POKOK BAHASAN

MANAJEMEN DATA (PRAKTIKUM MANAJEMEN DATA, BIOSTATISTIK DAN

RANCOB)

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 :

AREA 2. Mawas Diri dan Pengembangan Diri

2.5. Metodologi Penelitian dan Statistik
a. Konsep dasar penulisan proposal dan hasil penelitian
b. Konsep dasar pengukuran
c. Konsep dasar disain penelitian
d. Konsep dasar uji hipotesis dan statistik inferensial
e. Telaah kritis
f. Prinsip-prinsip presentasi ilmiah
AREA 3. Pengelolaan Informasi
4.1. Teknik ketrampilan dasar pengelolaan informasi
4.2. Metode riset dan aplikasi statistik untuk menilai kesahihan informasi ilmiah
4.3. Ketrampilan pemanfaatan evidence-based medicine (EBM)
 4.4. Teknik pengisian rekam medis untuk meningkatkan mutu pelayanan
kesehatan
4.5. Teknik diseminasi informasi dalam bidang kesehatan baik lisan maupun
tulisan dengan menggunakan media yang sesuai.

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.

SUB POKOK BAHASAN 1

TEKNIK PENGOLAHAN DATA
I. Pendahuluan
1. Deskripsi singkat
Materi dalam sub pokok bahasan ini merupakan pengenalan mahasiswa terhadap
pengolahan data, dan tahapan pengolahan data dan melakukan pengolahan data
menggunakan aplikasi komputer. .
2. Relevansi
Sebelum melakukan pengolahan dan analisis data perlu untuk mengetahui terlebih dahulu
bagaimana melakukan persiapan sebelum data diolah. Pengolahan data memerlukan alat
berupa aplikasi program yang dapat mempermudah di dalam pengelolaan data dengan
bantuan komputer
3. Kompetensi
a. Standar Kompetensi :
Mahasiswa mampu menjelaskan pengertian pengolahan data dan mampu menggunakan
aplikasi komputer untuk pengolahan data statistik.
b. Kompetensi Dasar :
Setelah memperoleh pengantar praktikum dan melakukan praktek mahasiswa mampu :
1) Menjelaskan pengertian pengolahan data
2) Menjelaskan tahapan pengolahan data
3) Menjelaskan aplikasi komputer untuk statistik
4) Mengoperasikan aplikasi komputer untuk statistik
5) Membuka lembar kerja baru
6) Mendefinisikan variabel
7) Membuat struktur data
8) Memasukkan data
9) Melakukan penyimpanan 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

Jenis imunisasi Jumlah

DPT 15
Polio 5
Jumlah 20

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

Umur Jumlah anak

0 1 2 3 4 5
15 1 2 2*
16 1
Keterangan :
* : ada 2 responden umur 15 tahun dan anaknya ada 5 orang ( ada kesalahan entry data)

3. Pengenalan Aplikasi Komputer Untuk Statistik

Pengolahan data statistic dapat memanfaatkan aplikasi komputer untuk
mempermudah proses perhitungan, sehingga dapat menghasilkan informasi yang cepat, tepat
dan akurat. Salah satu aplikasi komputer yang dapat digunakan untuk pengelolaan data
adalah SPSS (Statisticals Product And Service Solutions). SPSS merupakan salah satu
program pengolahan data statistik yang paling banyak diminati oleh para peneliti karena
sifatnya fleksibel dan dapat digunakan untuk hampir semua bentuk dan tingkatan penelitian.
Dengan memanfaatkan perangkat lunak tersebut kita dapat menentukan struktur data,
memasukkan data, menyimpan data, menyajikan dan menganalisis data sehingga diperoleh
 informasi yang dapat digunakan untuk pengambilan keputusan. Data yang akan dikelola
dapat berupa angka maupun narasi. Informasi yang dihasilkan merupakan hasil pemrosesan
data dengan pendekatan statistik, sehingga dengan SPSS akan dapat dilakukan analisis guna
mendeskripsikan data maupun untuk mengetahui adanya keterkaitan antara variabel.
Pendeskripsian data dilakukan dengan menampilkan mean, standar deviasi, nilai minimal,
nilai maksimal dan grafik. Sedangkan keterkaitan antara variabel dilakukan dengan korelasi,
regresi maupun tabulasi silang.

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).

d. Menu Chart Editor

 Menu ini merupakan tempat edit bagi output hasil pengerjaan data dimenu editor, khususnya
untuk output berupa grafik/chart/diagram. Sesuai dengan fungsinya selain submenu dasar
chart editor dilengkapi submenu tambahan, yaitu:
Gallery
Submenu ini berfungsi untuk mengubah jenis chart, seperti dari bentuk grafik batang ke
bentuk garis dan sebagainya.
Chart
Untuk mengedit berbagai hal mengenai grafik, seperti layout, skala grafik dan
sebagainya.
Series
Untuk memilih kelompok data tertentu, transpose data atau menampilkan seri data.
e. Menu Text Output Editor
Berfungsi untuk edit output yang berupa teks atau tulisan.
f. Menu Syntax Editor
Menu ini berupa file teks yang berisi berbagai perintah atau pilihan yang

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.

g. Menu Script Editor

Menu Scripts digunakan untuk melakukan berbagai pengerjaan SPSS secara otomatis seperti
membuka dan menutup file, eksport chart, penyesuaiaan bentuk output dan lainnya. Isi menu
sama dengan menu terdahulu, hanya ditambah dengan submenu Script untuk membuat
berbagai subrutin dan fungsi baru, serta submenu Debug untuk melakukan proses debug
pada script.

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

Gambar 1. Memulai SPSS

Selanjutnya akan dimunculkan kotak dialog sebagai berikut :

 Gambar 2. Dialog SPSS for Windows

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

Tombol Minimize umtuk memperkecil jendela

hingga membentuk icon aktif pada taskbar

Tombol maximaze untuk memperbesar ukuran

jendela hingga menjadi satu layar penuh

Tombol Restore untuk mengembalikan jendela

pada ukuran semula

Tombol Close unruk menutup jendela dan

mengakhiri program aplikasi

a. Tampilan data (Data View), digunakan untuk menampilkan data.

b. Tampilan variabel (Variable View), digunakan untuk menampilkan define variabel.
2. Membuka Lembar Kerja Baru
Pilih dan klik menu File, New, Data seperti tampilan pada gambar 4, selanjutnya baru dapat
mulai mengisikan data baru pada ruang kerja seperti yang diperlihatkan pada gambar 3.
 Gambar 4 . Tampilan Pembuatan file baru
3. Mendefinisikan Variabel
Langkah pertama yang perlu dilakukan untuk pengelolaan data adalah membuat struktur data
dalam rangka menghasilkan variabel. Struktur data adalah uraian yang terperinci dari setiap
data, yang selanjutnya dapat memberikan beberapa keuntungan diantaranya adalah : dapat
dengan mudah memanggil data yang diinginkan, dapat menggunakan nama variabel untuk
memanggil data, dapat melakukan analisis data berdasarkan jenis variabel.

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 :

Gambar 6. Kotak dialog Variable Type

Terdapat 8 jenis variabel, yaitu

Numeric : data berbentuk angka, dapat mempunyai nilai decimal atau dalam bentuk
bilangan bulat.
Comma : data berbentuk angka dengan pemisah setiap tiga bilangan dan pemisah
desimalnya titik.
Dot : data berbentuk angka dengan pemisah setiap tiga bilangan dan pemisah
desimalnya koma.
Scientific notation : variabel numerik yang nilainya ditunjukkan dengan eksponen.
Date : data berupa tanggal dengan beberapa format, misalnya dd-mm-yy,
mm/dd/yy , dan lain-lain.
Dollar : data menunjukkan besarnya dana yang disimpan dalam $
Custom currency : variabel numerik yang ditunjukkan dalam pilihan format sesuai dengan
yang tersedia dalam kotak dialog.
String : data karakter terdiri dari narasi atau campuran narasi dan angka.
Width : jumlah digit yang harus disediakan agar dapat digunakan untuk
menyimpan data.
Label : keterangan lengkap dari suatu variabel .
Value : angka yang menunjukkan katagori-katagori dari suatu variabel.
Klik heading value, klik kotak kecil sebelah kanan sel maka akan akan muncul kotak dialog
seperti gambar di bawah ini :

Gambar 7. Kotak dialog Value Labels

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 :

Nama Ibu : ...................................................

Alamat Ibu : ...................................................
Umur Ibu : ...................................................
Pendidikan : 1. SD
2.SMP
3.SMA
4. AKD/PT
Tanggal periksa : ....................................................
Berat Badan : ....................................................
Tinggi Badan : ....................................................
Kelahiran Ke : ....................................................
Jumlah anak : ....................................................
Yang perlu dipersiapkan adalah :
1. Menentukan nama variabel dari masing masing pertanyaan
2. Menentukan jenis variabel
3. Menentukan jumlah digit yang perlu disediakan untuk dapat menyimpan data pada
masing-masing variabel
4. Menentukan keterangan lengkap dari masing-masing variabel
5. Menentukan nilai-nilai yang digunakan untuk pengkatagorian
Struktur data pemeriksaan kehamilan direncanakan sebagai berikut :
Tabel 6. Struktur data pemeriksaan kehamilan
Nama Jenis Data Jumlah Jumlah Keterangan Nilai pada
Variabel Digit Desimal Variabel variabel
katagori
Nama String 20 Nama ibu hamil
Alamat String 20 Alamat rumah
Umur Numerik 3 0 Umur ibu hamil
Didik Numerik 1 0 Pendidikan 1. SD
Terakhir 2. SMP
3. SMA
4. AKD/PT
Tanggal Date 11 Tanggal periksa
Bb Numerik 3 0 Berat badan
Tb Numerik 3 0 Tinggi badan
Anak_no Numerik 3 0 Urutan kelahiran
Jml_anak Numerik 3 0 Jumlah anak
1. Pembuatan Struktur Data
Untuk pembuatan struktur data berikan perintah : Variabel View.
Selanjutnya ikuti langkah langkah di bawah ini :
Variabel pertama :Nama
Masukkan nama variabel pada kolom Name, ketik nama
Pilihan jenis data pada kolom Type, letakkan pointer di sembarang tempat pada kolom type
dan klik kotak kecil pada pojok kolom, sehingga tampak tampilan kotak dialog Variable
Type di bawah ini :
 Ganti
20 Klik

Pilih
string

Gambar 9. Kotak dialog variable type

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

Gambar 10. Kotak dialog value label

Ketik value dengan angka 1, pindahkan pointer sel pada value Label ketik SD, klik add.
Isikan value dengan angka 2, pindahkan pointer sel pada value Label ketik SMP, klik add.
Lakukan sampai selesai, baru klik tombol
Lakukan untuk variabel yang lain sesuai tabel 1, sehingga diperoleh hasil sesuai gambar 11 sebagai
berikut :

Gambar 11. Tampilan struktur data

2. Penyimpanan Struktur Data Dalam Suatu File
( Ekstensi file : .sav )
Agar struktur data yang sudah dibuat dapat tersimpan dalam file, yang selanjutnya digunakan
sebagai dasar penyimpanan data (data entry) maka perlu dilakukan langkah-langkah sebagai
berikut :
File > Save As > latih01
Dengan perintah tersebut akan tersimpan file latih01.sav di direktory yang dituju.
3. Perekaman Data (Entry Data )
 Entry data dilakukan dengan memilih Data View pada gambar 3, selanjutnya masukkan data
untuk setiap responden sebagai berikut :
Tabel 7.Data Input
Tgl BeratB Tinggi Anak Jml
No Nama Alamat Umur didik Periksa adan Badan ke anak

1 Aida Singosariraya 33 39 3 08/09/04 60 160 2 1

2 Insani Wonodribaru 1/5 41 3 08/09/04 70 155 2 2

3 Suprapti Kertanegara 2/15 28 3 08/09/04 55 165 1 0

4 Inten Pleburan Raya 22 39 3 08/09/04 59 150 3 2

5 Anisa Anggrek I/2 25 2 08/09/04 55 155 1 0

6 Maduri Pleburan Tengah 12 22 3 08/09/04 50 150 2 1

7 Salamah WonodriSendang I/4 17 1 08/09/04 60 155 1 0

8 Aminah Pleburan Raya 10 20 3 08/09/04 70 160 2 1

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.

SUB POKOK BAHASAN 2

MODIFIKASI DATA

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

2. Menyisipkan / Menambah Data Baru

Penambahan data baru terjadi ketika kegiatan perekaman data/pemasukan data akan
diteruskan. Apabila lembar kerja/file sudah diaktifkan, penambahan data bisa dilakukan dengan
memasukkan data pada urutan terakhir, sedangkan untuk lembar kerja yang belum aktif, dapat
dimulai dengan memanggil file. Sedangkan bila ada penambahan data baru, maka dapat
ditambahkan data baru dengan cara sebagai berikut :
Klik Data View.
Isikan data untuk variabel HB(sembarang).
Lakukan penyimpanan data dengan perintah klik toolbar
Penyisipan data baru dapat terjadi ketika suatu kasus/ responden terlewati, perintah yang
diberikan adalah :
Klik Data View
Pindahkan pointer sel pada data/kasus yang akan disisipkan.
Klik Edit, klik Insert Case.
Selanjutnya pada baris yang kosong dapat dimasukkan data yang akan disisipkan.
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 :

Gambar 12 Kotak dialog Select cases

Perhatikan pada gambar 12 variabel nama dan alamat tidak dimasukkan dalam kriteria seleksi,
sebab nama dan alamat adalah variabel dengan jenis data string (karakter)
Kolom select pada gambar 12 ada beberapa piihan, yaitu :
All Cases : Jika seleksi untuk seluruh kasus
If condition is satisfied : Jika seleksi berdasar kriteria tertentu
Random sample of cases :Jika seleksi berdasar bilangan acak
Base on Time or Cases Range: Jika seleksi berdasar range tertentu
Use Filter variable : Jika seleksi berdasar variabel tertentu.
Untuk kasus ini karena seleksi bagi mereka yang berumur > 35 tahun, maka pilihan yang tepat
adalah berdasar if condition is satisfied ( jika kondisi tertentu dipenuhi).
Klik if condition is satisfied, kemudian klik IF sehingga tampak tampilan pada gambar
13.
 Gambar 13. Kotak dialog Select Cases : If
Letakkan kursor pada kotak kosong pada kotak dialog, kemudian ketik : umur > 35
lalu klik continueatau
Klik variabel umur, kemudian klik hingga variabel umur masuk ke kotak kosong di
kanan atas.
Klik tanda > yang terletak antara kumpulan tanda matematika maupun angka yang
ada dibawah kotak pengisian.
Klik mouse pada angka 3, dan 5.
Klik continue, maka akan kembali ke kotak dialog select cases.
Kolom unselected cases are (akan diapakan data semula), terdapat dua pilihan, yaitu :
Filtered atau akan muncul variabel tambahan (filter_$) dengan nomor kasus yang
tidak diseleksi akan diberi garis miring.
Deleted atau kasus yang tidak diseleksi akan dihapus.
Pilih filtered.
Klik OK, maka tampak tampilan sebagai berikut :

Gambar 14. Hasil seleksi

Tampak ada 8 data yang tidak terseleksi karena mempunyai berat badan <35.
4. Compute, Count dan Recode
Data yang telah disimpan dalam kegiatan perekaman data, seringkali perlu dirubah atau
dimodifikasi untuk keperluan analisis data. Sebagai contoh data mengenai umur yang bersifat
numerik seringkali ingin dikelompokkan menjadi data katagori, demikian juga umur yang
semula dalam tahun akan diubah menjadi dalam bulan. Untuk keperluan tersebut maka data perlu
dimodifikasi.
Compute (operasi matematika)
Operasi matematika dilakukan apabila pembuatan variabel baru perlu melakukan perhitungan.
Untuk keperluan perhitungan, notasi yang digunakan adalah :
+ : Tanda penjumlahan
- : Tanda pengurangan
* : Tanda perkalian
/ : Tanda pembagian
** : Tanda pangkat
> : Tanda lebih besar
< : Tanda lebih kecil
Klik Transform, pilih Compute
Apabila akan dibuat variabel baru untuk menyimpan umur dalam bulan, maka setelah
diberikan perintah di atas, sesuai gambar 15 selanjutnya perlu diketikkan:
nama variabel baru yaitu : umurbr pada kolom target variabel.
Klik variabel umur ibu hamil(umur), selanjutnya klik , maka variabel umur
akan pindah ke numeric expression.
Ketik *12 pada numeric expression, klik OK untuk menyelesaikannya.
klik
Ketik * 12
umurbr

klik

Gambar 15. Kotak dialog Compute Variable

Hasilnya adalah ada tambahan variabel umurbr
b. Count
Perintah ini berfungsi untuk menghitung data (count) dengan kriteria tertentu, misal pada
file latih 01, akan dihitung data responden yang mempunyai umur> 35.
Klik Transform, pilih Count
KetikTarget variable atau nama variabel baru, ketik umur_jm
 KetikTarget label atau keterangan pada variabel umur_jm, ketikjumlah
respondenberumur> 35.
Klik variabel umuribuhamil(umur), selanjutnya klik maka variabel umur
akan pindah ke kolom variables, hasilnyasebagaiberikut :

Gambar 16. Kotak dialog Count Occurrence of Values within cases

Selanjutnya klik Define values, Klik range values through highest, ketikangka 36, Klik
add, seperti gambar di bawahini :

Gambar 17. Kotak dialog Count Values

Klik continue, maka akan kembali ke kotak dialog count
Klik OK
Hasilnya tampak pada variabel umur_jm ada 3 responden mempunyai umur> 35

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

Gambar 18. Kotak dialog recode into different variables

Pada gambar 18, pada sebelah kiri tampilan tampak beberapa variabel yang telah
dimasukkan, pilihlah umur kemudian klik tanda , maka variabel umur pindah ke
input variable.
Pada output variable ketikkan nama variabel baru yaitu kelumur.
Pada label ketikkan keterangan dari kelumur misalnya kelompok umur responden.
Klik tombol Change dan pilih Old and New Variable.
Selanjutnya diperoleh tampilan sebagai berikut :
 Gambar 19.Kotak dialog recode into different variables : Old and New Values
Beberapa tampilan pada gambar yaitu :
Pada tampilan Old value (nilai lama) terdapat beberapa pilihan yaitu :
Through , dipilih untuk kelompok lebih besar dan lebih kecil dari suatu
nilai, misal antara 20 s/d 30.
Lowest through , dipilih untuk data yang lebih kecil dari suatu nilai, misal < =
35 .
through highest , dipilih untuk data yang lebih besar dari suatu nilai, misal
>= 35.
Apabila akan dilakukan pengelompokkan umur menjadi :
Risiko tinggi ( > 35dan< 18 ) (kode 1)
Risiko rendah ( 18 s/d 35 ) (kode 2)
Maka perlu dilakukan langkah-langkah sebagai berikut
 Ketik
Ketik 2
18
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.

5. Menghapus data atau variabel

a. Menghapus satu baris atau satu kolom
Letakkan pointer sel pada heading row atau heading column
Klik secara otomatis seluruh baris/kolom akan diblok. drag (tarik) sesuai kebutuhan sampai
baris/kolom yang ditentukan.
Tekan tombol delete
b. Menghapus sel
Letakkan pointer sel pada sel yang akan dihapus
Klik dan didrag (tarik) sesuai kebutuhan sampai sel yang ditentukan.
 Tekan tombol delete
6. Mengcopy data atau variabel
a. Mengcopy satu baris atau satu kolom
Letakkan pointer sel pada heading row atau heading column
Klik secara otomatis seluruh baris/kolom akan diblok. drag (tarik) sesuai kebutuhan sampai
baris/kolom yang ditentukan.
Klik edit pilih copy atau klik kanan pilih copy
Pindahkan di tempat yang akan dicopy klik edit pilih paste atau klik kanan pilih paste
b. Mengcopy sel
Letakkan pointer sel pada sel yang akan dicopy
Klik dan didrag (tarik) sesuai kebutuhan sampai sel yang ditentukan.
Klik edit pilih copy atau klik kanan pilih copy
Pindahkan di tempat yang akan dicopy klik edit pilih paste atau klik kanan pilih paste
Penyimpanan data yang dientry dilakukan seperti penyimpanan struktur data.
File > Save As > latih01

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.

SUB POKOK BAHASAN 3

UJI VALIDITAS DAN RELIABILITAS
I. Pendahuluan
1. Deskripsi singkat
Sub pokok bahasan ini berisi materi uji validitas dan reliabilitas instrumen
2. Relevansi
Sebelum dilakukan analisis data deskriptif pada data tertentu membutuhkan uji validitas
dan reliabilitas instrumen..
3. Kompetensi
3.1. Standar Kompetensi :
Mahasiswa mampu mengoperasikan aplikasi komputer untuk uji validitas dan
reliabilitas instrumen
c. Kompetensi Dasar :
Setelah melaksanakan praktikum mahasiswa mampu :
1) Menjelaskan tentang uji validitas dan reliabilitas instrumen
2) Mampu melakukan uji validitas dan reliabilitas

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.

Cara Mengukur reliabilitas :

Pengukuran reliabilitas dapat dilakukan dengan dua cara yaitu :
1). Repeated Measure atau pengukuran ulang.
Responden diberi pertanyaan yang sama pada waktu yang berbeda (misal 2 minggu
kemudian), hasilnya dilihat apakah ia tetap konsisten dengan jawabannya.
2). One Shot atau pengukuran sekali saja
Pengukuran dilakukan hanya sekali kemudian hasilnya dibandingkan dengan pertanyaan lain
atau mengukur korelasi antar jawaban pertanyaan.
SPSS memberikan fasilitas mengukur reliabilitas dengan uji statistik Cronbach Alpha,
dengan ketentuan bila nilai Cronbach Alpha > 0,6 dikatakan reliabel.
Pengujian reliabilitas dimulai dengan menguji validitas terlebih dahulu, jika pertanyaan tidak
valid maka pertanyaan tersebut dibuang. Pertanyaan-pertanyaan yang sudah valid kemudian
baru secara bersama diukur reliabilitasnya.
2. Praktikum Uji Validitas Dan Reliabilitas Kuesioner
Lakukan uji validitas dan reliabilitas kuesioner untuk mengetahui skor pengetahuan tentang
kecacingan yang diukur dengan 5 pertanyaan. Uji coba dilakukan pada 15 responden dengan
pertanyaan sebagai berikut :
1. Penyakit kecacingan adalah masuknya cacing ke dalam tubuh dan berkembang biak ?
a. benar b. Salah
2. Penularan cacing lewat air, makanan dan minuman yang terinfeksi cacing ?
a. benar b. Salah
3. Yang dapat menimbulkan penyebaran penyakit kecacingan diantaranya buang air di
sembarang tempat, makan makanan mentah/lalapan mentah ?
a. benar b. Salah
4. Gejala kecacingan antara lain tidak nafsu makan, rambut kekuning-kuningan dan terdapat
cacing pada tinja ?
a. benar b. Salah
5. Cara pencegahan kecacingan diantaranya cuci tangan dengan sabun sebelum makan dan
cuci kaki setelah bermain ?
a. benar b. Salah
Setelah kuesioner diuji cobakan pada 15 responden diperoleh data sebagai berikut :

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

Pada model pilih Alpha

Klik Statistic, pada bagian descriptive pilih item, scale dan scale if item deleted, seperti
gambar di bawah ini :

Gambar 23. Reliability Analysis-Statistics

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

Ite m Stati stics

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

Scale Corrected Cronbach's

Scale Mean if Variance if Item-Total Alpha if Item
Item Deleted Item Deleted Correlation Deleted
P1 3,20 1,600 ,000 ,786
P2 3,33 ,952 ,763 ,587
P3 3,53 ,838 ,586 ,667
P4 3,40 ,829 ,796 ,552
P5 3,33 1,238 ,304 ,759

Scale Sta tistics

Mean Variance Std. Deviation N of Items

4,20 1,600 1,265 5

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

Mean Std. Deviation N

P2 ,87 ,352 15
P3 ,67 ,488 15
P4 ,80 ,414 15

Ite m-Tota l Statistics

Sc ale Correc ted Cronbach's

Sc ale Mean if Variance if Item-Total Alpha if Item
Item Delet ed Item Delet ed Correlation Deleted
P2 1,47 ,695 ,714 ,822
P3 1,67 ,524 ,674 ,873
P4 1,53 ,552 ,836 ,690

Scale Sta tistics

Mean Variance Std. Deviation N of Items

2,33 1,238 1,113 3

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.

3. Tujuan analisis data

a. Memperoleh gambaran/deskripsi masing masing variabel
b. Membandingkan dan menguji teori atau konsep dengan informasi yang ditemukan.
c. Menemukan adanya konsep baru dari data yeng diumpulkan.
 d. Mencari penjelasan apakah konsep baru yang diuji, berlaku umum atau hanya berlaku
pada kondisi tertentu.
4. Analisis suatu penelitian tergantung pada :
a. Jenis penelitian
b. Jenis sampel
c. Jenis data atau variabel
d. Asumsi kenormalan distribusi data

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.

6. Peringkasan Data Numerik

a. Nilai Tengah dan Standar Deviasi
Nilai tengah yang dapat diperoleh dengan menghitung mean, median dan modus merupakan
nilai yang dapat digunakan untuk memberikan gambaran berapa pada umumnya nilai dimiliki
oleh obyek pengamatan. Sebagai contoh apabila pengamtan umur menghasilkan mean sebesar
24,5 maka kita memperoleh gambaran bahwa pada umumnya obyek pengamatan berumur 24,5
tahun. Yang penting untuk diperhatikan dalam menggunakan nilai tengah adalah kapan kita
menggunakan mean, median dan modus.

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 :

1. Data diurutkan menjadi : 45 50 55 60 150

2. Posisi median (n+1)/2 (5+1)/2 = 3
3. Nilai mediannya = 55
Jadi 50 % mahasiswa mempunyai berat badan di bawah 55 kg dan 50% mahasiswa
mempunyai berat badan di atas 55 kg.

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.

e. Hubungan Mean, Median dan Modus

Hubungan mean, median daan modus akan menentukan distribusi datanya :

1) Bila nilai mean =median=modus , maka bentuk distribusi datanya normal

2) Bila nilai mean >median>modus , maka bentuk distribusi datanya menceng atau miring
kanan.
3) Bila nilai mean <median<modus , maka bentuk distribusi datanya menceng atau miring kiri.
f. Ukuran Variasi
Hasil pengamatan bervariasi, untuk mengukur seberapa jauh data bervaiasi digunakan untuk
ukuran variasi. Terdapat beberapa jenis ukuran variasiantara lain : range, jarak inter kuartil
dan standar deviasi :
a. Range
Range merupakan ukuran variasi yang paling besar, dihitung dari selisih nilai terbesar dengan
nilai terkecil. Kelemahan range dipengaruhi nilai ekstrim, sedang keuntunngannya
perhitungan dapat dilakukan secara cepat.
b. Jarak Inter Kuartil
Nilai observasi disusun berurutan dari nilai kecil ke besar, kemudian ditentukan kuartil bawah
dan atas. Kuartil merupakan pembagian data menjadi 4 bagian yang dibatasi oleh 3 ukuran
kuartil yaitu kuartil I, kuartil II dan kuartil III. Kuartil I mencakup 25% data berada di
bawahnya dan 75% data diatasnya. Kuartil II mencakup 50% data berada di bawahnya dan
50% data diatasnya. Kuartil III mencakup 75% data berada di bawahnya dan 25% data di
atasnya.Jarak inter kuartil adalah selisih antara kuartil III dan kuartil I. Ukuran ini lebih baik
dari range, terutama kalau frekuensi pangamatan banyak dan distribusi sangat menyebar.
c. Standar Deviasi
Standar deviasi adalah suatu ukuran yang dapat digunakan untuk mengetahui gambaran
variasi data dan kualitas rata-rata yang dihasilkan. Nilai standar deviasi yang besar
menunjukkan data sangat bervariasi, rata-rata yang dihasilkan tidak mewakili data dengan
baik. Sebaliknya standar deviasi yang kecil menunjukkan data tidak bervariasi, rata-rata
yang dihasilkan mewakili data dengan baik. Karena satuan varians (kuadrat) tidak sama
dengan satuan nilai pengamatan, maka dikembangkan suatu ukuran variasi yang mempunyai
nilai sama dengan satuan pengamatan, yaitu standar deviasi. Standar deviasi merupakan akar
dari varians.
d. Kesimpulan
Untuk data numerik, berlaku :
1. Bila data berdistribusi normal, maka perhitungan nilai mean dan standar deviasi
merupakan cara analisis yang tepat.
2. Bila data berdistribusi tidak normal, maka perhitungan nilai median dan interquartil
range lebih tepat bila dibandingkan mean.
7. Peringkasan Data Katagorik
Peringkasan data kategorik hanya menggunakan distribusi frekuensi dengan ukuran
persentase atau proporsi.
Contoh :
Puskesmas A : Karyawan 10 dan karyawati 10
Puskesmas B : Karwawan 5 dan karyawati 20
Pada Puskesmas A, jenis kelamin pegawai bervariasi (heterogen) karena 50% laki-laki dan
50% perempuan. Pada Puskesmas B, jenis kelamin pegawai tidak bervariasi (homogen)
karena 20% laki-laki dan 80% perempuan.
Bentuk Penyajian Data
Bentuk penyajian analisis univariat dapat berupa tabel atau grafik, namun perlu diingat kita
dianjurkan hanya memilih salah satu, tidak diperkenankan secara sekaligus menggunakan
tabel dan juga grafik dalam mmenyampaikan informasi suatu data atau variabel.

Cara menyajikan analisis deskriptif :

Data Numerik
1. Untuk data berdistribusi data normal
Tabel 8 Distribusi Berat Badan Siswa Mahasiswa FK tahun 2012
Variabel Minimum-Maksimum Rata-rata Simpangan Baku

Berat badan 40-70 50 10.1

Berat badan berkisar antara 40 kg sampai dengan 70 kg dengan rata-rata 50 kg dan

simpangan baku 10,1 kg.
2. Untuk data berdistribusi data tidak normal
Tabel 9 Distribusi Berat Badan Mahasiswa FK tahun 2012
Variabel Minimum-Maksimum Median Inter quartil range
Berat badan 40-70 52 10.5

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

Sebagian besar responden berjenis kelamin perempuan (66,7%)

Lama Pengetahu Post

No Nama Gender Didik Umur Kerja an Sikap test Praktek
Yayah J P SMA 27 2 80 26 85 84
1
Sulastri P SMA 32 6 90 31 92 90
2
Nuraida P D1 34 6 95 34 90 90
3
Retno S P SMA 48 10 85 34 87 96
4
Suyatmi P D1 39 2 90 36 95 96
5
Praktikum
Sridati P SMA 33 3 90 32 90 90
6 baru dengan nama Latih03
Buat file
variabel Darsina P D1 40 6 100 35 100 96
7
Ikhwati P D1 37 7 100 35 100 96
8
Umi N P SMA 40 2 80 32 82 90
9
Budi M L D3 40 4 80 34 79 84
10
Faddila P D1 39 1 86 34 84 96
11
Siti M P D1 32 4 90 35 94 96
data 12
Dwi Arini P SMA 32 2 85 32 86 90
13
Endang P D1 32 4 86 30 87 90
14
Eni K P SMA 30 2 95 34 99 84
15
Wibowo L SMA 42 6 100 35 100 96
16
Cahyani P D1 37 2 90 35 89 96
17
Sugianto L D3 32 6 100 34 100 96
18
Umi R P SMA 29 6 80 35 85 84
19
Siti A P SMA 32 6 68 31 70 72
20
Istianah P D3 38 6 60 30 65 78
21
Markamah P SMA 30 4 65 32 70 78
22
Siti N P SMA 28 2 90 33 95 78
23
Permadi L D3 25 2 70 30 75 78
24
Pertanyaan :
a. Kategorikan variabel pengetahuan dengan ketentuan sebagai berikut :
1. Kurang, jika pengetahuan 60
2. Cukup, jika 61 pengetahuan 79
3. Baik, jika pengetahuan 80
b. Kategorikan variabel sikap dengan ketentuan sebagai berikut :
1. Kurang, jika sikap<rata-rata
2. Baik, jika sikap rata-rata
c. Kategorikan variabel praktek dengan ketentuan sebagai berikut :
1. Kurang, jika praktek< rata-rata
2. Baik, jika praktek rata-rata
d. Lakukan analisis deskriptif untuk data kategorik dan numerik pada variable yang lain
Penyelesaian :
1. Dari worksheet SPSS, pilih File, New, Data
2. Aktifkan lembar kerja Variable view
3. Buat struktur data dari masalah di atas sebagai berikut :

Gambar 24. Tampilan variabel view

Catatan
Struktur data dibuat sesuai dengan kebutuhan terutama di dalam pengaturan width, decimal,
nama variabel dan align.
Simpan struktur data tersebut dengan perintah :
Dari menubar pilih File, Save As, pilih folder yang diinginkan, ketik Latih03, klik save.
Isikan data sesuai soal diatas dengan mengaktifkan lembar kerja Data View.
Lakukan penyimpanan data dengan klik toolbar save (gambar disket).
Untuk kategori pengetahuan, sikap dan praktek menggunakan perintah :
Transform, Recode, Into Different Variable
Pilih variabel pengetahuan , klik
Pada output variables ketik kat_tahu, klik tombol change
Untuk lebih jelasnya lihat gambar 25 di bawah ini
Ketik
Kat_tahu
klik
klik

klik
 klik

Gambar 25 Kotak dialog Recode

Klik tombol Old and New Value, sehingga tampak tampilan sebagai berikut:

klik

60

klik

Gambar 26 Kotak dialog Recode : Old and new values

Lakukan untuk kategori 1, pengetahuan 60. Pilih range lowest through ......, ketik 60. Pada
tab New Value, ketik 1, klik tombol add.
Lakukan untuk kategori 2, 61 pengetahuan 79. Pilih range ..... through ......, ketik 61
through ketik 79. Pada tab New Value, ketik 2, klik tombol add.
Untuk kategori 3 pengetahuan 80, klik range ...... through highest, ketik 80. Pada tab New
Value, ketik 3, klik tombol add ( lihat gambar 27).
Kik Continue, klik OK.
Secara otomatis akan muncul tambahan variabel kat_tahu, dalam bentuk angka 1, 2 atau 3.
Untuk merubah kategori menjadi baik, cukup dan kurang, pindahkan ke lembar variable
 view, isikan values pada variabel kat_tahu dengan kategori : 1. Kurang, 2. Cukup, 3. Baik
(caranya lihat modul bab III).
Dengan cara sama lakukan untuk kategori sikap dan praktek.
a. Lakukan analisis deskriptif untuk data kategorik :
Untuk menyajikan data kategorik cukup menggunakan prosentase, sebagai latihan gunakan
variabel gender.
Adapun langkah-langkahnya adalah sebagai berikut :

Menampilkan tabel distribusi frekuensi

Klik menu pilih Analyze, pilih Descriptive Statistics, klik frequencies sehingga tampak
tampilan dibawah ini :

Gambar 27 Kotak dialog frequencies

Pilih variabel gender, klik sehingga pindah ke kolom variables.
Pilih Statistics, sehingga tampak tampilan di bawah ini.
 Gambar 28 Kotak dialog frequencies statistics
Pilihan statistik meliputi berbagai ukuran untuk menggambarkan data numerik yaitu mean,
minimum, maksimum dan standar deviasi (optional), sehingga untuk data kategorik tidak
perlu di operasikan.
Klik continue, maka akan kembali ke kotak dialog frequencies.

b. Grafik atau diagram

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 :

jenis kelamin responden

Valid Cumulative
Frequency Percent Percent Percent
Valid L 4 16.7 16.7 16.7

P 20 83.3 83.3 100.0

Total 24 100.0 100.0

Penyajian dan interpretasi di Laporan Penelitian :

Tabel 11 Distribusi Responden Menurut Jenis Kelamin
Jenis Kelamin Jumlah Persentase
Laki-laki 4 16.7
Perempuan 24 83.3
Jumlah 24 100
Dari tabel dibaca :

Mayoritas responden berjenis kelamin perempuan (83,3%).

Catatan : gunakan salah satu grafik atau tabel

4. Analisis deskriptif untuk data numerik

Deskripsi data yang bisa digunakan untuk data numerik adalah semua perhitungan statistik
mulai dari ukuran pemusatan, ukuran penyimpangan, dan lain-lain. Misal mean, minimum,
maksimum dan standar deviasi. Untuk diagram bisa ditampilkan diagram univariate maupun
bivariate. Pada program SPSS ada dua cara mengeluarkan analisis deskriptif yaitu dapat
melalui perintah frequencies atau perintah descriptive.
Adapun langkah-langkahnya adalah sebagai berikut :

Klik menu pilih Analyze, pilih Descriptive Statistics, klik Descriptive sehingga tampak
tampilan sebagai berikut :

Gambar 30. Kotak dialog Descriptive

Pilih variabel umur, klik sehingga pindah ke kolom variables.
Klik Options, sehingga tampak tampilan sebagai berikut :

Gambar 31. Kotak dialog Descriptive : Options

Klik Continue, klik OK sehingga tampak output sebagai berikut :

Descriptives
Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

UMUR 24 25 48 34,50 5,49
 Berikut ini jika men

Jika menggunakan frequencies, adapun langkahnya sebagai berikut :

Klik menu pilih Analyze, pilih Descriptive Statistics, klik frequencies

Pilih variabel umur, klik sehingga pindah ke kolom variables.seperti tampak

dalam tampilan di bawah ini :

Gambar 32. Kotak dialog Frequencies

Klik statistics pilih, pilih ukuran yang diminta misal mean, median, modus, standar
deviasi, min, ma, SE, sehingga tampak tampilan sebagai berikut :
 Gambar 33. Kotak dialog Frequencies Statistics
Klik Continue
Klik Chart dan pilih histogram lalu klik with normal kurva

Gambar 34. Kotak dialog Frequencies charts

Klik Continue
Klik OK, sehingga terlihat output sebagai berikut :

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

Std. Dev = 5.49

Mean = 34.5

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 :

Gambar 35. Kotak dialog explore

Klik tombol Statistics, tandai bagian descriptive, sehingga tampak tampilan sebaga berikut :
 \Gambar 36. Kotak dialog explore statistics
Klik Continue
Klik tombol Plots, tandai bagian dependent together dan normality plotswith test ,
sehingga tampak tampilan

Gambar 37. Kotak dialog explore plots

Klik Continue
Klik OK, sehingga terlihat output sebagai berikut :

Case Processing Summary

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

5% Trimmed Mean 34.31

Median 32.50
Variance 30.174
St d. Deviation 5.49
Minimum 25
Maximum 48
Range 23
Int erquartile Range 8.50
Sk ewness .469 .472
Kurtos is -.009 .918

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

Normal Q-Q Plot of UMUR

2.0

1.5

1.0

.5

0.0
Expected Normal

-.5

-1.0

-1.5

-2.0
20 30 40 50

Observed Value

Detrended Normal Q-Q Plot of UMUR

.8

.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.

Penyajian dan Interpretasi di Laporan Penelitian

Dari angka-angka tersebut kita masukkan ke tabel penyajian di laporan penelitian, dengan
penyajian dan interpretasi sebagai berikut :
Tabel 12. Statistik deskriptif variabel umur
Variabel Rata- Simpangan Minimum-Maksimum 95%CI
rata baku

Umur 34.5 5.49 25 - 48 32.18 - 36.82

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

Simpan filedengannama latih04.

Sajikan data di atas dalam bentuk grafik yang sesuai.
Penyelesaian
 1. GrafikJenisBatang (Bar)
Diagram batang adalah penyajian data statistic berbentuk batang atau balok.
Data yang variabelnya berbentuk kategori atau atribut sangat tepatd isajikan dalam bentuk
diagram batang.
Untuk menggambar perlu sumbu datar dan sumbu tegak yang saling berpotongan tegaklurus.
Skala pada sumbu datar dan sumbu tegak tidak harus sama.
Sumbu datar untuk menyatakan atribut atau waktu
Sumbu tegak untuk menyatakan kuantum atau nilai data

Summaries group of cases

Grafik jenis ini akan menampilkan data secaraber kelompok.
a. Simple
Langkah-langkah :
Buka file dengan latih04 di atas.
Dari menubarpilih Graph Legacy dialogBar :

Gambar38.Tampilan menu grafik

Selanjutnya akan tampak kotak dialog Bar chart

Gambar39.Kotak dialog Bar charts

 Terdapat tiga pilihan model grafik bar, yaitu :
Simple adalah bentuk grafik bar yang paling sederhana
Clustered adalah bentuk grafik yang lebih kompleks dengan penyajian tiap kelompok
Stacked adalah bentuk grafik yang mirip dengan cluster hanya penyajiannya menumpuk ke
atas.
Ketiganya akan dibahas satu persatu, pilih simple.
Pilih data in chart area : summaries for group of cases.
Klik Define, sehingga akan tampak tampilan seperti gambar 40

Gambar 40 Kotak dialog Define Simple bar

Sesuai dengan gambar 40 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 bar 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, sehingga tampak kotak dialog Titles.
 Gambar 41 Kotak dialog Titles
Sesuai dengan gambar 41, ikuti langkah-langkah berikut ini :
Judul line 1 : Ketik Grafik Cakupan Vitamin A Balita Februari
Judul line 2 : Ketik Kab. Harapan Jaya
Subtitles : Ketik Tahun 1998-2003
Footnote abaikan.
Klik Continue untuk meneruskan, maka akan kembali ke Define Simple bar.
Kolom options, abaikan.
Klik OK, maka tampak output.

Graph

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
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. .

2. Summaries of separate variable

Grafik jenis ini akan menampilkan ringkasan variabel secara terpisah.
a. Simple
Langkah-langkah :
Dari menubar pilih Graph>legacy dialog >Bar , seperti tampak pada gambar 35.
Selanjutnya akan tampak kotak dialog Bar chart, seperti pada gambar 39
Pilih simple.
Pilih data in chart area : summaries of separate variable.
Klik Define, sehingga akan tampak tampilan seperti gambar 43

Gambar 43 Kotak dialog Define Simple bar: summarise of separate variables

Kita akan membandingkan variabel vita_feb dan vita_aug. Sesuai dengan gambar 40 ikuti
langkah langkah sebagai berikut :
Klik Vita_feb dan Vita_aug, kemudian klik , maka kedua variabel akan pindah ke bar
represent.
Kolom templates, abaikan saja.
 Untuk memberi judul pada grafik, klik Titles, sehingga tampak kotak dialog Titles, seperti
pada gambar 35
Title line 1 : Ketik Grafik Cakupan Vitamin A Balita dan Ibu Nifas.
Title line 2 : Ketik Kab. Harapan Jaya
Subtitles : Ketik Tahun 1998
Footnote abaikan.
Klik Continue untuk meneruskan, maka akan kembali ke Define Simple bar.
Kolom options, abaikan.
Klik OK, maka tampak output.
OUTPUT SPSS

Grafik Cakupan Vitamin A Balita dan Ibu Nifas

Kab. Harapan Jaya
Tahun 1998
97,2

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.

Gambar 44 Kotak dialog Define Clustered bar: summarise of separate variables

Kolom templates, abaikan saja.
Untuk memberi judul pada grafik, klik Titles,
Title line 1 : Ketik Grafik Cakupan Vitamin A Balita dan Ibu Nifas.
Judul line 2 : Ketik Kab. Harapan Jaya
Subtitles : Ketik Tahun 1998-2003
Footnote abaikan.
Klik Continue untuk meneruskan, maka akan kembali ke Define Clustered bar.
Kolom options, abaikan.
Klik OK, maka tampak output.
 Gambar 45. Clustered bar
Simpan dengan cara klik menu bar pilih File>Save as>beri nama Bar_2b
Analisis
Terlihat pada tahun 1998 angka cakupan Vitamin A untuk Balita pada bulan Feruari tertinggi,
angka cakupan Vitamin A untuk BalitaAgustus tertinggi tahun 1999 dan angka cakupan Vitamin
A untuk Ibu Nifas tertinggi padatahun 2003.

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 46 Kotak dialog Define Clustered bar: summarise of separate variables

Sesuai dengan gambar 48 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.
Kolom templates, abaikan saja.
Untuk memberi judul pada grafik, klik Titles, sehingga tampak kotak dialog Titles.
Title line 1 : Ketik Grafik Cakupan Vitamin A Balita dan Ibu Nifas.
 Title line 2 : Ketik Kab. Harapan Jaya
Subtitles : Ketik Tahun 1998-2003
Footnote abaikan.
Klik Continue untuk meneruskan, maka akan kembali ke Define Stacked bar.
Kolom options, abaikan.
Klik OK, maka tampak output.

Gambar 47. Clustered bar

Simpan dengan cara klik menu bar pilih FileSave as berinama Bar_2c
Analisis
Terlihat pada tahun 1998 angka cakupan Vitamin A untuk Balita pada bulan Februari tertinggi,
angka cakupan Vitamin A untuk Balita Agustus tertinggi tahun 1999 dan angka cakupan Vitamin
A untuk Ibu Nifas tertinggi padatahun 2003.
Tugas : Coba sendiri untuk values of individual case

2. Grafik Jenis Garis (Line)

Diagram garis adalah penyajian data statistic berbentuk garislurus, untuk menggambarkan
keadaan yang serba terus atau berkesinambungan
summaries for groups of cases
a. Simple
Langkah-langkah :
Dari menu bar pilih Graph>Legacy dialogs>Line.
Selanjutnya akan tampak kotak dialog line chart
 Gambar48.Kotak dialog line charts
Pilih simple, Pilih data in chart area : summaries for group of cases.
Klik Define, sehingga akan tampak tampilan seperti gambar 49

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

3. GrafikJenis Pie (Lingkaran)

Penyajian data statistic dengan menggunakan gambar daerah lingkaran, diagram lingkaran
digunakan untuk menggambarkan data atribut.
Summaries group of cases
Langkah-langkah :
Dari menubarpilih Graph >Legacy dialogs> Pie

Gambar51.Tampilan menu grafik

 Selanjutnya akan tampak kotak dialog Pie chart

Gambar52.Kotak dialog Pie charts

Pilih data in chart area : summaries for group of cases.
Klik Define, sehingga akan tampak tampilan seperti gambar 50.

Gambar 53 Kotak dialog Define Pie

Sesuai dengan gambar 53 ikuti langkah langkah sebagai berikut :
Slice represent, pilih N of cases.
Kolom Define Slices by, isi variabel vita_feb, klik var vita_feb kemudian klik ,
sehingga variabel vita_feb pindah ke Define Slice by.
Kolom templates, abaikan saja.
Untuk memberi judul pada grafik, klik Titles, sehingga tampak kotak dialog Titles.
Title line 1 : Ketik Grafik Cakupan Vitamin A Balita Februari
Title line 2 : Ketik Kab. Harapan Jaya
Subtitles : Ketik Tahun 1998-2003
Footnote abaikan.
 Klik Continue untuk meneruskan.
Kolom options, abaikan.
Klik OK, maka tampak output.

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.

Gambar 54 Kotak dialog Define Pie

Sesuai dengan gambar 54 ikuti langkah langkah sebagai berikut :
Kolom Slice represent, isi denganvariabel vita_feb, vita_Aug dan Vit_bfas, klik ketiga
variabel kemudian klik , sehingga pindah ke Slicerepresent.
Kolom templates, abaikan saja.
Untuk memberi judul pada grafik, klik Titles, sehingga tampak kotak dialog Titles.
Title line 1 : Ketik Grafik Cakupan Vitamin A Balita dan Ibu Nifas
Title line 2 : Ketik Kab. Harapan Jaya
Subtitles : Ketik Tahun 1998-2003
Footnote abaikan.
Klik Continue untuk meneruskan, maka akan kembali ke Define Pie.
Kolom options, abaikan.
Klik OK, maka tampak output.
OUTPUT SPSS

Simpan dengan cara klik menu bar pilihFile>Save Asberinama Pie_2.

Untuk menampilkan % dalam grafik Pie, dari Ountput dobelklik, sehinggaakan masuk dalam
charts editor
 Gambar 55 Tampilan charts editor
Klik Charts > Options, maka akan tampak tampilan kotak dialog Pie Options sebagai
berikut :

Gambar 56 Tampilan kotak dialog Pie Options

Klik Label Percents, klik OK, selanjutnyaklik file > Close secaraotomatis output SPSS
menjadi :

Gambar 57 Grafik Pie

Analisis
Terlihat pada grafik Pie angka cakupan Vitamin A dari tahun 1993-2003, tertinggi pada bulan
Agustus (35,7%).

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

Gambar 58Tampilan Scatter/Dot

Pilihsimple scatter, klikdefine
Pindahkan variable lama kerja kesumbu x dan variable pengetahuan ke sumbu y,
seperti gambar di bawahini :

Gambar 59 Tampilan Simple Scatter/Dot

Untuk memberi judul pada grafik, klik Titles, sehingga tampak kotak dialog Titles.
Title line 1 : Ketik Grafik scaterhubungan lama kerjadenganpengetahuan
Title line 2 : Ketik Responden
 Subtitles : Ketik Tahun 2010
Footnote abaikan.
Klik Continue untuk meneruskan, maka akan kembali ke Define Scatter
Kolom options, abaikan.
Klik OK, maka tampak output.
Klik 2 kali pilih icon add fit line at total, pastikanpadaperintah linier, close, close
lagisehinggatampaktampilan di bawahini :

Gambar60 Tampilan grafik Scatter/Dot

Analisis
Karenadata menyebar dan tidak membentuk pola tertentu maka grafik scater di atas
menunjukkan hubungan yang lemah antara lama kerja dengan pengetahuan, sedang arah
hubungannya positif.

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

b. Analisis yang bisa digunakan

1) Analisis Grafik
Melihat histogram yang membandingkan antara data observasi dengan distribusi yang
mendekati distribusi normal.Namun demikian dengan hanya melihat histogram saja bisa
menyesatkan khususnya untuk sampel kecil.Metode yang lebih handal adalah dengan melihat
normal probability plot yaitu membandingkan distribusi kumulatif data observasi dengan
distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis
lurus diagonal dan ploting data akan dibandingkan dengan garis diagonal. Jika ditribusi data
normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis
diagonalnya.

Cara menguji normalitas lewat SPSS sebagai berikut :

Buka file data latih 03.sav

Uji Normalitas dapat dilakukan dengan berbagai cara yaitu cara grafik, menggunakan uji
Kolmogorov Smirnov, Kolmogorov Smirnov (Liliefors significance correction) dan uji
Shapiro Wilk
1. Cara grafik
Klik menu graphlegacy dialog histogram, pindahkan variabel umur ke variables
Klik display normal curve
Klik OK
Hasilnya sebagai berikut :
 Gambar 61 Histogram umur responden
Cara Lain
Dari gambar histogram dapat disimpulkan bahwa grafik histogram memberikan pola mendekati
normal

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

Statistic Std. Error

umur responden Mean 34.50 1.121
95% Confidence Interval for Lower Bound 32.18
Mean
Upper Bound 36.82
5% Trimmed Mean 34.31
Median 32.50
Variance 30.174
Std. Deviation 5.493
Minimum 25
Maximum 48
 Range 23
Interquartile Range 8
Skewness .469 .472
Kurtosis -.009 .918
Gambar 62 Hasil Analisis Deskriptif
a. Mean = median=modus
Nilai mean = 34,5
Nilai median = 32,5
Nilai modus=32, karena ketiganya hampir sama maka kesimpulannya distribusi umur
berdistribusi normal.
b. Skewness dan Kurtosis
Untuk menguji normalitas data baik menggunakan skewness (kemiringan data) dan kurtosis
(keruncingan data ) dimana kedua parameter tersebut pada setiap indikatornya terdapat nilai
critical rasio (CR). Pada tingkat signifikan 1% nilai CR berada diantara 2,58 (-2,58_ CR _
+2,58 ) , jika diluar batas ini dapat dikatakan data pada indikator tersebut tidak normal. Nilai
skewness yang positif mengindikasikan tingginya frekueni nilai yang ada di sebelah kiri
puncak distribusi normal demikian pula sebaliknya sedangkan Nilai kurtosis yang negative
menunjukkan distribusi yang landai (varians besar ) sedangkan nilai kurtosis yang positif
menunjukan distribusi data yang memuncak (Satu nilai mendominasi).
Rasio skewness : Nilai Skewness/std.error skewness =0,469/0,472=0,99

Rasio kurtosis : Nilai kurtosis/ std.error kurtosis =-0.009/0,902= - 0,00998

Keduanya terletak antara 2,58 berarti berdistribusi normal

c. Steam and Leaf

umur responden Stem-and-Leaf Plot

Frequency Stem & Leaf

.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)

Gambar 63 Grafik Steam and Leaf umur responden

Ada 4 orang yang mempunyai umur25, 27, 28 dan 29 tahun (lihat steam 2 dan leaft 5789), 10
orang dengan umu2 30, 30, 32,dst dari data membentuk simetris seperti lonceng menunjukkan
distribusi data normal.

d. Grafik Normal Q-Q plot

Gambar 64 Grafik Normal QQ Plot

Jika data menyebar sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik maka
data berdistribusi normal.

e. Grafik Detrended Normal Q-Q plot

 Gambar 65Grafik Detrenden Normal Q-Q Plot

Data tidak menyebar jauh dari garis diagonal dan/ menunjukkan pola distribusi normal

f. Grafik Box Plot

Gambar 66Grafik Box Plot

Data Median terletak agak ketengah menunjukkan pola distribusi mendekati normal

g. Uji Kolmogorov Smirnov (Liliefors Significance Correction) dan Shapiro Wilk

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic Df Sig. Statistic df Sig.

umur responden .175 24 .054 .957 24 .377

a. Lilliefors Significance Correction

Gambar 67 Hasil uji normalitas

Untuk ujiKolmogorov Smirnov (Liliefors Significance Correction), karena p value (sig)
=0.054> 0.05 maka umur berdistribusi normal
Untuk ujiShapiro Wilk, karena p value (sig) =0.377> 0.05 maka umur berdistribusi normal
3. Menggunakan Uji One Sampel Kolmogorof Smirnov
Ho : F (x) = Fo (x)
F (x) adalah fungsi distribusi populasi yang diwakili oleh sampel
Fo (x) adalah fungsi distribusi suatu populasi berdistribusi normal
Atau
Data Berasal Dari Populasi Yang Berdistribusi Normal
Ha: F (X) Fo (X) (Uji Two Tail)
Data Berasal Dari Populasi Yang Berdistribusi Tidak Normal
Kesimpulan :
Jika p-value > 0,05 Ho diterima/gagal ditolak
Sehingga kesimpulannya data berasal dari populasi yang berdistribusi normal
Jika p-value < 0,05 Ho ditolak
Sehingga kesimpulannya data berasal dari populasi yang berdistribusi tidak normal
Hasil analisis menggunakan SPSS:
Uji (KS) Kolmogorof Smirnov 1 sampel :
Pilih menu Analyze, pilih Non parametric test
Pilih 1-sampel-KS
Pindahkan variabel umurke test variabel list, Klik OK
One-Sample Kolmogorov-Smirnov Test

umur responden

N 24

Normal Parametersa Mean 34.50

Std. Deviation 5.493

Most Extreme Differences Absolute .175

Positive .175

Negative -.092

Kolmogorov-Smirnov Z .860

Asymp. Sig. (2-tailed) .451

a. Test distribution is Normal.

Gambar 68. Kotak dialog One Sample Kolmogorov Smirnov Test

Pada uji kenormalan, terlihat p value untuk variable di atas yaitu :
Umur p-value = 0,451 (> 0,05)
Sehingga kesimpulannya umurberdistribusi normal.

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 :

Tabel 12.Teknik statistik untuk analisis komparatif

Macam Bentuk komparasi

data Dua sampel k sampel
Berpasangan Bebas Berpasangan Bebas
Nominal Mc. Necmar Fisher Exact Kai kuadrat Kai kuadrat
Kai kuadrat 2 Cohran Q
sampel
Ordinal Sign test Median test Friedman Median
Extension
Wilcoxon Mann Whitney Two way anova

Match pair Utest

Kruskall
Kolmogorov Walls
smirnov One way
Wald wolwofitz anova
Interval/ Pair sampel t Independen sampel One way anova One way
rasio test t test anova
 Two way anova
Two way
anova

3. Uji Beda 2 Mean (Dependent Samples T Test/ Paired T Test)

Tujuan : Untuk mengetahui perbedaan rata-rata (mean) antara dua kelompok data yang
dependen :
Contoh :
Apakah ada perbedaan pengetahuan sebelum dan sesudah dilakukan pelatihan
Syarat :
a. distribusi normal
b. Kedua kelompok data dependen/pair
c. Jenis variabel numerik dan katagorik (dua kelompok)
Uji T sampel dependen atau uji sampel berhubungan atau uji t pair sering digunakan dalam
analisis data penelitian eksperimen. Kedua sampel bersifat dependen kalau kedua kelompok
sampel yang dibandingkan mempunyai subyek yang sama. Dengan kata lain disebut dependen
bila responden diukur/diteliti dua kali, sering orang mengatakan penelitian pre dan post.

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.

2. Uji t sampel berhubungan

Dari menu utama SPSS, klik Analyze,
Pilih sub menu Compare Mean
Pilih Paired-Samples t test.

Gambar 70. Kotak dialog paired samples t Test

Klik pengetahuan sebelum dan sesudah penyuluhan, masukkan dalam kotak Paired Variables
 Gambar 71. Kotak dialog paired samples T Test terisi
Klik OK untuk menjalankan prosedur perintahnya.

Paired Samples Statistics

Mean N Std. Deviation Std. Error Mean

Pair 1 skor pengetahuan

85.62 24 11.193 2.285
responden

skor pengetahuan sesudah

87.46 24 10.112 2.064
penyuluhan

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

Variabel Rata-rata SD SE p value N

Pengetahuan
a. Pretest 85,62 11,193 2.285 0,004 24
b. Postest 87,76 10,112 2,064

Rata-rata pengetahuan sebelum penyuluhan 85,62 dengan standar deviasi 11,193,

sedangkan rata-rata pengetahuan sesudah penyuluhan sebesar 87,76 dengan standar deviasi
sebesar 10,112. 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

4. Uji Beda 2 Mean ( Independent Samples T Test)

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

a. Uji untuk varians berbeda

2
S12 S22

X1 X 2 n1 n2
T , df
S12 S22 S 2 2 S 2 2
1 n 2 n
n1 n2 1

2

n1 1 n2 1


b. Uji Homogenitas Varians
Tujuan dari uji ini untuk mengetahui varians antara kelompok data satu apakah sama dengan
kelompok data yang kedua.
Perhitungan dengan menggunakan uji F.
F hitung = S12 / S22 ( dimana S12 adalah varian yang lebih besar)
df1 = n1 1 dan df2 = n2 1
Pada perhitungan uji F, varian yang lebih besar sebagai pembilang dan varians lebih kecil
sebagai penyebut.
Keputusan:
* Jika F hitung Ftabel (df 1, df 2, ) Ho ditolak
Kesimpulannya varian kedua populasi tidak sama/ berbeda
 * Jika F hitung < Ftabel (df 1, df 2, ) Ho diterima/gagal ditolak
Kesimpulannya varian kedua populasi sama

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.

Gambar 73. Define Groups

Lalu klik Continue
Klik OK untuk menjalankan prosedur perintahnya.
Hasilnya :

Group Statistics

jenis
kelamin
respond
en N Mean Std. Deviation Std. Error Mean

skor pengetahuan responden L 4 87.50 15.000 7.500

P 20 85.25 10.735 2.401

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 :

Gambar74 :Kotak dialog One Way anova

Masukanvariabelpengetahuan (numeric) kekotak dependent list
Masukkanvariabelpendidikan (kategorik) kekotak factor.
Tampilandilayar :
 Gambar75 :Kotak dialog One Way AnovaTerisi
Klik kotak Option
Aktifkan pilihan Descriptive.
Tampak pada layar :

Gambar76 :Kotak dialog One Way : Options

Klik Continue
Klik kotak Post Hoc
Aktifkan pilihan Bonferoni
Tampak pada layar :
 Gambar77 :Kotak dialog One Way : Post Hoc Multiple Comparisons
Klik Continue
Klik OK, untuk melaksanakan prosedur perintah

Hasilnya :

Test of Homogeneity of Variances

skorpengetahuanresponden

Levene Statistic df1 df2 Sig.

.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

Std. Lower Upper

N Mean Deviation Std. Error Bound Bound Minimum Maximum

SMA 13 84.46 9.938 2.756 78.46 90.47 65 100

D1 8 93.38 6.163 2.179 88.22 98.53 86 100

D3 3 70.00 10.000 5.774 45.16 94.84 60 80

Total 24 85.62 11.193 2.285 80.90 90.35 60 100

Sementara pada tabel descriptive, terlihat rata-rata pengetahuan dari keempat jenjang pendidikan ibu tidak
berbeda jauh, kecuali untuk ibu yang berpendidikan D1, rata-rata pengetahuan paling tinggi D1 yaitu9
3,38 dibanding responden yang berpendidikan SMA (84,46), danD3 (70,00).

ANOVA

skorpengetahuanresponden

Sum of Squares df Mean Square F Sig.

Between Groups 1230.519 2 615.260 7.825 .003

Within Groups 1651.106 21 78.624

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

(I) (J) 95% Confidence Interval

pendidi pendidi
kanresp kanresp Mean Difference
onden onden (I-J) Std. Error Sig. Lower Bound Upper Bound

SMA D1 -8.913 3.984 .109 -19.28 1.45

D3 14.462 5.679 .056 -.31 29.24

D1 SMA 8.913 3.984 .109 -1.45 19.28

D3 23.375* 6.003 .003 7.76 38.99

D3 SMA -14.462 5.679 .056 -29.24 .31

 D1 -23.375* 6.003 .003 -38.99 -7.76

*. The mean difference is significant at the 0.05 level.

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).

2. Anova Dua Faktor/ Two Way Anova

Contoh :

Seorang mahasiswa FK ingin meneliti hubungan (perbedaan) pengetahuan dengan pendidikan

ibu. Dalam penelitian ini juga akan dilihat perbedaan pengetahuan pada responden. Laki-laki dan
perempuan (ditambah satu variabel jenis kelamin) daninteraksi variabel jenjang pendidikan
dengan variabel jeniskelamin. Besar sampel yang dambil dengan rumus didapatkan n = 24 orang.
Kerangka konsep :

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)

2. UjiAnova Two Way

Dari menu utama SPSS, klik Analyze, kemudianpilih sub menu General Linier Model
danpilihUnivariat.
Masukanvariabelpengetahuan (numerik) kekotak Dependent Variable
Masukkanvariabelpendidikan (kategorik) dan jenis kelamin ke kotak Fixed Factor(s).

Tampak pada layar :

Gambar78.Kotak dialog Univariate

Abaikan yang lain
Dan terakhirklik OK, untukmelaksanakanprosedurperintah
Hasilnya :

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.

Tests of Between-Subjects Effects

Dependent Variable:skorpengetahuanresponden

Type III Sum of

Source Squares Df Mean Square F Sig.

Corrected Model 1692.244a 5 338.449 5.122 .004

Intercept 69966.229 1 69966.229 1.059E3 .000

pendidikan 1387.914 2 693.957 10.502 .001

gender 416.709 1 416.709 6.306 .022

pendidikan * gender 42.010 2 21.005 .318 .732

Error 1189.381 18 66.077

Total 178841.000 24

Corrected Total 2881.625 23

a. R Squared = .587 (Adjusted R Squared = .473)

Pada tabel diatas dapat dilihat :

a. Perbedaan rata-rata pengetahuan berdasarkan jenjang pendidikan
Dari tabel terlihat bahwa dengan p value sebesar 0,001 (< alpha 0,05) yang berarti ada
perbedaan signifikan rata-rata pengetahuan diantara ketiga jenjang pendidikan tersebut.
b. Perbedaan rata-rata pengetahuan berdasarkan jenis kelamin. Dari tabel terlihat bahwap
value sebesar0,022 (< alpha 0,05) yang berartia daperbedaan signifikan rata-rata
pengetahuan berdasarkan jeniskelamin.
c. Interaksi dua faktor yaitu jenjang pendidikan dengan jenis kelamin
 p value sebesar 0,732 (> alpha 0,05) yang berarti ada interaksi antara faktor jenjang
pendidikan dengan faktor jenis kelamin

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 :

One-Sample Kolmogorov-Smirnov Test

skorpengetahua skorsikaprespon
nresponden den tahusikap
N 24 24 24
Normal Parametersa Mean 85.62 32.88 2.8292E3
 Std. Deviation 11.193 2.346 5.02221E2
Most Extreme Differences Absolute .152 .226 .133
Positive .100 .141 .133
Negative -.152 -.226 -.122
Kolmogorov-Smirnov Z .745 1.106 .651
Asymp. Sig. (2-tailed) .636 .173 .791
a. Test distribution is Normal.
Gambar 79.Hasil Uji Normalitas

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

**. Correlation is significant at the 0.01 level (2-tailed).

Gambar 80 HasilUjiKorelasi

Koefisien korelasi( r ) didapat : 0,569

Artinya kekuatan/keeratan hubungan termasuk cukup kuat, dan berpola linier positif yaitu
semakin bertambah skor pengetahuan semakin bertambah pula skor sikapnya
Pada uji hipotesis didapatkan nilai p value 0,004( p value < 0,01 ) sehingga tolak Ho
Kesimpulannya : ada hubungan yang signifikan ( pada = 0,01) antara pengetahuan dengan
sikap.
Koefisien Determinasi( r2 ) didapatkan (0,569)2 = 0,32 = 32 %
Artinya besarnya variasi variable y (sikap) dapat dijelaskan oleh variable x. (pengetahuan)
adalah sebesar32 % .

2. Regresi Linier Sederhana

Analisis regresi dapat digunakan untuk menggambarkan hubungan linier antara dua variable
numeric . tujuan analisis regresi adalah untuk membuat perkiraan / memprediksi nilai suatu
variable (variable dependen) melalui variable yang lain (independent) sebagai contoh dalam
hubungan antara pengetahuan dengan sikap ingin diprediksi berapa besarnya skor sikapnya bila
diketahui skor pengetahuannya.
1. Persamaan Garis
Secara matematik model persamaan garis regresi sebagai berikut :
y a bx
dimana :
y : nilai y yang diprediksi
x : variable independen = variable bebas = predictor
a : intercept = nilai y bila x =0
atau intercept/perpotongan garis regresi dengan sumbu y
b : slope = kemiringan garis regresi = koefisien regresi
= nilai y meningkat sebesar b unit untuk setiap kenaikan nilai x sebesar satu unit..
Sedangkan nilai a dan b diperoleh dengan persamaan sebagai berikut :

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

Asumsi pada regresi linier:

1. Nilai mean dari Y adalah fungsi garis lurus (linierity) dari X Yi = a + biXi +e
2. Nilai Y terdistribusi sec. Normal untuk setiap nilai X (normality)
3. Varian Y adalah sama untuk setiap nilai X (homoscedasticity)
4. Nilai X dan Y adalah tidak saling berkaitan(independency)
Contoh kasus:
pengetahuan sikap
Variable independen :pengetahuan
Variabeldependen : sikap
Pertanyaan:
Apakah ada hubungan yang signifikan antara pengetahuan dengan sikap?
Bagaimana persamaan garis regresinya?
Perkirakan skorsikap, jika diketahui skor pengetahuan= 80
Langkah-langkah:
1. Buka SPSS, lalu buka data dengan nama file latih03
2. Melakukan Uji kenormalan datanya untuk variable pengetahuan, sikap menggunakan uji one
sample kolmogorof smirnof dengan cara:
klik analyze, pilih non parametrik test, pilih one sample KS
masukkan kekotak test variable list: variable pengetahuan dan sikap
pada test distribution pilih normal
klik OK
Hasil (gambar 79), pada uji kenormalan, terlihat p value untuk variable yaitu pengetahuan, dan
sikap> 0,05 sehingga kesimpulannya data berdistribusi normal sehingga asumsi distribusi normal
terpenuhi.
3. Melakukanan alisis korelasi bivariat
klik analyze, pilih correlate, pilih bivariate
masukkan ke kotak variable: variable pengetahuan dan sikap
pada correlation coefficients pilih Pearson
pada test of significance pilih : two tailed
danklik Flag significant correlations
klik OK
Hasilnya pada gambar 80, karena p value = 0,004 ( p value < 0,01 ) sehingga tolak Ho
Kesimpulannya : ada hubungan yang signifikan ( pada = 0,01 ) antara pengetahuan dengan
sikap.
4. Melakukananalisisregresi linierdengancara:
Klik analyze, pilih regression, pilih linear
Masukkan variabel sikap kekotak dependent
 Masukkan variabel pengetahuan kekotak independent
Method : pilih enter
Klik : OK
Hasil :
Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .569a .324 .293 1.972

1. Nilaia.koefisien
Predictors:korelasi
(Constant),r skorpengetahuanresponden
= 0,569
2. Koefisien determinasi R2 = 0,32 (variasi sikap dapat dijelaskan olehvariabel pengetahuan
sebesar32 %).
ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 41.036 1 41.036 10.548 .004a
Residual 85.589 22 3.890
Total 126.625 23
a. Predictors: (Constant), skorpengetahuanresponden
b. Dependent Variable: skorsikapresponden
3. Nilai p anova = 0,004 (asumsi linier sudahterpenuhi)

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 22.657 3.172 7.143 .000

skorpengetahuanresponden .119 .037 .569 3.248 .004

a. Dependent Variable: skorsikapresponden

4. Nilai p-value variabel skor pengetahuan = 0,004 sehinggasignifikan. Diperoleh nilai a =

22,657
nilai b = 0,119
sehingga persamaan garis regresinya adalah: = 22,657 + 0,119X
5. Jadi jika diketahui pengetahuan 80 maka skor sikapnya :
 =22,657 + 0,119 X
= 22,657 + 0,119 ( 80 ) = 32

3. Uji Korelasi Parsial

pengetahuan praktek

sikap

Variable independen :pengetahuan

Variabel dependen : praktek
Variabel kontrol : sikap
Pertanyaan :
Apakah ada hubungan antara pengetahuan dengan praktik setelah dikontrol dengan variabel
sikap?
Langkah-langkah :
1. buka data latih03.sav
2. Uji kenormalan datanya untuk variable pengetahuan, sikap dan praktek menggunakan uji
one sample kolmogorof smirnof dengan cara:
klik analyze, pilih nonparametrik test, pilih one sample KS
masukkan kekotak test variable list: variable pengetahuan, sikap dan praktek
pada test distribution pilih normal , klik OK
3. Melakukan analisa korelasi partial dengancara :
klik analyze, pilih correlate, pilih partial
masukkan kekotak variable: variabel pengetahuan, sikap dan praktek
masukkan kekotak controlling for: variabel sikap
pada test of significance pilih : two tailed
dan klik pada display actual significance level, lalu klik OK
4. Interpretasi hasil
Hasil :
Analisis kenormalan:
 One-Sample Kolmogorov-Smirnov Test
skorpengetahua Skorsikaprespon skorpraktikrespo
nresponden den nden
N 24 24 24
Normal Parametersa Mean 85.62 32.88 88.50
Std. Deviation 11.193 2.346 7.558
Most Extreme Differences Absolute .152 .226 .214
Positive .100 .141 .161
Negative -.152 -.226 -.214
Kolmogorov-Smirnov Z .745 1.106 1.051
Asymp. Sig. (2-tailed) .636 .173 .220
a. Test distribution is Normal.

Gambar 81 Hasil Uji Normalitas

Padauji kenormalan, terlihat p value untuk ketiga variable yaitu :
pengetahuan p-value = 0,636 (> 0,05)
sikap p-value = 0173 (> 0,05)
praktek = 0,220 (> 0,05)
Sehingga kesimpulannya data pengetahuan, sikap dan praktek berdistribusi normal.
Korelasi parsial Hubungan pengetahuan praktek dengan mengontrol sikap
Correlations
Skorpengeta
huanrespond skorpraktikrespo
Control Variables en nden
Skorsikapresponde Skorpengetahuanres Correlation 1.000 .644
n ponden
Significance (2-tailed) . .001
Df 0 21
Skorpraktikresponde Correlation .644 1.000
n
Significance (2-tailed) .001 .
Df 21 0

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 :

Aktifkan file PENYULUHAN.SAV

Dari menu Analyze pilih Nonparametrik Test
Pilih 2-Related Samples
Pada Test Pair(s)list masukkan variabel Sebelum dan Sesudah
Pada Test Type pilih wilcoxon dan sign
OK
Didapat hasil
Wilcoxon Signed Ranks Test
 Test Statisticsb

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

N Mean Rank Sum of Ranks

setelah penyuluhan - Negative Rank s 3a 5.00 15.00
sebelum peny uluhan Positive Ranks 6b 5.00 30.00
Ties 11 c
Total 20
a. setelah penyuluhan < sebelum penyuluhan
b. setelah penyuluhan > sebelum penyuluhan
c. sebelum peny uluhan = set elah penyuluhan

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

Status kerja ibu N Mean Rank Sum of Ranks

Diberi kolostrum 0 Tidak bekerja 25 29.40 735.00
1 Bekerja 25 21.60 540.00
Total 50

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

Menyusui eksklusive N Mean Rank Sum of Ranks

RATSIKAP 0 ya 26 23.62 614.00
1 tidak 24 27.54 661.00
Total 50

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

1. SLTP, SLTA & PT

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 :

One-S am ple Kolm ogorov-Sm irnov Test

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.

Hasil uji kenormalan :

Karena p-value = 0,022 < alpha (0,05) maka distribusi data jumlah anak adalah tidak
normal sehingga uji yang digunakan adalah non parametrik yaitu uji Mann-Whitney.
Langkah-langkah :
Pada Analyze pilih Nonparametric Test, lalu pilih 2-Independent Samples
Pada Test Variable isi variabel umur
Pada grouping variabel isi dengan variabel didikbr2
Klik define group, isi group 1 : 0 dan group 2 : 1
Pada Test Type, pilih Mann Whitney
 Klik : OK
Didapat hasil:

Ranks

didikbaru2 N Mean Rank Sum of Ranks

Umur ibu SD 189 109.19 20637.00
SLTP,SLTA & PT 36 133.00 4788.00
Total 225

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

Pendidikan terakhir ibu

1 SD 2 SMP 3 SMU 4 PT
Diberi kolostrum > Median 4 4 10 7
<= Median 8 4 7 6
 Te st S tatisticsb

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 :

One-S am ple Kolm ogorov-Sm irnov Test

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.

Hasil uji kenormalan :

Karena p-value = 0,022 < alpha (0,05) maka distribusi data jumlah anak adalah tidak
normal sehingga uji yang digunakan adalah non parametrik yaitu uji Median

2. Melakukan uji Median

Langkah-langkah :
Pada Analyze pilih Nonparametric Test, lalu pilih k-Independent Samples
Pada Test Variable isi variabel umur ibu
Pada grouping variabel isi dengan variabel didik
Klik define group, isi minimum dengan 1 dan maksimum dengan 4 continue
Pada Test Type, pilih Median
Klik : OK
Didapat hasil:

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

Pendidikan terakhir ibu N Mean Rank

Diberi kolostrum 1 SD 12 20.88
2 SMP 8 23.94
3 SMU 17 27.76
4 PT 13 27.77
Total 50
 Te st Statisticsa,b

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.

Hasil uji kenormalan :

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

Pendidikan terakhir ibu N Mean Rank

Jumlah anak 1 SD 12 26.92
2 SMP 8 22.94
3 SMU 17 25.68
4 PT 13 25.54
Total 50
 Test Statisticsa,b

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.

5. Uji Chi Square

Dalam penelitian kesehatan seringkali peneliti perlu melakukan analisis hubungan
variable katagorik dengan variable katagorik, uji yang digunakan adalah uji Kai Kuadrat (Uji Chi
Square). Variabel kategorik adalah variable yang diperoleh dari hasil klasifikasi/penggolongan,
misalnya : variable jenis kelamin, jenis pekerjaan, golongan darah, pendidikan dan lain-lain.
Dilain pihak variable numerik (misalnya pendapatan, umur, berat badan dan lain-lain) dapat
menjadi variable kategorik bila variabel tersebut sudah mengalami pengelompokan.misalnya
pendapatan ( Rp. 500.000, Rp. 750.000, dll)
Termasuk variable numeric, namun jika sudah diadakan pengelompokkan menjadi (<500.000
(rendah), 500.000 s/d 1.000.000 (sedang) dan > 1000.000 (tinggi) maka variable ini sudah
berjenis kategorik.
1. Tujuan uji Kai kuadrat
Tujuan dari digunakannya kai kuadrat untuk menguji perbedaan proporsi /persentase antara
beberapa kelompok data., dilihat dari segi datanya uji kai kuadrat dapat digunakan untuk
mengetahui hubungan antara variable kategorik dengan kategorik.
Contoh pertanyaan penelitian yang dapat dipecahkan dengan uji kategorik :
 Apakah ada perbedaan kejadian kecacingan ( kategori dengan klasifikasi ya dan tidak) antara
anak yang berasal dari keluarga dengan kondisi social ekonomi ( kategori klasifikasi tinggi
sedang dan rendah).

2. Prinsip Dasar Uji kai kuadrat.

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.

Variabel I Variabel II Jumlah

Tinggi Rendah

Ya A b A+b

Tidak C d C+d

Jumlah a+c b+d N

a, b, c dan d merupakan nilai observasi, sedangkan nilai expectasi (harapan) masing-masing

sel dicari dengan rumus :
 total barisnya x total kolomnya
X2
jumlah keseluruhan data
Misalkan mencari nilai expectasi untuk sel a adalah :

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).

ODD Rasio (OR) dan risiko Relatif (RR)

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

Interpretasi sebagai berikut :

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

Interpretasi sebagai berikut :

Dari 100 pasien yang menderita kanker paru ada sebanyak 75 (75%) responden berjenis kelamin
laki-laki. Sedangkan pada kelompok yang tidak menderita kanker, ada sebanyak 30 (30%)
responden berjenis kelamin laki-laki.
Contoh Kasus
Suatu penelitian cross sectional ingin mengetahui hubungan pekerjaan dengan perilaku
menyusui, Variabel pekerjaan berisi dua nilai yaitu bekerja dan tidak bekerja sedang variabel
perilaku menyusui berisi dua nilai yaitu : eksklusive dan non eksklusive.

Status Perilaku
Pekerjaan Menyusui

Variabel bebas : Status Pekerjaan ( bekerja/tidak bekerja)

Variabel Terikat : Perilaku menyusui (eksklusive/non ekslusive)
Hipotesis :
Ho : Ada hubungan yang signifikan antara status pekerjaan dengan perilaku menyusui
Ha : Tidak ada hubungan yang signifikan antara status pekerjaan dengan perilaku menyusui

Langkah-langkahnya sebagai berikut :

 Aktifkan file LATIHAN.sav.
Dari menu utama klik analyze, pilih descriptive, pilih crosstab
Masukkan variabel status kerja responden (kerja) sebagai variabel independent pada box
ROWS.
Pada box column diisi variabel dependennya, yaitu variabel status menyusui eksklusive
(eksklu).

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

As ymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 8.013b 1 .005
Continuity Correctiona 6.490 1 .011
Likelihood Ratio 8.244 1 .004
Fis her's Exact Test .010 .005
Linear-by-Linear
7.853 1 .005
As sociation
N of Valid Cases 50
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count les s than 5. The minimum expected count is
12.00.

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.

PENYAJIAN DAN INTERPRETASI DI LAPORAN PENELITIAN

Tabel 15.Distribusi Responden Menurut Status pekerjaan dan perilaku menyusui
Menyusui
Status Eksklusive Non Total OR 95% CI p
pekerjaan Eksklusive value
n % n % n %
Tidak 18 72 7 28 25 100 5.464 0.005
Bekerja 1.627-18.357
Bekerja 8 32 17 68 25 100
Jumlah 26 52 24 48 50 100
Hasil analisis hubungan antara status bekerja dengan perilaku menyusui eksklusive diperoleh
bahwa 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 statistik diperoleh nilai p = 0.005 maka dapat disimpulkan ada perbedaan perilaku menyusui
eksklusive antara ibu yang bekerja dan ibu yang tidak bekerja (ada hubungan yang signifikan
antara status pekerjaan dengan perilaku menyusui eksklusive). Dari hasil analisis dieroleh pula
nilai OR =5.464 artinya :Ibu yang tidak bekerja mempunyai peluang 5.464 kali menyusui
eksklusive dibandingkan ibu yang bekerja.

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.