Anda di halaman 1dari 113

Oleh :

I Putu Sampurna
Tjokorda Sari Nindhia

UNIVERSITAS UDAYANA
2017
DAFTAR ISI
PRA KATA i
I. PROGRAM SPSS. 1
1.1. Memasukkan Data dan Transfprmasi Data.. 1
1.2. Analisis Deskritif.. 5
1.3. Data dengan Variabel Bebas (Independent) dan Varibel Terikat (Dependent). 7
II. DISTRIBUSI FREKUENSI. 13
2.1. Dintribusi Frekuensi Kuanditatif.. 13
2.2. Dintribusi Frekuensi Kualitatif 20
III. PENDUGAAN DAN PENGUJIAN HIPOTESIS. 23
IV. ANALISIS REGRESI KORELASI.. 26
V. MENGUJI KESAMAAN DUA RATA-RATA 36
5.1. Data Tidak Berpasangan 36
5.2. Data Berpasangan 47
5.3. Korelasi Jenjang Spearman.. 54
VI. PENELITIAN SATU VARIABEL BEBAS TANPA VARIABEL PENGGANGGU.. 57
6.1. Uji Khi-Khuadrat.. 60
6.2. Uji Kruskal-Wallis 62
6.3. Analisis Varian.. 65
VII. PENELITIAN SATU VARIABEL BEBAS DENGAN VARIABEL PENGGANGGU.. 73
7.1. UJi Uji Cochran 73
7.2 Uji Friedman 78
7.3 Analisis Varian Satu Varibel Bebas Satu Variabel Pengganggu. 81
7.4 Analisis Varian Satu Variabel Bebas Satu Variabel Pengganggu Sub-Sampling. 90
7.5 Analisis Varian Satu Variabel Bebas Dua Variabel Pengganggu.. 102
VIII PENELITIAN DUA VARIABEL BEBAS TANPA VARIABEL PENGGANGGU 111
8.1. Klasifikasi Silang (Rancangan Acak Lingkap Pola Faktorial).. 111
8.2. Klasifikasi Tersarang (Rancangan Acak Lingkap Pola Tersarang) 128
8.3. Klasifikasi Berjenjang (Rancangan Acak Lingkap Pola Berjenjangl).. 138
IX. PENELITIAN DUA VARIABEL BEBAS SATU VARIABEL PENGGANGGU.. 147
9.1. Klasifikasi Silang (Rancangan Acak Kelompok Pola Faktorial).. 147
9.2 Klasifikasi Tersarang (Rancangan Acak Kelompok Pola Tersarang) 163
9.3. Klasifikasi Berjenjang (Rancangan Acak Kelompok Pola Berjenjangl) 172
DAFTAR PUSTAKA. 189
i

PRAKATA
Puji dan syukur penulis panjatkan kehadapan Tuhan Yang Maha Esa, karena niat baik
penulis untuk membuat tulisan mengenai Penuntun Praktikum Biostatistika dengan SPSS
mendapat rahmat dari Nya.

Dalam suasana tiada puas, kesal, kecewa, kadang-kadang benci, tertulis pertama sekali
tentang sangsi, sebagai usaha yang sengaja hendak menimbulkan kesangsian dalam hati.
Kesangsiang bagi seorang peneliti dalam melakukan penelitian dari mulai penelitian sampai
menganalisis data dan menyiumpulkannya adalah sesuatu yang wajar, bilamana kemampuan
untuk melakukan analisis atau cara menganalisis data kurang dipahami. Kesangsian itu
diharapkan sirna setelah membaca tulisan ini.

Tulisa ini diharapkan bisa sebagai pegangan pada mahasiswa untuk melakukan analisis data
hasil penelitian terutama untuk penulisan Skripsi, walaupun hanya di berikat 2 SKS, namun
demikian penulis berusaha untuk memenuhi harapan mahasiswa dalam membantu membuat
Skripsi dengan meringkas sedemikian rupa bahasan mengenai Analisis Data Biostatistika dengan
SPSS yang cakupannya cukup luas. Dalam tulisan ini tidak semua hasil diperlihatkan atau ditulis,
hanya hal-hal yang dianggap penting saja.

Tiada ada orang lain yang lebih insaf dari penulisnya sendiri, betapa banyak kekurangan,
betapa tidak lengkapnya tulisan ini, telah sepatutnya banyak yang tiada memuaskan, untuk itu
saran dan kritik yang bersifat membangun sangat penulis harapkan.

Salam

Penulis
I. PROGRAM SPSS
Berbagai software khusus statistik yang beredar sekarang, SPSS adalah yang paling popular
dan paling banyak digunakan di seluruh dunia. SPSS banyak dipakai dalam menganalisis data
dari berbagai hasil riset atau percobaan pada berbagai bidang ilmu.
SPSS sebagai software, pertama kali dibuat tahun 1968 oleh tiga mahasiswa Stanford
University, yang dioperasikan pada komputwer mainframe SPSS menjalankan berbagai
kebijakan strategis antara tahun 1984 1998, untuk mengembangkan software statistik dan juga
menjalin aliansi stratergis dengan software house terkemuka lainnya. Hal ini membuat SPSS
yang tadinya ditujukan bagi pengelola data statistik untuk ilmu sosial (SPSS adalah singkatan
dari Statistical Package for the Social Sciences), diperluas untuk melayani berbagai bidang
ilmu sehingga SPSS berubah menjadi Statistical Product and Service Solutions.
SPSS berkembang pada berbagai versi, dalam hal ini yang dibicarakan pada buku ini adalah
SPSS versi 13, yaitu SPP 13. 0 for Windows.Inc.
1.1. Memasukkan Data dan Transfprmasi Data
Bila kita ingin mengolah dat diatas dengan SPSS, computer harus sudah di Intal dengan program
SPSS 13.0, untuk menjalankannya Klik Stast, kumudian cari Program cari SPSS
WindowsKlik SPSS 13.0 for Windows, maka Muncul Gambar 1.1.1

Gambar 1.1.1. SPSS for Windows


Klik OK, Klik tanda X, hingga muncul kotak data Gambar .1.1.2

Aplikasi SPSS dalam Bioststistika 1


Gambar 1.1.2. Menu Utama SPSS
Kita ingin memasukkan data Berat Badan (Kg) dan Lingkar Dada dari 25 ekor sapi Bali,
maka Prosedurnya sebagai berikut :
Setelah Muncul Gambar 1,1.2. Lalu Klik Variable View, maka muncul Gambar .1.1.3

Gambar 1.1.3. Kotak Variable View


Ketik pada Kolom Name X, dan, Kolom Type pilih Numerik, pada Kolom Width Klik atau pilih
angka 8, pada Kolom Decimals pilih atau ketik angka 0 pada Kolom Label ketik Berat Badan
dan Lingkar Dada, seperti tampak pada Gambar .1.1.3

Aplikasi SPSS dalam Bioststistika 2


Setelah Gambar 1.2.3. dilengkapi, lalu Klik Data View pada pojok kiri bawah, maka muncul
Gambar 1.1.4

Gambar 1.1.4. Data View


Lengkapi atau ketik datanya pada kolom X dan Y, seperti tampak pada Gambar 1.1.4
Klik Tranform, lalu Klik Compute, maka muncul Gambar 1.1.5

Aplikasi SPSS dalam Bioststistika 3


Gambar 1. 1.5. Kotak Dialog Compute Variable
Ketik XX pada Target Variable dan Ketik X*X pada Numeric Expression, Klik OK
Ketik YY pada Target Variable dan Ketik Y*Y pada Numeric Expression, Klik OK Ketik
XY pada Target Variable dan Ketik X*Y pada Numeric Expression, Klik OK
Maka muncul Gambar 1.1.6

Aplikasi SPSS dalam Bioststistika 4


Gambar 1.1.6. Data Vew setelah Tranformasi

1.2. Analisis Deskritif


Klik Analyze, pilih Desciptive Statistic, Klik Descritives, muncul Gambar 1.2.1
Klik Berat Badan (X), pindahkan dengan tanda ke Variable
Klik Lingkar dada (Y), pindahkan dengan tanda ke Variable

Aplikasi SPSS dalam Bioststistika 5


Gambar 1.2.1. Kotak Dialog Descriptives

Klik Options, maka muncul Gambar 1.2.2

Gambar 1.2.2. Kotak Dialog Descritives Options

Berikan Tanda V pada kotak yang dipilih, lalu Klik Continue, maka layar kembali
ke Gambar 1.2.2.
Descriptives Descriptive Statistics

Std.
N Minimum Maximum Sum Mean Deviation
Berat Badan 25 70 199 3165 126,60 33,555
Lingkar Dada 25 98 137 2904 116,16 7,598
Valid N (listwise) 25

Aplikasi SPSS dalam Bioststistika 6


1.3. Data dengan Variabel Bebas (Independent) dan Varibel Terikat (Dependent)

Jika seorang saudagar babi membeli babi dari 3 perusahaan yaitu perusahan Kecil,
Menengah dan Besar, masing-masing 4 ekor, dan dieroleh data berat badannya dalam Kg, maka
prosedurnya sebagai berikut :

Panggil atau keluarkan program SPSS,. Kemudian Klik Variabel View, maka muncul
Gambar 1.3.1.

Gambar 1.3.1. Kotak diolog Variable View


Ketik pada Kolom Name Perusahaan, Babi dan Berat, pilih atau ketik pada Kolom Type
Numeric, pilih atau ketik pada Kolom Decimals Perusahaan, Babi dan Berat dan pada
Kolom Label ketik Perusahaan, Babi dan Berat (Kg)
Setelah Gambar 1.3.1. dilengkapi seperti tampak pada gambar tersebut, lalu Klik pada pojok kiri
atas Kolom Values pada baris 1 (Perusahaan), maka muncul Gambar 1.3.2.

Gambar 1.3.2. Kotak Dialog Value Labels


Kitik angka 1 pada kotak Value dan Kecil pada Value Label, lalu Klik Add
Kitik angka 2 pada kotak Value dan Menengah pada Value Label, lalu Klik Add
Kitik angka 3 pada kotak Value dan Besar pada Value Label, lalu Klik Add

Aplikasi SPSS dalam Bioststistika 7


Klik OK, maka kembali ke Gambar 1.3.1, lalu Klik Data View pada pojok kiri bawah,
maka muncul Gambar 1.3.3

Gambar 1.3.3. Data View


Klik Analyze, pilih Compare Mean, Klik Means, maka muncul Gambar 1.3.4

Gambar 1.3.4. Kotak dialog Mean


Klik Berat(Kg), pindahkan dengan tanda ke kotak Dependent List
Klik Perusahaan, pindahkan dengan tanda ke kotak Independent List
Klik Babi, pindahkan dengan tanda ke kotak Independent List
Klik Options, maka muncul Gambar 1.3.5

Aplikasi SPSS dalam Bioststistika 8


Gambar 1.3.5. Kotak Dialog Means Options
Klik Sum, pindahkan dengan tanda ke kotak Cell Statistics
Klik Mean, pindahkan dengan tanda ke kotak Cell Statistics
Klik Number of Cases, pindahkan dengan tanda ke kotak Cell Statistics
Klik Standard Deviation, pindahkan dengan tanda ke kotak Cell Statistics
Klik Continue, maka layer kembali ke Gambar 1.3.4
Klik OK, maka diperoleh hasil sebagai berikut :
Means
Berat (Kg) * Perusahaan

Berat (Kg)
Perusahaan Sum N Mean Std. Deviation
Kecil 445 4 111,25 8,539
Menengah 520 4 130,00 21,602
Besar 550 4 137,50 26,300
Total 1515 12 126,25 21,651
Berat * Babi

Berat
Babi Sum N Mean Std. Deviation
1 390 3 130.00 30.000
2 360 3 120.00 20.000
3 365 3 121.67 25.658
4 400 3 133.33 20.817
Total 1515 12 126.25 21.651
Aplikasi SPSS dalam Bioststistika 9
Kalau kita ingin menggambar maka kita bisa menggambar dalam bentuk Bar (Drafik
Batang), karena perusahaan Babi (Jenis Babi) adalah bersifat kualitatif.
Misalnya kita ingin menggambar Berat babi pada ke-3 Perusahaan, maka kita kembali ke
Gambar 1.3.3. Data View.
Klik Graphs, cari Legacy Dialogs lalu klik Bar, maka muncul Gambar 1.3.6.

Gambar 1.3.6. Kotak Dialog Bar Chart


Klik Simple, lalu klik Define, maka muncul Gambar 1.3.7

Gambar 1.3.7. Kotak Dialog Define Simple Bar


Klik Other statistic, lalu masukkan berat ke Variable dan Perusahaan ke Category Axis, maka
klik Ok atau Enter diperoleh diagrah Bar Sebagai berikut :

Aplikasi SPSS dalam Bioststistika 10


Kalau gambar yang di peroleh kurang lengkap atau atau penampilannya kurang menarik,
ada pasilitas untuk membuat lebih menarik seperti gambar Bar diatas, coba cari sendiri. Untuk
menggambar antar babi dapat dilakukan dengan mengganti kotak Category Axis dengan Babi,
maka diperoleh diagram Bar sebagai berikut :

Aplikasi SPSS dalam Bioststistika 11


Kita bisa juga menggambar dalam bentuk klaster yaitu dengan mengabungkan antara babi
dengan perusahaan. Klik Graphs, cari Legacy Dialogs lalu klik Bar, maka kembali muncul
Gambar 1.3.6 Klik Clusterid, lalu klik Define, maka muncul Gambar 1.3.8

Gambar 1.3.8. Kotak Dialog Define Clusterid Bar


Klik Other statistic, lalu masukkan berat ke Variable, Babi ke Category Axis dan Perusahaan ke
Define Clusters maka klik Ok atau Enter diperoleh diagrah Bar Sebagai berikut :

Berbagai Gambar yang lebih menerik sesuai dengan keperluan kita dapat dipelajari lebih lanjut

Aplikasi SPSS dalam Bioststistika 12


II. DISTRIBUSI FREKUENSI
2.1.Dintribusi Frekuensi Kuanditatif.
Penyusunan distribusi frekuensi dari 100 ekor tambahan berat badan (gram/ekor/hari) sapi
Bali. Distribusi frekuesi terdiri dari 7 interval kelas dengan lebar interval kelas 5.
Panggil program SPSS, kemudian Klik Variabel View, maka muncul Gambar. 2.1

Gambar 2.1. Kotak dialog Variable View


Ketik pda Kotak Name TBerat, Type Numeric Decimals 0 dan Label Tambahan Berat Badan
(gram/ekor/hari), lalu Klik Data View, maka muncul Gambar 2.2.
Tabel 2.1. Tambahan Berat Badan (gram/ekor/hari)
51 52 54 55 55 56 49 54 55 50
50 30 45 39 44 56 55 53 58 57
55 38 45 47 46 44 45 54 55 53
30 45 47 47 48 47 50 53 57 57
56 46 47 50 48 47 46 43 40 60
52 45 47 44 50 53 52 37 35 61
55 40 44 43 50 49 34 45 34 65
56 45 43 42 50 54 45 48 44 61
57 38 50 44 49 49 47 56 53 62
58 43 43 44 50 50 55 54 50 63

Salinlah data pada Tabel.2.1. diatas ke Gambar 2.3.


Ketik pada Kolom TBerat dari No. 1 sampai dengan No. 100.

Aplikasi SPSS dalam Biostatistika 13


Gambar 2.2 Data View
Setelah semua data disalin ke Gambar 2.2. kemudian Klik Analyze, pilih Discretive Statisrics,
lalu Klik Discretive, maka muncul Gambar .2.3

Gambar 2.3 Kotak Dialog Descriptives


Klik Tambahan Berat badan, pindahkan dengan tanda Variable(s), kemudian Klik Options,
maka muncul Gambar 2.4

Gambar 2.4. Kotak Dialog Descriptives Options

Aplikasi SPSS dalam Biostatistika 14


Berikan tanda V pada nilai statistic yang diinginkan, lalu Klik Continue, maka layar kembali ke
Gambar 2.3, lalu Klik OK, maka diperoleh hasil sebagai berikut :
Descriptives
Descriptive Statistics

Mini Maxi Std.


N Range mum mum Sum Mean Deviation Variance
Tambahan Berat
Badan 100 35 30 65 4933 49,33 6,751 45,577
(gram/ekor/hari)
Valid N (listwise) 100

Jika kita membuat Tabel Distribusi Frekuensi tanbahan berat bada 100 ekor sapi Bali, dengan
banyaknya interval 7 dan lebar interval 5, maka dapat disusun sebagai berikut : 30-35, 35-40, 40-
45, 45-50, 50-55, 55-60, dan 60-65
Prosedurnya pengerjaannya sebagai berikut
Urutkan data dari kecil ke besar, dengan cara : Kembali ke Gambar 2.2., lalu Klik Data,
kemudian pilih Sort Cases, maka muncul Gambar 2.4

Gambar 2.4. Kotak Dialog Sort Case


Klik Tambahan Berat Badan, pindahkan dengan tanda ke Sort by
Klik atau tandai di depan Ascending, lalu Klik OK, maka data pada Gambar 2.2. diurut dari kecil
kebesar.
Buat Kelas1, Kelas2, Kelas3, Kelas4,Kelas5,Kelas6 dan Kelas7, serta hitung nilai tengah
masing-masing Kelas.
Dengan jalan Trasformasi data, Sebagai Berikut :
Klik Transform Compute Variable

Aplikasi SPSS dalam Biostatistika 15


Target Variable = Numeric Expression
Kelas1=(TBerat <= 35)*(30+35)/2. Klik OK
Kelas2=(TBerat > 35 & TBerat <= 40)*(35+40)/2. Klik OK
Kelas3=(TBerat > 40 & TBerat <= 45)*(40+45)/2. Klik OK
Kelas4=(TBerat > 45 & TBerat <= 50)*(45+50)/2. Klik OK
Kelas5=(TBerat > 50 & TBerat <= 55)*(50+55)/2. Klik OK
Kelas6=(TBerat > 55 & TBerat <= 60)*(55+60)/2. Klik OK
Kelas7=(TBerat > 60 & TBerat <= 65)*(60+65)/2. Klik OK
Buat Variabel Baru Kelas,

Gambar 2.5. Variabel View


Klik Values dilengkapi hingga mumcul seperti Gambar 2.6.

Gambar 2.6. Value Label

Aplikasi SPSS dalam Biostatistika 16


Klik Transform, Compute Variabel :
Kelas = Kelas1 + Kelas2 + Kelas3 + Kelas4 + Kelas5 + Kelas6 + Kelas7.
Lalu Klik OK
Maka diperoleh Gambar 2.7

Gambar 2.7. Data View

Aplikasi SPSS dalam Biostatistika 17


Klik Analyze, pilih Discretive Statisrics, lalu Klik Frequencies, maka muncul Gambar 2.8.

Gambar 2.8. Kotak Dialog Frequencies


Klik Charts, maka muncul Gambar 2.9.
Tandai atau Klik di kotak depan Histogram dan di depan With normal curve

Gambar 2.9. Kotak Dialog Frequencies Charts


Klik Continue, maka kembali ke Gambar 2,8. lalu Klik OK
Frequencies

Aplikasi SPSS dalam Biostatistika 18


Interval Kelas

Intervak Frequency Percent Valid Percent Cumulative


Kelas Percent
30-35 5 5.0 5.0 5.0
35.40 6 6.0 6.0 11.0
40-45 21 21.0 21.0 32.0
45-50 29 29.0 29.0 61.0
50-55 22 22.0 22.0 83.0
55-60 12 12.0 12.0 95.0
60-65 5 5.0 5.0 100.0
Total 100 100.0 100.0

Aplikasi SPSS dalam Biostatistika 19


2.2. Dintribusi Frekuensi Kualitatif
Menggambar distribusi frekuensi data skor warna dari 50 sampel daging ayam broiler
No Skor Warna frekuensi
1 Merah kecoklatan 20
2 Coklat tua cerah 15
3 Coklat tua suram 10
4 Coklat kehijauan 3
5 Hijau kekuningan 2

Buka kotak dialog Variable View Lengkapi sepert Gambar 2.10, lalu klik Values untuk
memberikan nama jenis warna, pada Gambar 2.11.
Gambar 2.10. Kotak dialog Variable View

Gambabar. 2.10. Kotak Dialog Variable View


Ketik angka 1 pada Value dan Merah Kecoklatan pada Label lalu Klik Add
Ketik angka 2 pada Value dan Merah Coklat Tua Cerah pada Label lalu Klik Add
Ketik angka 3 pada Value dan Merah Coklat Tua Suram pada Label lalu Klik Add
Ketik angka 4 pada Value dan Coklat Kehijauan pada Label lalu Klik Add
Ketik angka 5 pada Value dan Hijau Kekuningan pada Label lalu Klik Add
Klik OK

Aplikasi SPSS dalam Biostatistika 20


Gamba 2.11. Value Label
Setelah klik Ok, lalu Klik Data View maka muncul Gambar 2.12, ketik angka pada kolom Warna
dan kolam Frekuensi

Gambar 2.12. Data Vew


Untuk menggambar Klik Graphs, Legacy Dialogs, pilih Bar, lalu klik Simple dan kemudian
Difine, maka muncul Gambar 2.13.
Lengkapi Gambar tersebut, lalu klik Ok

Aplikasi SPSS dalam Biostatistika 21


Gambar 2.13. Define Simple Bar
Setelah diper oleh gambar Bar anda bisa memperjelas gambar tersebut, sehingga diperoleh hasil
sebagai berikut:

Aplikasi SPSS dalam Biostatistika 22


III. PENDUGAAN DAN PENGUJIAN HIPOTESIS
Misalnya diduga berat badan sapi Bali Jantan umur 2 tahun 250 Kg, lalu diambil Sampel 10 ekor
beratnya ssbb :

Panggil program SPSS.


Klik Variabel View, maka muncul Gambar 3.1. Ketik Berat pada kolom Name dan Berat (Kg) pada
kolom Label

Gambar 3.1. Kotak Dioalog Variabel View


Kelik Data View, maka muncul Gambar 3.2. Salin data berat sapi pada Gambar 3.2

Gambar 3.2. Data View

Aplikasi SPSS dalam Biostatistika 23


Klik Analyze Desceptive Statistics Klik Explore, maka muncul Gambar 3.3

Gambar 3.3. Desceptive Statistics Explore


Pindahkan Berat (Kg) (Berat) Dependent List Lalu klik Statistics, maka diperoleh hasil
sebagai berikut :

Explore
Descriptives
Statistic Std. Error
Mean 256.20 2.943
95% Confidence Interval Lower Bound 249.54
for Mean Upper Bound 262.86
5% Trimmed Mean 255.56
Median 254.00
Variance 86.622
Berat (Kg) Std. Deviation 9.307
Minimum 246
Maximum 278
Range 32
Interquartile Range 12
Skewness 1.462 .687
Kurtosis 2.794 1.334

Jadi diperoleh hasil : 249.54 262.56 = 256.20 6.66

Aplikasi SPSS dalam Biostatistika 24


Pengujian Hipotesis :
Klik Analyze pilih Compare Means One-Sample T Test, maka muncul Gambar 3.4.

Gambar 3.4. One Sample T Test


Pindahkan Berat (Kg)(Berat) ke Test Variable(s), Klik OK, maka diperoleh hasil :

T-Test
One-Sample Statistics
N Mean Std. Deviation Std. Error Mean
Berat (Kg) 10 256.20 9.307 2.943

One-Sample Test
Test Value = 0
95% Confidence Interval of the
Difference
t df Sig. (2-tailed) Mean Difference Lower Upper
Berat (Kg) 87.049 9 .000 256.200 249.54 262.86

Jika pada Test Value di ketik 250, maka diperoleh hasil :

One-Sample Test

Test Value = 250

95% Confidence Interval of the


Difference

t df Sig. (2-tailed) Mean Difference Lower Upper

Berat (Kg) 2.107 9 .064 6.200 -.46 12.86

Kesimpulan : Ho diterima (P>0,05), jadi pendugaan berat Sapi 250 kg dapat diterima.

Aplikasi SPSS dalam Biostatistika 25


IV. ANALISIS REGRESI KORELASI.
Seorang Peneliti ingin mengetahui hubungan antara jumlah caring (X) dengan jumlah
telurnya (Y1), Ketebalan Usus dalam cm (Y2) dan penyerapan nutrisi dalam % (Y3). Datanya
sebagai berikut :

Panggil Program SPSS

Aplikasi SPSS dalam Biostatistika 26


Klik Variabel View, maka muncul Gambar 4.1. Ketik X, Y1, Y2 dan Y3 pada kolom Name dan
Jumlah Cacing, Jumlah Telur, Ketebalan Usus (cm) dan Penyerapan Nutrisi (%) pada kolom Label

Gambar 4.1. Kotak Diolog Variable View


Klik Data View, maka muncul Gambar 4.2, lalu isi dada pada kolom X, Y1, Y2 dan Y3

Gambar 4.2. Data View

Aplikasi SPSS dalam Biostatistika 27


Sebelum melakukan analisis Regresi Korelasi antara X dengan Y1, Y2 dan Y3,
gambar dulu diagram pencarnya untuk menentukan per samaannya.
Gambar diagram pencar (Scatter/Dot), dengan jalan klik Graphs, cari Legacy
Dialogs klik Scatter/Dot, maka muncul Gambar 4.3

Gambar 4.3. Simple Scatterplot


Pindahkan Jumlah Cacing (X) ke X Ais dan pindahkan Jumlah Telurnya (Y1) ke Y Axis.
Klik OK maka diperoleh hasil sebagai berikut :

Y1 = o + 1X

Aplikasi SPSS dalam Biostatistika 28


Dengan cara yang sama ganti Y1 denan Y2, klik OK, maka diperoleh hasil sebagai berikut :

Y2 = o + 1X 2X2

Dengan cara yang sama ganti Y2 denan Y3, klik OK, maka diperoleh hasil sebagai berikut :

Y3 = ae-bX

Aplikasi SPSS dalam Biostatistika 29


Lakukan analisis analisi regresi-korela berdasarkan tebaran data yang sesuai dengan
memilih model yang cocok dengan data yang di peroleh, misalnya Linesr, Quadratic, Exponetial
dan lain-lainnya.
Klik Analyze pilih Regregression Klik Curve Estimation, maka muncul Gambar 4.4.
Pindahkan Jumlah Cacing ke Variable dan Jumlah Telurna ke Dependent(s), pilih atau tandai
model Linear dan Display ANOVA table

Gambar 4.4. Curva Estimation Model Linear


Klik OK, maka diperoleh hasil sebagai berikut :
Jumlah Telurnya
Linear
Model Summary
Adjusted R Std. Error of the
R R Square Square Estimate
.972 .946 .943 2.332
The independent variable is Jumlah Cacing .

ANOVA
Sum of Squares df Mean Square F Sig.
Regression 1699.882 1 1699.882 312.643 .000
Residual 97.868 18 5.437
Total 1797.750 19
The independent variable is Jumlah Cacing .

Aplikasi SPSS dalam Biostatistika 30


Coefficients
Standardized
Unstandardized Coefficients Coefficients
B Std. Error Beta t Sig.
Jumlah Cacing 4.104 .232 .972 17.682 .000
(Constant) -2.442 3.165 -.772 .450

Jadi persamaan garis regresinya adalah : Y1 = -2.442 + 4.014X

Dengan cara yang sama untuk Ketebala Usus (cm) dengan memilih model Quadratic diperoleh
hasil sebagai berikut :

Gambar 4.5. Curva Estimation Model Quadartic


Ketebalan Usus (cm)
Quadratic

Aplikasi SPSS dalam Biostatistika 31


Model Summary

Adjusted R Std. Error of the


R R Square Square Estimate

.987 .974 .971 .004

The independent variable is Jumlah Cacing .


ANOVA

Sum of Squares df Mean Square F Sig.

Regression .0123 2 .00617 319.537 .000


Residual .0003 17 .00002
Total .0136 19

The independent variable is Jumlah Cacing .


Coefficients

Standardized
Unstandardized Coefficients Coefficients

B Std. Error Beta t Sig.

Jumlah Cacing .058 .00471 5.146 12.239 .000


Jumlah Cacing ** 2 -.002 .00018 -4.260 -10.133 .000
(Constant) .137 .03298 4.165 .001
2
Jadi persamaan garis regresinya : Y2 = 0.137 + 0.058X 0.002X

Dengan cara yang sama untuk Penyerapan Nutrisi (%) dengan memilih model Exponential
diperoleh hasil sebagai berikut :

Aplikasi SPSS dalam Biostatistika 32


Gambar 4.6. Curva Estimation Model Exponential

Penyerapan Nutrisi (%)


Exponential
Model Summary

Adjusted R Std. Error of the


R R Square Square Estimate

.996 .992 .991 .064

The independent variable is Jumlah Cacing .

ANOVA

Sum of Squares df Mean Square F Sig.


Regression 9.196 1 9.196 2214.081 .000
Residual .075 18 .004
Total 9.271 19

The independent variable is Jumlah Cacing .

Coefficients

Aplikasi SPSS dalam Biostatistika 33


Standardized
Unstandardized Coefficients Coefficients

B Std. Error Beta t Sig.

Jumlah Cacing -.302 .006 -.996 -47.054 .000


(Constant) 80.922 7.078 11.433 .000

The dependent variable is ln(Penyerapan Nutrisi (%)).


Jadi persamaan garis regresinya : Y3 = 80.922X-0.302X

Untuk jumlah telur cacing mungkin lebih baik melalui titik nol (tidak Include contante in
equqtion), jadi tidak di centang, seperti Gambar 4.7.

Gambar 4.7. Curve Estimate model Linear Melalui Titik Nol.

Aplikasi SPSS dalam Biostatistika 34


Jumlah Telurnya
Linear
a
Model Summary

Adjusted R Std. Error of the


R R Square Square Estimate

.999 .998 .998 2.307

The independent variable is Jumlah Cacing .


a. The equation was estimated without the constant term.
a
ANOVA

Sum of Squares df Mean Square F Sig.

Regression 57347.894 1 57347.894 10776.856 .000


Residual 101.106 19 5.321
Total 57449.000 20

The independent variable is Jumlah Cacing .


a. The equation was estimated without the constant term.
Coefficients

Standardized
Unstandardized Coefficients Coefficients

B Std. Error Beta t Sig.

Jumlah Cacing 3.927 .038 .999 103.812 .000

Jadi persamaan garis regresi Y1 = -2.442 + 4.014X menjadi Y1= 3.927X

Aplikasi SPSS dalam Biostatistika 35


MENGUJI KESAMAAN DUA RATA-RATA
5.1.Data Tidak Berpasangan
Seorang peneliti ingin menambah aplatosin sebanya 20 % pada ransum itik Bali terhadap
antibody, pH dan kadar protein darahnya. Untuk tujuan tersebut dipelihara 30 ekor itik, 15 ekor
diberikan ransum tanpa aplatosisn (Ransum 1)dan 15 ekor lagi diberikan ransum dengan
aplatosin 20 % (Ransum 2) seperti Tabel berikut :
Tabel 5.1.1. Data Hasil Penelitian

Aplikasi SPSS dalam Bioststistika 36


Panggil Program SPSS
Klik Variabel View, maka muncul Gambar 5.1.1. Ketik Ransum, Ulangan, AniBody, pH dan Protein
pada kolom Name dan Jenis Ransum, Ulangan, Ada Tidaknya Anti Body, pH Darah dan Kadar
Protein Darah pada kolom Label

Gambar 5.1.1. Kotak Diolog Variable View


Klik pada ujung baris Ransum kolom Values, maka muncul Gambar 5.1.2.
Ketik kotak Value ketik 1 dan Label ketik Tidak Diberikan Aplatosin, lalu Add
Ketik kotak Value ketik 2 dan Label ketik Diberikan Aplatosin 20%, lalu Add
Klik OK

Gambar 5.1.2 . Value Label


Klik Data View pada Gambar 5.1.1, maka muncul Gambar 5.1.3, lalu salin Data pada Tabel
5.1.1 ke Gambar 5.1.3.

Aplikasi SPSS dalam Bioststistika 37


Gambar 5.1.3. Data View
Lakukan Analisis Data

Aplikasi SPSS dalam Bioststistika 38


Data Skala Pengukuran Nominal
Data anti body data tidak berpasangan dengan skala pengukuran Nominal, maka menguji
pengaruh Ransum diuji dengan Uji Khi-Kuadrat.
Klik Analyze, pilih Descretive Statistics lalu klik Crosstab, mka muncul Gambar 5.1.4.

Gambar 5.1.4. Descretive Statistics Crosstab.


Pindahkan Ada Tidaknnya Anti Body ke kotak Row(s) dan Jenis Ransum ke kotak Column(s).
Kelik Statistics muncul Gambar 5.1.5. dan tandai Chi-square, centang chi-square, lalu klik
Continue.

Aplikasi SPSS dalam Bioststistika 39


Gambar 5.1.6. Crosstabs Statistics Chi-square.
Kemudian klik Cells dan tandai Cells,maka muncul Gambar 5.1.6, lalu centang Observed,
Expected, Row dan Total, klik continue maka kembali ke Gambar 5.1.4 Klik OK

Gambar 5.1.6. Crosstabs Cell Disply


Setelah klik Ok pada Gambar 5.1.4, maka diperoleh hasil sebagai berikut :

Crosstabs
Ada Tidaknya Anti Body * Jenis Ransum Crosstabulation
Jenis Ransum Total
Tidak Diberikan
Diberikan Aplatosin
Aplatosin 20%
Count 10 7 17
Expected Count 8.5 8.5 17.0
Tidak Ada
% within Ada Tidaknya Anti Body 58.8% 41.2% 100.0%
% of Total 33.3% 23.3% 56.7%
Ada Tidaknya Anti Body
Count 5 8 13
Expected Count 6.5 6.5 13.0
Ada
% within Ada Tidaknya Anti Body 38.5% 61.5% 100.0%
% of Total 16.7% 26.7% 43.3%
Count 15 15 30
Expected Count 15.0 15.0 30.0
Total
% within Ada Tidaknya Anti Body 50.0% 50.0% 100.0%
% of Total 50.0% 50.0% 100.0%

Aplikasi SPSS dalam Bioststistika 40


Chi-Square Tests
Asymp. Sig. (2- Exact Sig. (2- Exact Sig. (1-
Value df sided) sided) sided)
Pearson Chi-Square a
1.222 1 .269
b
Continuity Correction .543 1 .461
Likelihood Ratio 1.231 1 .267
Fisher's Exact Test .462 .231
Linear-by-Linear Association 1.181 1 .277
N of Valid Cases 30

a. 0 cells (0.0%) have expected count less than 5. The minimum expected count is 6.50.
b. Computed only for a 2x2 table

Jadi hasil yang diperoleh dapat disimpulkan pemberian ransum dengan aplatosin 20% didak
berpangauh nyata (P>0.05) terhadap ada tidaknya anti body pada itik (0.462>0.05)
Gambar Persentase Total
Klik Graphs Legacy Dialogs Kli Pie, lalu Klik Define, maka muncul Gambar 5.1.7

Aplikasi SPSS dalam Bioststistika 41


Gambar 5.1.7. Difene Pie
Klik Ok, maka diperoleh gambar sebagai berikut :

Data Skala Pengukuran Ordinal


Data pH darah data tidak berpasangan dengan skala pengukuran Ordinal, maka menguji
pengaruh Ransum diuji dengan Uji Wilcoxon Menn-Whithney.
Klik Analyze Cari Nonparametric Test Klik Legacy Dislogs klik 2 Independent Sample,
maka muncul Gambar 5.1.8.

Gambar 5.1.8. Two Independent Sample Tests

Aplikasi SPSS dalam Bioststistika 42


Pindahkan pH Darah ke Test Variable List dan pindahkan Ransum ke Grouping Variable, lalu
klik Gouping Variable hingga muncul Difine Group, lalu ketik angka 1 pada kotak Group 1 dan
angk 2 pada kotak Goup 2, ingat centang Mann-Whithney U Klik Continu, maka muncul
kembali Gambar 5.1.7, Lalu Klik OK, maka diperoleh hasil sebagai berikut :
NPar Tests
Mann-Whitney Test
Ranks
Jenis Ransum N Mean Rank Sum of Ranks
pH Darah Tidak Diberikan Aplatosin 15 15.60 234.00
Diberikan Aplatosin 20% 15 15.40 231.00
Total 30

a
Test Statistics
pH Darah
Mann-Whitney U 111.000
Wilcoxon W 231.000
Z -.072
Asymp. Sig. (2-tailed) .943
b
Exact Sig. [2*(1-tailed Sig.)] .967
a. Grouping Variable: Jenis Ransum
b. Not corrected for ties.

Kesimpulan : Jumlah Ranking yang diberikan Aplatosin 20% 231, sedanglkan yang tidak
diberikan 234. Nilai Z = -0.072 atau harga mutlaknya 0.072 (P>0,05) atau (P = 0,943), Jadi dapat
disimpulkan pemberian aplatosin 20% tidak berpengaruh nyata (P>0,05) terhadap pH darah itik.

Data Skala Pengukuran Rasional


Data Kadar Protein Darah data tidak berpasangan dengan skala pengukuran Rasional, maka
menguji pengaruh Ransum diuji dengan Uji Uji T tidak berpasangan.
Klik Analyze Cari Compare Means klik Independent Sample T Test, maka muncul
Gambar 5.1.9. klik Gouping Variable hingga muncul Difine Group, lalu ketik angka 1 pada
kotak Group 1 dan angk 2 pada kotak Goup 2.

Aplikasi SPSS dalam Bioststistika 43


Gambar 5.1.9. Independent Samples T Test
Klik Continu, maka muncul kembali Gambar 5.1.8, Lalu Klok OK, maka diperoleh hasil sebagai
berikut :
T-Test
Group Statistics
Jenis Ransum N Mean Std. Deviation Std. Error Mean
Kadar Protein Darah Tidak Diberikan Aplatosin 15 2.6980 .17793 .04594
Diberikan Aplatosin 20% 15 3.0207 .14345 .03704

Independent Samples Test


Levene's Test
for Equality of
Variances t-test for Equality of Means
Std. 95% Confidence
Error Interval of the
Sig. (2- Mean Differenc Difference
F Sig. t df tailed) Difference e Lower Upper
Kadar Equal variances
.093 .762 -5.468 28 .000 -.32267 .05901 -.44355 -.20178
Protein assumed
Darah Equal variances not
-5.468 26.79 .000 -.32267 .05901 -.44379 -.20154
assumed

Kesimpulan :
Ragam Homogen (P>0,05) atau (P=0,762)
Pemberian Aplatosin 20% berpengaruh sangat nyata (P<0,01) atau (P<0.000) terhadap
kadar protein darah itik.

Aplikasi SPSS dalam Bioststistika 44


Klik Graphs Legacy Dialogs Klik Bar, lalu Klik Define, maka muncul Gambar 5.1.10

Gambar 5.1.10. Define Simple Bar.


Pindahkan Kadar Protein Darah ke Variabel, Jinis Ransum ke Category Axis, Klik OK

Maka diperoleh Gambar berikut

Klik Graphs Legacy Dialogs Klik Error Bar, lalu Klik Define, maka muncul Gambar 5.1.11

Aplikasi SPSS dalam Bioststistika 45


Gambar 5.1.11. Difine Simple Error Bar
Pindahkan Kadar Protein Darah ke Variabel, Jinis Ransum ke Category Axis, Klik OK
Maka diperoleh Gambar berikut

Aplikasi SPSS dalam Bioststistika 46


5.2.Data Berpasangan.
Seorang peneliti ingin mengetahui perubahan kekenyalan, Citarasa dan pH daging sapi
sebelum dan sesudah diberikan bahan pengawet asam Acetat 1,5 % untuk tujuan tersebut peneliti
memeriksa 15 contoh daging, adapu data seperti table dibawah ini.
Tabel 5.2.1 Data Hasil Penelitiannya sebagai berikut :

Panggil Program SPSS


Klik Variabel View, maka muncul Gambar 5.2.1. Ketik KSebelum, KSesudah, CitaraSebelum,
CitarasaSesudah, pHSebelum dan pHSesudah pada kolom Name, dan ketik Kekenyalan Sebelum,
Kekenyalan Sesudah, Citara Sebelum, Citarasa Sesudah, pH Sebelum dan pH Sesudah pada kolom
Label

Gambar 5.2.1. Kotak Dialog Variable View.

Aplikasi SPSS dalam Bioststistika 47


Klik Data View, maka muncul Gambar 5.2.2, lalu salin data Tabel 5.2.1 ke Gambar 5.2.2.

Gambar 5.2.2 Data View

Data Skala Pengukuran Nominal


Menguji pengaruh asam Acetat 1.5% terhadap Kekenyalan sebelum dan sesudah, diuji
dengan Uji Tanda atau Uji Mc Nemar , karena data menggunakan skala pengukuran Nominal.
Klik Analyze Cari Nonparametric Test Klik Legacy Dislogs klik 2 Related Sample, maka
muncul Gambar 5.2.3.

Gambar 5.2.3. Two Related Sample Test Sign dan Mc Nemar.

Aplikasi SPSS dalam Bioststistika 48


Pindahkan Kekenyalan Sebelum ke Variable 1 dan Kekenyalan Sesudah ke Variable 2. Klik OK
lalu cetang Sign dan McNemar, maka diperoleh hasil sebagai berikut :
NPar Tests
Sign Test
Frequencies
N
a
Kekenyalan Sesudah - Negative Differences 10
Kekenyalan Sebelum b
Positive Differences 0
c
Ties 5
Total 15
a. Kekenyalan Sesudah < Kekenyalan Sebelum
b. Kekenyalan Sesudah > Kekenyalan Sebelum
c. Kekenyalan Sesudah = Kekenyalan Sebelum
a
Test Statistics
Kekenyalan Sesudah -
Kekenyalan Sebelum
b
Exact Sig. (2-tailed) .002
a. Sign Test
b. Binomial distribution used.

McNemar Test
Crosstabs
Kekenyalan Sebelum & Kekenyalan Sesudah
Kekenyalan Sesudah
Kekenyalan Sebelum 0 1
0 2 0
1 10 3
a
Test Statistics
Kekenyalan
Sebelum &
Kekenyalan
Sesudah
N 15
b
Exact Sig. (2-tailed) .002
a. McNemar Test
b. Binomial distribution used.

Kesimpulan : Uji Tanda danUJi Mc Nemar memberikan hasil yang sangat nyata (P<0.01) atau
(P=0.002) antara kekenyalan sebelum dan sesudah diberikan asam acetat 1.5% pada daging sapi.

Data Skala Pengukuran Ordinal


Menguji pengaruh asam Acetat 1.5% terhadap Citarasa Daging, diuji dengan Uji Wilcoxon
berpasangan, karena data menggunakan skala pengukuran Ordinal
Klik Analyze Cari Nonparametric Test Klik Legacy Dislogs klik 2 Related Sample, maka
muncul Gambar 5.2.4.

Aplikasi SPSS dalam Bioststistika 49


Gambar 5.2.4. Two Related Sampel Test Wilcoxon
Pindahkan Citarasa Sebelum ke Variable 1 dan Citarasa Sesudah ke Variable 2, lalu cetang
Wilcoxon. Klik OK, maka diperoleh hasil sebagai berikut :

NPar Tests
Wilcoxon Signed Ranks Test
Ranks
N Mean Rank Sum of Ranks
a
Citarasa Sesudah - Citarasa Negative Ranks 2 4.00 8.00
Sebelum b
Positive Ranks 11 7.55 83.00
Ties c
2
Total 15
a. Citarasa Sesudah < Citarasa Sebelum
b. Citarasa Sesudah > Citarasa Sebelum
c. Citarasa Sesudah = Citarasa Sebelum

a
Test Statistics
Citarasa
Sesudah -
Citarasa
Sebelum
b
Z -2.634
Asymp. Sig. (2-tailed) .008
a. Wilcoxon Signed Ranks Test
b. Based on negative ranks.

Kesimpulan : Teerdapat perbedaan yang sangat nyata (P<0.01) atau (P=0.008) antara Citarasa
sebelum dan sesudah diberikan asam acetat 1.5% pada daging sapi.
Membuat Grafik Citarasa sebelum dan sesudah.
Klik Graphs Legacy Dialogs, Klik Bar, maka Gambar 5.2.5, Klik Simple dan Summaries of
separate variable.

Aplikasi SPSS dalam Bioststistika 50


Gambar 5.2.5. Difene Bar Charts
Klik Dedine, maka muncul Gambar 5.2.6

Gambar 5.2.6. Difine Simple Bar


Masukan pindahkan Citarasa sebelum dan Citarasa Seudah ke Bar Represent, lalu klik OK,
maa muncul Grafik dibawah ini

Aplikasi SPSS dalam Bioststistika 51


Data Skala Pengukuran Interval atau Rasional
Menguji pengaruh asam Acetat 1.5% terhadap pH Daging, diuji dengan Uji T Berpasanga,
karena data menggunakan skala pengukuran Interval

Klik Analyze Compare Means Klik Paired Sample T Test maka muncul Gambar 5.2.7

Gambar 5.2.7. Paired Sampel T Test


Pindahkan pH Sebelum ke Variable 1 dan pH Sesudah ke Variable 2, Klik OK, maka diperoleh
hasil sebagai berikut :

T-Test
Paired Samples Statistics
Mean N Std. Deviation Std. Error Mean
Pair 1 pH Sebelum 5.607 15 .1944 .0502
pH Sesudah 4.447 15 .3482 .0899

Paired Samples Correlations


N Correlation Sig.
Pair 1 pH Sebelum & pH Sesudah 15 .807 .000

Paired Differences
95% Confidence
Interval of the
Std. Std. Error Difference Sig. (2-
Mean Deviation Mean Lower Upper t df tailed)

Pair 1 pH Sebelum - pH Sesudah 1.1600 .2230 .0576 1.0365 1.2835 20.149 14 .000

Kesimpulan : Teerdapat perbedaan yang sangat nyata (P<0.01) atau (P=0.008) antara pH
daging sapi sebelum dan sesudah diberikan asam acetat 1.5% .

Aplikasi SPSS dalam Bioststistika 52


Membuat Grafik pH sebelum dan pH sesudah.
Klik Graphs Legacy Dialogs, Klik Bar, maka Gambar 5.2.8, Klik Simple dan Summaries of
separate variable.

Gambar 5.2.8. Difene Bar Charts


Klik Dedine, maka muncul Gambar 5.2.9

Gambar 5.2.9. Difene Simple Bar.

Aplikasi SPSS dalam Bioststistika 53


Masukan pindahkan pH sebelum dan pH Sesudah ke Bar Represent, lalu klik OK, maka
muncul Grafik dibawah ini

3.3. Korelasi Jenjang Spearman.


Seorang peneliti ingin mencarai korelasi antara adanya bahan berbahaya pada Feses dengan
pada daging ayam broiler dengan skor (0=tidak ada, 1=di bawah normal, 2=Normal, 3=di atas
normal dan 4=jauh diatas normal). Hasilnya sebagai berikut :
Tabel 3.3.1. Bahan Berbahaya pada Feses dan Daging Ayam Broiler.
Peubah Ayam Broiler
1 2 3 4 5 6 7 8 9 10
Feses 3 3 3 2 4 3 0 0 1 2
Daging 2 2 1 1 3 2 0 0 1 1

Panggil Program SPSS


Klik Variabel View, maka muncul Gambar .3.3.1. Ketik Feses dan Daging pada kolom Name dan
JFeses Ayam dan Daging Ayam pada kolom Label

Aplikasi SPSS dalam Bioststistika 54


Gambar 3.3.1. Kotak Dialog Variable View.
Klik Data View, maka muncul Gambar 3.3.2.

Gambar 3.3.2 Variable View

Aplikasi SPSS dalam Bioststistika 55


Salan data pada Tabel 3.3.1. ke Gambar 3.3.2
Klik Analyze, lalu cari Correlate klik Bivariate, maka muncul Gambar 3.3.3.

Gambar 3.3.3. Bivariate Correlation


Pindahkan Feses Ayam (Feses( dan Daging Ayam (Daging) ke- Variable, centang kotak
Spearma, Flag Significant correlations. Klik Ok, maka diperoleh hasil sebagai berikut :

Nonparametric Correlations
Correlations

Feses Ayam Daging Ayam


**
Spearman's rho Feses Ayam Correlation Coefficient 1.000 .921

Sig. (2-tailed) . .000

N 10 10
**
Daging Ayam Correlation Coefficient .921 1.000

Sig. (2-tailed) .000 .

N 10 10

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

Kesimpulan :
Terdapat korelasi positif yang sangat nyata (P<0,01) antara bahan berbahaya pada feses dengan
pada dagung ayam. Lihat sig.P=0.000 Berarti makin banyak bahan berbahaya pada feses maka
pada dagingnya juga semakin banyak.

Aplikasi SPSS dalam Bioststistika 56


VI. PENELITIAN SATU VARIABEL BEBAS TANPA VARIABEL PENGGANGGU

Seorang peneliti ingin mengetahui pengaruh lama desinfeksi H2O2 terhadap tingkat
keasaman (0 : basa, 1 : basa), tingkat kekeruhan (1 : sangat keruh, 2: keruh, 3 : agak jernih, 4 :
jernih) dan jumlah bakteri E coli (Log) pada limbah RPH dengan dosis 30% . Untuk tujuan
tersebut dilakukan penelitian dengan lama desinfeksi 0, 2, 4 dan 8 jam dengan ulangan masing-
masing sebanyak 5 kali secara acak
Tabel 6.1. Data Hasil Penelitian

Panggil Program SPSS


Klik Variabel View, maka muncul Gambar 6.1 Ketik L, Ulangan, Keasaman, Kekeruan, kolom
Name dan ketik Tingkat Keasaman, Tingkat Kekeruhan dan Log E coli pada kolom Label

Penuntun Praktikum Biostatistika 57


Gambar 6.1. Kotak Dialog Variable View.

Berikan nama pada kolom Values pada baris Keasaman dengan jalan meng-Klik bagian
ujung dari Values, maka muncul Gambar 6.2

Gambar 6.2. Value Label Keasaman


Ketik angka 0 pada kotak Value dan Basa pada kotak Label, lalu Add
Ketik angka 1 pada kotak Value dan Asam pada kotak Label, lalu Add, Lalu Klik OK
Dengan cara yang sama berikan nama pada kolom Values pada baris Kekeruhan dengan
jalan meng-Klik bagian ujung dari Values, maka muncul Gambar 6.3
Ketik angka 1 pada kotak Value dan Sangat Keruh pada kotak Label, lalu Add
Ketik angka 2 pada kotak Value dan Keruh pada kotak Label, lalu Add
Ketik angka 3 pada kotak Value dan Agak Jernih pada kotak Label, lalu Add
Ketik angka 4 pada kotak Value dan Basa Jernih kotak Label, lalu Add
Klik OK

Penuntun Praktikum Biostatistika 58


Gambar 6.3. Value Label Kekeruhan

Klik Data View pada Gambar 6.1, maka muncul Gambar 6.4. Salin data pada Tabel 6.1. ke
Gambar 6.4

Gambar 6.4. Data View

Penuntun Praktikum Biostatistika 59


6.1. Uji Khi-Khuadrat
Data Tingkat Keasaman data tidak berpasangan dengan skala pengukuran Nominal,
maka menguji pengaruh Lama Desinfeksi diuji dengan. Uji Khi-Khuadrat
Klik Analyze, pilih Descretive Statistics lalu klik Crosstab, mka muncul Gambar 6.5.

Gambar 6.5. Crosstabs

Pindahkan Lama Disinfeksi ke kotak Row(s) dan Tingkat Keasaman ke kotak Column(s).
Kelik Statistics muncul Gambar 6.6. dan tandai Chi-square, centang chi-square, lalu klik
Continue.

Gambar 6.6. Crosstabs Statistics

Penuntun Praktikum Biostatistika 60


Kemudian klik Cells dan tandai Cells,maka muncul Gambar 6.7, lalu centang Observed,
Expected dan Row, klik continue maka kembali ke Gambar 6.5, lalu Klik OK

Gambar 6.7. Crosstabs Cell Display

Setelah klik Ok pada Gambar 6.5., maka diperoleh hasil sebagai berikut :

Crosstabs
Lama Disinfeksi * Tingkat Keasaman Crosstabulation
Tingkat Keasaman
Basa Asam Total
Lama Disinfeksi 0 Count 5 0 5
Expected Count 2.3 2.8 5.0
% within Lama Disinfeksi 100.0% 0.0% 100.0%
2 Count 3 2 5
Expected Count 2.3 2.8 5.0
% within Lama Disinfeksi 60.0% 40.0% 100.0%
4 Count 1 4 5
Expected Count 2.3 2.8 5.0
% within Lama Disinfeksi 20.0% 80.0% 100.0%
6 Count 0 5 5
Expected Count 2.3 2.8 5.0
% within Lama Disinfeksi 0.0% 100.0% 100.0%
Total Count 9 11 20
Expected Count 9.0 11.0 20.0
% within Lama Disinfeksi 45.0% 55.0% 100.0%

Penuntun Praktikum Biostatistika 61


Chi-Square Tests

Asymp. Sig. (2-


Value df sided)
a
Pearson Chi-Square 11.919 3 .008
Likelihood Ratio 15.791 3 .001
Linear-by-Linear Association 11.093 1 .001
N of Valid Cases 20

a. 8 cells (100.0%) have expected count less than 5. The minimum


expected count is 2.25.

Kesimpulan : Nilai Khi-Kuadrat atau Chi-Square adalah 11.919, signifikasi 0.001, jadi lama
disinfeksi berpengaruh sangat nyata (P<0.01) terhadap tingkat keasaman air limbah.

6.2. Uji Kruskal-Wallis


Tingkat Kekeruhan adalah data tidak berpasangan dengan skala pengukuran Ordinal,
maka menguji pengaruh Lama Disinfksi diuji dengan Uji Kruskal-Wallis
Klik Analyze Cari Nonparametric Test Klik Legacy Dislogs klik k Independent Sample,
maka muncul Gambar 6.8.

Gambar 6.8. Tests for Several Independent Sample

Pindahkan Tingkat Kekeruhan ke Test Variable List dan pindahkan Lama Disinfksi (L) ke
Grouping Variable, lalu klik Gouping Variable hingga muncul Difine Group, lalu ketik angka 0
pada kotak Minimum dan angk 6 pada kotak Maximum, Klik Continu, maka muncul kembali

Penuntun Praktikum Biostatistika 62


Gambar 5.1.7, ingat centang Kruskal-Wallis H. Lalu Klok OK, maka diperoleh hasil sebagai
berikut :
NPar Tests
Kruskal-Wallis Test

Ranks
Lama Disinfeksi N Mean Rank
Tingkat Kekeruhan 0 5 3.60
2 5 8.20
4 5 12.70
6 5 17.50
Total 20

a,b
Test Statistics
Tingkat
Kekeruhan
Chi-Square 16.408
df 3
Asymp. Sig. .001
a. Kruskal Wallis Test
b. Grouping Variable: Lama
Disinfeksi

Kesimpulan : Lama Disinfeksi berpengaruh sangat nyata (P<0.01) terhadap tingkat kekeruhan air
limbah. Lihat Lihat nilai Chi-Square 16.408 dan p = 0.001
Untuk mencari lama disinfeksi mana saja tingkat kekeruhannya berbeda nyata dilakukan uji Uji
Wilcoxon Menn-Whithney.
Klik Analyze Cari Nonparametric Test Klik Legacy Dislogs klik 2 Independent Sample, maka
muncul Gambar 6.9.

Gambar 6.9. Two Independent Sample Test

Penuntun Praktikum Biostatistika 63


Pindahkan Tingkat Keasanan ke Test Variable List dan pindahkan Lama Disinfeksi (L) ke
Grouping Variable, lalu klik Gouping Variable hingga muncul Difine Group, lalu ketik angka 0
pada kotak Group 1 dan angk 2 pada kotak Goup 2, ingat centang Mann-Whithney U Klik
Continu, maka muncul kembali Gambar 6.9, Lalu Klok OK, maka diperoleh hasil sebagai
berikut :

NPar Tests
Mann-Whitney Test
Ranks
Lama Disinfeksi N Mean Rank Sum of Ranks
Tingkat Kekeruhan 0 5 3.60 18.00
2 5 7.40 37.00
Total 10

a
Test Statistics
Tingkat
Kekeruhan
Mann-Whitney U 3.000
Wilcoxon W 18.000
Z -2.154
Asymp. Sig. (2-tailed) .031
b
Exact Sig. [2*(1-tailed Sig.)] .056
a. Grouping Variable: Lama Disinfeksi
b. Not corrected for ties.

Dengan jalan yang sama, kita dapat menguji Tingkat Kekeruhan antara 2 denan 4, dan seterusnya
dengan jalan mengganti kotak Groping, adapun hasilnya sebagai berikut:

Ranks
Lama Disinfeksi N Mean Rank Sum of Ranks
Tingkat Kekeruhan 2 5 3.80 19.00
4 5 7.20 36.00
Total 10

a
Test Statistics
Tingkat
Kekeruhan
Mann-Whitney U 4.000
Wilcoxon W 19.000
Z -2.032
Asymp. Sig. (2-tailed) .042
b
Exact Sig. [2*(1-tailed Sig.)] .095
a. Grouping Variable: Lama Disinfeksi
b. Not corrected for ties.

Penuntun Praktikum Biostatistika 64


Ranks
Lama Disinfeksi N Mean Rank Sum of Ranks
Tingkat Kekeruhan 4 5 3.50 17.50
6 5 7.50 37.50
Total 10

a
Test Statistics
Tingkat
Kekeruhan
Mann-Whitney U 2.500
Wilcoxon W 17.500
Z -2.449
Asymp. Sig. (2-tailed) .014
b
Exact Sig. [2*(1-tailed Sig.)] .032
a. Grouping Variable: Lama Disinfeksi
b. Not corrected for ties.

Kesimpulan : Hasil yang diperoleh ternyata berbeda nyata (P<0.05) tingkat kekeruhannya antara
lama disinfefsi 0 dengan 2 jam, 2 denag 4 jam dan 4 dengan 6 jam.
6.3. Analisis Varian

Log Jumlah E. coli adalah data tidak berpasangan dengan skala pengukuran Rasional,
maka menguji pengaruh Lama Disinfksi diuji dengan Sidik Ragam atau Analisis Varian
(ANOVA).
Lakukan Means, Klik Analyze, Compare Means Means, maka muncul Gambar 6.10

Gambar 6.10. Compare Means


Klik Options, lalu isi Cell Statistics yang diperlukan, Klik Continue, maka kembali ke Gambar
6.11. Klik OK, maka diperoleh hasil sebagi berikut :

Penuntun Praktikum Biostatistika 65


Means

Report
Log E coli

Lama Disinfeksi Mean N Std. Deviation Sum

0 6.8200 5 .05612 34.10


2 5.9060 5 .15502 29.53
4 5.5660 5 .04879 27.83
6 4.8240 5 .06025 24.12
Total 5.7790 20 .74051 115.58

Klik Analyze Cari General Linear Models klik Univariete, maka muncul Gambar 6.11

Gambar 6.11. General Linear Models Univariate

Pindahkan : Log E Coli ke Dependent Variable, Lama Disinfeksi ke Fix Faktor(s), klik
Post Hoc.., lalu muncul Gambar 6.12.

Penuntun Praktikum Biostatistika 66


Gambar 6.12. Univariate Post Hoc Multiple Comparisions for Observed Means.
Pindahkan L ke Post Hoc Tests for, lalu centang LSD, Duncan, klik Continue, maka kembali ke
Gambar 6.11. klik Options, maka muncul Gambar 6.13.

Gambar 6.13. Univariate Options.


Pindahkan L ke Dispay Means for, lalu centang Homogeneity tests, klik Continue, maka kembali
ke Gambar 6.12. Klik OK, maka diperoleh hasil sebagai bewrikut :

Penuntun Praktikum Biostatistika 67


Univariate Analysis of Variance
a
Levene's Test of Equality of Error Variances
Dependent Variable: Log E coli
F df1 df2 Sig.
6.984 3 16 .003
Tests the null hypothesis that the error variance of
the dependent variable is equal across groups.
a. Design: Intercept + L
Tests of Between-Subjects Effects
Dependent Variable: Log E coli
Type III Sum of
Source Squares df Mean Square F Sig.
a
Corrected Model 10.286 3 3.429 413.218 .000
Intercept 667.937 1 667.937 80498.562 .000
L 10.286 3 3.429 413.218 .000
Error .133 16 .008
Total 678.356 20
Corrected Total 10.419 19
a. R Squared = .987 (Adjusted R Squared = .985)
Estimated Marginal Means
Lama Disinfeksi
Dependent Variable: Log E coli
95% Confidence Interval
Lama Disinfeksi Mean Std. Error Lower Bound Upper Bound
0 6.820 .041 6.734 6.906
2 5.906 .041 5.820 5.992
4 5.566 .041 5.480 5.652
6 4.824 .041 4.738 4.910

Post Hoc Tests


Lama Disinfeksi
Multiple Comparisons
Dependent Variable: Log E coli
95% Confidence
Interval
Mean
Difference (I- Std. Lower Upper
(I) Lama Disinfeksi (J) Lama Disinfeksi J) Error Sig. Bound Bound
*
LSD 0 2 .9140 .05761 .000 .7919 1.0361
*
4 1.2540 .05761 .000 1.1319 1.3761
*
6 1.9960 .05761 .000 1.8739 2.1181
*
2 0 -.9140 .05761 .000 -1.0361 -.7919
*
4 .3400 .05761 .000 .2179 .4621
*
6 1.0820 .05761 .000 .9599 1.2041
*
4 0 -1.2540 .05761 .000 -1.3761 -1.1319
*
2 -.3400 .05761 .000 -.4621 -.2179
*
6 .7420 .05761 .000 .6199 .8641
*
6 0 -1.9960 .05761 .000 -2.1181 -1.8739
*
2 -1.0820 .05761 .000 -1.2041 -.9599
*
4 -.7420 .05761 .000 -.8641 -.6199
Based on observed means.
The error term is Mean Square(Error) = .008.
*. The mean difference is significant at the .05 level.

Penuntun Praktikum Biostatistika 68


Homogeneous Subsets
Log E coli
Subset
Lama Disinfeksi N 1 2 3 4
a,b
Duncan 6 5 4.8240
4 5 5.5660
2 5 5.9060
0 5 6.8200
Sig. 1.000 1.000 1.000 1.000
Means for groups in homogeneous subsets are displayed.
Based on observed means.
The error term is Mean Square(Error) = .008.
a. Uses Harmonic Mean Sample Size = 5.000.
b. Alpha = .05.

Kesimpulan :
1. Varians tidak homogen, lihat Levene's Test of Equality of Error Variances sig.
P<0.01 (P=0.003)
2. Lama Disinfeksi berpangaru sangat nyata (P<0.01) terhadap Log jumlah E
coli , lihat Tests of Between-Subjects Effects Sig. P=0.0000
3. Hasil Uji LSD dan Duncan, menunjukkan terdapat perbedaan yang sangat
nyata (P<0.01) Log jumlah E coli 0, 2, 4 dan 6 jam, lihat Post Hoc
Tests Lama DisinfeksiMultiple Comparisons dan
Homogeneous Subsets Log E coli dari Duncan.

Analisis Regresi Korelasi


Karena perlakuan (Lama Didinfeksi) merupakan kualitatif, maka dapat
dicari hubungan antara Lama Disinfeksi (X) dengan Log Jumlah E. coli (Y)
dengan analisis Regresi-Korelasi.
Gambar diagram pencar (Scatter/Dot), dengan jalan klik Graphs, cari Legacy
Dialogs klik Scatter/Dot, maka muncul Gambar 6.14.
Pindahkan Log E coli (Ecoli) ke Y Axis dan Lama Disinfeksi (L) ke X Axis.

Penuntun Praktikum Biostatistika 69


Gambar 6.14. Simple Scaterplot.
Klik OK, maka diperoleh hasil sebagai berikut :

Y = o + 1X + 2X2 + 3X3

Berdasarkan tebaran data kemungkinan persamaannya adalah kubik, maka kita cari nilai o, 1,
2, dan 3 dengan jalan melakukan analisis Regresi Korelasi

Penuntun Praktikum Biostatistika 70


Klik Analyze, cari Regression klik Curve Estimation, maka muncul Gambar 6.15.

Gambar 6.15. Analisis Regression Curva Estimation.

Pindahkan Log E coli(Ecoli) ke kotak Dependent(s), dan pindahkan Lama Disinfeksi (L) ke kotak
Variable, centang kotak Include contant in equation, Plot models, Cubic dan Display ANOVA
table. Klik OK, maka diperoleh hasil sebagai berikut :

Log E coli
Cubic

Model Summary

Adjusted R Std. Error of the


R R Square Square Estimate

.994 .987 .985 .091

The independent variable is Lama Disinfeksi.

ANOVA

Sum of Squares df Mean Square F Sig.

Regression 10.286 3 3.429 413.218 .000


Residual .133 16 .008
Total 10.419 19

The independent variable is Lama Disinfeksi.

Penuntun Praktikum Biostatistika 71


Coefficients

Standardized
Unstandardized Coefficients Coefficients

B Std. Error Beta t Sig.

Lama Disinfeksi -.763 .078 -2.364 -9.765 .000


Lama Disinfeksi ** 2 .194 .035 3.758 5.610 .000
Lama Disinfeksi ** 3 -.020 .004 -2.443 -5.357 .000
(Constant) 6.820 .041 167.416 .000

Y = 6.820 0.763X + 0.194X2 -0.020X3

Penuntun Praktikum Biostatistika 72


VII. PENELITIAN SATU VARIABEL BEBAS DENGAN VARIABEL PENGGANGGU

Cara untuk mengetahui adanya pembusukan pada daging adalah dengan mengunakan uji
Eber dan Uji. Seorang peneliti ingin pemeriksaan adanya pembusukan daging sapi yang dijual
sore hari disuatu asar. Pada pasar tersebut terdapat 4 kios daging sapi peneliti ingin mengetahui
apakah terdapat perbedaan diantara kios tersebut. Untuk tujuan tersebut peneliti mengambil
sample tiap hari selama 12 hari data yang diperoleh sebagai berikut :
Tabel 7.1. Data Hasil Penelitian Uji Eber dan Uji Bau Daging Sapi.
Hari Uji Eber Kios ke-i Uji Bau Kioske-i
Ke-j 1 2 3 4 1 2 3 4
1 0 0 1 1 1 2 3 3
2 1 0 1 1 2 2 3 3
3 0 1 1 1 1 2 3 3
4 0 0 1 1 1 2 3 3
5 0 0 1 1 1 2 2 3
6 0 1 0 1 1 3 3 3
7 0 1 0 1 1 1 2 2
8 0 0 1 1 1 2 3 3
9 0 1 0 1 1 3 3 3
10 0 0 0 1 2 2 3 3
11 1 0 1 1 2 2 3 3
12 1 0 1 1 2 2 3 3

7.1. Uji Cochran.

Panggil Program SPSS


Klik Variabel View, maka muncul Gambar 7.1. Ketik UEKios1, UEKios2, UEKios3, UEKios4,
UBKios1, UBKios2, UBKios3 dan UBKioas4 pada kolom Name dan ketik Uji Eber Kios 1, Uji
Eber Kios 2, Uji Eber Kios 3, Uji Eber Kios 4, Uji Bau Kios 1, Uji Bau Kios 2, Uji Bau Kios 3. Dan
Uji Bau Kios 4 pada kolom Label

Penuntun Praktikum Biostatistika 73


Gambar 7.1. Kotak Diolog Variable View.

Klik pada ujung Kolom Values, baris 1, maka muncul Gambar 7.2.

Ketik 0 pada kotak Value dan ketik Negatif pada kotak Label, lalu klik Add

Ketik 1 pada kotak Value dan ketik Positif pada kotak Label, lalu klik Add

Klif OK, maka diperoleh hasil , seperti pada Gambar 7.2

Gambar 7.2. Value Labels Uji Eber.

Kopi pada bair 1 ke- baris 2, 3, dan 4.

Klik pada ujung Kolom Values, baris 5, maka muncul Gambar 7.3.

Penuntun Praktikum Biostatistika 74


Ketik 1 pada kotak Value dan ketik Tidak Bau pada kotak Label, lalu klik Add

Ketik 2 pada kotak Value dan ketik Agak Bau pada kotak Label, lalu klik Add

Ketik 3 pada kotak Value dan ketik Bau pada kotak Label, lalu klik Add

Klif OK, maka diperoleh hasil , seperti pada Gambar 7.3

Gambar 7.3. Value Labels Uji Bau

Kopi pada bair 5 ke- baris 6, 7, dan 8.

Klik Data View, maka muncul Gambar 7.4, salin data Tabel 7.1 ke Gambar 7.4

Gambar 7.4. Data View

Penuntun Praktikum Biostatistika 75


Lakukan Analisis Data
Data Uji Eber adalah data dengan skala nominal berpangan, maka dilakukan Uji Cochran
Klik Analyze Cari Nonparametric Test Klik Legacy Dislogs klik k Related Sample,
maka muncul Gambar 7.5.

Gambar 7.5. Tests for Severel Related Samples.

Pindahkan Uji Eber Kios 1, 2, 3 dan 4 ke Test Variables, lalu centang Cochrans Q.

Klik Ok, maka diperoleh hasil sebagai berikut :

NPar Tests
Cochran Test
Frequencies

Value

0 1

Uji Eber Kios 1 9 3


Uji Eber Kios 2 8 4
Uji Eber KkkIos 3 4 8
Uji Eber Kios 4 0 12
Test Statistics

N 12
a
Cochran's Q 14.163
df 3
Asymp. Sig. .003

a. 0 is treated as a success.

Hasil Uji Cochran menunjukkan terdapat perbedaan sangat nyata (P<0.01) antar kios yang
diteliti, lihat Asymp Sig P=0.003).
Penuntun Praktikum Biostatistika 76
Maka untuk mencari antar kios mana saja berbeda nyata (p<0.05) dilanjutkan dengan Uji Mc
Nemar.
Klik Analyze Cari Nonparametric Test Klik Legacy Dislogs klik 2 Related Sample, maka
muncul Gambar 7.6.

Gambar 7.6. Two Related Sample Test Mc Nemar.


Masukkan Uji Eber secara berpasangan seperti tampak pada Test Pairs, ingat ada 6 pasangan
yang mungkin, ingat centang McNemar.
Klik Ok, maka diperoleh hasil sebagai berikut :

NPar Tests
McNemar Test

Crosstabs
Uji Eber Kios 1 & Uji Eber Kios 2
Uji Eber Kios 2
Uji Eber Kios 1 Negatif Positif
Negatif 5 4
Positif 3 0

Uji Eber Kios 1 & Uji Eber KIos 3


Uji Eber KIos 3
Uji Eber Kios 1 Negatif Positif
Negatif 4 5
Positif 0 3

Uji Eber Kios 1 & Uji Eber Kios 4


Uji Eber Kios 4
Uji Eber Kios 1 Negatif Positif
Negatif 0 9
Positif 0 3

Penuntun Praktikum Biostatistika 77


Uji Eber Kios 2 & Uji Eber KIos 3
Uji Eber KIos 3
Uji Eber Kios 2 Negatif Positif
Negatif 1 7
Positif 3 1

Uji Eber Kios 2 & Uji Eber Kios 4


Uji Eber Kios 4
Uji Eber Kios 2 Negatif Positif
Negatif 0 8
Positif 0 4

Uji Eber KIos 3 & Uji Eber Kios 4


Uji Eber Kios 4
Uji Eber KIos 3 Negatif Positif
Negatif 0 4
Positif 0 8

a
Test Statistics
Uji Eber Uji Eber Uji Eber Uji Eber Kios Uji Eber Uji Eber
Kios 1 & Uji Kios 1 & Uji Kios 1 & Uji 2 & Uji Eber Kios 2 & Uji KIos 3 & Uji
Eber Kios 2 Eber KIos 3 Eber Kios 4 KIos 3 Eber Kios 4 Eber Kios 4
N 12 12 12 12 12 12
Exact Sig. (2- b b b b b b
1.000 .063 .004 .344 .008 .125
tailed)
a. McNemar Test
b. Binomial distribution used.

Kesimpulan :

Value Signifikansi

0 1 0.05 0.01

Uji Eber Kios 1 9 3 a a


Uji Eber Kios 2 8 4 a a
Uji Eber KIos 3 4 8 ab ab
Uji Eber Kios 4 0 12 b b

Keterangan : Nilai dengan huruf yang ada sama menunjukkan tidak berbeda nyata (P>0.05),
sebaliknya nilai dengan yang tidak ada yang sama menunjukkan berbeda nyata (P<0.05) atau
sangat nyata (P<0.01). Coba simpulkan kios mana saja yang berbeda sangat nyata????

7.2. Uji Friedman


Data Uji Bau adalah data dengan skala ordinal berpangan, maka dilakukan Uji Friedman
Klik Analyze Cari Nonparametric Test Klik Legacy Dislogs klik k Related Sample,
maka muncul Gambar 7.6.

Penuntun Praktikum Biostatistika 78


Gambar 7.7. Two Related Sample Test Friedman.
Masukkan Uji Bau secara berpasangan seperti tampak pada Test Pairs, ingat ada 6 pasangan
yang mungkin, ingat centang Friedman.
Klik Ok, maka diperoleh hasil sebagai berikut :

NPar Tests
Friedman Test
Ranks

Mean Rank

Uji Bau Kios 1 1.21


Uji Bau Kios 2 2.00
Uji Bau KIos 3 3.33
Uji Bau Kios 4 3.46

a
Test Statistics

N 12
Chi-Square 31.454
df 3
Asymp. Sig. .000

a. Friedman Test

Hasil Uji Friedman menunjukkan terdapat perbedaan sangat nyata (P<0.01) antar kios yang
diteliti, lihat Asymp Sig P=0.000).
Maka untuk mencari antar kios mana saja berbeda nyata (p<0.05) dilanjutkan dengan Uji
Wilcoxon
Klik Analyze Cari Nonparametric Test Klik Legacy Dislogs klik 2 Related Sample, maka
muncul Gambar 7.8.

Penuntun Praktikum Biostatistika 79


Gambar 7.8. Two Related Sample Test Wilcoxon.
Masukkan Uji Eber secara berpasangan seperti tampak pada Test Pairs, ingat ada 6 pasangan
yang mungkin, ingat centang Wilcoxon.
Klik Ok, maka diperoleh hasil sebagai berikut:
NPar Tests
Wilcoxon Signed Ranks Test
Ranks
N Mean Rank Sum of Ranks
a
Uji Bau Kios 2 - Uji Bau Negative Ranks 0 .00 .00
Kios 1 b
Positive Ranks 7 4.00 28.00
Ties c
5
Total 12
d
Uji Bau KIos 3 - Uji Bau Kios Negative Ranks 0 .00 .00
e
1 Positive Ranks 12 6.50 78.00
Ties f
0
Total 12
g
Uji Bau Kios 4 - Uji Bau Kios Negative Ranks 0 .00 .00
h
1 Positive Ranks 12 6.50 78.00
Ties i
0
Total 12
j
Uji Bau KIos 3 - Uji Bau Negative Ranks 0 .00 .00
k
Kios 2 Positive Ranks 9 5.00 45.00
Ties l
3
Total 12
m
Uji Bau Kios 4 - Uji Bau Negative Ranks 0 .00 .00
n
Kios 2 Positive Ranks 10 5.50 55.00
Ties o
2
Total 12
p
Uji Bau Kios 4 - Uji Bau KIos Negative Ranks 0 .00 .00
3 q
Positive Ranks 1 1.00 1.00
Ties r
11
Total 12

Penuntun Praktikum Biostatistika 80


a
Test Statistics

Uji Bau Uji Bau Uji Bau Uji Bau Uji Bau Uji Bau
Kios 2 - Uji KIos 3 - Uji Kios 4 - Uji KIos 3 - Uji Kios 4 - Uji Kios 4 - Uji
Bau Kios 1 Bau Kios 1 Bau Kios 1 Bau Kios 2 Bau Kios 2 Bau KIos 3
b b b b b b
Z -2.460 -3.145 -3.153 -3.000 -3.162 -1.000
Asymp. Sig. (2-tailed) .014 .002 .002 .003 .002 .317

a. Wilcoxon Signed Ranks Test


b. Based on negative ranks.

Kesimpulan :

Signifikansi
Mean Rank 0.05 0.01
Uji Bau Kios 1 1.21 a a
Uji Bau Kios 2 2.00 b a
Uji Bau KIos 3 3.33 c b
Uji Bau Kios 4 3.46 c b

Keterangan : Nilai dengan huruf yang sama menunjukkan tidak berbeda nyata (P>0.05),
sebaliknya nilai dengan yang tidak ada yang sama menunjukkan berbeda nyata (P<0.05) atau
sangat nyata (P<0.01). Coba simpulkan kios mana saja yang berbeda sangat nyata????

7.3. Analisis Varian Satu Variabel Bebas Satu Variabel Pengganggu


Seorang peneliti ingin mengetahui pengaruh Jenis antibiotika (A, B, C, dan D) terhadap
diameter Zone Bakteri Coliform. Peneltitian ini dilakukan sebanyak 5 kali setiap minggu sekali
Tabel 7.3.1. Data Diameter Zona Bakteri Coliform yang diperoleh sebagai berikut :
Kelompok Jenis Antibiotika (j)
(i) A B C D
1 14.50 14.33 13.00 10.00
2 15.50 15.0 11.00 11.50
3 16.50 14.00 13.00 10.00
4 17.00 14.33 12.00 9.50
5 16.20 12.00 13.00 9.20

Memasukkan data melalui Programe


Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah,
ditunjuk pada Gambar 1.6 dibawah kemudian ketik pada Kolom Name ketik JA, Kelompok dan

Penuntun Praktikum Biostatistika 81


Zona, Kolom Type Numeric, kolom Label ketil Jenis Antibiotika, Kelompok dan Zona Bakteri
Koliform.

Gambar 7.3.1. Kotak Dialog Variable View

Kemudian pada baris 1 (jenis Antibiotika) yaitu kolom Values Klik pada sisi kanannya, maka
muncul Gambar 7.3.2.

Gambar 7.3.2. Kotak Dialog Variable Label

Ketik angka 1 pada Value dan A pada Value Label, kemudian Klik Add
Ketik angka 2 pada Value dan B pada Value Label, kemudian Klik Add
Ketik angka 3 pada Value dan C pada Value Label, kemudian Klik Add
Ketik angka 4 pada Value dan D pada Value Label, kemudian Klik Add
Kelik OK, kembali ke Gambar 1.6, kemudian Klik Data View pada pojok kiri bawah, maka
muncul Gambar 7.7.3., Salinlah data Tabel 7.3.1. sesuai dengan yang tampak pada Gambar
3.6.

Penuntun Praktikum Biostatistika 82


Gambar 7.3.3. Data View

Analisis Deskriptif.
Analisis deskriptif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data,
dalam hal ini ukuran pemusatan datanya adalah mean (Rataan) dan ukuran penyebarannya
adalah Std Deviation (Standar Deviasi). Dari hasil penelitian diharapkan rataannya berbeda
antar perlakuan (meningkat atau menurun) sedangkan standar deviasinya diharapkan tidak begitu
berbeda antar perlakuan (homogen).
Klik : Analyze pada Gambar 7.3.3. pilih Compare Means, lalu Klik Means, maka muncul
Gambar 7.3.4.
Klik Zona Bakteri Koliform pindahkan dengan tanda ke kotak Dependent List
Klik Jenis Antibiotika dan Kelompok pindahkan dengan tanda ke kotak Independent List

Penuntun Praktikum Biostatistika 83


Gambar 7.3.4. Kotak Dialog Means

Klik OK
Means
Zona Bakteri Coliform * Jenis Antibiotika
Zona Bakteri Coliform
Jenis Antibiotika N Mean Std. Deviation
A 5 15.9400 .9711
B 5 13.9320 1.1396
C 5 12.5000 1.0000
D 5 10.0400 .8849
Total 20 13.1030 2.3897
Zona Bakteri Coliform * Kelompok
Zona Bakteri Coliform

Kelompok N Mean Std. Deviation


1 4 12.9575 2.0826
2 4 13.2500 2.3274
3 4 13.5000 2.6771
4 4 13.2075 3.2066
5 4 12.6000 2.8891
Total 20 13.1030 2.3897

Penuntun Praktikum Biostatistika 84


Analisis Ragam
Analisis Ragam (Analisis Varian) dilakukan untuk menguji pengaruh perlakuan (jenis
Antibiotika) terhadap zona bakteri Koliform, apakah ada pengaruhnya atau tidak, juga untuk
mengetahui apakah ada pengaruh waktu pengambilan (Kelompok) terhadap Zona Bakteri
koliform. Sedangkan uji setelah analisis ragam diperlukan untuk mengetahui apa ada
perbedaan antara nilai mean (rataan) Zona Bakteri koliform antara jenis Antibiotika A, B, C dan
D yaitu dengan melakukan uji LSD atau Uji Duncan. Prosedur analisis ragam dan uji rataannya
sebagai berikut :
Klik Analyze pada Gambar 7.3.3., pilih General Linear Model, lalu Klik Univariate, maka
muncul Gambar 7.3.5., seperti tampilan dibawah ini :
Klik Zona bakteri Koliform pindahkan dengan tanda ke Dependent Variable
Klik Kelompok pindahkan dengan tanda ke Fixed Factor(s)
Klik Jenis Antibiotika pindahkan dengan tanda ke Fixed Factor(s)

Gambar 7.3.5.. Kotak Dialog Univariete

Klik Post Hoc, maka muncul Gambar 6.6 dibawah ini :


Klik JA dan pindahkan dengan tanda ke Post Hoc Tests for
Kemudian Centang LSD dan Duncan

Penuntun Praktikum Biostatistika 85


Klik Continu, maka kembali ketampilan diatasnya yaitu Gambar 5.6

Gambar 6.6. Kotak Dioalog Univaiate Post Hoc

Setelah kembali ke Gambar 5.6 Klik Paste, maka muncul Gambar 7.7 seperti tampilan
dibawah ini :

Gambar 7.3.7. Kotak Diolog Syntax

Perhatikan : /DESIGN = Kelompok JA

Jika tidak sama, mungkin pada Komputer tertulis :


/DESIGN = Kelompok JA Kelompok*JA, harus diganti
Klik untuk mendapatkan hasil analisisnya

Penuntun Praktikum Biostatistika 86


Univariate Analysis of Variance
Tests of Between-Subjects Effects
Dependent Variable: Zona Bakteri Coliform
Source Type III Sum of df Mean Square F Sig.
Squares
Corrected 94.264 7 13.466 11.347 .000
Model
Intercept 3433.772 1 3433.772 2893.342 .000
JA 92.407 3 30.802 25.954 .000
KELOMPOK 1.857 4 .464 .391 .811
Error 14.241 12 1.187
Total 3542.278 20
Corrected 108.506 19
Total
a R Squared = .869 (Adjusted R Squared = .792)
Kesimpulan :
Jenis Antibiotika berpengaruh sangat nyata (P<0,01) terhadap diameter Zona bakteri Coliform
Kelompok atau hari pengambilan sampel tidak berpengaruh nyata (P>0,05) atau P=0,811
terhadap diameter zona bakteri Coliform.
Jenis Antibiotika
Multiple Comparisons
Dependent Variable: Zona Bakteri Coliform
Mean Std. Error Sig. 95% Confidence Interval
Differenc
e (I-J)
(I) Jenis (J) Jenis Lower Bound Upper Bound
Antibiotika Antibiotika
A B 2.0080 .6890 .013 .5068 3.5092
C 3.4400 .6890 .000 1.9388 4.9412
D 5.9000 .6890 .000 4.3988 7.4012
B A -2.0080 .6890 .013 -3.5092 -.5068
C 1.4320 .6890 .060 -6.9190E-02 2.9332
D 3.8920 .6890 .000 2.3908 5.3932
C A -3.4400 .6890 .000 -4.9412 -1.9388
B -1.4320 .6890 .060 -2.9332 6.919E-02
D 2.4600 .6890 .004 .9588 3.9612
D A -5.9000 .6890 .000 -7.4012 -4.3988
B -3.8920 .6890 .000 -5.3932 -2.3908
C -2.4600 .6890 .004 -3.9612 -.9588
Based on observed means.
* The mean difference is significant at the .05 level.
Homogeneous Subsets
Penuntun Praktikum Biostatistika 87
Zona Bakteri Coliform
Duncan
Jenis Antibiotika N Subset
1 2 3
D 5 10.0400
C 5 12.5000
B 5 13.9320
A 5 15.9400
Sig. 1.000 .060 1.000
Means for groups in homogeneous subsets are displayed. Based on Type III Sum
of Squares The error term is Mean Square(Error) = 1.187.
a Uses Harmonic Mean Sample Size = 5.000.
b Alpha = .05.
Kesimpulan :
Hasil Uji LSD = Uji DUNCAN
Diameter Zona bakeri Coliform yang diberikan Jenis Jenis Antibiotika D nyata (P<0,05) lebih
kecil dibandingkan dengan jenis antibiotika yang lain
Diameter Zona bakteri Coliform yang diberikan jenis antibiotika C tidak berbeda nyata (P>0,05)
dibandingan dengan jenis antibiotika B.
Diameter Zona bakteri Coliform Jenis Antibiotika A nyata (P<0,05) paling besar dibandingkan
dengan diameter zona bakteri Coliform jenis antibiotika yang lainnya

Analisis Regresi

Oleh karena Jenis Antibiotika merupakan peubah kualitatik maka kita tidak bias
melakukan analisis regresi antara Jenis Antibiotika dengan Diameter Zona bakteri Coliform,
hanya bias digambar dalam bentuk grafik Histogram
Klik Graphs, kemudian pilih Bar, kemudian Simple
Klik Define, maka muncul tampilan dibawah ini :
Klik Other statistic (e.g. mean)
Klik Zona Bakteri Koliform dan pindahkan dengan tandake Variable
Klik Jenis Antibiotika dan pindahkan dengan tandake Category Axis
Klik OK, maka diperoleh Gambar Histogram.

Penuntun Praktikum Biostatistika 88


Gambar 8.6 Kotak Diolog Simple Bar

Graph

Penuntun Praktikum Biostatistika 89


7.4. Analisis Varian Satu Variabel Bebas Satu Variabel Pengganggu Sub-Sampling
Seorang peneliti ingin mengetahui pengaruh bahan pengawet terhadap pH daging ayam
Broiler yang diambil dari dua tempat penjualan karkas ayam Broiler . Untuk tujuan tersebut
diteliti 4 macam dosis bahan pengawet yaitu 0, 5, 10 dan 15% dan dilakukan pengulangan
sebanyak 5 kali datanya disajikan dalam program SPSS sebagai berikut :
Tabel 7.4.1. Data pH Daging Ayam Broiler
Kelompok Ulangan Dosis Bahan Pengawet (j)
(i) (k) 0 5 10 15
1 1 7.43 6.52 6.19 5.93
1 2 7.47 6.59 6.22 5.90
1 3 7.42 6.62 6.31 5.98
1 4 7.46 6.65 6.38 5.98
1 5 7.48 6.66 6.34 5.75
2 1 7.58 6.78 6.46 6.02
2 2 7.74 6.74 6.41 6.05
2 3 7.68 6.72 6.45 6.18
2 4 7.85 6.78 6.51 6.13
2 5 7.82 6.79 6.52 6.03

Memasukkan data melalui Programe SPSS


Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah,
ditunjuk pada Gmbar 7.4.1. di bawah kemudian ketik pada Kolom Name ketik P, Kelompok,
Ulangan dan pH, Kolom Type Numeric, kolom Label ketil Dosis Bahan Pengawet, Kelompok,
Ulangan dan pH Daging Ayam Broiler

Gambar 7.4.1. Kotak Diolog Varieble View


Penuntun Praktikum Biostatistika 90
Klik Data View pada pojok kiri bawah Gambar 7.4.1, maka muncul Gambar 7.4.2.
Masukkan atau saling data Tabel 7.4.1, sesui dengan yang tampak pada Gambar 7.4.2.

Gambar 7.4.2. Data View

Analisis Deskriptif.
Analisis deskriptif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data,
dalam hal ini ukuran pemusatan datanya adalah nilai mean (Rataan) dan ukuran penyebarannya
Penuntun Praktikum Biostatistika 91
adalah Standar Deviasi (Std. Deviaton). Data hasil penelitian diharapkan rataannya berbeda
antar perlakuan (meningkat atau menurun) sedangkan standar deviasinya diharapkan tidak begitu
berbeda antar perlakuan (homogen).
Klik Analyze pada Gambar 7.4.2. pilh Compare Means, lalu Klik Means, maka muncul
Gambar 7.4.3.
Klik pH pindahkan dengan tanda ke kotak Dependent List
Klik Dosis Bahan Pengawqet Kelompok Pengaewt pindahkan dengan tanda ke kotak
Independent List
Klik OK

Gambar 7.4.3. Kotak Diolog Means

pH Daging Ayam Broiler * Dosis Bahan Pengawet


pH Daging Ayam Broiler

Dosis Bahan Pengawet N Mean Std. Deviation


0 10 7.5930 .1663
5 10 6.6850 9.168E-02
10 10 6.3790 .1140
15 10 5.9950 .1207
Total 40 6.6630 .6096

pH Daging Ayam Broiler * Kelompok (Tempat Penjualan)


pH Daging Ayam Broiler

Kelompok (Tempat Penjualan) N Mean Std. Deviation


1 20 6.5640 .5877
2 20 6.7620 .6300
Total 40 6.6630 .6096

Analisis Raqgam.
Penuntun Praktikum Biostatistika 92
Analisis Ragam (Analisis Varian ) dilakuakan untuk menguji pengaruh Dosis Bahan
pengawet (P) terhadap pH daging ayam broiler, apakah ada pengaruhnya atau tidak, juga untuk
mengetahui apakah ada pengaruh Tempat penjualan (Kelompok) terhadap pH daging ayam
Broiler. Sedangkan uji setelah analisis ragam diperlukan untuk mengetahui apa ada perbedan
mean (rataan) pH daging ayam Broiler antara dosis bahan pengawet yang diberikan, yaitu
dengan Uji Duncan. Prosedur analisis ragam dan uji rataannya sebagai berikut :
Klik Analyze pada Gambar 7.4.2, pilih General Linear Model, lalu Klik Univariate, maka
muncul Gambar 7.4.4. seperti tampilan dibawah ini :
Klik pH Daging Ayam Broiler pindahkan dengan tanda ke Dependent Variable
Klik Kelompok pindahkan dengan tanda ke Rancom Factor(s)
Klik Dosis Bahan pengawewt pindahkan dengan tanda ke Fixed Factor(s)

Gambar 7.4.4. Kotak Diolog Univariate

Klik Post Hoc, maka muncul Gambar 7.4.5., lalu Klik P dan pindahkan dengan tanda ke Post
Hoc Tests for. Kemudian Klik Continue maka kembali ke Gambar 7.4.4.

Penuntun Praktikum Biostatistika 93


Gambar 7.4.5. Kotak Diolog Univariate Post Hoc
Setelah kembali atau muncul Gambar 7.4.4, lalu Klik Paste, maka muncul Gambar 7.4.6.
Paste.Syntax-SPSS

Gambar 7.4.6. Kotak Diolog Syntax

Perhatikan uraian yang ada pada kotak diolog Gambar 7.4.6., terutama /DESIGN =
Kelompopk P Kelompo k*P, kemungkinan tidak sama dengan apa yang tampat pada
Gambar 7.4.6. Ketik sesuaikan dengan yang tampak pada Gambar 7.4.6. , jika tidak
maka hasil analisisnya juga akan berbeda.
Jika sudah yakin sama, untuk menjalankan Program Klik tanda

Penuntun Praktikum Biostatistika 94


Univariate Analysis of Variance
Tests of Between-Subjects Effects
Dependent Variable: pH Daging Ayam Broiler
Tests of Between-Subjects Effects

Dependent Variable: pH
Type III
Sum of Mean
Source Squares df Square F Sig.
Intercept Hypothesis 1775.823 1 1775.823 4529.698 .009
Error .392 1 .392(a)
P Hypothesis 13.923 3 4.641 566.883 .000
Error .025 3 .008(b)
Kelompok Hypothesis .392 1 .392 47.888 .006
Error .025 3 .008(b)
P* Hypothesis
.025 3 .008 1.679 .191
Kelompok
Error .156 32 .005(c)
a MS(Kelompok)
b MS(P * Kelompok)
c MS(Error)

Kesimpulan :
Bahan pengawet (P) berpengaruh sangat nyata (P<0,01) terhadap pH daging
ayam Broiler (Lihal Sig ,000).
Tempat penjualan karkas (Kelompok) berpengaruh sangat nyata (P<0,01)
terhadap pH daging ayam Broiler. Sedangkan galat Sampling (P*Kelompok) tidak
nyata (P>0,05) atau Sig=0,191) hal ini berarti sampel daging dalam kelompoknya tidak
ada keragaman yang nyata (P>0.05), jadi contoh yang diambil seragam.
Post Hoc Tests
Dosis Bahan Pengawet
Homogeneous Subsets
pH Daging Ayam Broiler
Duncan
Dosis Bahan Pengawet N Subset
1 2 3 4
15 10 5.9950
10 10 6.3790
5 10 6.6850
0 10 7.5930
Sig. 1.000 1.000 1.000 1.000

Penuntun Praktikum Biostatistika 95


Means for groups in homogeneous subsets are displayed. Based on Type III Sum
of Squares The error term is Mean Square(Error) = 4.875E-03.
a Uses Harmonic Mean Sample Size = 10.000.
b Alpha = .05.
Kesimpulan :
Kesimpulan terjadi penurunan pH daging ayam Broiler yang nyata (P<0,05)
dengan semakin meningkatnya dosis bahan pengawet.

Analisis Regresi
Analisis Regresi dilakukan untuk mencari bentuk hubungan antara Dosis Bahan
Pengawet (P) dengan pH daging ayam Broiler (Y.) Kita perhatikan perlakuan atau dosis
bahan pengawet bersifat kuanditatif dengan 4 macam dosis, jadi perlu dilakukan Analisis
Regresi dengan derajat polinom maksimun 4-1=3 yaitu :
Persamaan Garis Regresi Diduga : Y = o + 1P +2P2 + 3P3 Kita kembali lagi ke data semula
yaitu Gambar 7.4.2. Klik Graphs, lalu cari Legacy DioalogKlik Scatter/Dot.., klik Simple
Scatter, Klik Difine, maka muncul Gambar 7.4.7.

Gambar 7.4.7. Simple Scatterplot

Penuntun Praktikum Biostatistika 96


Pindahkan Dosis Bahan Pengawet (P) ke kotak X Axis dan pH daging ayam Broiler ke Y Axis.
Klik Ok, maka diperoleh hasil sebagai berikut :

Y = o + 1P +2P2 + 3P3

Cari nilai o, 1, 2, dan 3 dengan jalan melakukan analisis aaregres-korelasi


Klik Analyze, cari Regression Curve Estimation, maka muncul Gambar 7,4,8

Gambar 7.4.8. Curve Estimatin Cubic


Pindahkan Dosis Bahan Pengawet (P) ke kotak Variable dan pH daging ayam Broiler ke
Independent (s), centang Include in equition, Plot Models, Cubic dan Display ANOVA table.
Klik Ok, maka diperoleh hasil sebagai berikut :

Penuntun Praktikum Biostatistika 97


Curve Fit
pH Daging Ayam Broiler

Cubic
Model Summary
Adjusted R Std. Error of the
R R Square Square Estimate
.980 .960 .957 .126
The independent variable is Dosis Bahan Pengawet.

ANOVA
Sum of Squares df Mean Square F Sig.
Regression 13.923 3 4.641 291.777 .000
Residual .573 36 .016
Total 14.495 39
The independent variable is Dosis Bahan Pengawet.

Coefficients
Standardized
Unstandardized Coefficients Coefficients
B Std. Error Beta t Sig.
Dosis Bahan Pengawet -.287 .031 -2.666 -9.382 .000
Dosis Bahan Pengawet ** 2 .0256 .005 3.727 4.740 .000
Dosis Bahan Pengawet ** 3 -.00091 .000 -2.041 -3.813 .001
(Constant) 7.593 .040 190.388 .000

Y = 7.593 0.2867P + 0.0256P2 0.00091P3

Penuntun Praktikum Biostatistika 98


Kita menggambar persamaan diatas dengan SPSS, maka kita kembali ke data semula,
kemudian Klik File, kemudian pilih New lalu Klik Data
Klik Variable View, maka muncul tampilan Gambar 7.4.9 . dibawah

Gambar 7.4.9 Kotak Dialog Variable View


Ketik P dan Y pada Kolom Name, ketik angka 0 dan 2 pada kolom Decimals sesui yang
diinginkan. Pada Kolom Label ketik Dosis Bahan Pengawet dan pH Daging Ayam Broiler,
sesuikan dengan yang tampak pada Gambar 7.4.9.
Klik Data View, maka muncul Gambar7.4.10 kemudian lengkapi datanya pada Kolom P dari 0
sampai 17 , sesuai dengan yang tampak pada Gambar 11.7, untuk mengisi Kolom Y, Klik
Transform, lalu pilih Compute, maka muncul gambar 12.7.

Gambar 7.4.10 Kotak Dialog Compute Variable

Penuntun Praktikum Biostatistika 99


Ketik Y pada Target Variable dan Ketik 7.593 0.287*P +0.02564*P*P 0.0009067*P*P pada
Numeric Expressien, Lalu Klik OK, jika muncul chang existing variable Klik OK Lagi, maka
muncul Gambar 7.4,11.

Gambar 7.4,11. Data View


Klik Graphs, lalu pilih dan Klik Line, Klik Define, maka muncul Gambar 7.4,12

Gambar 7.4,12. Kotak Dialog Define Simple Line

Penuntun Praktikum Biostatistika 100


Tantai atau Klik Other Statistic (e.g.mean)
Klik pH Daging Ayam Broiler, pindahkan dengan tanda ke Variable
Klik Dosis Bahan Pengawet , pindahkan dengan tanda ke Catagory Axis
Klik OK

Graph
8.00

7.50
Mean pH Daging Ayam Broiler

Y = 7.593 0.287P +0.02564P2 0.0009067P3


7.00

6.50

6.00

5.50

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Dosis Bahan Pengawet

Kesimpulan :
Semakin semakin tinggi persentase bahan pengawet yang diberikan maka pH daging
ayam Broiler semakin menurun, penurunannya mula-mula cepat kemudin lambat dan akhirnya
cepat lagi.

Penuntun Praktikum Biostatistika 101


7.5. Analisis Varian Satu Variabel Bebas Dua Variabel Pengganggu
Seorang peneliti ingin mengetahui pengaruh 4 jenis Suplementasi (penambahan) sumber
protein pakan kelinci terhadap jumlah sel darah merahnya. Kelinci yang dipakai percobaan
sebanyak 25 ekor dan dikelompokkan berdasarkan berat badan dan cara pengambilan darahnya :
Adapun pengelompokannya sebagai berikut :
Kelompok Berat Cara Pengambilan Darah (Kolom ke-j
(Baris ke-i 1 2 3 4 5
1 A B C D E
2 E A B C D
3 D E A B C
4 C D E A B
5 B C D E A
A, B, C, D dan E adalah Jenis Protein

Tabel 7.5.1. Data Sel darah Merah Kelinci.


Kelompok Berat Cara Pengambilan Darah (Kolom ke-j
(Baris ke-i 1 2 3 4 5
1 A B C D E
5.39 5.63 5.93 6.26 6.33
2 E A B C D
6.32 5.38 5.64 5.95 6.28
3 D E A B C
6.24 6.35 5.36 5.61 5.94
4 C D E A B
5.91 6.27 6.38 5.35 5.80
5 B C D E A
5.62 5.93 6.28 6.37 5.40

Memasukkan data melalui Programe SPSS for Windows


Kompurter telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah,
ditunjukkan pada Gambar 1.8 di bawah kemudian pada Kolom Name ketik Kolom, Baris,
Protein dan Darah, pada Type Numeric, kolom Label ketik Cara Pengambil;an darah, Berat
Badan, Suplemen Protein dan Sel darah Merah seperti tampak pada Gambar 1.8.
Klik pada pojok kiri atas pada baris 3 Protein, kolom Values, maka muncul Gambar 2.8.

Penuntun Praktikum Biostatistika 102


Gambar 7.4.13. Kotak Dialog Variable View

Gambar7.4.14. Kotak Diolog Value Labels

Kitik angka 1 pada Value dan A pada Value Label, kemudian Klik Add
Kitik angka 2 pada Value dan B pada Value Label, kemudian Klik Add
Kitik angka 3 pada Value dan C pada Value Label, kemudian Klik Add
Kitik angka 4 pada Value dan D pada Value Label, kemudian Klik Add
Kitik angka 5 pada Value dan E pada Value Label, kemudian Klik Add
Klik OK, maka layer kembali ke Gambar 7.4.13.
Klik Data View, maka muncul Gambar 7.4.15
.

Penuntun Praktikum Biostatistika 103


Masukkan data Tabel 4. pada Kolom, Baris Protein dan Darah, seperti tampak pada Gambar
7.4.15.

Gambar 7.4.15. Data View


Analisis Deskriptif.
Analisis deskriptif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data,
dalam hal ini ukuran pemusatan datanya adalah mean (Rataan) dan ukuran penyebarannya
adalah Std Deviation (Standar Deviasi) dari sel darah merah pada berat badan, cara
pemeliharaan dan s dan Suplemen Protein yang berbeda. Data hasil penelitian diharapkan

Penuntun Praktikum Biostatistika 104


rataannya berbeda antar Suplemen protein yang diberikan (meningkat atau menurun) sedangkan
standar deviasinya diharapkan tidak begitu berbeda (homogen).
Klik : Analyze pada Gambar 3.8, pilih Compare Means, lalu Klik Means, maka muncul Gambar
7.4.16..
Klik Sel Darah Merah pindahkan dengan tanda ke kotak Dependent List
Klik Cara pengambilan Darah(Kolom) pindahkan dengan tanda ke kotak Independent List
Klik Berat badan (Baris) pindahkan dengan tanda ke kotak Independent List
Klik Suplementasi Protein (Protein) pindahkan dengan tanda ke kotak Independent List
Klik OK

Gamba7.4.16. Kotak Dialog Means

Means
Sel Darah Merah * Berat Badan
Sel Darah Merah

Berat Badan N Mean Std. Deviation


1 5 5.9060 .4003
2 5 5.9140 .4063
3 5 5.9000 .4170
4 5 5.9020 .4359
5 5 5.9200 .4161
Total 25 5.9084 .3792

Penuntun Praktikum Biostatistika 105


Sel Darah Merah * Cara Pengambilan Darah
Sel Darah Merah
Cara Pengambilan Darah N Mean Std. Deviation
1 5 5.8960 .3970
2 5 5.9120 .4132
3 5 5.9180 .4282
4 5 5.9060 .4279
5 5 5.9100 .4094
Total 25 5.9084 .3792

Sel Darah Merah * Suplementasi Protein


Sel Darah Merah
Suplementasi Protein Sum N Mean Std. Deviation
A 26.88 5 5.3760 2.074E-02
B 28.10 5 5.6200 1.581E-02
C 29.66 5 5.9320 1.483E-02
D 31.32 5 6.2640 1.817E-02
E 31.75 5 6.3500 2.550E-02
Total 147.71 25 5.9084 .3792

Analisis Ragam.

Analisis Ragam (Analisis Varian ) dilakukan untuk menguji pengaruh


Suplementasi Protein (Protein) pakan kelinci terhadap sel darah merah kelinci,
apakah ada pengaruhnya atau tidak. Disamping itu juga untuk mengetahui apakah
ada pengaruh Cara Pengambilan Darah (Kolom) dan Brat badan (Baris) terhadap
sel darah merah kelinci. Sedangkan uji setelah analisis ragam diperlukan untuk
mengetahui apa ada perbedaan mean (rataan) sel darah merah kelinci antara 4 jenis
Suplementasi protein yang diberikan, yaitu dengan Uji Duncan. Prosedur analisis
ragam dan uji rataannya sebagai berikut :
Klik Analyze pada Gambar 7.4.176 pilih General Linear Model, lalu Klik Univariate, maka
muncul Gambar 7.4.17 seperti tampilan dibawah ini :

Penuntun Praktikum Biostatistika 106


Gambar7.4.17. Kotak Diolog Univariate
Klik Sel Darah Merah pindahkan dengan tanda ke kotak Dependent List
Klik Cara pengambilan Darah(Kolom) pindahkan dengan tanda ke kotak Fixed Factor(s)
Klik Berat badan (Baris) pindahkan dengan tanda ke kotak Fixed Factor(s)
Klik Suplementasi Protein (Protein) pindahkan dengan tanda ke kotak Fixed Factor(s)
Klik Post Hoc, maka muncul Gambar 7.4.18

Gambar 7.4.18 . Kotak Diolog Post Hoc


Klik Suplementasi Protein (Protein) pindahkan dengan tanda ke kotak Post Hoc Tests for.
Berikan tanda V pada Duncan, kemudin Klik Continue, maka kembali ke Gambar 7.4.17
Klik Paste, maka muncul Gambar 7.4.19

Penuntun Praktikum Biostatistika 107


Gambar 7.4.19. Kotak Diolog Syntax
Perhatikan /DESIGN = Kolom Baris Protein, kemungkinan pada Gambar . ada interaksinya
yaitu Kolom*Baris dan seterusnya, harus dihilangkan interaksinya jika tidak hasilnya akan
berbeda.
Klik tanda untuk menjalankan Syntax, maka diperoleh hasil analisis sebagai berikut :
Univariate Analysis of Variance
Tests of Between-Subjects Effects
Dependent Variable: Sel Darah Merah
Source Type III Sum of df Mean Square F Sig.
Squares
Corrected Model 3.446 12 .287 722.728 .000
Intercept 872.730 1 872.730 2196467.527 .000
BARIS 1.416E-03 4 3.540E-04 .891 .499
KOLOM 1.336E-03 4 3.340E-04 .841 .525
PROTEIN 3.443 4 .861 2166.453 .000
Error 4.768E-03 12 3.973E-04
Total 876.180 25
Corrected Total 3.451 24

a R Squared = .999 (Adjusted R Squared = .997)

Kesimpulan :
Berat badan dan cara pengambilan darah (Baris dan Kolom) tidak berpengaruh
nyata (P>0,05) terhadap jumlah sel darah merah kelinci. Sedangkan Jenis Protein yang
disuplementasikan pada makanannya berpengaruh sangat nyata (P<0,01) terhadap
jumlah sel darah merah kelinci percobaan.

Penuntun Praktikum Biostatistika 108


Post Hoc Tests
Suplementasi Protein
Homogeneous Subsets

Sel Darah Merah


Duncan
Suplementasi Protein N Subset
1 2 3 4 5
A 5 5.3760
B 5 5.6200
C 5 5.9320
D 5 6.2640
E 5 6.3500
Sig. 1.000 1.000 1.000 1.000 1.000
Means for groups in homogeneous subsets are displayed. Based on Type III Sum of
Squares The error term is Mean Square(Error) = 3.973E-04.
a Uses Harmonic Mean Sample Size = 5.000.
b Alpha = .05.

Kesimpulan hasil uji Duncan : jumlah sel darah merah kelinci percobaan berbeda nyata
(P<0,01) antar jenis suplementasi protein yang diberikan. Lihat Alpha 0,05 Coba Alpha
0,01?dengan jalan mengganti alpha 0,05 dengan o,o1 pada Syntax

Analisi Regresi.
Oleh karena perlakuan yaitu jenis Suplementasi Protein bersifat kualitatif, maka
tidak bisa melakukan analisis regresi, maka cukup digambar dengan grafik histogram.
Klik Graph pada Gambar 7.4.15., kemudian pilih dan Klik Bar, Klik Simple, lalu Klik
Define, maka muncul Gambar 7.4.20.
Klik Other statistic (e.g.Mean)
Klik Sel Darah Merah, pindahkan dengan tanda ke Kotak Variable
Klik Suplementasi Protein, pindahkan dengan tanda ke Catagori Axis
Klik OK, maka muncul Grafik Histogram

Penuntun Praktikum Biostatistika 109


Gambar 7.4.20. Kotak Diolog Define Simple Bar.

Graph

Penuntun Praktikum Biostatistika 110