkan file BERLATIH..SAV
Pada Analyze pilih Nonparametric Test, lalu pilih k-Independent Samples
Pada Test Variable isi variabel jumlah anak
Pada grouping variabel isi dengan variabel didik
Klik define group, isi minimum dengan 1 dan maksimum dengan 4 continue
Pada Test Type pilih Median
OK
Didapat hasil
Frequencies
Diberi
kolostrum
N 50
Median 2.50
Chi-Square 1.940a
df 3
As ymp. Sig. .585
a. 2 c ells (.0% ) have expected frequencies les s than
5. The minimum ex pec ted cell frequenc y is 4.0.
b. Grouping V ariable: Pendidikan terak hir ibu
Hipotesis :
Ho : Median sikap terhadap kolostrum tidak ada perbedaan pada ibu yang berpendidikan SD,
SMP, SMU dan PT.
Ha : Median sikap terhadap kolostrum berbeda pada ibu yang berpendidikan SD, SMP, SMU
dan PT.
Keputusan
Dari hasil asymp.Sig (p-value) didapat nilai 0.585 atau > 0.05, sehingga Ho gagal ditolak, artinya
tidak ada perbedaan yang nyata sikap terhadap kolostrum pada ibu yang berpendidikan SD,
SMP, SMU dan PT.
Contoh kasus2:
Peneliti ingin mengetahui apakah ada perbedaan umur ibu pada tiap tiap tingkat
pendidikannya
umur skala pengukuran : rasio
Tingkat Pendidikan ibu : 1. SD
2. SMP
3. SMA
4. PT
Langkah langkah:
1. Melakukan uji kenormalan pada data umur ibu karena skala pengukuran adalah rasio.
Langkah-langkah adalah sebagai berikut:
Aktifkan file BERLATIH.SAV.
Pada Analize pilih Nonparametric Test, lalu pilih 1-sample K-S
Masukkan variabel jumlah anak ke test variable list
Pada test Distribution pilih : normal
Lalu klik : OK
Hasil :
Umur ibu
N 225
Normal Parametersa,b Mean 23.111
St d. Deviation 5.278
Most E xtreme Absolute .100
Differences Positive .100
Negative -.052
Kolmogorov-Smirnov Z 1.500
As ymp. Sig. (2-tailed) .022
a. Test distribution is Normal.
b. Calculated from data.
Frequencies
didikbaru
SLTP SLTA & PT 3 4
Umur ibu > Median 14 3 0 0
<= Median 16 3 0 0
Test Statisticsb
Umur ibu
N 36
Median 24.000
Chi-Square .022a
df 1
As ymp. Sig. .881
a. 2 cells (.0%) have expected frequencies less than
5. The minimum expected cell frequency is 2.8.
b. Grouping Variable: didikbaru
Hipotesis :
Ho : Tidak ada perbedaan median umur ibu pada tingkat pendidikan
Ha : Ada perbedaan median umur ibu pada tiap tingkat pendidikan
Keputusan :
Dari hasil asymp.Sig (p-value) didapat nilai 0.881 berarti > 0.05, sehingga Ho gagal dotolak /
diterima, artinya tidak ada perbedaan yang nyata median umur ibu pada tiap tiap tingkat
pendidikan.
4. Uji Kruskal-Wallis
Uji Kruskal-Walis digunakan untuk menguji kemaknaan perbedaan beberapa (k) sampel
independen dengan data berskala ordinal. Prinsip dari uji kruskal-walis sama dengan uji anova
yaitu memperhitungkan variasi variasi antar kelompok (between group) dan variasi dalam
kelompok (within group). Makin besar deviasi variasi antar kelompok relatif terhadap variasi
dalam kelompok, makin kecil kemungkinan bahwa perbedaan antar sampel yang teramati
disebabkan kebetulan.
Asumsi yang diperlukan :
a. Sampel sampel berasal dari populasi independen. Pengamatan satu dan lainnya independen.
b. Sampel dicuplik secara acak dari populasi masing masing
c. Data diukur minimal dalam skala ordinal
Contoh kasus 1:
Peneliti ingin mengetahui apakah ada perbedaan sikap terhadap kolostrum pada tiap tiap
tingkat pendidikan ibu.
Sikap terhadap kolostrum : 1. STS (Sangat Tidak Setuju)
2. TS (Tidak Setuju)
3. KS (Kurang Setuju)
4. S (Setuju)
5. SS (Sangat Setuju)
Skala pengukuran : ordinal
Tingkat pendidikan ibu : 1. SD
2. SMP
3. SMU
4. PT
Karena sikap terhadap kolostrum skala datanya adalah ordinal maka untuk mengujinya langsung
digunakan uji non parametrik yaitu uji Kruskal Wallis.
Langkah langkah :
Aktifkan file BERLATIH.SAV.
Pada Analyze pilih Nonparametric Test, lalu pilih k-Independent Samples
Pada Test Variable isi variabel kolostrum
Pada grouping variabel isi dengan variabel didik
Klik define group, isi minimum dengan 1 dan maksimum dengan 4 continue
Pada Test Type, pilih Kruskal-Wallis H
Klik OK
Didapat hasil:
Ra nks
Diberi
kolostrum
Chi-Square 2.194
df 3
As ymp. Sig. .533
a. Kruskal W allis Tes t
b. Grouping Variable: Pendidik an t erak hir ibu
Hipotesis
Ho : Tidak ada perbedaan sikap terhadap kolostrum untuk tiap tingkat pendidikan
Ha : Ada perbedaan sikap terhadap kolostrum untuk tiap tingkat pendidikan
Keputusan
Dari hasil asymp.Sig (p-value) didapat nilai 0.533 berarti > 0.05, sehingga Ho diterima, artinya
tidak ada perbedaan yang nyata sikap terhadap kolostrum untuk tiap tiap tingkat pendidikan.
Contoh kasus2:
Peneliti ingin mengetahui apakah ada perbedaan jumlah anak pada tiap tiap tingkat pendidikan
ibu.
Jumlah anak skala pengukuran : rasio
Tingkat pendidikan ibu : 1. SD
2. SMP
3. SMU
4. PT
Langkah langkah:
1. Melakukan uji kenormalan pada data jumlah anak karena skala pengukuran adalah rasio.
Langkah-langkah adalah sebagai berikut:
Aktifkan file BERLATIH.SAV.
Pada Analize pilih Nonparametric Test, lalu pilih 1-sample K-S
Masukkan variabel jumlah anak ke test variable list
Pada test Distribution pilih : normal
Lalu klik : OK
Hasil :
One-S ample Kolm ogorov-Smi rnov Te st
Jumlah anak
N 50
Normal Parametersa,b Mean .48
St d. Deviat ion .50
Most E xtreme Absolute .349
Differences Positive .349
Negative -.329
Kolmogorov-Smirnov Z 2.469
As ymp. Sig. (2-tailed) .000
a. Test distribution is Normal.
b. Calculated from dat a.
Karena p-value = 0,000 < alpha (0,05) maka distribusi data jumlah anak adalah tidak
normal sehingga uji yang digunakan adalah non parametrik yaitu uji Kruskal Wallis
Langkah-langkah :
Pada Analyze pilih Nonparametric Test, lalu pilih k-Independent Samples
Pada Test Variable isi variabel jumlah anak
Pada grouping variabel isi dengan variabel didik
Klik define group, isi minimum dengan 1 dan maksimum dengan 4 continue
Pada Test Type, pilih Kruskal-Wallis H
Klik : OK
Didapat hasil:
Ra nks
Jumlah anak
Chi-Square .387
df 3
As ymp. Sig. .943
a. Kruskal Wallis Test
b. Grouping Variable: Pendidikan terakhir ibu
Hipotesis :
Ho : Tidak ada perbedaan jumlah anak untuk tiap tingkat pendidikan
Ha : Ada perbedaan jumlah anak untuk tiap tingkat pendidikan
Keputusan :
Dari hasil asymp.Sig (p-value) didapat nilai 0.943 berarti > 0.05, sehingga Ho diterima,
artinya tidak ada perbedaan yang nyata jumlah anak untuk tiap tiap tingkat pendidikan.
Proses pengujian Kai Kuadrat (Chi Square) adalah membandingkan frekuensi yang terjadi
(observasi) dengan frekuensi harapan (ekspektasi). Bila nilai frekuensi observasi dengan nilai
frekuensi harapan sama, maka tidak ada perbedaan yang bermakna (signifikan). Sebaliknya
bila nilai frekuensi observasi dan nilai frekuensi harapan berbeda, maka dikatakan ada
perbedaan yang bermakna.
Pembuktian uji Kai Kuadrat dengan menggunakan formula :
X
2 O E 2
E
DF=(k-1)(b-1)
Ket :
O= nilai observasi
E =nilai expectasi (harapan)
k=jumlah kolom
b=jumlah baris
Untuk mempermudah analisis kai kuadrat, nilai data kedua variabel disajikan dalam tabel
tabel silang.
Ya A b A+b
Tidak C d C+d
Ea
a b a c
N
Untuk Ea, Ec dan Ed dapat dicari dengan cara yang sama :
Khusus untuk tabel 2x2 dapat dicari nilai X2 dengan menggunakan rumus :
N (ad bc) 2
X
2
(a c)(b d )( a b)(c d )
Uji kai kuadrat sangat baik digunakan untuk tabel dengan derajat kebebasan (DF) yang besar.
Sedangkan khusus untuk tabel 2x2 (DF nya adalah 1) sebaiknya digunakan uji kai kuadrat
yang sudah dikoreksi (Yate corrected atau Yates correction). Formula Kai Kuadrat Yates
correction adalah sebagai berikut :
X
2 O E 0,5 2
E
Atau
2
N
N ad bc
2
X2
(a c)(b d )( a b)(c d )
3. Keterbatasan Kai Kuadrat
Uji kai kuadrat menuntut frekuensi harapan/expected (E) dalam masing-masing sel tidak
boleh terlalu kecil. Jika frekuensi sangat kecil, penggunaan uji ini mungkin menjadi tidak
tepat. Oleh karena itu dalam penggunaan uji kai kuadrat harus memperhatikan keterbatasan-
keterbatasan uji ini.
Adapun keterbatasan uji ini adalah :
a. Tidak boleh ada sel yang mempunyai nilai harapan (nilai E) kurang dari 1
b. Tidak boleh ada sel yang mempunyai nilai harapan (nilai E) kurang dari 5 , lebih dari
20% dari keseluruhan sel.
Jika keterbatasan tersebut ternyata pada saat uji kai kuadrat peneliti harus menggabungkan
kategori-kategori yang berdekatan dalam rangka memperbesar frekuensi harapan dari sel-sel
tersebut (penggabungan ini dapat dilakukan untuk analisis tabel silang lebih dari 2x2,
misalnya 3x2, 3x4, dll). Penggabungan ini diharapkan datanya tidak sampai kehilangan
makna.
Andai saja keterbatasan tersebut terjadi pada tabel 2x2 (ini berarti kita tidak bisa
menggabung kategori-kategori lagi), dianjurkan menggunakan uji Fisher exact.
4. Prosedur Penggunaan Kai Kuadrat
a. formulasikan hipotesis (Ho dan Ha)
b. Masukkan frekuensi observasi (O) dalam tabel silang.
c. Hitung frekuensi harapan (E) masing-masing sel.
d. Hitung X2 sesuai aturan yang berlaku :
Bila tabelnya lebih dari 2x2, gunakan uji kai kuadrat tanpa koreksi (Uncorrected).
Bila tabelnya 2x2, gunakan Kai Kuadrat Yates Correction.
Bila tabelnya 2x2, ada sel yang E-nya<5, gunakan Fisher Exact
e. Hitung p value dengan membandingkan nilai X2 dengan tabel Kai Kuadrat
f. Keputusan :
Bila p value , Ho ditolak, berarti data sampel mendukung adanya perbedaan yang
bermakna (signifikan).
Bila p value >, Ho gagal ditolak, berarti data sampel tidak mendukung adanya
perbedaan yang bermakna (signifikan).
Hasil uji chi square hanya dapat menyimpulkan ada/tidaknya perbedaan proporsi antar kelompok
atau dengan kata lain kita hanya dapat menyimpulkan ada/tidaknya hubungan dua variabel
kategorik. Dengan demikian Uji chi Square tidak dapat menjelaskan derajat hubungan, dalam hal
ini uji square tidak dapat mengetahui kelompok mana yang memiliki risiko lebih besar dibanding
kelompok yang lain.
Dalam bidang kesehatan untuk mengetahui derajat hubungan, dikenal ukuran Risiko Relatif (RR)
dan Odds rasio (OR).
Risiko relative (RR) membandingkan risiko pada kelompok terekspose dengan kelompok
tidak terekspose
Odds rasio (OR) membandingkan odds pada kelompok terekspose dengan odds
kelompok tidak terekspose
Ukuran RR umumnya digunakan pada desain cohort.
Ukuran OR digunakan pada disain kasus control atau potong lintang (cross sectional).
Interpretasi kedua ukuran ini akan sangat tergantung dari cara memberi kode variabel
baris dan kolom pada table silang.
Sebaiknya memberi kode rendah untuk kelompok berisiko/ter-ekspose dan kode lebih
tinggi untuk kelompok tak/kurang berisiko.
Kode rendah jika kejadian/penyakit yang diteliti ada dan kode tinggi jika
kejadian/penyakit tidak ada.
Misalnya kita ingin melakukan hubungan jenis pekerjaan (bekerja/tidak bekerja) dengan
perilaku menyusui (eksklusive/non eksklusive). Agar interpretasi tidak keliru, maka
sebaiknya anda melalukan melakukan pengkodean sesuai dengan ketentuan diatas, yaitu :
variabel pekerjaan (kode 0 : untuk yang tidak bekerja dan kode 1: untuk yang bekerja)
variabel menyusui (kode 0:untuk yang eksklusive dan kode 1 : untuk yang tidak eksklusive).
Pembuatan presentase pada tabel silang harus diperhatikan agar supaya tidak salah dalam
menginterpretasi.
Pada jenis penelitian survei /cros sectional atau cohort, pembuatan presentasenya
berdasarkan nilai dari variabel independen.
Contoh :
Pengetahuan
Pendidikan Rendah Tinggi Total
n % n % n %
SD 25 50 25 50 50 100
SMP 16 40 24 60 40 100
SMU 10 33.3 20 66,7 30 100
PT 5 20 20 80 25 100
Jumlah 56 38,7 89 61.3 145 100
Dari 50 pasien yang berpendidikan SD ada sebanyak 25 (50%) pasien mempunyai pengetahuan
tinggi. Dari 40 pasien yang berpendidikan SMP ada sebanyak 24 (60%) yang berpengetahuan
tinggi. Dari 30 pasien yang berpendidikan SMU ada 20 (66,7%) yang berpengetahuan tinggi.
Dan dari 25 pasien yang tingkat pendidikannya PT ada sebanyak 20 (80%) yang berpengetahuan
tinggi. Dari data terlihat ada kecenderungan bahwa semakin tinggi pendidikan akan semakin
tinggi pengetahuannya.
Pada jenis penelitian kasus kontrol pembuatan presentasenya berdasarkan nilai dari variabel
dependen.
Contoh :
Kanker Paru
Jenis Kelamin Ya Tidak Total
n % N % n %
Laki-laki 75 75 30 30 105 52.5
Perempuan 25 25 70 70 95 47,5
Jumlah 100 50 100 50 200
Status Perilaku
Pekerjaan Menyusui
Klik Options : klik pilihan Chi Square dan klik pilihan Risk
Klik Continue
Klik Cells : klik bagian Count, pilih observed dan percentage, klik row
Klik Continue
Klik OK
OUTPUT SPSS
Ca se Processing Sum ma ry
Cases
Valid Missing Total
N Percent N Percent N Percent
St atus kerja
res ponden * Status 50 100.0% 0 .0% 50 100.0%
menyusui eks klus if
Status ke rja responden * Status me nyusui eksklusif Crosstabula tion
St atus menyusui
ek sklusif
Ya Tidak Total
St atus kerja Tidak bekerja Count 18 7 25
res ponden % within Status
72.0% 28.0% 100.0%
kerja responden
Bekerja Count 8 17 25
% within Status
32.0% 68.0% 100.0%
kerja responden
Total Count 26 24 50
% within Status
52.0% 48.0% 100.0%
kerja responden
Chi-Square Tests
Ri sk Estim ate
95% Confidenc e
Int erval
Value Lower Upper
Odds Ratio for Status
kerja responden (Tidak 5.464 1.627 18.357
bekerja / Bekerja)
For cohort Status
2.250 1.209 4.189
menyusui eks klus if = Ya
For cohort Status
menyusui eks klus if = .412 .208 .816
Tidak
N of Valid Cas es 50
Pada tabel di atas tampak tabel silang antara pekerjaan dengan menyusui, dengan dijumpai
angka pada masing-masing selnya. Angka yang paling atas adalah jumlah kasus masing-
masing sel, angka yang kedua adalah persentase menurut baris (karena berasal dari penelitian
cross sectional) sedang untuk penelitian kasus kontrol menggunakan persentase kolom.
Interpretasi :
Ada sebanyak 18 dari 25 (72%) ibu yang tidak bekerja menyusui bayi dengan eksklusive.
Sedangkan diantara ibu yang bekerja 8 dari 25 (32 %) yang menyusui secara eksklusive.
Hasil uji Chi Square dapat dilihat dari kotak chi square test. Dari print out muncul dengan
beberapa bentuk /angka sehingga menimbulkan pertanyaan angka mana yang kita pakai ?,
apakah Pearson, Continuity Corection, Likelihood atau fisher ?
Aturan yang dipakai pada uji Chi Square adalah sebagai berikut :
1. Pada table 2x2 dijumpai nilai E(harapan) kurang dari 5, maka uji yang digunakan adalah :
Fisher Exact.
2. Pada table 2x2 dan tidak ada nilai E (harapan) kurang dari 5 maka uji yang dipakai
sebaiknya Continuity Corection.
3. Bila lebih dari 2x2, misalnya 3x2, 3x3, dll, maka digunakan uji Pearson Chi Square.
4. Uji Likelihood Ratio dan Linear-by-linear Assosiation, biasanya digunakan untuk
keperluan lebih spesifik misalnya untuk analisis stratifikasi pada bidang epidemiologi dan
juga mengetahui hubungan linier antard dua variabel katagorik, sehingga kedua jenis ini
jarang digunakan.
Hasil di atas, berarti menggunakan uji chi square yang sudah dilakukan koreksi (Continuity
Corection) dengan p value dapat dilihat di kolom asymp. Sig dan terlihat p-valuenya sebesar
0.005 (lebih kecil dari 0.05) berarrti ada perbedaan perilaku menyusui eksklusive antara ibu
yang bekerja dan ibu yang tidak bekerja. Dengan kata lain dapat disimpulkan ada hubungan yang
signifikan antara status pekerjaan dengan perilaku menyusui eksklusive.
Uji chi Square hanya dapat digunakan untuk mengetahui ada/tidaknya hubungan dua
variabel, sehingga uji ini tidak dapat digunakan untuk derajat/kekuatan hubungan dua
variabel.
Untuk mengetahui besar kekuatan hubungan banyak metodenya tergantung latar belakang
disiplin keilmuannya.
Untuk ilmu sosial dengan melihat nilai koefisien Phi, Koefisien Kontingensi dan Cramers V.
Sedang bidang kesehatan terutama kesehatan masyarakat digunakan nilai OR(cross sectional
dan Case control) atau RR(Cohort).
Pada hasil di atas nilai OR terdapat pada baris Odds Ratio yaitu 5.464 (95% CI :1.627-18.357) .
Sedangkan nilai RR terdapat pada baris for cohort 2.250 (95% CI:1.209-4.189). Pada data ini
berasal dari penelitian coss sectional maka kita dapat menginterpretasi nilai OR =5.464 sebagai
berikut :Ibu yang tidak bekerja mempunyai peluang 5.464 kali untuk menyusui eksklusive
dibandingkan ibu yang bekerja.
Pada crosstab nilai OR akan keluar bila tabel silang 2x2 , bila tabel silang lebih dari 2x2 nilai OR
dapat diperoleh dari regresi logistik sederhana dengan cara membuat dummy variabel.
Catatan :
Perlu diketahui bahwa dalam mengeluarkan nilai OR atau RR harus hati-hati, jangan sampai
terjadi kesalahan pengkodean. Pemberian kode harus ada konsistensi antara variabel independen
dan variabel dependen. Untuk variabel independen kelompok yang berisiko diberi kode rendah
dan kode tinggi untuk kelompok yang tidak berisiko. Pada variabel dependen kode rendah jika
kejadian yang menjadi fokus penelitian adadan kode tinggi jika kejadian yang menjadi fokus
penelitian tidak ada.
Sebagai contoh data di atas pegkodean adalah sebagai berikut : 0 untuk ibu tidak bekerja dan 1
untuk ibu bekerja, dan ibu yang menyusui eksklusive 0 dan non eksklusive 1.
III. Penutup
1. Tes Formatif
Lakukan uji chi square dengan menggunakan variable yang ada pada latihan 3
2.Umpan balik
a. Mahasiswa mempraktekkan sesuai dengan perintah
b. Dosen memastikan semua mahasiswa dapat melaksanakan semua perintah
c. Mahasiswa diminta memastikan bahwa semua data sudah terekam
3. Tindak lanjut
a. dosen menjelaskan kalau ada mahasiswa yang tidak jelas
b. dosen memberi contoh dengan mempraktekkan, mahasiswa menirukan
c. dosen memberi penjelasan kalau ada mahasiswa yang kesulitan.