2015

Modul Praktikum
Nutrition Biostatistics
Pengenalan SPSS, Transform, Statistik
Deskriptif, Uji Normalitas
Widya Rahmawati, S.Gz, M.Gizi

Swasta P
[Type the company name]
1/1/2015
Bab 1. Pengenalan Software Aplikasi Biostatistik: SPSS

A. Menu SPSS

File SPSS terdiri dari 2 halaman (sheet), yaitu Data View (halaman pertama) dan Variabel View
(halaman kedua). Variabel View (Halaman kedua) adalah tempat mendesain template database SPSS,
sedangkan data View adalah tempat memasukkan data.

Berikut tampilan dari Data View (halaman pertama)

Berikut tampilan dari Variabel View (halaman kedua)

Pengenalan SPSS/WR/PSIG FKUB/2015

Langkah awal yang dilakukan adalah mendesain template data base SPSS pada halaman Variable
View.

Penjelasan dari keterangan gambar di atas adalah sebagai berikut:

1. Membuat nama variabel (name). Nama variabel dianjurkan ditulis secara singkat, bisa berupa
kombinasi huruf dan angka, dan dituliskan tanpa spasi. Contoh: kode_resp, nama_resp, BB1,
Hb1

Pengenalan SPSS/WR/PSIG FKUB/2015

 2. Menentukan tipe variabel (type). Tipe variabel yang paling sering digunakan adalah numerik,
date dan string. Tipe Numerik dipilih apabila data yang akan dimasukkan adalah berupa
angka, baik yang berupa data continues (skala data interval dan rasio), ataupun yang berupa
data kategorikal (skala data nominal dan ordinal). Tipe date dipilih apabila yang akan
dimasukkan adalah data berupa tanggal. Salah satu format yang sering digunakan adalah
dd.mm.yy. Tipe string dipilih apabila data yang dimasukkan berupa huruf, kata atau kalimat.

3. Menentukan lebar kolom (width). Lebar kolom ditentukan berdasarkan jumlah maksimal
karakter yang akan dimasukkan. Jika angka yang akan dimasukkan maksimal 3 digit, maka
lebar kolom yang disiapkan adalah 3 atau lebih. Jika huruf yang akan dimasukkan perkiraan
sampai dengan 50 karakter, maka lebar kolom yang disiapkan harus lebih dari 50 karakter.
4. Menentukan desimal (decimal). Kolom decimal disiapkan apabila tipe data yang akan
dimasukkan adalah data dengan skala data interval atau rasio. Kolom decimal disiapkan
berdasarkan perkiraan digit desimal yang akan dimasukkan.

5. Membuat variabel label (label). Label merupakan keterangan atau penjelasan dari variabel.
Label harus diisi agar memudahkan kita mengenali variabel dan membedakan dengan
variabel lain, terutama apabila variabel yang dibuat cukup banyak.
6. Membuat keterangan kategori/value label (values). Apabila skala data yang akan dimasukkan
adalah data kategorikal (nominal/ordinal), maka tipe variabel adalah numerik dan perlu

Pengenalan SPSS/WR/PSIG FKUB/2015

 diberikan keterangan kategori di value. Contoh: untuk jenis kelamin, kategori 1: laki-laki, 2:
perempuan, value label perlu dimasukkan seperti contoh di bawah ini.

7. Missing value. Pada suatu variabel, terkadang ada suatu kondisi yang menyebabkan data
menjadi tidak dapat diisi (missing value) dikarenakan pertanyaan tidak relevan, responden
tidak tahu, responden tidak menjawab, catatan data hilang dan tidak dapat diambil ulang
atau analisis yang pada responden tersebut tidak dapat dilakukan. Untuk mengatasi hal
tersebut, biasanya disediakan kategori jawaban dengan kode khusus, misalnya: 66) untuk
pertanyaan tidak relevan, atau kondisi khusus misalnya analisis tidak dapat dilakukan 88)
untuk responden tidak tahu, 99) responden tidak menjawab. Dalam database SPSS, kode
khusus untuk kategori jawaban missing data ini dimasukkan ke dalam kolom Missing. Nilai
missing dapat dimasukkan berupa data discrit (kode berapa saja yang tidak akan dianalisa)
atau berupa kisaran (range) nilai yang tidak akan dianalisa.

8. Kolom (Coloumn) merupakan lebar kolom yang diharapkan dalam tampilan setiap variabel
Data View. Perbedaan antara Kolom (coloumn) dengan lebar kolom (width), adalah, jika
coloumn menunjukkan lebar tampilan kolom di Data View (standar/default-nya adalah 8),
sedangkan lebar kolom (width) menunjukkan jumlah karakter/digit maksimal yang dapat
dimasukkan ke dalam kolom variabel tersebut.

Pengenalan SPSS/WR/PSIG FKUB/2015

 9. Align menentukan posisi data dalam kolom variabel apakah rata kiri (left), rata kanan (right)
atau di tengah (center).
10. Skala data (measure), terdiri dari Nominal, Ordinal dan Scale (untuk skala data interval dan
rasio).

B. Sort Cases (Mengurutkan data)

Tahap yang dilakukan setelah memasukkan data (data entry) ke dalam kolom variabel adalah
melakukan cleaning data atau membersihkan data dari kesalahan (error). Satu per satu, masing-
masing variabel diurutkan dari nilai terkecil ke terbesar (atau sebaliknya) kemudian dicek apakah
ada variabel yang masing kosong dan dilihat ada tidaknya nilai ekstrim. Apabila terdapat data
kosong atau nilai ekstrim dicek kembali kebenaran data dari kuesioner atau dilakukan
pengambilan data ulang.

Langkah yang dapat dilakukan: Klik Data, pilih sort cases. Pilih variabel yang ingin diurutkan,
misalnya yang akan diurutkan adalah variabel Tinggi Badan (TB). Klik panah ke kanan sehingga
masuk ke dalam kotak sort by. Pilih urutannya apakah dari nilai terkecil ke nilai terbesar
(ascending) atau dari yang terbesar ke nilai yang terkecil (descending) (pilih salah satu). Klik OK.

Pengenalan SPSS/WR/PSIG FKUB/2015

Bab 2. Membuat Variabel Baru berdasarkan Variabel yang sudah ada (Transform & Compute
Variable) dan Mengkategorikan Variable (Transform & Recode Into Different Variable)

A. Membuat Variabel Baru berdasarkan Variabel yang sudah ada (Transform & Compute
Variable)
1. Menghitung Umur
Kita dapat menghitung umur seseorang berdasarkan data tanggal lahir dan tanggal
pengambilan data. Pertama harus dipastikan bahwa data tanggal lahir dan tanggal
pengambilan data sudah diisikan dengan benar dan format tanggal (date) yang sama,
misalnya sama-sama format dd.mm.yy.
Langkah perhitungannya adalah sebagai berikut:
1) Klik Transform (transformasi), klik compute variable
2) Isikan nama variabel baru yang akan dibuat (target variabel), isikan keterangan/penjelasan
nama variabel (label), klik continue

3) Di kotak Function Group (bagian kanan), pilih time duration extraction. Di kotak Function and
Special Variables (bagian kanan bawah) pilih Ctime.days. Selanjutnya klik tanda panah ke
arah atas (kiri) Sehingga di kotak Numeric Expression akan muncul rumus gambar berikut
(kanan).

klik

Pengenalan SPSS/WR/PSIG FKUB/2015

 4) Rumus perhitungan umur (dengan satuan tahun) berdasarkan data tanggal lahir dan tanggal
wawancara adalah sebagai berikut:
( )
() =
365
Jika umur yang diharapkan adalah dengan satuan bulan (misalnya untuk umur balita), maka
rumus yang digunakan adalah sebagai berikut:
( )
() =
30
Untuk itu kita perlu memasukkan data tanggal wawancara dan tanggal lahir ke dalam kotak
rumus (Numeric Expression) dengan cara mengeblok variable tanggal wawancara kemudian
klik tanda panah ke arah kanan sebagai berikut (a) sehingga hasilnya akan masuk ke dalam
kotak rumus (b)

5) Selanjutnya masukkan rumus matematika (tanda kurang) dengan menggunakan icon yang
ada di dalam layar, atau menggunakan keyboard komputer. Dan masukkan variabel lain
(tanggal lahir) dengan cara seperti nomor 4 (blok variabelnya kemudian klik tanda panah ke
kanan). Selanjutnya masukkan rumus matematika (tanda bagi) dan angka pembagi (365)
sehingga rumus akan menjadi sebagai berikut:

Pengenalan SPSS/WR/PSIG FKUB/2015

 6) Klik OK. Selanjutnya buka halaman Data View, sehingga akan bertambah satu kolom baru
(umur) dengan tampilan sebagai berikut:

2. Menghitung Status Gizi (Indeks Massa Tubuh)

Salah satu indikator yang dapat digunakan untuk menghitung status gizi adalah dengan
menggunakan rumus indeks massa tubuh.
Langkah perhitungan IMT dengan menggunakan SPSS adalah sebagai berikut:
1) Klik Transform, klik compute variables.

Pengenalan SPSS/WR/PSIG FKUB/2015

 2) Isikan nama variabel baru (IMT) dan labelnya (indeks massa tubuh, satuan kg/m2). Klik
continue.

3) Rumus IMT adalah sebagai berikut:

()
(/2 ) =
() 2
Langkah selanjutnya adalah masukkan variabel Berat Badan dan Tinggi Badan dengan
cara blok variabel dan klik panah ke kanan. Mempertimbangkan satuan tinggi badan
yang kita masukkan adalah dalam cm, sedangkan satuan TB yang diharapkan dalam
rumus adalah salam satuan meter, maka Rumus IMT yang dimasukkan ke dalam Numeric
Expression adalah sebagai berikut:
IMT = Berat Badankg / ((Tinggi Badanm/100)*( Tinggi Badanm/100))

Klik OK, sehingga di dalam Data View di kolom paling kanan akan muncul satu variabel
baru yaitu IMT, sebagai berikut:

Pengenalan SPSS/WR/PSIG FKUB/2015

3. Menghitung Total Skor (Composit Index)
Ada kalanya untuk menilai suatu variabel, kita menggunakan beberapa indikator.
Contoh: Untuk menilai tingkat pengetahuan responden tentang anemia dan gizi untuk
mencegah anemia diajukan 10 pertanyaan. Masing-masing pertanyaan memiliki skor 1 (jika
jawaban benar) dan skor 0 (jika jawaban salah). Sehingga untuk menilai tingkat pengetahuan
masing-masing tingkat pengetahuan secara keseluruhan, perlu menggabung nilai dari
masing-masing pertanyaan.
Langkah yang dilakukan adalah sebagai berikut:
1) Pastikan skor masing-masing pertanyaan jika jawaban benar = 1, dan jika salah adalah 0.
2) Klik transform, klik compute variable.
3) Beri label nama variable baru (total_skor) dan label variabel (Total Skor Tingkat
Pengetahuan). Klik Continue

4) Masukkan variabel P1 (skor jawaban pertanyaan 1) ke kotak Numeric Expression, beri tanda
tambah (+), masukkan variabel P2, dst, sampai dengan P10.

Pengenalan SPSS/WR/PSIG FKUB/2015

 = 1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10
Sehingga tampilan kotak Numeric Expression sebagai berikut

Tampilan dalam Data View menjadi sebagai berikut:

Pengenalan SPSS/WR/PSIG FKUB/2015

B. Mengkategorikan Variabel (Transform dan Recode into Different variable)
Menu Transform dan Recode into different variabel digunakan untuk mengkategorikan atau
mengkodekan kembali (recode) suatu variabel menjadi variabel baru. Menu ini bisa digunakan
untuk megkodekan variabel yang sebelumnya dengan skala continues menjadi kategorikal,
seperti dari variabel IMT (interval) menjadi kategori IMT (ordinal), dari variabel umur (interval)
menjadi kategori umur (nominal/ordinal), dari variabel total skor (rasio) menjadi kategori skor
pengetahuan (ordinal).
1. Mengkategorikan Status Gizi

Digunakan untuk mengkategorikan variabel, contohnya variabel status gizi.

Langkah: Klik Transform, selanjutnya klik Recode into different variable (gambar a), sehingga
muncul kotak (gambar b). Pilih variabel IMT (gambar b), klik panah ke kanan. Sehingga variabel
IMT masuk ke dalam kotak (gambar c). Masukkan nama variabel & label baru. Klik change,
sehingga nama variabel baru masuk ke dalam kotak (gambar d). Klik Old and New Values
sehingga muncul kotak seperti (gambar e). Masukkan nilai lama (old value) dan nilai baru (new
value). Contoh, untuk pengkategorian IMT:

Old value New Value Value label

Nilai terendah (lowest) hingga nilai 18.499 1 Underweight (<= 18,499)
Range 18.5 through 22.999 2 Status gizi normal (18,5-22,999)
Range 23 through 27.499 3 Overweight (23-27,499)
Range value 27.5 through value highest 4 Obesitas (>= 27,5)

Masukkan nilai di Old Value. Masukkan nilai di New Value. Klik Add, sehingga nilai Old -->
New menjadi seperti gambar f,g,h. Klik
a) b)

Pengenalan SPSS/WR/PSIG FKUB/2015

 d)
c)

f)
e)

h)
g)

Sehingga di kolom paling kanan akan muncul variabel baru. Setelah berhasil membuat
variabel kategori IMT, jangan lupa untuk segera memberi keterangan untuk kategori IMT.
Masuk ke halaman Variabel View. Klik value pada variabel IMT_kategori, sehingga muncul
kotak value label sbb

Pengenalan SPSS/WR/PSIG FKUB/2015

 Masukkan kode kategori IMT dan keterangan, klik Add. Lakukan untuk semua kategori IMT,
klik OK.
Sehingga dalam data view, untuk variabel IMT_kat, sudah muncul kategori IMT (gambar kiri).
Untuk memunculkan keterangan kategori, atau kode kategori, klik View, klik Value Label
(gambar kanan).

2. Mengkategorikan skor pengetahuan.

Transform recode into different variable (a). Klik variabel total skor, klik panah ke kanan
sehingga masuk ke dalam kotak (b dan c). Masukkan kategori nilai ke dalam Old dan New
values, klik Continue, klik OK (d). Sehingga di variabel paling kanan akan muncul variabel baru
skor_kat (e). Jangan lupa untuk segera memberikan keterangan kategori pada halaman
variabel view.

Pengenalan SPSS/WR/PSIG FKUB/2015

 a) b)

d.
c.

e.

Pengenalan SPSS/WR/PSIG FKUB/2015

Pengenalan SPSS/WR/PSIG FKUB/2015
 3. Mengkategorikan kadar Hb
Langkah-langkahnya:
Klik transform, klik recode into different variabel. Pilih variabel yang akan dikategorikan
(Hb1) dan masukkan ke dalam kotak. Beri nama variabel baru (Hb1_kat) dan beri label. Klik
change sehingga nama variabel baru masuk ke dalam kotak Numeric Variable menjadi Hb1--
>Hb1_kat (a). Apabila yang akan dikategorikan lebih dari satu dan dengan nilai kategori yang
sama (contohnya yang akan dikategorikan selain Hb1 Hb1_kat , dapat dilakukan sekaligus
a. b.

d.
c.

Pengenalan SPSS/WR/PSIG FKUB/2015

 e.

C. Recode into different variabel untuk variabel kategorikal (data kategorikal ke data kategorikal
yang lain)
Recode into different variabel ini juga dapat digunakan untuk menyederhanakan kategori
variabel. Contoh terdapat pada tabel berikut:
Variabel lama Variabel Baru
Kategori jajanan yang paling sering dikonsumsi
Kategori jajanan yang paling sering dikonsumsi
anak:
anak:
1. Jajanan sehat

Pengenalan SPSS/WR/PSIG FKUB/2015

 1. Roti 2. Jajanan tidak sehat
2. Sosis
Sehingga pada old & new value dit:
3. Biskuit
Old Value 1, 3, 4, akan diubah menjadi 1 pada
4. Susu
new value,
5. Snack ringan (ciki-ciki)
6. Es sirup Dan Old value 2, 5, 6, akan diubah menjadi 2
pada new value
Kategori Status Gizi:
Kategori Status Gizi
1. Status gizi kurang (dari old value 1
1. Status gizi kurang
menjadi new value 1)
2. Status gIizi normal
2. Status gizi normal (dari old value 2
3. Status gizi lebih
menjadi new value 2)
4. Status gizi Obesitas tingkat 1
3. Status gizi lebih (dari old value 3-6
5. Status gizi Obesitas tingkat 2
menjadi new value 3)
6. Status gizi Obesitas tingkat 3

Kategori tingkat pengetahuan

Kategori tingkat pengetahuan
1. Tidak baik (dari old value 1-2 menjadi
1. Kurang
new value 1)
2. Sedang
2. Baik (dari old value 3 menjadi new
3. Baik
value 2)

Pengenalan SPSS/WR/PSIG FKUB/2015

Bab 3. Melakukan Analisis Deskriptif

A. Analisis Deskriptive untuk Data Continues

Klik Analyse deskriptive statistics frequency (Gambar a)
Sehingga akan muncul kotak seperti (Gambar b)
Apabila kita melakukan Statistik Deskriptif Untuk data Continues, Pilih (blok) variabel dengan
skala continues/scale/interval atau rasio), klik tanda panah ke kanan, sehingga variabel yang
akan dianalisa masuk ke dalam kotak (Seperti gambar c):
Klik Statistik, sehingga akan muncul kotak Frequency: Statistics.
Pilih analisis statisti deskriptif yang akan dianalisa, contohnya:
Central Tendency: Mean, Median
Dispersion: Standar Deviation, Minimum, Maximum, Range
Percentile: 25, 75 (Seperti Gambar d). Klik Continue.
Klik Chart, pilih Histogram with normal curve (Gambar e).
Display frequency tables digunakan untuk menampilkan distribusi masing-masing nilai dari
variabel yang dianalisa. Display frequency tables harus dicentang pada saat akan melakukan
analisis deskriptif data kategorikal, namun tidak harus dicentang untuk analisis data
continues.
a) b)

d)
c)

Pengenalan SPSS/WR/PSIG FKUB/2015

 f)
e)

Output:

Frequencies

lama pendidikan
(dalam tahun) berat badan (kg) tinggi badan (cm) Hb awal (g/dl) Hb akhir (
N Valid 30 30 30 30
Missing 0 0 0 0
Mean 9.43 57.23 154.80 11.823 1
Median 9.00 56.50 152.00 11.800 1
Std. Deviation 4.439 8.728 6.541 .1995
Range 16 32 23 .8
Minimum 0 41 149 11.4
Maximum 16 73 172 12.2
Percentiles 25 6.00 54.00 151.00 11.700 1

Pengenalan SPSS/WR/PSIG FKUB/2015

 lama pendidikan
(dalam tahun) berat badan (kg) tinggi badan (cm) Hb awal (g/dl) Hb akhir (
N Valid 30 30 30 30
Missing 0 0 0 0
Mean 9.43 57.23 154.80 11.823 1
Median 9.00 56.50 152.00 11.800 1
Std. Deviation 4.439 8.728 6.541 .1995
Range 16 32 23 .8
Minimum 0 41 149 11.4
Maximum 16 73 172 12.2
Percentiles 25 6.00 54.00 151.00 11.700 1
75 12.00 63.00 157.50 11.900 1

Select cases
Digunakan untuk menganalisis sebagian dari responden. Contohnya Kita akan menganalisa
responden perempuan saja. Dengan menggunakan menu Select cases, maka yang dianalisis
adalah data dari responden perempuan saja (kategori JK=2), sedangkan responden laki-laki
(kode kategori JK=1) tidak akan dianalisis.
Langkah: Klik Data Select Cases (a). Klik If condition if satisfied (b). Pilih variabel yang akan
digunakan sebagai penyaring, misalnya Jenis Kelamin (JK), klik tanda panah ke kanan
sehingga variabel JK masuk ke dalam kotak. Beri notasi yang sesuai, contoh apabila kita ingin
menganalisa subyek dengan jenis kelamin perempuan saja, maka tuliskan tanda =2 setelah
variabel JK (JK = 2) Klik Continue dan klik OK (c). Lihat data view, maka subyek yang tidak
sesuai kriteria (jenis kelamin bukan perempuan) akan dicoret dan tidak akan dianalisa.

a. b.

Pengenalan SPSS/WR/PSIG FKUB/2015

 d.
c.

Setelah dilakukan select cases, misalnya kita akan melakukan analisis deskriptif untuk data
continues, maka tahapannya: Klik analyze, statistics descriptive, frequency. Masukkan
variabel yang akan dianalisis statistiknya (a). Klik statistik, pilih analisis statistik yang
diinginkan (b).
a. b.

Pengenalan SPSS/WR/PSIG FKUB/2015

 Output

Frequencies

[DataSet1] D:\WIDYA \Latihan database A2_17 sep 2015.sav

lama pendidikan
(dalam tahun) berat badan (kg) tinggi badan (cm) Hb awal (g/dl) Hb akhir (
N Valid 12 12 12 12
Missing 0 0 0 0
Mean 10.67 51.00 154.83 11.767 1
Median 9.00 54.00 153.00 11.750 1
Std. Deviation 3.822 7.198 5.006 .2229
Range 12 22 14 .7
Minimum 4 41 149 11.4
Maximum 16 63 163 12.1
Percentiles 25 9.00 42.75 151.25 11.700 1
75 15.00 56.25 160.50 11.900 1

Setelah selesai menganalisa dengan Select Cases, maka segera menormalkan kembali dengan
Klik Data Select Cases (a), Klik All Cases OK (b). Sehingga coretan pada nomor kasus di
halaman Data View hilang kembali.

Pengenalan SPSS/WR/PSIG FKUB/2015

 Split file
Fungsinya untuk menganalisis variabel yang terdiri dari beberapa kelompok (kategori) dan
analisis akan dilakukan terpisah berdasarkan kategori tertentu.
Contoh: menganalisis data untuk jenis kelamin laki-laki dan perempuan secara terpisah.
Langkah-langkahnya: Klik Data Split File (a). Klik Compaer group (b). Klik variabel kategori
yang dipilih (c).

Pengenalan SPSS/WR/PSIG FKUB/2015

 Compare Group: hasil analisis antara kelompok yang displit file akan ditampilkan secara
berdampingan
Organize Output by groups: hasil analisis akan ditampilkan dan diurutkan berdasarkan
kelompok.

Selanjutnya, lakukan analisis statistik yang diinginkan.

Contoh, analisis deskriptive statistik: Klik Analyze Descriptive Statitics OK
Hasil akan ditampilkan berdasarkan kategori kelompok yang dipilih

Frequencies

[DataSet1] D:\WIDYA\!GIZI FKUB\MATERI MENGAJAR - CURRENT\BIOSTATISTIK\BIOSTAT 2015-2016-

Praktek\Latihan database A2_17 sep 2015.sav

lama pendidikan
jenis kelamin responden (dalam tahun) berat badan (kg) tinggi badan (cm) Hb awal (g/
laki-laki N Valid 18 18 18
Missing 0 0 0
Mean 8.61 61.39 154.78 11
Median 10.50 62.00 151.00 11
Std. Deviation 4.730 7.122 7.535 .
Range 15 25 23
Minimum 0 48 149

Pengenalan SPSS/WR/PSIG FKUB/2015

 Maximum 15 73 172
Percentiles 25 5.50 56.00 149.00 11
75 12.00 68.00 157.50 11
perempuan N Valid 12 12 12
Missing 0 0 0
Mean 10.67 51.00 154.83 11
Median 9.00 54.00 153.00 11
Std. Deviation 3.822 7.198 5.006 .
Range 12 22 14
Minimum 4 41 149
Maximum 16 63 163
Percentiles 25 9.00 42.75 151.25 11
75 15.00 56.25 160.50 11

Jika Split file menggunakan Organize output by group, tampilan hasil akan menjadi sbb:

Frequencies

[DataSet1] D:\WIDYA\Latihan database A2_17 sep 2015.sav

jenis kelamin responden = laki-laki

lama pendidikan
(dalam tahun) berat badan (kg) tinggi badan (cm) Hb awal (g/dl) Hb akhir (
N Valid 18 18 18 18
Missing 0 0 0 0
Mean 8.61 61.39 154.78 11.861 1
Median 10.50 62.00 151.00 11.800 1
Std. Deviation 4.730 7.122 7.535 .1787
Range 15 25 23 .5
Minimum 0 48 149 11.7
Maximum 15 73 172 12.2
Percentiles 25 5.50 56.00 149.00 11.700 1
75 12.00 68.00 157.50 11.950 1
a. jenis kelamin responden = laki-laki

Pengenalan SPSS/WR/PSIG FKUB/2015

jenis kelamin responden = perempuan

lama pendidikan
(dalam tahun) berat badan (kg) tinggi badan (cm) Hb awal (g/dl) Hb akhir (
N Valid 12 12 12 12
Missing 0 0 0 0
Mean 10.67 51.00 154.83 11.767 1
Median 9.00 54.00 153.00 11.750 1
Std. Deviation 3.822 7.198 5.006 .2229
Range 12 22 14 .7
Minimum 4 41 149 11.4
Maximum 16 63 163 12.1
Percentiles 25 9.00 42.75 151.25 11.700 1
75 15.00 56.25 160.50 11.900 1
a. jenis kelamin responden = perempuan

Pengenalan SPSS/WR/PSIG FKUB/2015

B. Statistik Deskriptif untuk Data Kategorikal
Klik Analyze, Statistics Descriptive, Frequency (a). Masukkan variabel kategorikal yang akan
dianalisis. Klik Display frequency tables (b). Klik OK.

Output:
Frequencies

[DataSet1] D:\WIDYA \Latihan database A1 _ 16 sept 2015.sav

Statistics
jenis kelamin kategori tingkat kategori Hb kategori Hb
responden infeksi cacing kategori IMT pengetahuan awal akhir
N Valid 30 30 30 30 30 30
Missing 0 0 0 0 0 0

Frequency Table

jenis kelamin responden

Cumulative
Frequency Percent Valid Percent Percent
Valid laki-laki 18 60.0 60.0 60.0
Perempuan 12 40.0 40.0 100.0
Total 30 100.0 100.0

Pengenalan SPSS/WR/PSIG FKUB/2015

 infeksi cacing
Cumulative
Frequency Percent Valid Percent Percent
Valid tidak terinfeksi 24 80.0 80.0 80.0
Terinfeksi 6 20.0 20.0 100.0
Total 30 100.0 100.0

kategori IMT
Cumulative
Frequency Percent Valid Percent Percent
Valid underweight (IMT
3 10.0 10.0 10.0
<=18,499)
status gizi normal (IMT
6 20.0 20.0 30.0
18,5-22,999)
overweight (IMT 23-
14 46.7 46.7 76.7
27,499)
obesitas (IMT >=27,5) 7 23.3 23.3 100.0
Total 30 100.0 100.0

kategori tingkat pengetahuan

Cumulative
Frequency Percent Valid Percent Percent
Valid kurang 8 26.7 26.7 26.7
cukup 18 60.0 60.0 86.7
baik 4 13.3 13.3 100.0
Total 30 100.0 100.0

kategori Hb awal
Cumulative
Frequency Percent Valid Percent Percent
Valid Anemia 24 80.0 80.0 80.0

Pengenalan SPSS/WR/PSIG FKUB/2015

 tidak anemia 6 20.0 20.0 100.0
Total 30 100.0 100.0

kategori Hb akhir
Cumulative
Frequency Percent Valid Percent Percent
Valid Anemia 11 36.7 36.7 36.7
tidak anemia 19 63.3 63.3 100.0
Total 30 100.0 100.0

Pengenalan SPSS/WR/PSIG FKUB/2015

BAB 4. Uji Normalitas dan Transformasi

A. Melakukan Uji Normalitas

Uji Normalitas dilakukan untuk melihat distribusi data, apakah data terdistribusi dengan normal, atau
tidak. Uji Normalitas digunakan untuk data dengan skala rasio atau interval (continues), untuk
menentukan cara penyajian data dan uji statistik yang akan digunakan.

Langkah-langkah Melakukan Uji Normalitas:

Klik analyse Statistics Descriptive explore (a)
Masukkan variabel yang akan diuji normalitasnya (b)
Klik Statistics, centang Descriptive. Continue (c)
Klik Plots, centang Normality Plots with test. Continue (d)
Pastikan Display centang both. OK.

Pengenalan SPSS/WR/PSIG FKUB/2015

 a. b.

d.
c.

Explore

[DataSet1] D:\WIDYA\Latihan database A1 _ 16 sept 2015.sav

Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
lama pendidikan (dalam
.185 30 .010 .937 30 .074
tahun)

Pengenalan SPSS/WR/PSIG FKUB/2015

tinggi badan (cm) .275 30 .000 .789 30 .000
Hb awal (g/dl) .202 30 .003 .905 30 .011
Hb akhir (g/dl) .217 30 .001 .894 30 .006
Serum Ferritin .208 30 .002 .836 30 .000
Transferrin receptor .236 30 .000 .880 30 .003
intake Fe .145 30 .109 .924 30 .035
ketinggian wilayah .187 30 .009 .893 30 .006
umur (tahun) .107 30 .200* .956 30 .241
IMT (kg/m2) .164 30 .038 .915 30 .020
total skor pengetahuan .242 30 .000 .891 30 .005
a. Lilliefors Significance Correction
*. This is a lower bound of the true significance.

Kesimpulan:
Data lama pendidikan dan umur terdistribusi normal (karena p>0,05) sedangkan data tinggi badan,
Hb Awal, Hb Akhir, Serum Ferritin,Transferrin receptor, intake Fe, ketinggian wilayah, IMT dan total
skor pengetahuan tidak terdistribusi dengan normal (karena p<0,05)

Data yang terdistribusi dengan normal dapat ditampilkan dalam bentuk Mean SD dan dapat
dianalisis denagn menggunakan uji Parametrik. Sedangkan data yang tidak terdistribusi dengan
normal ditampilkan dalam bentuk Median (Percentil 25; Percentil 75) dan dianalisis dengan
menggunakan uji non parametrik.

B. Transformasi
Transformasi dilakukan sebagai upaya untuk menormalkan data. Beberapa jenis transformasi yang
bisa digunakan diantaranya:
1. Variabel kuadrat
2. Variabel pangkat tiga
3. 1/variabel
4. Log10 Variabel
5. Akar Variabel

Pengenalan SPSS/WR/PSIG FKUB/2015

Contoh: Transformasi untuk variabel asupan Fe
1. Transformasi: Asupan Fe kuadrat
Langkah-lanngkah: Klik Transform Compute Variable (a). Beri nama variabel baru )target
variable) dan labelnya (b). Pilih variabel yang akan ditransformasi (Intake Fe) dan masukkan
ke dalam kotak Numeric Expression dan sesuaikan dengan rumus = Intake Fe*Intake Fe (c).
a. b.

c.

Pengenalan SPSS/WR/PSIG FKUB/2015

 2. Transformasi: Asupan Fe pangkat 3
Langkah-langkah: Klik Transform Compute Variable. Beri nama variabel baru )target variable) dan
labelnya. Pilih variabel yang akan ditransformasi (Intake Fe) dan masukkan ke dalam kotak Numeric
Expression dan sesuaikan dengan rumus = Intake Fe*Intake Fe*Intake Fe. Klik OK

3. Transformasi: 1 per Asupan Fe

Langkah-langkah: Klik Transform Compute Variable. Beri nama variabel baru )target variable) dan
labelnya. Pilih variabel yang akan ditransformasi (Intake Fe) dan masukkan ke dalam kotak Numeric
Expression dan sesuaikan dengan rumus = 1/Intake Fe. Klik OK

Pengenalan SPSS/WR/PSIG FKUB/2015

 4. Transformasi: Akar dari Asupan Fe
Langkah-langkah: Klik Transform Compute Variable. Beri nama variabel baru )target variable) dan
labelnya. Dari kotak Function group, pilih Arithmetic. Dari kotak function and special variables, pilih
squareroot (sqrt). Klik panah ke atas (a)
Pilih variabel yang akan ditransformasi (Intake Fe) dan masukkan ke dalam kotak Numeric Expression
dan sesuaikan dengan rumus = SQRT (Intake_Fe). Klik OK (b)
a.

b.

Pengenalan SPSS/WR/PSIG FKUB/2015

 5. Transformasi: Log 10 dari Asupan Fe
Langkah-langkah: Klik Transform Compute Variable. Beri nama variabel baru )target variable) dan
labelnya. Dari kotak Function group, pilih Arithmetic. Dari kotak function and special variables, pilih
Log 10. Klik panah ke atas (a)
Pilih variabel yang akan ditransformasi (Intake Fe) dan masukkan ke dalam kotak Numeric Expression
dan sesuaikan dengan rumus = Lg10(Intake_Fe). Klik OK (b)
a.

b.

Pengenalan SPSS/WR/PSIG FKUB/2015

Lakukanlah uji normalitas kembali untuk melihat apakah data setelah ditransformasi sudah berubah
menjadi normal atau tetap tidak normal.
Contoh Output pada variabel hasil transformasi.

Explore

[DataSet1] D:\WIDYA\Latihan database A1 _ 16 sept 2015.sav

Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Intake Fe kuadrat .165 30 .037 .916 30 .022
Intake Fe pangkat3 .214 30 .001 .889 30 .005
Intake Fe_1/intake Fe .214 30 .001 .851 30 .001
Intake Fe_akar .143 30 .123 .918 30 .023
Intake Fe_log .159 30 .050 .903 30 .010
a. Lilliefors Significance Correction

Selamat belajar!

Pengenalan SPSS/WR/PSIG FKUB/2015