Anda di halaman 1dari 139

ANALISIS DATA RISET KESEHATAN

MENGGUNAKAN SPSS
TINGKAT DASAR

Oleh: BESRAL
Departemen Biostatistika - Fakultas Kesehatan Masyarakat
Universitas Indonesia
Besral, FKM UI, 2012 Modul SPSS

KATA PENGANTAR
Pengolahan dan Analisa Data merupakan dua proses yang sangat menentukan dalam
pengelolaan data menjadi suatu informasi. Kecepatan dalam pengolahan dan keakuratan
dalam analisa akan sangat menentukan kualitas informasi dan pengambilan kesimpulan
hasil suatu kegiatan riset, monitoring, dan evaluasi, baik menggunakan data primer
maupun menggunakan data sekunder (Rekam Medis, Susenas, Riskesdas, atau SDKI).

Telah banyak buku dan modul pengolahan dan analisis data yang tersedia, namun
hanya sedikit yang memberikan contoh-contoh nyata bidang kesehatan dan kedokteran
yang mudah dipahami oleh peneliti dan mahasiswa bidang kesehatan.

Buku ini disusun secara sistematis dan rinci, dengan memberikan contoh nyata di
bidang kesehatan dan kedokteran dalam pengolahan dan analisis data, yang dipandu
selangkah demi selangkah untuk tahap- tahap penyelesaiannya. Di setiap akhir Bab,
disajikan contoh TABEL bagaimana cara penyajian data dan menuliskan interpretasinya.

Penggunaan buku ini dilengkapi dengan file-file data yang dibutuhkan untuk dapat
menjelaskan contoh-contoh soal dan penyelesaiannya, yaitu data IBU_BAYI_189.SAV,
TNG.SAV, Lebak-1.SAV, Lebak-2.SAV.

Analisis data yang dibahas dalam buku ini dibatasi hanya sampai pada tahap menguji
hubungan sederhana antara dua variabel (bivariate). Kesimpulan yang didapat dari hasil uji
bivariat belum tentu akurat karena analisisnya masih kasar (crude analysis). Untuk
mendapatkan kesimpulan yang lebih akurat dalam menguji hubungan secara bersama-sama
dari beberapa variabel prediktor atau variabel independen, sekaligus mengontrol pengaruh
dari variabel perancu dan variabel interaksi, maka harus dilakukan analisis multivariat.
Buku analisis data multivariat dengan judul “Analisis Data Multivariat Riset Kesehatan”
merupakan seri kedua dari buku analisis data menggunakan SPSS.

Semoga buku atau modul analisis data ini bermanfaat bagi peneliti dan mahasiswa
bidang kesehatan dan kedokteran untuk membantu dalam pengolahan dan analisa data,
baik analisa data skripsi, thesis, maupun analisa data untuk monitoring dan evaluasi
program kesehatan. Kritik dan saran kami terima dengan senang hati untuk kesempurnaan
buku ini.

Depok, Februai 2013

BESRAL
(besral@yahoo.com)

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 1 dari 139 
Besral, FKM UI, 2012 Modul SPSS

DAFTAR ISI
Kata Pengantar 1

Daftar Isi 2

1. Pengantar SPSS 4
1.1. Memulai SPSS 5
1.2. Jendela SPSS (Data & Variabel) 6
1.3. Jendela SPSS Output 8
1.4. Memasukkan (Entry) Data 8
1.5. Mengedit Data (Delete/Copy)) 12
1.6. Menyimpan (Save) Data 14
1.7. Membuka(Open) Data SPSS 15
1.8. Membuka (Open) Data dBase 15

2. Statistika Deskriptif 18
2.1. Buku Kode 19
2.2. Analisis Deskriptif data kategori 19
2.3. Penyajian hasil Analisis Deskriptif data kategori 21
2.4. Analisis Deskriptif data numerik 23
2.5. Grafik HISTOGRAM 27
2.6. Uji NORMALITAS 28
2.7. Penyajian hasil Analisis data numerik 30

3. Transformasi Data 31
3.1. Pengertian Transformasi Data 32
3.2. Analisis Deskriptif 35
3.3. PERINTAH “RECODE” 38
3.4. PERINTAH “COMPUTE” 41
3.5. PERINTAH “IF” 43
3.6. PERINTAH “SELECT” 46

4. Merge File Data 48


4.1. Pengertian Merge 49
4.2. MERGE dengan ADD VARIABEL 51
4.3. MERGE dengan ADD CASES 53
4.4. MERGE antara INDIVIDU dengan RUMAHTANGGA 55

5 Konsep Uji Statistik 58


Rumusan Hipotesis 58
Kemungkinan salah dalam uji hipotesis 59
Menentukan Tingkat Kemaknaan 61
Pemilihan Jenis Uji Statistik 64

5. Uji Beda 2-Rata-rata (t-test) 65


5.1. Pengertian 65
5.2. Konsep Uji Beda Dua Rata-rata 65
5.3. Aplikasi Uji-t Dependen pada Data Berpasangan 66
5.4. Penyajian Hasil Uji-t Dependen pada Data Berpasangan 71
5.5. Aplikasi Uji-t pada Data Independen 72
Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 2 dari 139 
Besral, FKM UI, 2012 Modul SPSS

5.6. Penyajian Hasil Uji-t Independen 76

6. Uji Beda > 2-Rata-rata (ANOVA) 77


6.1. Pengertian 78
6.2. Konsep Uji ANOVA 80
6.3. Aplikasi Uji ANOVA 81
6.4. Transformasi Jika Varians Tidak Homogen 86
6.5. Penyajian Hasil Uji ANOVA 88

7. Uji Beda Proporsi (χ2) Chi-Square 90


7.1. Pengertian 91
7.2. Konsep Uji Chi Square 92
7.3. Aplikasi Uji χ2 pada Tabel Silang 2 x 2 93
7.4. Aplikasi Uji χ2 pada Tabel Silang 2 x 3 96
7.5. Dummy Variabel 97
7.6. Regresi Logistik Sederhana 100
7.6. Penyajian Hasil Uji Beda proporsi 102

8. Uji Korelasi & Regresi Linier 104


8.1. Pendahuluan 105
8.2. Asumsi Normalitas 108
8.3. Aplikasi Uji Korelasi Pearson 108
8.4. Aplikasi Regresi Linier (Sederhana) 112
8.5. Penyajian dan Interpretasi hasil Regresi Linier 114
8.6. Memprediksi nilai Y 115

9. Uji Validitas dan Reliabilitas Instrumen 116


9.1. Pendahuluan 117
9.2.Contoh pertanyaan yang valid dan tidak valid 120
9.3. Langkah-langkah uji validitas dan reliabilitas 121
9.4. Penyajian dan interpretasi hasil uji validtas dan reliabilitas 124
9.5. Latihan uji validitas dan reliabilitas 125

DAFTAR PUSTAKA

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 3 dari 139 
Besral, FKM UI, 2012 Modul SPSS

1 Pengantar SPSS

SPSS Windows merupakan perangkat lunak statistik multiguna yang bermanfaat


untuk mengolah dan menganalisis data penelitian. SPSS menggunakan menu serta
kotak dialog untuk memudahkan dalam memproses data. Sebagian besar perintah
SPSS dapat dilakukan dengan mengarahkan dan mengklik mouse.

Setelah mempelajari BAB ini, peserta mampu:


- 1. Mengaktifkan program SPSS dan menjalankannya
- 2. Menjelaskan berbagai jenis tampilan program SPSS (Data Editor, Data view,
Variabel view, Output, dll)
- 3. Membuat Variabel dan Lable serta Value labelnya (Name, Type, Lebar, Decimal,
Label, Value, dll)
- 4. Memasukkan data ke program SPSS (entry)
- 5. Menyimpan file SPSS (save)
- 6. Membuka File SPSS (open)

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 4 dari 139 
Besral, FKM UI, 2012 Modul SPSS

1.1. MEMULAI SPSS


Pertamakali kita harus memastikan bahwa komputer kita sudah diinstall program SPSS for
Windows. Sama seperti program Windows lainnya, untuk mengaktifkan SPSS dimulai
dari menu Start
1. Klik Start Æ Program Æ SPSS for Windows Æ SPSS 10.0 for Windows.
2. Pada menu SPSS tertentu (versi 10.x) akan muncul jendela sebagai berikut:

3. Silakan klik (.) Type in data kemudian tekan Enter atau klik OK.
4. Layar akan terbuka “Untitled - SPSS Data Editor” seperti pada gambar berikut:
Selanjutnya disebut sebagai Jendela Data Editor. Karena belum ada data, maka
tampilannya masih kosong.

5. Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2) Variabel
View.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 5 dari 139 
Besral, FKM UI, 2012 Modul SPSS

1.2. JENDELA SPSS

Setelah mengaktifkan SPSS akan muncul 2 jendela yaitu “SPSS


Data Editor “ dan “SPSS Output”.

1.2.1. JENDELA “SPSS DATA EDITOR”


Jendela SPSS Data Editor (selanjutnya disebut jendela data) mempunyai 2
tampilan yaitu (1) Data View dan (2) Variabel View. Data view akan
menampilkan database dalam bentuk angka, sedangkan Variabel view
menampilkan keterangan tentang variabel yang mencakup: Nama Variabel, Type,
Label, Values, dll.

1.2.1.A DATA VIEW

Apabila sudah ada data dalam format SPSS (BAYI.SAV), kita bisa membuka data
tersebut kemudian bentuk tampilannya pada jendela data atau Data view adalah
seperti gambar di atas. (Prosedur lengkap untuk membuka data BAYI.SAV dapat
dilihat pada bagian 1.6).

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 6 dari 139 
Besral, FKM UI, 2012 Modul SPSS

1.2.1.B. VARIABEL VIEW

Name atau nama variabel: Aturan pemberian nama variabel adalah 1) Wajib diawali
dengan Huruf, dan 2) tidak boleh lebih dari 8 karakter, serta 3) tidak boleh ada
spasi (spacebar) dan tanda baca lainnya. Misalnya, komputer tidak menerima
“Jenis Kelamin” atau “Je-kel” sebagai variabel, tetapi bisa menerima
“Kelamin” sebagai variabel. Catatan: Pada program SPSS versi 13.0 ke atas
jumlah karakter satu variabel boleh lebih dari 8 dan dibolehkan sampai 20
karakter.

Type atau jenis data: Jenis data yang akan dientry kedalam SPSS dibedakan hanya 2 saja,
yaitu 1) Angka atau Numerik (angka: misalnya “18” tahun ) dan 2) Huruf atau
String (huruf: misalnya Amin, Laki-laki, Jalan Petasan)

Label atau keterangan variabel: Karena nama variabel tidak boleh lebih dari 8 karakter,
biasanya pemberian nama variabel menggunakan singkatan, supaya singkatan
tersebut dapat dimengerti maka kita bisa memberi keterrangan atau penjelasan
terhadap variabel tersebut di kolom label. Misalnya pada variabel “Kelamin”
kita bisa memberi label “Jenis Kelamin Anak Balita”, variabel “Food_exp”
bisa diberi label dengan “Food expenditure per month” atau “Pengeluaran
keluarga untuk makanan satu bulan”.

Values atau kode variabel: Jenis kelamin dapat kita masukkan dengan mengetik “Laki”
atau “Perempuan”, tetapi hal ini tidak efisien (waktu dan tenaga hilang
percuma). Sebaiknya kita beri kode 1=”Laki” dan 2=“Perempuan”, sehingga
kita cukup memasukkan angka 1 atau 2. Supaya nantinya output SPSS yang
muncul untuk Kelamin bukan angka 1 dan 2 tetapi yang muncul adalah Laki
dan Perempuan, maka kita perlu mengisi Values.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 7 dari 139 
Besral, FKM UI, 2012 Modul SPSS

1.3. JENDELA “SPSS OUTPUT”


Walaupun tidak muncul pada saat pertama kali menjalankan program SPSS,
ada jendela lain yang terbuka tetapi belum aktif yaitu jendela Output SPSS
Viewer. Jendela output viewer akan menampilkan hasil-hasil analysis statistik
dan graphic yang kita buat. (Selanjutnya disebut Jendela Output).

Sebagai contoh pada gambar berikut ditampilkan Jendela Output SPSS Viewer
hasil analysis deskriptif distribusi frekuensi dari PEROKOK:

Output SPSS Viewer

1.4. MEMASUKKAN (ENTRY) DATA


Apabila kita belum punya data SPSS (masih mulai dari awal untuk memasukkan data),
maka jendela data yang muncul masih kosong. Untuk memulainya, kita dapat membuka
jendela Variabel Vew terlebih dahulu dengan cara meng-klik-nya, selanjutnya mulailah
membuat variabel yang dibutuhkan dengan cara mengetik nama variabel yang diinginkan.
Setelah proses pembuatan varaibel selesai, selanjutnya buka jendela Data Vew dan
masukkan datanya. Sebagai latihan gunakan contoh data berikut:

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 8 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Contoh data untuk latihan memasukkan/entry data

No Nama Kelamin Umur } Æ Variabel/field


1 Amin Laki 28
2 Aminah Perempuan 20
3 Yoyo Lelaki 36
4 Yamin Laki 30
5 Yongki Laki 32
6 Yayang Perempuan 24 Æ Data/record/responden
7 Yovi Perempuan 22
8 Yeny Perempuan 26
9 Yellow Perempuan 25
10 Yeti Perempuan 21

1.4.1 PEMBERIAN NAMA, TYPE, & LABEL VARIABEL

Untuk dapa memasukkan data di atas kedalam program SPSS, maka terlebih dahulu
kita harus membuat mendefinisikan dan membuat VARIABEL atau FIELD pada
jendela Data Editor Æ Variable View.

Bukalah jendela Data Editor, kemudian klik Variabel View, kemudian ketik nama
variabel sebagai berikut:
a. variabel NOMOR:
Pada kolom Name baris pertama, ketiklah “nomor“ kemudian tekan enter.
Biarkan Type-nya Numerik karena pada variabel NOMOR data yang ingin
dimasukkan adalah berbentuk angka. Kemudian kolom Label ketik kalimat berikut
“Jenis Kelamin Responden”.

b. variabel NAMA:
Pada kolom Name baris kedua, ketiklah “nama” kemudian tekan enter. Type-nya
ganti dengan String karena pada variabel NAMA data yang ingin dimasukkan
adalah berbentuk huruf. Kemudian kolom label ketik kalimat berikut “Nama
Responden”.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 9 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Cara mengganti type dari Numerik menjadi String adalah dengan mengklik bagian
akhir dari “Numerik”, sehingga muncul menu Variabel Type sebagai berikut:

Klik di sini, untuk merubah Type Variabel, seperti gambar dibawah ini

Gantilah Numerik dengan mengklik String, kemudian klik OK, hasilnya sebagai
berikut:

Karena nama responden membutuhkan ruang yang cukup luas, misalnya kita ingin
mengetik nama responden sampai 20 karakter, maka silakan ganti With dari 8 menjadi
20.

1.4.2 PEMBERIAN KODE VALUE LABELS

Penting untuk diingat pada data kategorik atau kualitatif (kelamin, pendidikan,
pekerjaan, dll) data yang dimasukkan ke komputer (entry) biasanya untuk efisiensi
maka data tersebut dirobah kedalam bentuk kode angka (1=laki, 2=Perempuan).
Supaya pada saat analysis data tidak terjadi kebingungan, sebaiknya kode tersebut
diberi label, dengan langkah sebagai berikut:

c. variabel KELAMIN:
Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 10 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Pada kolom name baris ketiga, ketiklah “Kelamin” kemudian tekan enter. Type-
nya biarkan numerik karena pada variabel KELAMIN data yang ingin dimasukkan
adalah berbentuk angka 1 atau 2. Kemudian kolom label ketik “Jenis Kelamin
Responden”.

Untuk membuat value label bahwa kode 1 adalah “Laki-laki” dan kode 2 adalah
“Perempuan”, maka klik kolom Values dan isi sebagai berikut:

1. Pada kotak Value isi dengan angka “1”


2. Pada kotak Value Label ketik “Laki Laki”
3. Kemudian klik Add. Sehingga muncul 1=”Laki-laki” pada kotak bawah.

Ulangi prosedur tersebut untuk kode 2=Perempuan,


1. Pada kotak Value isi dengan angka “2”
2. Pada kotak Value Label ketik “Perempuan”
3. Kemudian klik Add. Sehingga muncul 2=”Perempuan” pada kotak bawah.
Setelah selesai klik OK.

d. variabel UMUR:
Pada kolom Name baris keempat, ketiklah “umur” kemudian tekan enter. Type-nya
biarkan numerik. Jika angka desimal tidak diperlukan, rubahlah Decimals pada kolom
ke tiga, sehingga isinya menjadi angka 0 (nol).

1.4.3 MEMASUKKAN DATA


Bukalah Data View dengan cara mengkliknya, Kemudian ketik data berikut, seperti
data contoh latihan entry data di halaman 5:

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 11 dari 139 
Besral, FKM UI, 2012 Modul SPSS

1.5. MENGEDIT DATA (DELETE & COPY)


Editing data biasanya dilakukan untuk menghapus (delete), menggandakan (copy), atau
memindahkan (remove) data atau sekelompok data.

1.5.1 MENGHAPUS (DELETE) DATA PADA SEL TERTENTU


Misalnya, ada data yang salah ketik dan ingin dihapus atau diganti dengan data yang
benar. Lakukan prosedur sebagai berikut:
1. Pilih sel atau data yang akan dihapus dengan meng-klik (bisa dipilih sekelompok
data sekaligus dengan cara mem-blok angka dari 36 sampai dengan 24)
2. Tekan tombol Delete (pada keyboard) untuk menghapus data tersebut.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 12 dari 139 
Besral, FKM UI, 2012 Modul SPSS

1.5.2 MENGHAPUS (DELETE) DATA VARIABEL

Misalnya, ada variabel yang salah ketik dan ingin dihapus atau diganti dengan variabel
lainnya. Lakukan prosedur sebagai berikut:
1. Pilih variabel yang akan dihapus (mis. alamat) dengan cara meng-klik
2. Tekan tombol Delete (pada keyboard) untuk menghapus variabel tersebut.

1.5.3 MENGHAPUS (DELETE) DATA RECORD

Misalnya, ada record yang salah ketik (diketik 2 kali) dan ingin dihapus atau diganti
dengan variabel lainnya. Lakukan prosedur sebagai berikut:
1. Pilih record yang akan dihapus (mis. record nomor 3) dengan cara meng-klik
2. Tekan tombol Delete (pada keyboard) untuk menghapus variabel tersebut.

1.5.4 MENGGANDAKAN (COPY) DATA

Prosedur penggandaan (copy) data pada SPSS mirip dengan prosedur meng-copy pada
umumnya dalam perintah komputer. Sebagai berikut:
1. Dimulai dengan memilih data atau sel yang akan dicopy dengan cara meng-klik
(pemilihan dapat dilakukan pada sekelompok data, variabel, atau record)
Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 13 dari 139 
Besral, FKM UI, 2012 Modul SPSS

2. Kemudian pilih menu Edit Æ Copy (atau Ctrl + C, pada key board)
3. Kemudian letakkan kursor pada lokasi yang akan dicopykan
4. Kemudian pilih menu Edit Æ Paste (atau Ctrl + V, pada key board)

1.6. MENYIMPAN (SAVE) DATA

Pilihlah (kemudian klik) gambar disket yang ada di kiri atas atau Pilih File Æ Save.
Atau File Æ Save As..

Jika kita baru menyimpan untuk pertamakali, maka akan muncul menu seperti
gambar di atas (menu Save As..). Menu ini hanya muncul pertama kali saja,
selanjutnya tidak muncul lagi, kecuali dengan perintah Save As.
Isi kotak File name dengan “Latihan 1” Pilihlah Save in untuk menentukan
apakah kita akan menyimpan di Disket (Floppy: A) atau di Hardisk:C. Jika kita
pilih hardisk, jangan lupa untuk menentukan lokasi Directory mana tempat
penyimpanan tersebut. Klik save untuk menjalankan proses peyimpanan.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 14 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Selesai proses Saving, perhatikan di kiri atas “Untitled – SPSS Data Editor” sudah
berubah menjadi “Latihan 1 – SPSS Data Editor”

1.7. MEMBUKA (OPEN) DATA SPSS


Jika kita sudah mempunyai data dalam format SPSS yang disimpan di Disket atau di
Hardisk, silakan buka dengan SPSS, sebagai berikut:

1. Pastikan kita berada di layar “SPSS Data Editor”, kemudian pilihlah menu File Æ
Open
2. Pada File of type, pilihan standarnya adalah SPSS (*.sav), jika bukan ini yang
muncul maka kita harus memilihnya terlebih dahulu
3. Pada Look in, pilihlah Drive yang sesuai (A:C:D) dan Directory tempat data
tersimpan (mis. C:\Data\….)
4. Akan muncul daftar File yang ber-extensi.SAV, pilihlah file yang akan kita buka
dengan mengklik file tersebut, kemudian klik Open

1.8. MEMBUKA (OPEN) DATA.DBF


SPSS punya kemampuan untuk membuka data dari Format lain seperti Dbase, Lotus,
Excell, Foxpro, dll. Misalnya kita punya data Tangerang.DBF yang disimpan di Disket
atau di Hardisk, silakan buka dengan SPSS, sebagai berikut:

1. Pastikan kita berada di layar “SPSS Data Editor”, kemudian pilihlah menu File Æ
Open
2. Pada File of type, pilihlah dBase (*.dbf). (Selain dBASE kita bisa memilih
program pengolah kata lainnya yang sesuai dengan keinginan)

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 15 dari 139 
Besral, FKM UI, 2012 Modul SPSS

3. Pada Look in, pilihlah Floppy:A, jika data kita ada di Disket

4. Secara otomatis akan muncul list file yang berekstensi DBF, klik file yang ingin
dibuka, misalnya file Tangerang kemudian klik Open.

5. Maka data Tangerang.DBF akan muncul di “Untitled – SPSS Data Editor”.


Laporan dari proses konversi data dari dBase tersebut akan dimunculkan di
“Output – SPSS Viewer”dan Datanya sendiri akan muncul di Data View

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 16 dari 139 
Besral, FKM UI, 2012 Modul SPSS

6. Agar data tersebut tersimpan dalam bentuk file SPSS (*.SAV), maka kita harus
menyimpannya dengan cara mengklik gambar disket di kiri atas atau pilih menu
File Æ Save. Isi kotak File dengan nama yang kita inginkan, misalnya “DATA
TNG” atau “TANGERANG”. Klik Save untuk menjalankan prosedur
penyimpanan.

Setelah klik save, pastikan kiri atas layar monitor kita yang sebelumnya muncul “Untitled
– SPSS Data Editor” telah berubah menjadi “TANGERANG – SPSS Data Editor”.

Pastikan kita menyimpan setiap saat data yang sudah diolah, agar jika sewaktu-waktu
komputer mengalami kerusakan (mis. Listrik mati, komputer hang), maka kita tidak
kehilangan data.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 17 dari 139 
Besral, FKM UI, 2012 Modul SPSS

2 Statistik Deskriptif
Statistik deskriptif yang akan dijelaskan pada bab ini dibatasi hanya pada
nilai frekuensi dan nilai pusat (central tendency). Nilai frekuensi untuk
data atau variabel kategorik dapat dimunculkan dalam bentuk frekuensi
absolut atau proporsi atau persentase. Sedangkan nilai pusat untuk data
atau variabel numerik dapat dimunculkan dalam bentuk nilai tengah
(mean, median, & modus) dan nilai sebaran (Mininum, maksimum, &
SD) dan nilai posisi (median, kuartil, & persentil). Selain itu, pada
statistik deskriptif ini juga akan dilengkapi dengan pembuatan berbagai
jenis grafik seperti histogram untuk data numerik dan grafik batang untuk
data kategorik.

Setelah mempelajari BAB ini, peserta mampu:


- 1. Menjelaskan Buku Kode
- 2. Melakukan Analisis Deskriptif Data Kategorik
- 3. Menyajikan Hasil Analisis Deskriptif Data Kategorik
- 4. Melakukan Analisis Deskriptif Data Numerik
- 5. Menyajikan Hasil Analisis Deskriptif Data Numerik
- 6. Membuat Grafik Histogram
- 7. Melakukan Uji Normalitas

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 18 dari 139 
Besral, FKM UI, 2012 Modul SPSS

2.1. BUKU KODE

Mulai Bab 2 kita akan membicarakan prosedur statistik deskriptif yang sering
digunakan dalam melakukan analisis data. Untuk data latihan, kita akan menggunakan file
IBU_BAYI_189.SAV yang berisi variabel yang mempengaruhi berat bayi lahir. Agar kita
bisa mengolah data tersebut, maka kita harus mengetahui keterangan dari variabel dan
value-nya yang biasanya dimuat dalam buku kode. Buku kode untuk file tersebut adalah
sebagai berikut:

Variabel Keterangan

ID Nomor identifikasi responden

UMUR Umur ibu (tahun)

BBIBU_1 Berat badan ibu (kg) sebelum hamil (Pre-)

BBIBU_2 Berat badan ibu (kg) sesudah melahirkan (Post-)

ROKOK Kebiasan merokok dari ibu


0 = Tidak
1 = Ya

HT Penyakit hipertensi pada ibu


0 = Tidak
1 = Ya

BBAYI Berat bayi lahir (gram)

DIDIK Pendidikan ibu


0 = Rendah
1 = Sedang
2 = Tinggi

BBLR Status berat bayi lahir rendah


0 = Tidak
1 = Ya

Dalam melakukan analysis data, kita harus memahami terlebih dahulu konsep dari jenis
data statistik yaitu data Numerik dan data Kategorik. Data numerik adalah data yang
berbentuk angka (kombinasi dari 0,1,2…9), yang merupakan gambaran dari hasil
mengukur atau menghitung. Sedangkan data kategorik merupakan data yang berbentuk
pernyataan, kualitas, atau pengelompokan (misalnya: laki/perempuan, baik/buruk,
setuju/tidak setuju, SD/SMP/SMU/PT, rendah/sedang/tinggi, dll).
Analysis data numerik akan berbeda dengan analisis data kategorik, termasuk cara
penyajian dan cara interpretasinya. Data numerik biasanya ditampilkan dalam bentuk nilai
tengah dan nilai sebaran (misalnya nilai rata-rata dan standar deviasi). Sedangkan data
kategorik ditampilkan dalam bentuk persentase atau proporsi.

2.2. ANALYSIS DESKRIPTIF DATA KATEGORIK

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 19 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Cara yang paling sering digunakan untuk menampilkan data katagorikal adalah
dengan menggunakan tabel distribusi frekuensi. Kita akan coba membuat tabel
distribusi frekuensi pendidikan ibu dari file IBU_BAYI_189.SAV.

1. Bukalah file IBU_BAYI_189.SAV, sehingga data tampak di jendela Data Editor


(prosedur untuk membuka file dapat dilihat pada bagian 1.7).
2. Prosedur untuk menampilkan distribusi frekuensi adalah sebagai berikut:
Dari menu utama, pilihlah:
Analyze
Descriptive Statistic <
Frequencies…

Pada layar tampak kotak dialog seperti gambar berikut:

3. Pada kotak dialog tersebut, klik pada variabel DIDIK yang terdapat pada kotak
sebelah kiri. Kemudian klik tanda >, sehingga kotak dialog menjadi seperti
gambar berikut:

4. Klik OK untuk menjalankan prosedur. Pada jendela output tampak hasil seperti
berikut:

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 20 dari 139 
Besral, FKM UI, 2012 Modul SPSS

DIDIK

Cumulative
Frequency Percent Valid Percent Percent
Valid SD 47 24.9 24.9 24.9
SMP 84 44.4 44.4 69.3
SMA 58 30.7 30.7 100.0
Total 189 100.0 100.0

Pada kolom Frequency menunjukkan jumlah kasus dengan nilai yang sesuai. Jadi
pada contoh di atas, ada 47 ibu yang berpendidikan SD dari 189 ibu yang ada.
Proporsi dapat dilihat pada kolom Percent, pada contoh di atas, ada 24,9% ibu
yang berpendidikan SD.
Kolom Valid Percent menampilkan proporsi jika missing cases tidak
diikutsertakan sebagai penyebut. Pada contoh di atas, kolom Percent dan Valid
Percent memberikan hasil yang sama karena pada data ini tidak ada missing
cases. Cumulative Percent menjelaskan tentang persen kumulatif, jadi pada
contoh di atas, ada 69,3% ibu yang berpendidikan SD dan SMP (24.9% +
44.4%).

2.3. PENYAJIAN DATA KATEGORIK


Penyajian data mempunyai prinsip efisiensi, artinya sajikan hanya informasi penting
saja, jangan semua output komputer disajikan dalam laporan. Contoh
penyajian data kategorik sebagai berikut:

Tabel 1. TINGKAT PENDIDIKAN RESPONDEN

Frequency Percent
SD 47 24.9
SMP 84 44.4
SMA 58 30.7
Total 189 100.0

Contoh Interpretasi:
“Distribusi frekuensi tingkat pendidikan responden dapat dilihat pada Tabel-1,
terlihat bahwa sebagian besar responden adalah tamat SMP (44.4%), kemudian
diikuti oleh tamat SMA sebanyak 30,7% dan sisanya hanya tamat SD (24,9%).”

LATIHAN ANALYSIS DATA KATEGORIK


Latihan:
1. Buatlahlah tabel distribusi frekuensi untuk variabel HT, ROKOK,
a. Sajikan
Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 21 dari 139 
Besral, FKM UI, 2012 Modul SPSS

b. Interpretasikan
2. Buatlah distribusi frekuensi dari variabel UMUR_KEL dan BBLR setelah Kita
melakukan pengelompokkan ulang (lihat Bab 3: Transformasi Data untuk
mengetahui prosedur pengelompokkan ulang),
a. Sajikan
b. Interpretasikan

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 22 dari 139 
Besral, FKM UI, 2012 Modul SPSS

2.4. ANALYSIS DESKRIPTIF DATA NUMERIK


Pada data numerik atau kontinyu, peringkasan data dapat dilakukan dengan
melaporkan ukuran tengah dan sebarannya. Ukuran tengah yang dapat digunakan
adalah rata-rata, median dan modus. Sedangkan ukuran sebaran yang dapat
digunakan adalah nilai minimum, maksimum, range, standar deviasi dan persentil.
Dari ukuran-ukuran tersebut, yang paling sering digunakan adalah rata-rata dan
standar deviasi. Sebagai contoh, kita akan coba mencari ukuran tengah dan sebaran
dari UMUR, BBIBU dan BBAYI.

1. Bukalah file IBU_BAYI_189.SAV, sehingga data tampak di jendela Data Editor.


(prosedur untuk membuka file dapat dilihat pada bagian 1.7).

Menggunakan Perintah Descriptive..

2. Dari menu utama, pilihlah:


Analyze
Descriptive Statistic <
Descriptive …

3. Pada kotak dialog tersebut, klik pada variabel UMUR yang terdapat pada kotak
sebelah kiri. Tekan Ctrl (jangan dilepas), Klik variabel BBIBU_1, dan klik
variabel BBAYI, lepaskan Ctrl.. Dengan cara ini kita memilih 3 variabel
sekaligus. Kemudian klik tanda <, sehingga kotak dialog menjadi seperti
gambar berikut:

4. Klik OK untuk menjalankan prosedur. Pada layar tampak hasil seperti berikut:

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation


UMUR 189 14 45 23.24 5.30
BBIBU_1 189 36 112 58.39 13.76
BBAYI 189 709 4990 2944.66 729.02
Valid N (listwise) 189

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 23 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Nilai rata-rata dapat dilihat pada kolom Mean, sedangkan nilai standar deviasi
dapat dilihat pada Std Devation. Pada contoh di atas, rata-rata umur ibu adalah
23,24 tahun dengan standar deviasi 5,30 tahun dan umur minimun 14 tahun
serta umur maksimum 45 tahun.
Dengan cara di atas, kita dapat memperoleh nilai rata-rata, minimum, maksimum
serta standar deviasi. Tetapi kita tidak memperoleh nilai standar error, padahal
nilai ini diperlukan untuk melakukan estimasi inteval pada parameter populasi.

Menggunakan Perintah Option..

5. Jika Kita juga ingin agar SPSS menampilkan standar error, kita dapat memilih menu
Options.

Misalnya kita menginginkan stander error maka klik SE Mean, kemudian klik Continue
dan OK hasilnya pada Jendela Output adalah sebagai berikut:

Descriptive Statistics

N Minimum Maximum Mean Std.


Statistic Statistic Statistic Statistic Std. Error Statistic
UMUR 189 14 45 23.24 .39 5.30
BBIBU_1 189 36 112 58.39 1.00 13.76
BBAYI 189 709 4990 2944.66 53.03 729.02
Valid N (listwise) 189

Dari hasil tersebut kita dapat melakukan estimasi interval dari berat bayi.
Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 24 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Kita dapat menghitung 95% confidence interval berat bayi, yaitu 2944,66 + 1,96 x
53,03 (mean + SE mean). Jadi kita 95% yakin bahwa rata-rata berat bayi di
populasi berada pada selang 2840,72 sampai 3048,60 gram.

Menggunakan Perintah Explore..

6. Cara yang lain untuk mengeluarkan nilai statistik deskriptif dari data numerik (nilai
rata-rata/mean std. Dev) beserta 95% confidence interval adalah sebagai
berikut: Dari menu utama, pilihlah:
Analyze
Descriptive Statistic <
Explore…

7. Pada kotak dialog tersebut, klik pada variabel UMUR yang terdapat pada kotak
sebelah kiri. Tekan Ctrl (jangan dilepas), Klik variabel BBIBU_1, dan klik
variabel BBAYI, lepaskan Ctrl. Dengan cara ini kita memilih 3 variabel
sekaligus. Kemudian klik tanda <, sehingga ketiga variabel tersebut masuk ke
kota Dependent List seperti gambar berikut:

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 25 dari 139 
Besral, FKM UI, 2012 Modul SPSS

8. Klik OK untuk menjalankan prosedur, sehingga hasilnya seperti gambar berikut:

Descriptives

Statistic Std. Error


BBIBU_1 Mean 58.39 1.00
95% Confidence Lower Bound 56.42
Interval for Mean Upper Bound
60.37

5% Trimmed Mean 57.29


Median 54.00
Variance 189.463
Std. Deviation 13.76
Minimum 36
Maximum 112
Range 76
Interquartile Range 13.00
Skewness 1.395 .177
Kurtosis 2.366 .352
BBAYI Mean 2944.66 53.03
95% Confidence Lower Bound 2840.05
Interval for Mean Upper Bound
3049.26

5% Trimmed Mean 2957.83


Median 2977.00
Variance 531473.7
Std. Deviation 729.02
Minimum 709
Maximum 4990
Range 4281
Interquartile Range 1069.00
Skewness -.210 .177
Kurtosis -.081 .352

Dari hasil tersebut kita mendapatkan estimasi titik dan estimasi interval dari
variabel numerik yang diukur. Kita dapat melihat nilai rata-rata dan 95%
confidence interval dari BIBU_1 yaitu 58,39 kg (56,42—60,37), artinya kita 95%
yakin bahwa rata-rata berat ibu di populasi berada pada selang 56,42 sampai 60,37
kg. Untuk BBAYI yaitu 2944,66 gram (2840,05—3049,26), kita 95% yakin
bahwa rata-rata berat bayi di populasi berada pada selang 2840,05 sampai 3049,26
gram. Nilai ini tidak jauh berbeda dengan nilai yang dihitung dari output yang
didapat pada langkah no.5 sebelumnya.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 26 dari 139 
Besral, FKM UI, 2012 Modul SPSS

2.5. GRAFIK HISTOGRAM PADA DATA NUMERIK


Analisis data Numerik akan lebih lengkap apabila dilengkapi dengan grafik. Salah
satu Grafik yang cocok untuk data numerik adalah HISTOGRAM.

1. Dari menu utama, pilihlah:


Graphs
Histogram…

2. Pada kotak dialog tersebut, klik pada variabel UMUR yang terdapat pada kotak
sebelah kiri. Kemudian klik tanda <, sehingga kotak dialog seperti berikut:

3. Klik Display normal curve (untuk menampilkan garis distribusi normal),


Kemudian klik OK untuk menjalankan prosedur. Hasilnya sebagai berikut:
(Lakukan prosedur yang sama untuk menampilkan grafik HISTOGRAM berat bayi
BBAYI)

50

30

40

30 20

20

10

10
Std. Dev = 5.30
Std. Dev = 729.02
Mean = 23.2
Mean = 2944.7
0 N = 189.00
0 N = 189.00
15.0 20.0 25.0 30.0 35.0 40.0 45.0
80

12

16

20

24

28

32

36

40

44

48

17.5 22.5 27.5 32.5 37.5 42.5


0.

00

00

00

00

00

00

00

00

00

00
0

.0

.0

.0

.0

.0

.0

.0

.0

.0

.0

Umur ibu Berat bayi lahir

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 27 dari 139 
Besral, FKM UI, 2012 Modul SPSS

2.6. UJI NORMALITAS DISTRIBUSI DATA NUMERIK


Analisis data Numerik akan lebih lengkap apabila dilengkapi UJI NORMALITAS
distribusinya. Terutama jika akan dilakukan uji statistik parametrik terhadap variabel
tersebut maka distribusi normal merupakan salah satu prasyarat yang harus dipenuhi.
Suatu distribusi data numerik dapat dikatakan normal apabila memenuhi salah satu dari
kondisi berikut:
1. Histogram terlihat normal
2. Nilai signifikansi dari Kolmogorov-Smirnov > 0.05
3. Nilai SE-Skewness dibagi nilai Skewness-nya < 3.0

Contoh histogram yang berdistribusi normal


30

Catatan:
20
Penentuan normal atau
tidaknya suatu distribusi data
melalui histogram sangat
10
subjektif, tidak ada batasan
Std. Dev = 729.02
mutlak yang harus dipenuhi
Mean = 2944.7

0 N = 189.00
80

12

16

20

24

28

32

36

40

44

48
0.

00

00

00

00

00

00

00

00

00

00
0

.0

.0

.0

.0

.0

.0

.0

.0

.0

.0

Berat bayi lahir

Cara menampilkan uji Kolmogorov-Smirnov dan Nilai Skewness beserta nilai SE-
nya, melalui perintah Explore..

1. Dari menu utama, pilihlah:


Analyze
Descriptive Statistic <
Explore…

2. Pada kotak dialog tersebut, pilih variabel UMUR dan BBAYI, Kemudian klik tanda
panah ke kanan >, untuk memasukkannya ke kotak Dependent list:

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 28 dari 139 
Besral, FKM UI, 2012 Modul SPSS

3. Klik Plots.., kemudian aktifkan Histogram dan Normality plot with test.

4. Klik Continue dan OK untuk menjalankan prosedur, hasilnya selain telah


ditampilkan pada bagian 2.4 halaman 22 juga ada penambahan sebagai berikut:
Tests of Normality
a
Kolmogorov-Smirnov
Statistic df Sig.
Umur ibu .095 189 .000
Berat bayi lahir .043 189 .200*
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction

Hasil uji test normalitas

Dengan uji Kolmogorov-Smirnov, disimpulkan bahwa pada alpha 0.05


distribusi data umur ibu adalah tidak normal (nilai-p = 0.000) sedangkan
distribusi data berat bayi adalah normal (nilai-p = 0.200).

Apabila diperhatikan grafik HISTOGRAM (pada halaman 23), maka terlihat


bahwa data umur ibu memang tidak normal, tepatnya distribusi tersebut miring
ke kanan (miring positif +). Kemiringan positif ini dapat juga dilihat dari nilai
Skewness-nya yang bertanda positif (1.395)

Kesimpulan normal atau tidaknya suatu data didasarkan pada prinsip uji
hipotesis yang berpatokan pada Ho dan Ha. Dalam hal ini, Ho berbunyi
“Distribusi data sama dengan distribusi normal”, Ha berbunyi “Distribusi
data tidak sama dengan distribusi normal”. Apabila nilai-p kurang dari alpha
0.05 (mis 0.000), maka Ho ditolak dan disimpulkan “Distribusi data adalah
tidak normal”. Sedangkan apabila nilai-p lebih dari atau sama dengan alpha
0.05 (mis. 0.222), maka Ho gagal ditolak dan disimpulkan “Distribusi data
adalah normal”.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 29 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Output berikutnya adalah sebagai berikut:

Berat bayi lahir (gr)     Statistic  Std. Error 


Mean  2944.66  53.03
95% Confidence Interval for Mean  Lower Bound  2840.05 
Upper Bound  3049.26 
5% Trimmed Mean  2957.83 
Median  2977.00 
Variance  531473.68 
Std. Deviation  729.02 
Minimum  709.00 
Maximum  4990.00 
Range  4281.00 
Interquartile Range  1069.00 
Skewness  ‐0.21  0.18
Kurtosis  ‐0.08  0.35

Nilai SE-Skewness dibagi nilai Skewness-nya = 0.18 / 0.21 = 0.9, masih kecil dari
3.0 sehingga disimpulkan distribusi berat bayi adalah normal

2.7. PENYAJIAN DATA NUMERIK


Penyajian data mempunyai prinsip efisiensi, artinya sajikan hanya informasi penting
saja, jangan semua output komputer disajikan dalam laporan. Contoh
penyajian data numerik sebagai berikut:

Variabel Jumlah Min-Max Mean Median SD 95% CI Mean


Umur ibu 189 14—45 23.24 23.0 5.30 22.48—24.0
Berat ibu 189 36—112 58.39 24.0 13.76 56.42—60.37
Berat bayi 189 709—4990 4990 2977.0 729.02 2840.05—3049.26

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 30 dari 139 
Besral, FKM UI, 2012 Modul SPSS

3 Transformasi Data

Transformasi data adalah suatu proses dalam merubah bentuk data. Misalnya
merubah data numerik menjadi data kategorik atau merubah dari beberapa
variabel yang sudah ada dibuat satu variabel komposit yang baru. Beberapa
perintah SPSS yang sering digunakan adalah RECODE dan COMPUTE.

Setelah mempelajari BAB ini, peserta mampu:


- 1. Menjelaskan Pengertian Transformasi Data
- 2. Melakukan Transformasi Data dengan perintah RECODE
- 3. Melakukan Transformasi Data dengan perintah COMPUTE
- 4. Melakukan Transformasi Data dengan perintah IF
- 5. Melakukan Analisis Deskriptif dan Interpretasi Hasil

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 31 dari 139 
Besral, FKM UI, 2012 Modul SPSS

3.1. PENGERTIAN TRANSFORMASI DATA

Transformasi data merupakan suatu proses untuk merubah bentuk data sehingga data siap
untuk dianalisis. Banyak cara yang dapat dilakukan untuk merubah bentuk data namun
yang paling sering digunakan antara lain adalah RECODE dan COMPUTE.

Perubahan bentuk data yang paling sederhana adalah pengkategorian data numerik menjadi
data kategorik, misalnya UMUR dikelompokan menjadi 3 kategori yaitu < 20 th, 20—30
th, dan >30 th. Atau dapat juga dilakukan pengelompokkan data kategorik menjadi
beberapa kelompok yang lebih kecil, misalnya DIDIK dikelompokkan menjadi 2 kategori
yaitu rendah (SD/SMP) dan tinggi (SMU/PT). Proses pengelompokan atau pengkategorian
ulang tersebut lebih dikenal dengan istilah RECODE.

Perubahan bentuk data lainnya adalah penggunaan fungsi matematik dan algoritma.
Misalnya penjumlahan skor pengetahuan, skor sikap, atau skor persepsi. Atau dapat juga
dilakukan proses perkalian dan pembagian sekaligus, misalnya untuk menghitung Index
Massa Tubuh (IMT=BB/TB^2). Atau dapat juga dilakukan pengelompokkan beberapa
variabel sekaligus mengunakan fungsi algoritma, misalnya jika TAHU=1 dan SIKAP=1
dan PRILAKU=1 maka KONSISTEN=1 (jika ke-3 kondisi tersebut terpenuhi maka
dikategorikan sebagai konsisten atau KONSISTEN=1, namun jika salah satu tidak
terpenuhi maka dikategorikan tidak konsisten atau KONSISTEN=0). Proses penggunaan
fungsi matematik dan algoritma tersebut lebih dikenal dengan istilah COMPUTE.

Berikut ini merupakan contoh transformasi data dari Survei Cepat Kesehatan Ibu dan Anak
di 4 Kabupaten di Jawa Barat yaitu Tangerang, Cianjur, Lebak, dan Cirebon. Agar konsep
transformasi data lebih mudah dipahami, maka langsung ditampilkan dalam bentuk contoh
nyata dalam pengolahan data.

Sebagai contoh data kita gunakanlah file TNG.REC (hasil survei cepat di Kabupaten
Tangerang yang telah dientry dengan program EPI INFO). Dengan menggunakan program
EPI-INFO atau EPI Data lakukanlah Export data TNG.REC ke TNG.DBF. Kemudian
buka file TANGERANG.DBF, dan Save ke TANGERANG.SAV. (Lihat Bab I:
Pendahuluan untuk prosedur membuka file DBF dan menyimpan datanya).

LATIHAN MEMBUAT LABEL & VALUE:

Dengan program SPSS, buatlah LABEL untuk setiap Variabel dan VALUE untuk Kode
tertentu yang diperlukan dari data TNG tersebut. Kita memerlukan BUKU KODE untuk
dapat membuat LABEL dan VALUE (Lihat Bab I: Pendahuluan untuk prosedur membuat
label dan value). Buku kode untuk membuat label tersebut ada dihalaman berikutnya.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 32 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Buku kode
Survei Cepat Kesehatan Ibu di Kabupaten Tangerang, Lebak, Cianjur, Cirebon

Nama No. Nilai Label


variabel Pertanyaan
Klaster -- -- Nomor klaster

RESP -- -- Nomor responden

V01 1 Kontinyu Umur ibu (tahun)


15-45
V02 2 Pendidikan ibu
1 Tidak sekolah
2 Tidak tamat SD
3 Tamat SD
4 Tamat SLTP/sederajat
5 Tamat SLTA/sederajat
6 Akademi/perguruan tinggi

V03 3 Pekerjaan utama ibu


1 Tidak bekerja
2 Buruh
3 Pedagang
4 Petani
5 Jasa
6 Pegawai swasta
7 Pengawai negeri/ABRI
8 Lain-lain

V04 4 Apakah ibu melakukan pemeriksaan kehamilan ?


1 Ya
2 Tidak

V05 5 Kontinyu Berapa kali ibu periksa hamil ?

V06 6 Siapa yang menganjurkan ibu untuk periksa hamil ?


1 Keinginan sendiri
2 Keluarga
3 Tetangga/teman
4 Kader kesehatan
5 Bidan
6 Paraji
7 Petugas puskesmas
8 Dokter praktek swasta
9 Lain-lain
V07 7 Tempat pemeriksaan kehamilan yg paling sering dikunjungi
1 Posyandu
2 Bidan praktek swasta
3 Puskesmas
4 Rumah sakit
5 Pondok bersalin
6 Dokter praktek swasta
7 Rumah bersalin
8 Paraji
9 Lain-lain
V08 8 Alasan utama mengunjungi tempat pemeriksaan kehamilan tersebut
1 Biaya murah
2 Sabar/simpatik
3 Teliti
4 Jaraknya dekat
5 Tradisi keluarga
6 Aman/selamat
7 Dianjurkan
8 Lain-lain

Nama No. Nilai Label


variabel pertanyaan

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 33 dari 139 
Besral, FKM UI, 2012 Modul SPSS

V09a 9.a Pada saat periksa hamil, apakah dilakukan penimbangan ?


1 Ya
2 Tidak

V09b 9.b Pada saat periksa hamil, apakah dilakukan imunisasi TT ?


1 Ya
2 Tidak

Pada saat periksa hamil apakah diberikan pil Fe ?


V09c 9.c 1 Ya
2 Tidak

Pada saat periksa hamil apakah dilakukan pemeriksaan tinggi


V09d 9.d fundus?
1 Ya
2 Tidak

Pada saat periksa hamil, apakah dilakukan pemeriksaan tek. darah


V09e 9.e ?
1 Ya
2 Tidak

V10 10 Berapa pil Fe yg diminum selama hamil ?


1 1-30 pil
2 31-60 pil
3 61-90 pil
4 > 90 pil
5 Tidak pernah

V11 11 Siapa yang menolong ibu melahirkan pada kehamilan terakhir ?


1 Tetangga/keluarga
2 Dukun
3 Kader
4 Bidan
5 Dokter
6 Lain-lain

Di mana ibu melahirkan ?


V12 12 1 Rumah sendiri/orang tua
2 Rumah paraji
3 Puskesmas
4 Praktek bidan swasta
5 Pondok bersalin
6 Rumah sakit
7 Rumah bersalin
8 Lain-lain

V13 13 Apakah bayi ditimbang setelah lahir ?


1 Ya
2 Tidak

V14 14 Kontinyu Berat bayi lahir (gram)

V15 15 Apakah ibu memperoleh nasehat perawatan nifas ?


1 Ya
2 Tidak

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 34 dari 139 
Besral, FKM UI, 2012 Modul SPSS

3.2. ANALISA DESKRIPTIF

Setelah semua variabel dibuat LABEL dan VALUE, jawablah pertanyaan di bawah ini,
dan sajikan dalam bentuk tabel yang sesuai dan tuliskan interpretasinya.

PERTANYAAN:
1. Bagaimana distribusi pendidikan ibu di Kabupaten tsb ?
2. Bagaimana distribusi pekerjaan ibu di Kabupaten tsb ?
3. Berapa persen ibu yang melakukan pemeriksaan kehamilan ?
4. Dari ibu yang melakukan pemeriksaan kehamilan, berapa kali rata-rata mereka
memeriksakan kehamilannya ?
5. Dari ibu yang melakukan pemeriksaan kehamilan, berapa persen yang melakukan
pemeriksaan kehamilan 4 kali atau lebih ? Buat variabel baru dg nama PERIKSA
6. Dari ibu yang melakukan pemeriksaan kehamilan, berapa persen yang dianjurkan oleh
tenaga kesehatan (kader, bidan, puskesmas, dokter), berapa persen yang dianjurkan
oleh non tenaga kesehatan (keluarga, tetangga, paraji, lain-lain) dan berapa persen
karena keinginan sendiri ? Buat variabel baru dg nama ANJURAN
7. Dari ibu yang periksa hamil, berapa persen ibu yang periksa hamil 4 kali atau lebih dan
kualitasnya baik (ditimbang, diimunisasi TT, diberi pil Fe, diperiksa tinggi fundus dan
diperiksa tekanan darah) dan dapat pil Fe > 90 pil ?. Kombinasi variabel ini merupakan
proksi dari kualitas K4. Buat variabel baru dg nama K4
8. Berapa persen ibu yang pada saat melahirkan ditolong oleh tenaga kesehatan
(Bidan/dokter)? Buat variabel baru dg nama PENOLONG
9. Dari bayi yang ditimbang, berapa rata-rata berat badan bayi lahir dan berapa standar
deviasinya?
10. Dari bayi yang ditimbang, berapa persen yang BBLR ? (BBLR = Berat lahir kurang
dari 2500 gram) Buat variabel baru dg nama BBLR

Langkah-langkah untuk menjawab pertanyaan no. 1 s.d no. 5 dan 7 akan dipandu
selangkah demi selangkah dalam uraian buku ini, sedangkan pertanyaan no.6, 8 s.d
10 harus kita kerjakan sendiri sebagai latihan.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 35 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Jawaban Pertanyaan no. 1 sampai no. 3

Pertanyaan no. 1 s.d no. 3 berkaitan dengan jenis data kategorik, sehingga analysis data
disesuaikan dengan prosedur analysis data kategorik (Lihat Bagian 2.1 untuk prosedur
lengkapnya) yaitu sebagai berikut:

1. Bukalah file TANGERANG.SAV, sehingga data muncul di Data editor window.


2. Dari menu utama, pilihlah:
Analize <
Descriptive Statistics <
Frequencies….
Pilih variabel V02 V03 V04 dengan cara mengklik masing-masing variable tersebut, dan
masukkan ke kotak Varible(s) di sebelah kanan dengan cara mengklik tanda <
seperti berikut:

Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti berikut:
Pendidikan Ibu

Cumulative
Frequency Percent Valid Percent Percent
Valid Tidak sekolah 42 14.1 14.1 14.1
Tdk Tamat SD 98 32.9 32.9 47.0
Tamat SD 87 29.2 29.2 76.2
Tamat SMP 37 12.4 12.4 88.6
Tamat SMU 33 11.1 11.1 99.7
Tamat PT 1 .3 .3 100.0
Total 298 100.0 100.0

Pekerjaan Ibu

Cumulative
Frequency Percent Valid Percent Percent
Valid Tidak bekerja 274 91.9 91.9 91.9
Buruh 3 1.0 1.0 93.0
Pedagang 11 3.7 3.7 96.6
Petani 1 .3 .3 97.0
Jasa 1 .3 .3 97.3
Pegawai swasta 5 1.7 1.7 99.0
Pengawai negeri/ABRI 3 1.0 1.0 100.0
Total 298 100.0 100.0

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 36 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Jawaban Pertanyaan no. 4

Pertanyaan no. 4 berkaitan dengan jenis data numerik, sehingga analysis data disesuaikan
dengan prosedur analysis data numerik (Lihat Bagian 2.4 untuk prosedur lengkapnya)
yaitu sebagai berikut:

1. Dari menu utama, pilihlah:


Analize <
Descriptive Statistics <
Explore ….
2. Pada kotak yang tersedia, pilih variabel V05 dengan cara mengklik variable tersebut,
dan masukkan ke kotak Varible(s) di sebelah kanan dengan cara mengklik tanda <
seperti berikut:

3. Untuk menjalankan prosedur, klik OK sehingga outputnya sebagai berikut:


Descriptives

Statistic Std. Error


Berapa Kali Mean 6.49 .42
Periksa Kehamilan 95% Confidence Lower Bound 5.67
Interval for Mean Upper Bound
7.31

5% Trimmed Mean 5.79


Median 5.00
Variance 48.149
Std. Deviation 6.94
Minimum 1
Maximum 81
Range 80
Interquartile Range 5.00
Skewness 7.727 .147
Kurtosis 76.446 .293

Catatan: Untuk penyajian dan Interpretasi dapat dilihat Bab 2: Analysis Deskriptif.
Nilai maksimum adalah 81, kita harus mempertanyakan apakah data ini benar atau tidak? Lakukan
terlebih dahulu “Cleaning Data”.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 37 dari 139 
Besral, FKM UI, 2012 Modul SPSS

3.3. TRANSFORMASI DATA DG PERINTAH “RECODE”


Jawaban Pertanyaan no. 5

Pada pertanyaan no. 5, kita harus membuat kategori baru dari variabel V05 menjadi
variabel PERIKSA, dimana nilai 1--3 pada V05 menjadi kode=1 pada PERIKSA dan nilai
4--Max pada V05 menjadi kode=2 pada PERIKSA. Dapat ditulis ulang sebagai berikut:
1—3 Æ 1 = “Periksa kurang dari 4 kali”
4—max Æ 2 = “Periksa 4 kali atau lebih”
1. Dari menu utama, pilihlah:
Transform <
Recode <
Into Different Variable….
2. Pilih variabel V05 klik tanda < untuk memasukkannya ke kotak sebelah kanan
3. Isi Kotak Name dengan varibel baru PERIKSA
4. Klik Change, sehingga “V05 Æ …” berubah menjadi “V05 Æ PERIKSA” seperti
berikut:

5. Klik OLD AND NEW VALUES…


.
6. Pada OLD Value, Pilih ( ) Range through dan isi 1 through 3
Kemudian pada NEW Value isi 1, selanjutnya klik ADD. Hasilnya dapat dilihat pada
gambar berikut:

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 38 dari 139 
Besral, FKM UI, 2012 Modul SPSS

7. Berikutnya, pada OLD Value, Pilih (.) Range through highest dan isi
kotak 4 through highest.
Kemudian pada NEW Value isi 2, kemudian klik ADD

8. Klik Continue dan kemudian OK untuk menjalankan prosedur


Proses transformasi selesai, lihat pada jendela Data-View, kolom paling kanan

Pemberian LABEL dan VALUE..

9. Beri Label PERIKSA Æ Jumlah Kunjungan Periksa Hamil


10. Beri Value PERIKSA kode 1 Æ “Kurang 4 kali” kode 2 Æ “4 kali atau lebih”
11. Tampilkan distribusi frekuensi untuk variabel PERIKSA sebagai berikut:
Jumlah Kunjungan Periksa Hamil

Cumulative
Frequency Percent Valid Percent Percent
Valid Kurang dari 4 kali 76 25.5 27.6 27.6
4 kali atau lebih 199 66.8 72.4 100.0
Total 275 92.3 100.0
Missing System 23 7.7
Total 298 100.0

“Dari semua yang periksa hamil (275), sebanyak 199 (72.4%) memeriksakan kehamilannya 4 kali atau lebih,
ada 23 responden yang missing (artinya tidak pernah periksa hamil)”.

Catatan tambahan:
Jika kita menginginkan data yang missing tersebut juga diberi kode= 1 (Periksa kurang
dari 4 kali/tidak periksa hamil), maka setelah langkah nomor 7 tambahkan perintah berikut:

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 39 dari 139 
Besral, FKM UI, 2012 Modul SPSS

12. Pada OLD Value, Pilih System missing,


kemudian pada NEW Value isi 1, kemudian klik ADD, hasilnya sebagai berikut:

13. Klik Continue dan OK untuk menjalankan prosedur.

14. Keluarkan distribusi frekuensi dari variabel PERIKSA, hasilnya sebagai berikut:

Jumlah Kunjungan Periksa Hamil

Cumulative
Frequency Percent Valid Percent Percent
Valid Kurang dari 4 kali 99 33.2 33.2 33.2
4 kali atau lebih 199 66.8 66.8 100.0
Total 298 100.0 100.0

Interpretasinya berbeda dengan output sebelumnya:


“Dari semua reponden (298), sebanyak 199 (66.8%) memeriksakan kehamilannya 4 kali atau lebih”

Catatan: Untuk penyajian dan Interpretasi lebih detail dapat dilihat Bab 2: Analysis Deskriptif.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 40 dari 139 
Besral, FKM UI, 2012 Modul SPSS

3.4. TRANSFORMASI DATA DG PERINTAH “COMPUTE”

Pertanyaan no. 7
Dari ibu yang periksa hamil, berapa persen ibu yang periksa hamil 4 kali atau lebih dan
kualitasnya baik (ditimbang, diimunisasi TT, diberi pil Fe, diperiksa tinggi fundus dan
diperiksa tekanan darah) dan dapat pil Fe > 90 pil ?. Kombinasi variabel ini merupakan
proksi dari kualitas K4. Buat variabel baru dg nama K4

Jawaban no.7
Untuk menjawab pertanyaan nomor 7 kita terlebih dahulu harus membuat variabel baru
yang namanya K4. Jika V05 >= 4 dan (V09a=1 dan V09b=1 dan V09c=1 dan V09e=1) dan
v10=4 maka K4 =1 (K4 berkualitas baik) selain itu K4 =0 (K4 tidak berkualitas tidak)

1. Dari menu utama, pilihlah:


Transform <
Compute <

2. Isi Target Variabel dengan K4


3. Isi Kotak Numeric Expression dengan persamaan berikut:
V05 >= 4 and (V09a=1 and V09b=1 and V09c=1 and V09e=1) and v10=4
Pilih variabel yang sesuai di kotak kiri bawah, kemudian klik tanda > untuk
memasukkannya ke kotak bagian kanan atas (Numeric Expression)
(Jangan biasakan mengetik nama variabel, cukup pakai klik dan pilih tanda >, untuk
mengurangi kesalahan akibat pengetikan)
4. Hasilnya Sebagai berikut:

Klik OK untuk menjalankan prosedur


Kemudian keluarkan distribusi frekuensi dari K4 (Analysis deskriptif data kategorik),
sehingga muncul hasil seperti berikut:

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 41 dari 139 
Besral, FKM UI, 2012 Modul SPSS

K4

Cumulative
Frequency Percent Valid Percent Percent
Valid .00 221 74.2 82.5 82.5
1.00 47 15.8 17.5 100.0
Total 268 89.9 100.0
Missing System 30 10.1
Total 298 100.0

Buat Label untuk variabel K4=”Pemeriksakan kehamilan dengan kualitas baik”,


Buat VALUE kode 0=”Kualitas K4 tidak baik” dan kode 1=”Kualitas K4 baik”,
Keluarkan kembali tabel frekuensinya sebagai berikut:
Ibu memeriksakan kehamilan dengan kualitas baik

Cumulative
Frequency Percent Valid Percent Percent
Valid Kualitas K4 tidak baik 221 74.2 82.5 82.5
Kualitas K4 baik 47 15.8 17.5 100.0
Total 268 89.9 100.0
Missing System 30 10.1
Total 298 100.0

Contoh interpretasi:
“Dari semua responden ibu hamil (298), sebanyak 47 (15.8%) memeriksakan kehamilan dengan
kualitas K4 yang baik”

Hati-hati dengan interpretasi lain yang berbeda:


“Dari semua yang pernah periksa hamil (268), sebanyak 47 (17.5%) mendapatkan pemeriksaan
kehamilan dengan kualitas K4 yang baik”

Interpretasi mana yang akan dipilih harus disesuaikan dengan tujuan dan substansi yang ingin
diukur oleh peneliti

Perintah Compute tersebut dapat juga diketik pada SPSS Syntax sebagai berikut:
COMPUTE K4 = V05 >= 4 and V09a=1 and V09b=1 and V09c=1 and V09d=1 and V09e=1 and v10=4.
FREQ K4.
*Pemberian Variabel Label
VAR LAB K4 “Ibu memeriksakan kehamilan K4 dengan kualitas baik”.
*Pemberian Value Label
VALUE LAB K4 1 “Kualitasw Baik” 0 “Kualitas Kurang”.
Tabel Frekuensi:
FREQ K4.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 42 dari 139 
Besral, FKM UI, 2012 Modul SPSS

3.5. TRANSFORMASI DATA DG PERINTAH “IF”

Membuat variabel baru dengan kondisi, perintah “IF”


Dalam pembuatan variabel baru seringkali dihasilkan dari kondisi beberapa
variabel yang ada. Misalnya dalam file “TANGERANG.SAV” terdapat variabel “umur
ibu” dan variabel “berat bayi”. Kemudian kita ingin membuat variabel baru yang berisi dua
kelompok yaitu: risiko tinggi dan ririko rendah. Misalkan variabel tersebut diberi nama
“Risk” dan untuk kelompok risiko rendah (kode 0) dan risiko tinggi (kode 1). Adapun
kriteria risiko tinggi adalah bila ibu berumur di atas 30 tahun dan berat bayi kurang dari
2500 gram. Selain kondisi tersebut dikelompokkan ke dalam risiko rendah. Dari kasus ini
berarti kita diharapkan membuat variabel baru dengan kondisi variabel umur_ibu dan berat
bayi. Bagaimana cara membuat variabel “Risk” tersebut? Ada dua langkah untuk
menyelesaikan kasus ini:
Langkah pertama:
= membuat variabel RISK yang isinya semuanya 0 (risiko rendah)=
1). Pilih “Transform”
2). Pilih “Compute”
3). Pada kotak “Target Variable”, ketiklah “risk”
4). Pada kotak “Numeric Expression”, ketiklah “0”

5). Klik “OK”, terlihat dilayar “Data View” sebelah paling kanan, variabel “risk” sudah
terbentuk dengan semua selnya berisi angka 0.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 43 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Langkah kedua:
=membuat kondisi risiko tinggi (kode 1) untuk umur_ibu >30 dan Berat_bayi <2500
6). Pilih kembali menu “Transform”
7). Pilih kembali ‘Compute”
8). Pada kotak “Target Variable” biarkan tetap berisi “RISK”.
9). Pada kotak “Numeric Expression”, hapus angka 0 dan gantilah dengan angka 1.

10). Klik tombol “If ”, sesaat kemudian muncul dialog “ComputeVariable: If Cases”
11). Klik tombol berbentuk lingkaran kecil: Include if case satisfies condition.
12). Pada kotak di bawah option include …. : ketiklah: umur_ibu > 30 & berat_bayi < 2500

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 44 dari 139 
Besral, FKM UI, 2012 Modul SPSS

13). Klik “Continue”


14). Klik “OK”, akan muncul pesan:

15). Klik “OK”, maka terbentuklah variabel “RISK” pada kolom paling kanan dengan isi 0
dan 1. Silakan buat Label untuk value 0=risiko rendah dan 1= risiko tinggi, kalau menemui
data yang berisi umur diatas 30 tahun dan berat bayi dibawah 2500 gram, maka isi variabel
RISK adalah 1, coba dicek !!!!

Catatan : setiap kita melakukan perintah : Compute, Recode, atau IF sebaiknya di


croscek, apakah hasilnya betul sesuai yang kita kehendaki

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 45 dari 139 
Besral, FKM UI, 2012 Modul SPSS

3.6. MEMILIH SEBAGIAN DATA DG PERINTAH


“SELECT”

Dalam kondisi tertentu seringkali kita hanya menginginkan mengolah dan


menganalisis hanya data dari kelompok tertentu saja. Misalkan kita punya data seluruh
DKI, tapi kita hanya ingin mengetahui distribusi aktifitas pada ibu hamil yang tinggal di
Jakarta Selatan. Di dalam data tentunya ada variabel yang menunjukkan wilayah tempat
tinggal ibu hamil.
Sebagai contoh kita ingin menganalisis data, hanya untuk ibu yang memeriksa
kehamilan saja (V03=1),(dalam contoh ini kita masih menggunakan file data
TANGERANG.SAV). caranya:
1). Pilih menu “Data”
2). Pih “Select Cases”
3). Klik pada tombol : If Conditin is satisfied

4). Klik “If “


5). Ketiklh/sorot dan pindah pada kotak dan tuliskan kondisinya yaitu: Eksklu=0
Ket: ibu yang menyusui eksklusive kodenya=0

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 46 dari 139 
Besral, FKM UI, 2012 Modul SPSS

6). Klik “Continue”


7). Perhatikan di bagian bawah pada kotak: Unselected cases are: filtered atau deleted.
Pilihlah filtered artinya data yang tidak dianalisis hanya ditandai dengan pencoretan
nomor kasus. Sedangkan untuk Deleted, artinya kasus yang tidak terpilih akan
dihapus secara permanen. Biasanya cukup digunakan option: filtered.
8). Klik “OK” sehingga kita kembali ke data editor. Perhatikan pada data editor ada
beberapa kasus yang tidak terpilih (dimatikan), yang ditandai dengan pencoretan
nomor kasusnya. Nomor batang yang dicoret artinya dikeluarkan dari data, sedangkan
yang tidak dicoret merupakan data yang aktif (ibu yang menyusui eksklusive)

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 47 dari 139 
Besral, FKM UI, 2012 Modul SPSS

4 Merge File Data


Merger atau menggabung beberapa file data menjadi satu file biasanya
dilakukan pada survei besar, dimana proses entri data dilakukan oleh lebih
dari satu orang pada saat yang bersamaan atau file entri data sengaja dipisah-
pisah sesuai dengan topik penelitiannya agar lebih mudah dalam proses entri
datanya. Sebelum data bisa dianalisa, tentunya file-file data yang terpisah itu
harus digabungkan terlebih dahulu.

Setelah mempelajari BAB ini, peserta mampu:


- 1. Menjelaskan Pengertian Merge
- 2. Melakukan Merger dengan perintah “ADD VARIABEL”
- 3. Melakukan Merger dengan perintah “ADD CASES”
- 4. Melakukan Merger antara data INDIVIDU dengan data RUMAH TANGGA

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 48 dari 139 
Besral, FKM UI, 2012 Modul SPSS

4.1. PENGERTIAN MERGE

Merge merupakan suatu proses yang diperlukan untuk menggabung beberapa file data
yang ingin dijadikan satu file data saja. Secara umum ada tiga jenis merger, yaitu 1)
merger untuk menambah record/kasus/responden, 2) merger untuk menambah variabel,
dan 3) merger untuk menggabungkan antara data individu dengan data rumah tangga.

1. MERGER dengan ADD CASES:


Jenis merger ini biasanya dilakukan pada satu penelitian dengan jumlah
record/kasus/responden relatif banyak dan pada saat melakukan ENTRY data
biasanya dilakukan oleh lebih dari 1 petugas entry supaya cepat selesai.
Contoh:
Data file pertama, berisi: nomor responden 1 sampai 3
No Umur Pendidikan
1 20 1
2 23 3
3 19 2

Data file kedua, berisi: nomor responden 4 sampai 7


No Umur Pendidikan
4 21 1
5 23 4
6 20 2
7 24 3

Data gabungan/merger, berisi: nomor responden 1 sampai 7


No Umur Pendidikan
1 20 1
2 23 3
3 19 2
4 21 1
5 23 4
6 20 2
7 24 3

Contoh lain:
Penelitian survei cepat dengan topik yang sama (Antenatal Care) dilakukan di
Cianjur (300 responden) dan Lebak (300 responden), proses ENTRY data
dilakukan oleh 2 orang. Data tersebut dapat dianalysis terpisah satu persatu, namun
peneliti ingin juga melakukan analysis gabungan. Sebelum dilakukan analisis
gabungan, file tersebut harus dimerge terlebih dahulu. Pada merge jenis ini
dilakukan penambahan record/kasus/responden (ADD CASES). Hasil gabungan 2
file tersebut akan didapatkan 600 responden, dengan jumlah “variabel” yang sama
karena surveinya sama.
Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 49 dari 139 
Besral, FKM UI, 2012 Modul SPSS

2. MERGER dengan ADD VARIABEL


Jenis merger ini biasanya dilakukan pada satu penelitian dengan jumlah variabel
yang relatif banyak, atau pada beberapa penelitian dengan topik yang berbeda
dengan responden yang sama. Pada saat ENTRY data biasanya dilakukan oleh
lebih dari 1 petugas entri supaya cepat selesai. Atau ENTRY data antara satu topik
dengan topik lainnya sengaja dipisah supaya databasenya tidak terlalu besar.

Data pertama : berisi variabel: no, umur dan pendidikan


no umur pendidikan
1 20 1
2 23 3
3 19 2
4 21 1
5 23 4
6 20 2
7 24 3

Data kedua: berisi variabel: no, jenis.kelamin, kerjaan, dan berat.badan


no jenis.kelamin kerjaan berat.badan
1 2 1 60
2 2 3 45
3 1 2 56
4 2 1 76
5 2 3 56
6 1 2 60
7 2 3 55

Data gabungan/merger: berisi: no, umur, didik, sex, kerja dan bb


No umur pendidikan jenis.kelamin kerjaan berat.badan
1 20 1 2 1 60
2 23 3 2 3 45
3 19 2 1 2 56
4 21 1 2 1 76
5 23 4 2 3 56
6 20 2 1 2 60
7 24 3 24 3 55

Contoh lain:
Penelitian Survei Sosial Ekonomi Nasional (Susenas) mempunyai banyak topik
yang diteliti (ISPA, DIARE, MENYUSUI, KB, dll) pada responden/keluarga yang
sama. Proses ENTRY data biasanya dilakukan per topik (satu topik satu file data)
sehingga jika ingin mengolah data tersebut harus dilakukan merger terlebih dahulu.
Pada merge jenis ini dilakukan penambahan variabel (ADD VARIABEL). Proses
merge ini memerlukan variabel “ID” yang sama.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 50 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Contoh lain:
Survei cepat di Lebak (300 responden), proses ENTRY data dilakukan oleh 2
orang. Petugas ENTRY-1 melakukan pemasukan data untuk variabel V01 sampai
09 sedangkan Petugas ENTRY-2 melakukan pemasukan data untuk variabel V10
sampai 15. Sebelum dianalisis file tersebut harus digabung terlebih dahulu. Proses
penggabungan memerlukan “ID” yang sama.

3. MERGER data INDIVIDU dengan RUMAH TANGGA

Data INDIVIDU.SAV Data RT.SAV


No.RT No.indiv umur pendidikan sex No.RT Income
1 1 20 1 2 1 60.000
1 2 23 3 2 2 45.000
2 1 19 2 1 3 55.000
2 2 21 1 2
2 3 23 4 2
3 1 20 2 1
3 2 24 3 24

Data GABUNGAN.SAV
No.RT No.indiv umur pendidikan sex Income
1 1 20 1 2 60.000
1 2 23 3 2 60.000
2 1 19 2 1 45.000
2 2 21 1 2 45.000
2 3 23 4 2 45.000
3 1 20 2 1 55.000
3 2 24 3 24 55.000

4.2. MERGER dengan ADD VARIABEL

Pada uraian berikut akan dijelaskan penggabungan file LEBAK-1.SAV (variabel id v01—
v09) dengan LEBAK-2.SAV (variable id v10—v15).

Persyaratan:
1. Harus ada variabel “ID” yang sama, artinya nomor identitas responden pada
file-1 harus sama dengan nomor identitas responden pada file-2
2. Variabel “ID” atau nomor identitas tersebut tidak boleh ada nomor yang sama
atau nomor kembar (double), artinya dalam satu file hanya boleh ada satu
nomor identitas. Tidak boleh ada responden-A memiliki nomor ID “10012”
tetapi responden-B juga memiliki nomor ID “10012”.

Dalam contoh ini variabel “ID” yang dipakai adalah “RESP_ID”.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 51 dari 139 
Besral, FKM UI, 2012 Modul SPSS

- SORT DATA-1.SAV

1. Bukalah file LEBAK-1.SAV, sehingga data tampak di Data editor window.


2. Lakukan SORT terhadap variabel “ID” (RESP_ID). Dari menu utama, pilihlah:
Data <
Sort Cases <
Pindahkan variabel RESP_ID ke kotak kanan dengan cara mengklik RESP_ID dan klik
tanda < . Pastikan Sort Order yang dipilih adalah Sort by Ascending (Urutan dari
nilai terkecil ke nilai terbesar).
Kemudian klik OK untuk menjalankan prosedur.

Pilih SAVE untuk meyimpan file data tersebut.


Tutup data LEBAK-1 tersebut dan Buka LEBAK-2

- SORT DATA-2.SAV

Bukalah file LEBAK-2.SAV, sehingga data tampak di Data editor window.


Lakukan SORT terhadap variabel “ID” (RESP_ID). Sesuai dengan prosedur no 2 sampai 4:
Pilih SAVE untuk meyimpan file data tersebut.

- PROSES MERGE

Buka kembali file LEBAK-1.SAV


Mulai proses Merger dengan perintah:
Data <
Merge Files <
Add Variabel…
Pilih file LEBAK-2 kemudian klik Open

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 52 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Pindahkan variabel RESP_ID dari kotak Excluded variabel ke kotak Key Variabel (di
kanan bawah) dengan cara: klik RESP_ID, klik Macth cases on key variables in
sorted files, dan klik tanda panah ke kanan <.
Klik dan aktifkan Macth cases on key variables in sorted files, dengan pilihan
* Both file provide cases: kedua data digabung secara utuh (pilihan standar)
* External file is keyed table: data-2 sebagai acuan untuk menggabung
* Working file is keyed table: data-1 sebagai acuan untuk menggabung
Kemudian klik OK untuk menjalankan prosedur.

Selanjutnya akan muncul warning yang akan memberi tahu bahwa proses merger akan
gagal jika Key variabel (RESP_ID) tidak di sort menurut ascending.

Pilih saja OK, karena kita sudah mensortnya, kemudian proses penggabungan akan
berlangsung
Jika selesai, lihat Data View bagian paling kanan akan ditambahkan V10 sampai V15
Simpan file dengan nama LEBAK.SAV

4.3. MERGER dengan ADD CASES

Suatu survei yang dilakukan pada dua atau lebih tempat yang berbeda, untuk efisiensi
maka proses ENTRY data dilakukan pada tempat yang berbeda pula. Pada saat
ANALYSIS data, beberapa file data yang terpisah tadi perlu digabung terlebih dahulu agar
analysis secara menyeluruh dapat dilakukan.
Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 53 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Persyaratan:
1. Kedua file harus mempunyai NAME variabel yang sama, artinya jika file-1 ada 15
variabel maka file-2 juga harus mempunyai 15 variabel yang sama. Kesamaan
NAME ke-15 variabel harus mencakup juga kesaman dalam TYPE dan WITH,
serta DECIMAL
2. “ID” atau nomor identitas responden tidak terlalu penting

Uraian di bawah ini akan menjelaskan langkah-langkah proses penggabungan file


LEBAK.SAV dan CIANJUR.SAV dengan prosedur sebagai berikut:

1. Bukalah file LEBAK.SAV, sehingga data tampak di Data editor window.


2. Lakukan merger dengan perintah berikut: Dari menu utama, pilihlah:
Data <
Merge files <
Add cases#
Pilih file Cianjur kemudian klik Open.

3. Di menu tersebut terlihat bahwa SPSS memberi tahu bahwa ada variabel yang tidak
sama atau tidak tersedia pada ke-2 file data yaitu RESP_ID, variabel yang tidak
sama tersebut akan ditempatkan dalalm kotak Unpaired variabels. Abaikan saja
variabel tersebut, sehingga nantinya tidak akan dimasukkan dalam data gabungan.
Jika variabel tersebut merupakan variabel penting yang harus masuk, maka lakukan
perubahan terhadap variabel itu terlebih dahulu, harus dicek apakah NAME, TYPE,
WITH, atau DECIMAL-nya yang berbeda.
4. Pilih OK untuk menjalankan proses merger
5. Pastikan jumlah record/responden dan variabel sudah sesuai dengan keinginan,
dalam hal ini (LEBAK+CIANJUR) respondennya adalah 300+300 = 600 dan
varaiabelnya V01 sampai dengan V15.
6. Jika selesai, Simpan file dengan nama baru, misalnya: LEBAK-CIANJUR.SAV

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 54 dari 139 
Besral, FKM UI, 2012 Modul SPSS

4.4. MERGER antara data INDIVIDU dengan


data RUMAHTANGGA

Pada survei besar seperti SUSENAS database antar topik atau antara rumah tangga
dengan individu dipisahkan demi efisiensi. Pada saat analysis, seringkali kita
membutuhkan penggabungan antara data tersebut. Suatu hubungan file yang memiliki
hirarkhi tersebut, seperti data rumah tangga dengan data individu dalam rumah tangga,
ingin digabungkan untuk analysis lebih lanjut.

Prosedur penggabungannya adalah sama dengan cara Merge Add Variable. Namun,
pada proses penggabungan, perlu diingat bahwa file data yang memiliki hirarkhi lebih
tinggi (rumah tangga) harus dijadikan sebagai acuan (Match cases) pada variabel kunci.

Contoh berikut ini akan menggabungkan file RT.SAV (berisi variabel idrt dan
income) dengan file INDIV.SAV (berisi variabel idrt, umur, & didik). File yang aktif
adalah INDIV dan file yang akan digabungkan adalah RT. Harus dipastikan tidak ada
variabel IDRT yang double pada file RT.SAV

File INDIV.SAV File RT.SAV

PERSIAPAN MERGE

1. Bukalah file RT.SAV, sehingga data tampak di Data editor window.


2. Lakukan SORT terhadap variabel “ID” (IDRT). Dari menu utama, pilihlah:
Data <
Sort Cases <
3. Sort IDRT by Ascending, SAVE, dan CLOSE
4. Bukalah file INDIV.SAV, sehingga data tampak di Data editor window.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 55 dari 139 
Besral, FKM UI, 2012 Modul SPSS

5. Lakukan SORT terhadap variabel “ID” (IDRT). Dari menu utama, pilihlah:
Data <
Sort Cases <
6. Sort IDRT by Ascending, dan SAVE

PROSEDUR MERGE

7. Pastikan data yang aktif adalah data INDIV.SAV


Mulai proses Merger dengan perintah:
Data <
Merge Files <
Add Variabel…
Pilih file RT.SAV kemudian klik Open
8. Pindahkan variabel IDRT dari kotak Excluded variabel ke kotak Key Variabel
dengan cara: klik IDRT, aktifkan Macth cases on key variables in sorted files,
klik tanda panah ke kanan >.
9. Klik dan aktifkan Macth cases on key variables in sorted files, dengan pilihan
* External file is keyed table: data-external (RT.SAV) sebagai acuan untuk
digabungkan ke data yang sedang aktif (INDIV.SAV)
10. Kemudian klik OK untuk menjalankan prosedur.

11. Selanjutnya akan muncul warning yang akan memberi tahu bahwa proses
merger akan gagal jika Key variabel (IDRT) tidak di sort menurut
ascending.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 56 dari 139 
Besral, FKM UI, 2012 Modul SPSS

12. Pilih saja OK, kemudian proses penggabungan akan berlangsung, hasilnya
sebagai berikut:

Perhatikan bahwa rumah tangga nomor 5 tidak mempunyai data income karena memang
data aslinya pada RT.SAV IDRT nomor 5 tidak ada (missing), IDRT no 4 langsung no 6.

Selain itu, income RT nomor 6 sampai 10 tidak masuk dalam file gabungan, karena
memang IDRT 6 –10 tidak tersedia pada file INDIV.SAV (mising).

Jangan lupa untuk menyimpan file gabungan dengan nama yang berbeda dengan perintah
SAVE AS.., tulis nama file GABUNGAN-INDIV-RT.SAV.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 57 dari 139 
Besral, FKM UI, 2012 Modul SPSS

5 Konsep Uji Statistik

A. RUMUSAN HIPOTESIS
Hipotesis adalah pernyataan sementara yang perlu diuji kebenarannya. Uji
ini diperlukan oleh karena penelitian dilakukan pada sampel, tidak pada
populasi, sedangkan peneliti ingin menggeneralisasikan hasil studinya pada
populasi. Prinsip uji hipotesis adalah melakukan perbandingan antara nilai
sampel (data hasil penelitian) dengan nilai hipotesis (nilai populasi) yang
diajukan .
Uji hipotesis adalah prosedur statistika untuk menunjukkan kesahihan suatu
hipotesis. Dengan uji hipotesis tersebut dapat ditentukan apakah perbedaan
(atau tidak adanya perbedaan) yang diperoleh dari data sampel, berlaku pula
untuk populasi yang diwakili oleh sampel yang diteliti tersebut.
Kemudian terhadap data pada sampel dilakukan uji untuk memperoleh
angka apakah cukup bukti untuk menolak hipotesis nol, hingga dapat
disimpulkan ada atau tidaknya perbedaan antara kelompok. Pada akhir uji
statistik akan diperoleh nilai p; karena nilai ini diperoleh dengan
penggandaian hipotesis nol, maka dalam interpretasinya harus disertai
dengan pernyataan “bila hipotesis nol benar”.

Dua Jenis hipotesis statistik


1. Hipotesis nol ( Ho)
Pernyataan netral atau hipotesis yang menyatakan tidak ada
perbedaan sesuatu kejadian antara kedua kelompok. Atau hipotesis
yang menyatakan tidak ada hubungan antara variabel satu dengan
variabel lain.
2. Hipotesis alternatif (Ha)
Pernyataan yang memihak atau hipotesis yang menyatakan ada
perbedaan suatu kejadian antara kedua kelompok . Atau hipotesis
yang menyatakan ada hubungan variabel satu dengan variabel yang
lain.
Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 58 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Bentuk hipotesis alternatif:


• One tail (satu arah atau satu sisi)
Bila hipotesis alternatifnya menyatakan ada perbedaan lebih
tinggi atau lebih rendah.
Contoh : kadar hb pada ibu hamil yang rutin minum susu lebih
tinggi daripada kadar Hb pada ibu hamil yang tidak
mengkonsumsi susu .
Hipotesis satu arah dapat dibuat setelah melakukan kajian
literatur, sehingga sudah jelas arah atau tinggi rendahnya.
• Two tail (dua arah atau dua sisi)
Bila hipotesis alternatifnya hanya menyatakan ada perbedaan
saja, tanpa melihat lebih tinggi maupun lebih rendah
Contoh
Kadar hb pada ibu hamil di perkotaan berbeda dengan kadar ibu
hamil di pedesaan.
Hipotesis dua arah biasanya dibuat untuk bidang kajian yang
relatif masih baru, sehingga belum diketahui arah atau tinggi
rendahnya.

B. KEMUNGKINAN SALAH DALAM UJI HIPOTESIS


Dalam setiap uji hipotesis, selalu terdapat kemungkinan bahwa kesimpulan yang
diperoleh tersebut adalah salah. Mungkin perbedaan antara 2 kelompok, atau
hubungan antara variabel bebas dengan variabel tergantung yang diperoleh dalam
sampel sebenarnya hanya terjadi semata-mata karena peluang atau kebetulan;
artinya dalam populasi yang diwakili oleh sampel, hubungan atau perbedaan
tersebut tidak ada. Atau sebaliknya yang terjadi, data pada sampel tidak
menunjukkan perbedaan atau hubungan, sedangkan dalam populasi perbedaan atau
hubungan tersebut ada. Salah satu dari kedua kemungkinan salah tersebut selalu
ada pada setiap uji hipotesis.

Apabila dalam uji hipotesis diperoleh hubungan atau perbedaan (hipotesis nol
ditolak), sedangkan sebenarnya dalam populasi asosiasi atau perbedaan tersebut
tidak ada, hal ini disebut kesalahan tipe I, atau positif semu. Batas kesalahan tipe I
yang boleh diperbuat dinyatakan dalam α (alpha). Sebaliknya, bila asosiasi atau

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 59 dari 139 
Besral, FKM UI, 2012 Modul SPSS

perbedaan tidak ada dalam data sampel, sedangkan di dalam populasi ada, maka
kita dihadapkan pada kesalahan tipe II, atau hasil negatif semu. Batas kesalahan
tipe II yang boleh diperbuat dinyatakan dalam β (beta).

Keadaan sebenarnya di populasi


Hasil uji statistik sampel
Berbeda Sama
Ho ditolak Power (1-β) α
Ho gagal ditolak β (1- α) Tingkat Kepercayaan

Analog dengan uji diagnostik, uji hipotesis pada dasarnya memperbandingkan hasil
yang diperoleh dalam sampel, dan diuji kesahihannya dengan kebenaran yang ada
dalam populasi. Apa yang sebenarnya terdapat dalam populasi, tidak diketahui,
namun dengan berdasarkan teori peluang dan menggunakan berbagai prosedur
statistika dapat memberikan gambaran apakah hasil yang ada pada sampel tersebut
menggambarkan apa yang terdapat dalam populasi.

Istilah power adalah kemampuan uji hipotesis untuk menemukan perbedaan (atau
asosiasi), bila perbedaan (asosiasi) tersebut dalam populasi memang ada. Besar
power adalah (1-β); bila ditentukan nilai β adalah 0,10 maka nilai power adalah
0,90; artinya uji hipotesis pada sampel mempunyai peluang 90% untuk menemukan
perbedaan, bila perbedaan tersebut ada dalam populasi. Dalam uji diagnostik maka
power adalah setara dengan sensitifitas.

Istilah tingkat kepercayaan adalah kemampuan uji hipotesis untuk menyimpulkan


tidak cukup bukti dalam menyatakan adanya perbedaan atau hubungan (dengan
kata lain menyimpulkan tidak ada perbedaan atau tidak ada hubungan), bila
perbedaan atau hubungan tersebut memang tidak ada. Besarnya tingkat
kepercayaan adalah

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 60 dari 139 
Besral, FKM UI, 2012 Modul SPSS

(1- α). Bila ditentukan nilai α adalah 0,05, maka tingkat kepercayaan adalah 0.95
artinya peneliti mempunyai peluang 95% untuk menyatakan tidak ada perbedaan,
bila perbedaan tersebut memang tidak ada dalam populasi.

C. MENENTUKAN TINGKAT KEMAKNAAN

Nilai p
Dalam setiap uji hipotesis peneliti pada akhirnya akan sampai pada nilai p, yang
biasanya disebut sebagai batas kemaknaan uji hipotesis. Nilai p ini mempunyai makna
yang penting, namun tidak mutlak, dan harus diinterpretasi dengan baik agar tidak
terjadi kesalahan kesimpulan.
Dalam uji hipotesis, peneliti mulai dengan mengatakan bahwa tidak terdapat perbedaan
atau hubungan antara 2 variabel (hipotesis nol). Dengan dasar asumsi tersebut, dan
dengan perhitungan berdasarkan rumus tertentu, berdasarkan data sampel yang telah
dianalisis akan diperoleh nilai p.
Interpretasi nilai p yang benar adalah:
• Besarnya kemungkinan untuk mendapatkan hasil yang diperoleh atau hasil yang
lebih ekstrem, bila hipotesis nol benar
atau :
• Besarnya kemungkinan bahwa hasil yang diperoleh, atau hasil yang lebih ekstrem,
disebabkan oleh faktor peluang atau faktor kebetulan semata, bila hipotesis nol benar.

Nilai p ini seringkali disalahtafsirkan, misalnya:


• menyatakan bahwa nilai p adalah kemungkinan bahwa hipotesis nol benar
(besarnya kemungkinan tidak ada hubungan atau besarnya kemungkinan antara ke dua
kelompok tidak berbeda). Hal ini keliru, karena nilai pada populasi adalah nilai yang
tetap, sehingga kemungkinan benar atau salah adalah 0 atau 1.
• Salah tafsir lainnya adalah menyatakan bahwa nilai p adalah besarnya
kemungkinan bahwa hasil yang diperoleh adalah disebabkan oleh peluang atau
kebetulan atau akibat variasi random. Interpretasi ini keliru sebab kalimat tersebut
secara implisist mengkaitkan nilai p dengan .

Interval Kepercayaan

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 61 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Dalam memaparkan hasil analisis penelitian, sekarang dianjurkan untuk menyertakan


interval kepercayaan dari pada hanya nilai p-nya saja, oleh karena dengan
mengemukakan interval kepercayaan dapat diperoleh dua hal sekaligus yaitu 1)
gambaran hasil analisis pada populasi dan 2) presisi. Sesuai dengan nilai α, maka
interval kepercayaan yang biasa dipakai adalah 95% (untuk α = 0,05) atau IK 99%
(untuk α = 0,01).

Interval kepercayaan dapat ditetapkan dengan menghitung standard error, dan dapat
diterapkan baik untuk proporsi, rerata, maupun untuk perbedaan proporsi, perbedaan
rerata, dan berbagai statistik lainnya. Rasio prevalens pada studi cross sectional, risiko
relatif pada studi kohort, rasio odds pada studi kasus-kontrol, sensitivitas, spesifisitas,
nilai prediksi pada uji diagnostik juga perlu disajikan nilai interval kepercayannya.

Kemaknaan substansi vs kemaknaan statistik

Setiap intrepretasi hasil penelitian jangan hanya dinilai dari aspek statistik saja tetapi
juga perlu memperhatikan aspek substansi atau klinis. Kemanknaan dibedakan menjadi
dua yaitu kemaknaan secara substansi dengan kemaknaan secara statistik. Kemaknaan
secara statistik bisa dengan mudah didapatkan pada survei-survei skala nasional dengan
sampel yang sangat sangat besar. Padahal secara substansi belum tentu ada maknanya.

Ilustrasi berikut ini akan memaparkan pentingnya pemahaman tentang kemaknaan


substansi dan tidak hanya terpaku pada kemaknaan statistik semata.
Tabel 1
Kebiasaan PJK n
minum teh Ya Tidak
Ya 12 (12%) 88 100
Tidak 10 (10%) 90 100
Jumlah 22 178 200
Chi2 = 0,20 p = 0,651

Pada tabel 1 terlihat kejadian penyakit jantung koroner (PJK) pada kelompok yang biasa
minum teh sebesar 12% sedangkan kejadian PJK pada kelompok yang tidak memiliki
kebiasan minum teh sebesar 10%. Secara statistik tidak ada perbedaan yang signifikan
(nilai p = 0,651).

Tabel 2

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 62 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Kebiasaan Penyakit Jantung Koroner


minum teh Ya Tidak Jumlah
Ya 240 (12%) 1760 2000
Tidak 200 (10%) 1800 2000
Jumlah 440 3560 4000
2
Chi = 4,09 p = 0,043

Pada tabel 2, sampel penelitian ditambah menjadi 20 kali lipat, sedangkan proporsi
penyakit jantung koroner pada kedua kelompok yang diuji tetap sama (12% dan 10%). Uji
statistik chi-square menunjukkan p=0,043, sehingga pada alpa = 0,05 kita menyimpulkan
ada perbedaan proporsi penyakit jantung koroner pada orang yang memiliki kebiasan
minum teh dengan yang tidak memiliki kebiasaan minum teh atau kejadian PJK lebih
tinggi pada kelompok yang memiliki kebiasan minum teh dengan yang tidak memiliki
kebiasaan minum teh.

Perbedaan proporsi sebesar 2% tidak terdeteksi oleh statistik jika sampel hanya 100 per
kelompok (tabel 1) namun jika sampel dinaikan menjadi 2000 per kelompok maka statistik
dapat mendeteksi perbedaan 2% tersebut (tabel 2). Dalam pengambilan kesimpulan,
peneliti perlu mempertimbangkan apakah perbedaan kejadian penyakit jantung koroner
sebesar 2% memang bermakna secara substansi atau klinis?

Hal yang sebaliknya dapat terjadi. Misalnya hasil uji beda rata rata berat bayi lahir antara
ibu perokok dengan ibu tidak perokok memiliki nilai p = 0,06 dengan perbedaan rata-rata
sebesar 250 gram. Walaupun nilai p menyatakan hipotesis nol gagal ditolak karena nilai
p>0,05 tetapi secara substansi atau klinis perbedaan berat bayi lahir sebesar 250 gram
sangat bermakna. Dalam kasus ini, uji statistik tidak mampu mendeteksi adanya perbedaan
sebesar 250 gram itu kemungkinan karena besar sampelnya tidak cukup atau sampel terlalu
sedikit atau power terlalu rendah.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 63 dari 139 
Besral, FKM UI, 2012 Modul SPSS

D. PEMILIHAN JENIS UJI STATISTIK


Untuk memudahkan dalam memilih jenis uji statistik apakah parametrik ataupun
non parametrik dapat dilihat sebagai berikut :
9 Uji Parametrik
o Jenis variabel numerik (skala ukur interval atau rasio)
Bila Distribusi datanya normal atau Jumlah sampel besar (>30)
9 Uji Non parametrik
o Jenis variabel kategorik (skala ukur nominal atau ordinal)
Bila distribusi datanya tidak normal atau Jumlah sampel kecil (<30)

PEMILIHAN JENIS UJI STATISTIK

Uji Komparasi atau Asosiasi


2 kelompok >2 kelompok
Skala ukur 1-kelompok atau
1-sampel Tidak Tidak Korelasi
Berpasangan Berpasangan Berpasangan Berpasangan
T-test atau Z-test Uji-t Uji-t One-way Two-way Korelasi
Interval/Rasio
untuk satu mean independen berpasangan Anova Anova Pearson

Run test, Kruskal-


Mann-Whitney, Friedman
Kolmogorov- Wilcoxon, Wallis, Korelasi
Ordinal Kolmogorov- Two-way
smirnov satu Sign test Jonckheere- Spearman
Smirnov Anova
sampel Terpstra
Binomial test, Z-
test untuk satu
Fisher exact, Cochran Q- Korelasi
Nominal proporsi, Chi- McNemar Chi-square
Chi-square test Kappa
square goodness
of fit

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 64 dari 139 
Besral, FKM UI, 2012 Modul SPSS

5 Uji Beda 2-Rata-rata (t-test)


Uji beda 2 rata-rata (atau T-test atau uji-T) dikenal juga dengan nama uji
hubungan antara dua variabel, yakni variabel numerik dengan variabel
kategorik, dimana kategorinya hanya dua. Dua nilai rata-rata yang akan
diuji tersebut apakah sama atau berbeda signifikan secara statistik. Dalam
uji-T dikenal 2 jenis yaitu uji-T berpasangan dan uji-T independen.
Masing-masing jenis uji-T tersebut akan dibahas dengan contoh-contoh
aplikasinya dan dilengkakpi dengan dengan cara penyajian dan
interpretasinya.

Setelah mempelajari BAB ini, peserta mampu:


- 1. Menjelaskan kembali konsep uji-T independen dan uji-T berpasangan
serta uji Wilcoxon dan Mann Whitney-U
- 2. Melakukan uji-T independen dan uji-T berpasangan serta uji Wilcoxon
dan Mann Whitney-U
- 3. Menyajikan dan menginterpretasikan hasil uji-T independen dan uji-T
berpasangan serta uji Wilcoxon dan Mann Whitney-U

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 65 dari 139 
Besral, FKM UI, 2012 Modul SPSS

5.1. Pengertian

Pertanyaan yang sering muncul dalam suatu intervensi di bidang kesehatan adalah apakah
intervensi berhasil atau tidak? dan bagaimana cara menentukan keberhasilan suatu
intervensi? Uji statistik apa yang cocok digunakan untuk menguji keberhasilan suatu
intervensi?.

Untuk mengukur keberhasilan suatu intervensi kita harus melakukan uji statistik untuk
melihat apakah nilai parameter antara dua populasi tersebut berbeda atau tidak, kedua
populasi itu adalah populasi intervensi dan populasi kontrol tanpa intervensi. Misalnya,
apakah ada perbedaan rata-rata berat badan antara sebelum dengan sesudah mengikuti
intervensi program diet? Atau apakah ada perbedaan rata-rata tekanan darah penduduk
kota dengan penduduk desa?.

Sebelum kita melakukan uji statistik dua kelompok data, kita perlu perhatikan apakah dua
kelompok data tersebut berasal dari dua kelompok yang independen atau berasal dari dua
kelompok yang dependen/berpasangan. Dikatakan kedua kelompok data independen bila
populasi kelompok yang satu tidak tergantung dari populasi kelompok kedua, misalnya
membandingkan rata-rata tekanan darah sistolik orang desa dengan orang kota. Tekanan
darah orang kota adalah independen (tidak tergantung) dengan orang desa. Dilain pihak,
dua kelompok data dikatakan dependen/pasangan bila datanya saling mempunyai
ketergantungan, misalnya data berat badan sebelum dan sesudah mengikuti program diet
berasal dari orang yang sama (data sesudah dependen/tergantung dengan data sebelum).

5.2. Konsep Uji Beda 2 Rata-rata

Uji beda dua rata-rata dikenal juga dengan nama uji-t independen atau uji-t berpasangan
(paired) pada statistik parametrik dan uji-wilcoxon atau Mann-Whitney-U pada statistik
non-parametrik. Konsep dari uji beda rata-rata adalah membandingkan nilai rata-rata
beserta selang kepercayaan tertentu (confidence interval) dari dua populasi. Pada
prinsipnya pengujian dua rata-rata adalah melihat perbedaan variasi kedua kelompok. Oleh
karena itu dalam pengujian ini diperlukan informasi apakah varian kedua kelompok yang
diuji sama atau tidak. Varian kedua kelompok data akan berpengaruh pada nilai standar
error yang akhirnya akan membedakan rumus pengujiannya.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 66 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Dalam menggunakan uji-t ada beberapa syarat atau asumsi yang harus dipenuhi. Asumsi
utama yang harus dipenuhi dalam menggunakan uji-t adalah data harus berdistribusi
normal. Jika data tidak berdistribusi normal, maka harus dilakukan transformasi data
terlebih dahulu untuk menormalkan distribusinya. Jika transformasi yang dilakukan tidak
dapat membuat distribusi data tersebut menjadi normal, maka uji-t tidak valid untuk
dipakai, sehingga disarankan untuk melakukan uji non-parametrik seperti Wilcoxon (data
berpasangan) atau Mann-Whitney U (data independen).

Berdasarkan karakteristik datanya, pada statistik parametrik uji beda dua rata-rata dibagi
dalam dua kelompok, yaitu: uji beda rata-rata independen dan uji beda rata-rata
berpasangan.

5.3. Aplikasi Uji-T Dependen/Berpasangan/Paired

Uji-t untuk data berpasangan berarti setiap subjek diukur dua kali. Misalnya sebelum dan
sesudah dilakukannya suatu intervensi atau pengukuran yang dilakukan terhadap pasangan
orang kembar. Dalam contoh ini akan membandingkan data sebelum dengan sesudah
kehamilan. Dalam file IBU_BAYI_189.SAV sudah ada data berpasangan yaitu
pengukuran berat badan ibu yang dilakukan sebelum hamil dan sesudah melahirkan.

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

STATISTIK PARAMETRIK: UJI-T BERPASANGAN (PAIRED)

Uji-T berpasangan digunakan apabila data selisih berat badan berdistribusi normal. Boleh
jadi data berat badan sebelum atau berat badan sesudah tidak berdistribusi normal, namun
jika selisih berat badan berdistribusi normal maka asumsi statistik parametrik telah
terpenuhi dan uji-T berpasangan dapat dilakukan, sebagai berikut.

1. Bukalah file IBU_BAYI_189.SAV, sehingga data tampak di Data editor window.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 67 dari 139 
Besral, FKM UI, 2012 Modul SPSS

2. Dari menu utama, pilihlah:


Analize <
Compare Mean <
Paired-Sample T-test….
3. Pilih variabel BBIBU_1 dan BBIBU_2 dengan cara mengklik masing-masing variable
tersebut.
4. Kemudian klik tanda < untuk memasukkannya ke dalam kotak Paired-Variables.
5. Pada menu “Options” pilihlah derajat kepercayaan yang diinginkan, misalnya 95%.
Kemudian pilih Continue.
6. Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti berikut:

Paired Samples Statistics

Std. Error
Mean N Std. Deviation Mean
Pair BBIBU_1 58.39 189 13.76 1.00
1 BBIBU_2 60.12 189 13.72 1.00

Dari 189 subjek yang diamati terlihat bahwa rata-rata (mean) berat badan dari ibu sebelum
hamil (BBIBU_1) adalah 58.39, dan rata-rata berat badan sesudah hamil (BBIBU_2) adalah
60.12. Apakah di populasi ada perbedaan yang signifikan rata-rata berat badan ibu antara
sebelum dan sesudah hamil?. Hasil Uji ‘t’ untuk menguji perbedaan rata-rata terlihat pada
tabel berikut:

Paired Samples Test Paired Differences


Mean Std. Dev Std. Error 95% CI of the t Df Sig.
Mean Difference (2-tailed)
Lower Upper
Pair 1 BBIBU_1 - -1.730 1.773 0.129 -1.985 -1.476 -13.413 188.000 0.000
BBIBU_2

Dari hasil uji-t berpasangan tersebut terlihat bahwa rata-rata perbedaan antara BBIBU_1
dengan BBIBU_2 adalah sebesar -1.73. Tanda minus (-) berarti berat sesudah lebih besar
daripada berat sebelum hamil. Artinya ada peningkatan berat badan sesudah hamil sebesar
1.73 kg.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 68 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Hasil perhitungan didapatkan nilai “t” adalah sebesar 13.41 dengan nilai-p 0.000 (uji 2-
arah). Hal ini berarti kita menolak Ho dan menyimpulkan bahwa pada populasi (dari
mana sampel tersebut diambil) secara statistik ada perbedaan yang signifikan rata-rata
berat badan sebelum dan sudah hamil.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 69 dari 139 
Besral, FKM UI, 2012 Modul SPSS

STATISTIK NON-PARAMETRIK: UJI-WILCOXON

Uji-wilcoxon sign rank test digunakan apabila data selisih berat badan tidak berdistribusi
normal. Langkah-langkah uji Wicoxon adalash sebagai berikut.

1. Bukalah file IBU_BAYI_189.SAV, sehingga data tampak di Data editor window.

2. Dari menu utama, pilihlah:


Analize Æ Nonparametrik Test Æ 2 Related Samples….
3. Pilih variabel BBIBU_1 dan BBIBU_2 dengan cara mengklik masing-masing
variable tersebut (Jika tidak bisa, maka tekan kontrol kemudian klik variabel
tersebut).
4. Kemudian klik tanda > untuk memasukkannya ke dalam kotak Test Paire(s) List:.

5. Pada menu “Options” aktifkan Descriptive. Kemudian pilih Continue.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 70 dari 139 
Besral, FKM UI, 2012 Modul SPSS

6. Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti
berikut:

Descriptive Statistics

N Mean Std. Deviation Minimum Maximum


Berat badan ibu (sebelum hamil) 189 58.39 13.765 36 112
Berat badan ibu (sesudah melahirkan) 189 60.12 13.721 40 112

Test Statistics(b)

Berat badan ibu (sesudah melahirkan) - Berat


badan ibu (sebelum hamil)
Z -9.645(a)
Asymp. Sig. (2-tailed) .000
a Based on negative ranks.
b Wilcoxon Signed Ranks Test

Hasil perhitungan nilai “t” adalah sebesar 13.41 dengan nilai-p 0.000 (uji 2-arah). Hal ini
berarti kita menolak Ho dan menyimpulkan bahwa pada populasi (dari mana sampel
tersebut diambil) secara statistik ada perbedaan yang signifikan antara rata-rata berat badan
sebelum dengan sudah intervensi.

5.4. Penyajian Hasil Uji-t Dependen pada Data Berpasangan

STATISTIK PARAMETRIK: HASIL UJI-T BERPASANGAN

Tabel #. Distribusi nilai rata-rata berat ibu antara sebelum dengan sesudah hamil
Variabel n Mean SD Min-Max Paired Nilai-p
T-Test
Berat Badan ibu (kg)
- Sebelum hamil 189 58.4 13.7 36-112 -13.41 0.000
- Sesudah hamil 189 60.1 13.7 40-112

Dari 189 subjek yang diamati terlihat bahwa rata-rata atau mean berat badan dari ibu
sebelum hamil adalah 58.39 dan rata-rata berat badan sesudah hamil adalah 60.12. Secara
statistik ada perbedaan yang signifikan antara rata-rata berat badan sebelum dengan sudah
proses kehamilan, ada peningkatan berat badan setelah melahirkan sebesar 1,7 kg. Dengan
menggunakan Uji-T Berpasangan didapatkan nilai-p sebesar 0,000

STATISTIK NON-PARAMETRIK: HASIL UJI-WILCOXON

Tabel #. Distribusi nilai rata-rata berat ibu antara sebelum dengan sesudah hamil

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 71 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Variabel n Mean SD Min-Max Wilcoxon* Nilai-p


Berat Badan ibu (kg)
- Sebelum hamil 189 58.39 13.76 36-112 -9.645 0.000
- Sesudah hamil 189 60.12 13.72 40-112

* Wilcoxon Signed Ranks Test

Dari 189 subjek yang diamati terlihat bahwa rata-rata (mean) berat badan dari ibu sebelum
hamil adalah 58.39 dan rata-rata berat badan sesudah hamil adalah 60.12. Secara statistik
ada perbedaan yang signifikan antara rata-rata berat badan sebelum dengan sudah proses
kehamilan, ada peningkatan berat badan setelah melahirkan sebesar 1,7 kg dengan
menggunakan Uji Wilcoxon Signed Ranks Test didapatkan nilai-p sebesar 0,000.

5.5. Aplikasi Uji-t Independen

Uji-t untuk data independen dilakukan terhadap dua kelompok data yang tidak saling
berkaitan antara satu dengan lainnya. Misalnya membandingkan kelompok intervensi
dengan kelompok kontrol atau kelompok ibu-ibu perokok dengan ibu-ibu bukan perokok
adalah dua kelompok yang tidak saling berkaitan.

Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
perokok dengan bayi yang lahir dari ibu bukan perokok. Kita akan melakukan uji
hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu bukan perokok
dengan rata-rata berat bayi yang lahir dari ibu perokok, dengan langkah-langkah sebagai
berikut.

STATISTIK PARAMETRIK: UJI-T INDEPENDEN


1. Bukalah file IBU_BAYI_189.SAV, sehingga data tampak di Data editor window.

2. Dari menu utama, pilihlah:


Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 72 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Analize >
Compare Mean >
Independent-Samples T-test….
3. Pilih variabel BBAYI dengan cara mengklik variable tersebut.
4. Kemudian klik tanda < untuk memasukkannya ke dalam kotak Test
variable(s).
5. Pilih variabel ROKOK dan masukkan ke dalam kotak Grouping variable.
6. Kemudian klik menu Define group, dan isi angka 0 (nol) -kode untuk bukan
perokok- pada Group-1 dan isi angka 1 (satu) -kode untuk perokok- pada
Group-2. Kemudian pilih Continue. (Kodenya bisa saja 1 dengan 2
tergantung data yang dipakai)
7. Pada menu “Options” pilihlah derajat kepercayaan yang diinginkan, misalnya
95%. Kemudian pilih Continue.
8. Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti
berikut:

Group Statistics

Std. Error
ROKOK N Mean Std. Deviation Mean
BBAYI Tidak 115 3054.96 752.41 70.16
Ya 74 2773.24 660.08 76.73

Hasil tersebut memperlihatkan bahwa ada 115 ibu yang tidak perokok dan mereka
mempunyai rata-rata berat bayi sebesar 3054.96 gram. Sedangkan 74 ibu yang perokok
melahirkan bayi yang lebih rendah beratnya daripada kelompok sebelumnya yakni dengan
rata-rata 2773.24 gram.

Independent Samples Test

Levene's Test
for Equality of
Variances t-test for Equality of Means

Sig. Mean Std. Error


F Sig. t df (2-tailed) Difference Difference
BBAYI Equal variances
1.508 .221 2.634 187 .009 281.71 106.97
assumed
Equal variances
2.709 170.0 .007 281.71 103.97
not assumed

Pada tabel output hasil uji-t independen disajikan dua jensi uji statistik. Pertama adalah uji
“Levene’s Test for Equality of Variance” untuk melihat apakah ada kesamaan varians
antara kedua kelompok. Kedua adalah “T-test for Equality of Means” yang merupakan
uji-t untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 73 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Jika nilai-p (Sig.) dari uji Levene’s Test lebih besar dari nilai alpha (0.05), hal ini berarti
varians kedua kelompok adalah sama, maka signifikansi uji-t yang dibaca adalah pada
baris pertama (Equal variances assumed). Tetapi jika nilai-p dari uji Levene’s lebih kecil
atau sama dengan nilai alpha (0.05), hal ini berarti bahwa varians kedua kelompok adalah
tidak sama, maka signifikansi uji-t yang dibaca adalah pada baris kedua (Equal variances
not assumed).
Pada contoh diatas signifikansi uji Levene’s adalah 0.221, berarti varians kedua kelompok
adalah sama, maka hasil uji-t pada baris pertama memperlihatkan nilai-p (sig.) adalah
0.009 untuk uji 2-sisi. Dapat disimpulkan bahwa secara statistik rata-rata berat bayi
yang lahir dari populasi ibu yang tidak perokok lebih tinggi dari populasi ibu
perokok. (Catatan: Jika uji yang kita lakukan adalah uji 1-sisi maka nilai-p harus dibagi
2 sehingga menjadi 0.0045).

STATISTIK NON-PARAMETRIK: UJI MANN WHITNEY-U

Jika data berat bayi tidak berdistribusi normal, maka hasil uji-t independen tidak akurat,
sehingga harus digunakan uji non parametrik (Mann-Whitney-U) dengan langkah-langkah
sebagai berikut.

1. Bukalah file IBU_BAYI_189.SAV, sehingga data tampak di Data editor window.

2. Dari menu utama, pilihlah:


Analize Æ Nonparametrik Test Æ 2 Independen Samples….

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 74 dari 139 
Besral, FKM UI, 2012 Modul SPSS

3. Pilih variabel numerik yang ada dikotak sebelah kiri (BBAYI) dan masukkan ke
kotak “Test Variabel List”
4. Pilih variabel kategorik yang ada dikotak sebelah kiri (ROKOK) dan masukkan ke
kotak “Grouping variable”
Kemudian klik menu “Define Groups…” dan ketik kode 0 dan 1 ke kotak Group-
1 dan Group 2 sesuai dengan kode yang ada pada data (merokok=1 tidak
merokok=0). Kemudian klik “Continue”. Catatan: Kode 0, 1 atau 1, 0 sama saja

5. Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti
berikut:
Ranks

Apakah ibu perokok N Mean Rank Sum of Ranks


Berat bayi lahir (gr) Tidak 115 103.60 11913.50
Ya 74 81.64 6041.50
Total 189

Test Statisticsa

Berat bayi
lahir (gr)
Mann-Whitney U 3266.500
Wilcoxon W 6041.500
Z -2.693
Asymp. Sig. (2-tailed) .007
a. Grouping Variable: Apakah ibu perokok

Hasil uji ranking memperlihatkan bahwa mean ranking berat bayi pada ibu yang tidak

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 75 dari 139 
Besral, FKM UI, 2012 Modul SPSS

perokok lebih tinggi dibandingkan dengan mean ranking berat bayi pada ibu yang tidak
perokok (103 berbanding 81). Artinya mean berat bayi pada ibu yang tidak perokok lebih
tinggi dibandingkan ibu perokok. Hasil uji Mann-Whitney-U memperlihatkan nilai-p
0,007 artinya lebih besar dari nilai alpha 0,05 dan disimpulkan bahwa perbedaan berat bayi
antara ibu perokok dengan tidak perokok signifikan secara statistik.

5.6. Penyajian Hasil Uji-Beda 2 Rata-rata


STATISTIK PARAMETRIK: HASIL UJI-T INDEPENDEN

Tabel #. Nilai rata-rata berat bayi yang dilahirkan oleh ibu perokok
dan bukan ibu perokok
Variabel n Mean SD T (t-test) Nilai-p
Ibu Perokok
- Tidak 115 3054,9 752,4 2,634 0.009
- Ya 74 2773,2 660,1

Hasil analisis memperlihatkan bahwa dari 115 ibu yang tidak perokok mempunyai rata-rata
berat bayi sebesar 3054.96 gram. Sedangkan dari 74 ibu yang perokok, mereka
melahirkan bayi dengan berat yang lebih rendah yakni rata-rata 2773.24 gram. Dari hasil
uji statistik T-test dapat kita simpulkan bahwa terdapat perbedaan yang signifikan antara
berat bayi dari populasi ibu perokok dibandingkan dengan ibu bukan perokok (nilai-p =
0,009). atau Secara statistik rata-rata berat bayi yang lahir dari populasi ibu yang tidak
perokok lebih tinggi dari populasi ibu perokok (nilai-p = 0,0045).

STATISTIK NON-PARAMETRIK: HASIL UJI-MANN WHITNEY-U

Tabel #. Distribusi nilai rata-rata berat ibu antara sebelum dengan sesudah hamil
Variabel n Mean SD Mean Rank Mann- nilai-p
Whitney-U
Ibu Perokok
- Tidak 115 3054,9 752,4 103,6 3266,5 0.009
- Ya 74 2773,2 660,1 81,6

Hasil uji beda rata-rata memperlihatkan bahwa mean ranking berat bayi pada ibu yang
tidak perokok lebih tinggi dibandingkan dengan mean ranking berat bayi pada ibu yang
tidak perokok (103,6 berbanding 81,6). Artinya mean berat bayi pada ibu yang tidak
perokok lebih tinggi dibandingkan ibu perokok. Hasil uji Mann-Whitney-U
memperlihatkan nilai-p 0,007 artinya lebih besar dari nilai alpha 0,05 dan disimpulkan
bahwa perbedaan berat bayi antara ibu perokok dengan tidak perokok signifikan secara

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 76 dari 139 
Besral, FKM UI, 2012 Modul SPSS

statistik.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 77 dari 139 
Besral, FKM UI, 2012 Modul SPSS

6 Uji Beda > 2-Rata-rata (ANOVA)

Uji beda 2 rata-rata atau lebih (Uji Anova atau analisis of


variance) dikenal juga dengan nama uji hubungan antara variabel
numerik dengan variabel kategorik, dimana kategorinya lebih
atau sama dengan dua. Uji ANOVA adalah prosedur statistik
yang digunakan untuk menentukan apakah perbedaan rata-rata
antara dua kelompok atau lebih merupakan berbeda secara
signifikan atau tidak.
Dua atau lebih nilai rata-rata yang akan diuji tersebut apakah ada
perbedaan yang signifikan secara statistik, jika ada perbedaan
yang signifikan, maka tahap berikutnya adalah melakukan uji
Post-Hoc Multiple comparison, untuk melihat kelompok mana
saja yang berbeda. Bab ini akan menguraikan uji Anova lengkap
dengan contoh aplikasi dan disertai dengan cara penyajian dan
interpretasi.

Setelah mempelajari BAB ini, peserta mampu:


- 1. Menjelaskan kembali langkah-langkah uji-Anova dan uji
Kruskal Wallis
- 2. Melakukan uji Anova dan uji Kruskal Wallis
- 3. Menyajikan dan menginterpretasikan hasil uji-Anova dan uji
Kruskal Wallis
- 4. Melakukan uji-Post Hoc (Multiple comparison)
- 5. Menyajikan dan menginterpretasikan hasil uji-Post Hoc
(Multiple comparison)

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 78 dari 139 
Besral, FKM UI, 2012 Modul SPSS

6.1. PengertianUji Beda > 2 Rata-rata (Anova)

Untuk menguji perbedaan rata-rata antara 2 kelompok independen telah dibahas pada
bagian sebelumnya yang digunakan Uji-T, sedangkan untuk melakukan uji perbedaan
terhadap rata-rata antara 3 kelompok independen atau lebih digunakan Analisis of Varins
(Anova). Pada uji rata-rata perbedaan 3 kelompok atau lebih, kita tidak boleh lagi
menggunakan uji t berulang-ulang.

Misalnya kita ingin mengetahui apakah ada perbedaan rata-rata hasil antara 3 kelompok
intervensi, apakah ada perbedaan rata-rata berat badan bayi lahir menurut tingkat
pendidikan ibu (rendah, menengah, & tinggi). Dalam menganalisis rata-rata 3 kelompok
ini tidak dibolehkan menggunakan uji-t. Jika menggunakan uji-T ada dua kelemahan yang
timbul yaitu: pertama kita harus melakukan pengujian berulang-ulang sesuai kombinasi
yang mungkin dan kedua apabila melakukan uji-t berulang-ulang akan meningkatkan nilai
alpha (inflasi nilai alpha). Besaran nilai alpha yang akan terjadi jika melakukan pengujian
berulang dapat dihitung dengan rumus berikut = 1 - (1-alpha)n dimana n = berapa kali
pengulangan uji-t dilakukan. Pada uji beda rata-rata 3 kelompok akan ada 3 kali
pengulangan uji-T. Semakin banyak jumlah kelompok semakin banyak pengulangan uji-T
yang harus dilakukan artinya nilai alpha yang sesungguhnya semakin besar dan peluang
mendapatkan hasil yang keliru juga akan semakin besar.

Untuk mengatasi masalah dalam menganalisis beda lebih dari dua mean kelompok
independen maka uji statistik yang tepat adalah Uji ANOVA atau uji-F. Aplikasi analisis
varian atau ANOVA ada dua jenis yaitu Anova satu faktor (one way anova) dan Anova
dua faktor (two ways anova). Pada bab ini hanya akan dibahas Anova satu faktor.

Sebelum menggunakan uji Anova, maka harus dipahami beberapa asumsinya terkait
dengan uji statistik Non-Parametrik. Beberapa asumsi yang harus dipenuhi pada uji Anova
adalah:
1. Sampel berasal dari kelompok yang independen
2. Data masing-masing kelompok berskala numerik (interval atau rasio) dan berdistribusi
normal
3. Varian antar kelompok harus diketahui apakah sama atau berbeda

Asumsi pertama tentang kelompok yang independen harus sudah dipenuhi pada saat

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 79 dari 139 
Besral, FKM UI, 2012 Modul SPSS

pengambilan sampel yang dilakukan secara random terhadap beberapa kelompok yang
independen, artinya nilai pada satu kelompok tidak tergantung pada nilai di kelompok lain
atau pengambilan sampel pada satu kelompok tidak bergantung pada kelompok lain.
Pemenuhan terhadap asumsi kedua dan ketiga dapat dicek jika data telah terkumpul dan
dimasukkan ke komputer. Jika asumsi normalitas tidak terpenuhi dapat dilakukan
transformasi terhadap data. Teknik trasformasi yang bisa dipakai adalah Log10, Ln, Akar,
dan Kuadrat. Apabila proses transformasi tidak berhasil membuat data memenuhi asumsi
normal maka uji Anova tidak boleh dilakukan, sehingga harus menggunakan uji statistik
non-parametrik yaitu Kruskal Wallis.

6.2. Konsep Uji Beda > 2 Rata-rata (Anova)


Apabila kita ingin membandingkan efek 3 jenis obat terhadap penurunan kadar kholesterol
serum darah tikus atau membandingkan rata-rata berat bayi lahir dari ibu yang perokok
berat, perokok ringan, perokok pasif, dan bukan perokok. Uji Anova pada prinsipnya
adalah melakukan analisis terhadap variasi data, pada data berkelompok ada dua sumber
variasi data yaitu variasi individu di dalam kelompok (within group) dan variasi individu
antar kelompok (between group).

Apabila variasi antara between group dan within group adalah sama, atau rasio
perbandingan kedua varian mendekati atau sama dengan satu, dengan kata lain nilai rata-
rata antar kelompok tidak berbeda, hal ini berarti tidak ada perbedaan antar kelompok atau
efek dari intervensi yang dilakukan tidak berhasil membuat perbedaan. Sebaliknya apabila
variasi antar kelompok (between group) lebih besar dari variasi di dalam kelompok (within
group), dengan kata lain nilai rata-rata antar kelompok menunjukkan adanya perbedaan,
artinya intervensi yang dilakukan memberikan efek yang berbeda.

Perhitungan uji Anova menggunakan rumus sebagai berikut:

MSb2 Varian _ between /(k − 1)


F= =
MSw2 Varian _ within /(n − k )

Varian _ between = σ B
2
=
∑n j −k ( x j − k − xˆ ) 2
k −1

Varian _ within = σ 2
=
∑ SD 2
j −k (n j − k − 1)
N −k
W

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 80 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Keterangan:
k-1 : derajat kebebasan (degree of freedom) untuk pembilang
n - k : derajat kebebasan (degree of freedom) untuk penyebut

6.3. Aplikasi Uji Beda > 2 Rata-rata

STATISTIK PARAMETRIK UJI BEDA > 2 RATA-RATA (ANOVA)

Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya). Misalnya
membandingkan pengaruh dari 3 jenis intervensi atau membandingkan rata-rata berat bayi
dari kelompok ibu-ibu perokok berat dengan perokok ringan atau bukan perokok.

Pada contoh analisis ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari
ibu yang berpendidikan SD, ibu yang berpendidikan SMP, dengan ibu yang berpendidikan
SMA. Kita akan melakukan uji hipotesis apakah ada perbedaan rata-rata berat bayi yang
lahir dari ibu dari jenis pendidikan yang berbeda, dengan langkah-langkah sebagai berikut.
1. Bukalah file IBU_BAYI_189.SAV sampai tampak pada Data editor window.
2. Dari menu utama, pilihlah
Analyze >
Compare Means >
One-way ANOVA ...

3. Klik variabel BBAYI dan masukkan ke kotak Dependent List.


4. Klik variabel DIDIK dan masukkan kotak Factor.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 81 dari 139 
Besral, FKM UI, 2012 Modul SPSS

5. Pada menu Options.. aktifkan Deskriptive dan Homegeneity of varians.


6. Klik Continue dan Klik OK untuk menjalankan prosedur. Hasilnya muncul di output
seperti berikut:
Descriptives

BBAYI
95% Confidence
Interval for Mean
Std. Std. Lower Upper Mini Maxi
N Mean Deviation Error Bound Bound mum mum
SD 47 2400.43 695.90 101.51 2196.10 2604.75 709 3940
SMP 84 2915.17 555.33 60.59 2794.65 3035.68 1588 4153
SMA 58 3428.38 655.32 86.05 3256.07 3600.69 1729 4990
Total 189 2944.66 729.02 53.03 2840.05 3049.26 709 4990

Pada output deskriptif di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan SD adalah 2400.43 gram, pada ibu dengan pendidikan SMP adalah 2915.17
gram, dan pada ibu berpendidikan SMA adalah 3428.38 gram. Standar deviasi, nilai
minimum-maximun, dan interval 95% tingkat kepercayaan juga diperlihatkan.

Test of Homogeneity of Variances

Levene
Statistic df1 df2 Sig.
BBAYI 1.300 2 186 .275

Salah satu asumsi dari uji Anova adalah varians masing-masing kelompok harus sama.
Untuk itu dilakukan uji homogenitas varians yang hasilnya memperlihatkan bahwa nilai-p
(sig.) lebih besar dari nilai alpha=0.05, berarti varians antar kelompok adalah sama. Jika
varians tidak sama, maka hasil uji Anova tidak akurat. Catatan: dalam contoh ini tidak
dilakukan uji normalitas, uji normalitas telah dilakukan sebelumnya dan data berat bayi
berdistribusi normal (lihat bab tentang statistik deskriptif data numerik).

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 82 dari 139 
Besral, FKM UI, 2012 Modul SPSS

ANOVA

BBAYI
Sum of
Squares df Mean Square F Sig.
Between Groups 27565146 2 13782572.92 35.432 .000
Within Groups 72351907 186 388988.746
Total 99917053 188

Pada output di atas diperoleh nilai ANOVA atau F = 35.43 dengan nilai-p = 0.000 (nilai-p
dapat juga ditulis seperti berikut “p < 0.001”). Hipotesis nol pada uji ANOVA adalah tidak
ada perbedaan rata-rata berat bayi antara kelompok ibu dengan pendidikan SD, SMP, dan
SMA. Sedangkan hipotesis alternatifnya adalah ada perbedaan rata-rata antar kelompok
atau paling tidak salah satu nilai rata-rata berbeda dengan lainnya.

Dengan menggunakan alpha = 0.05 dari hasil di atas kita menolak hipotesis nol. Sehingga
kita menyimpulkan ada perbedaan berat badan bayi dari ke tiga kelompok ibu tersebut
(setidaknya salah satu nilai mean berbeda dengan lainnya). Namun, kita tidak tahu
kelompok mana yang berbeda antara satu dengan yang lainnya.

Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda, apakah antara
pendidikan SD dengan SMP, SD dengan SMA, atau SMP dengan SMA. Untuk menjawab
pertanyaan ini kita harus melakukan uji banding ganda. Untuk melakukan uji banding
ganda, kita harus klik menu Post Hoc… pada kotak dialog ANOVA.

Silakan kembali ke langkah muali dari awal: Analyze, Compare means, One-way-Anova,
dan klik Post Hoc. Pada kotak dialog Post Hoc ada banyak pilihan uji komparasi ganda.
Kita harus membuka buku statistik untuk memahami kelebihan dan kekurangan masing-
masing uji. Pada contoh kali ini, kita akan menggunakan uji Tukey honestly significant
different (Tukey HSD), suatu uji post hoc yang sering digunakan. Klik Tukey untuk
meminta agar uji tersebut dilakukan oleh komputer, kemudian klik Continue dan OK.
Hasil output SPSS sama dengan hasil uji ANOVA sebelumnya dan ditambah dengan
tampilan berikut:

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 83 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Post Hoc Tests


Multiple Comparisons

Dependent Variable: BBAYI


Tukey HSD

Mean
Difference 95% Confidence Interval
(I) DIDIK (J) DIDIK (I-J) Std. Error Sig. Lower Bound Upper Bound
SD SMP -514.74* 113.61 .000 -781.01 -248.47
SMA -1027.95* 122.41 .000 -1314.84 -741.07
SMP SD 514.74* 113.61 .000 248.47 781.01
SMA -513.21* 106.48 .000 -762.76 -263.66
SMA SD 1027.95* 122.41 .000 741.07 1314.84
SMP 513.21* 106.48 .000 263.66 762.76
*. The mean difference is significant at the .05 level.

Pada kolom Mean Difference terlihat tanda * yang menggambarkan perbedaan antar
kelompok “signifikan” pada alpha = 0.05. Pada baris pertama (SD) dapat dilihat
perbandingan antara berat bayi dari ibu berpendidikan SD dengan berat bayi dari ibu
berpendidikan SMP atau SMA. Begitu juga dengan baris ke-2, terlihat perbandingan antara
berat bayi dari ibu berpendidikan SMP dengan berat bayi dari ibu berpendidikan SD dan
SMA.
Dari hasil di atas muncul semua tanda bintang, artinya semua kelompok dengan lainnya,
disimpulkan bahwa ada perbedaan rata-rata berat bayi antara ibu berpendidikan SD dengan
ibu berpendidikan SMP, antara ibu berpendidikan SD dengan ibu berpendidikan SMP, dan
ibu berpendidikan SMP dengan ibu berpendidikan SMA.

STATISTIK NON-PARAMETRIK UJI BEDA>2 RATA-RATA (KRUSKAL-


WALLIS)

Uji-Anova digunakan untuk uji beda rata-rata variabel numerik (skala interval atau rasio)
dan datanya berdistribusi normal. Pada variabel berskala ordinal atau data tidak
berdistribusi normal (upaya transformasi data tidak berhasil membuat distribusi normal)
maka uji beda rata-rata 2 kelompok atau lebih menggunakan uji Kruskal-Wallis.

Misalnya distribusi berat bayi tidak normal, maka dilakukan uji Kruskal-Wallis untuk
mengetahui perbedaan rata-rata berat bayi menurut pendidikan ibu dengan langkah-
langkah sebagai berikut.
1. Bukalah file IBU_BAYI_189.SAV sampai tampak pada Data editor window.
2. Dari menu utama, pilihlah
Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 84 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Analyze >
Nonparametric Test >
K Independen Samples...

3. Pilih variabel numerik yang ada dikotak sebelah kiri (BBAYI) dan masukkan ke kotak
“Test Variabel List”
4. Pilih variabel kategorik yang ada dikotak sebelah kiri (DIDIK) dan masukkan ke kotak
“Grouping variable”

Kemudian klik menu “Define Range…” dan ketik kode 0 pada kotak Minimum
dan kode 2 pada kotak maksimum sesuai dengan kode yang ada pada data (0=SD,
1=SMP, 2=SMA). Kemudian klik “Continue”.

5. Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti berikut:

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 85 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Ranks

Tingkat pendidikan ibu N Mean Rank


Berat bayi lahir (gr) SD 47 55.53
SMP 84 91.72
SMA 58 131.73
Total 189

Test Statisticsa,b

Berat bayi
lahir (gr)
Chi-Square 50.924
df 2
Asymp. Sig. .000
a. Kruskal Wallis Test
b. Grouping Variable: Tingkat pendidikan ibu

Hasil uji ranking memperlihatkan bahwa semakin tinggi pendidikan ibu semakin tinggi
mean ranking berat bayinya. Mean ranking berat bayi pada ibu yang berpendidikan SD
adalah 55,5, berpendidikan SMP adalah 91,7 dan berpendidikan SMA adalah 131,7. Hasil
uji Kruskal Wallis memperlihatkan nilai-p 0,000 yang lebih besar dari nilai alpha 0,05 dan
disimpulkan bahwa ada perbedaan yang signifikan nilai rata-rata berat bayi antar tingkat
pendidikan ibu.

6.4. Transformasi Data Jika Varians Tidak Homogen

Jika ingin mendapatkan hasil uji Anova yang lebih akurat, maka varians antar kelompok
harus homogen. Jika asumsi ini tidak bisa dipenuhi dapat dilakukan transformasi data agar
varians antar kelompok menjadi homogen dengan langkah-langkah sebagai berikut:

Pilih menu Analyze, Descriptive, Explore…, Kemudian aktifkan Power Estimation.

Kemudian klik Continue dan OK, hasilnya sebagai berikut.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 86 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Spread vs. Level Plot of GULA By CLASS


4,3

4,2

4,1

4,0

3,9

3,8

Spread
3,7

3,6
5,3 5,4 5,5 5,6 5,7

Level
* Plot of LN of Spread vs LN of Level

Slope = 1,429 Power for transformation = -,429

Nilai slope dan nilai power adalah panduan untuk menentukan jenis transformasi yang
digunakan. Berikut ini ditampilkan tabel transformasi yang dianjurkan untuk
menghomogenkan varians berdasarkan nilai slope dan power.

Tabel #. Jenis Transformasi Terbaik Berdasarkan Nilai Slope Dan Power.


Slope Power Jenis Transformasi Terbaik
-1 2 Square (kuadrat)
0 1 Tidak perlu transformasi
0,5 0,5 Square root (akar)
1 0 Logaritma
1,5 -0,5 1/ square root
2 -1 Reciprocal (1/n)

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 87 dari 139 
Besral, FKM UI, 2012 Modul SPSS

6.5. Contoh Penyajian Hasil Uji Beda > 2 Rata-rata

STATISTIK PARAMETRIK: HASIL UJI ANOVA

Tabel # Distribusi nilai rata-rata berat bayi menurut status pendidikan ibu

Variabel n Mean SD Niali F Nilai-p


(Anova)
Pendidikan ibu
- SD 47 2400,4 695,9 35,4 0,000
- SMP 84 2915,2 555,3
- SMA 58 3428,4 655,3

Pada tabel di atas terlihat bahwa rata-rata berat bayi meningkat sesuai dengan peningkatan
status pendidikan ibu. Ibu dengan pendidikan SD rata-ratanya adalah 2400.43 gram, ibu
dengan pendidikan SMP adalah 2915.17 gram, dan ibu berpendidikan SMA adalah
3428.38 gram. Hasil uji Anova memperlihatkan bahwa ada perbedaan yang signifikan
rata-rata berat bayi menurut tingkat pendidikan ibu (nilai-p 0.000). Analisis lebih lanjut
dengan uji Tukey memperlihatkan bahwa perbedaan terjadi pada semua kelompok
pendidikan, yaitu perbedaan rata-rata berat bayi antara ibu berpendidikan SD dengan SMP,
SD dengan SMU, dan SMP dengan SMU seperti yang disajikan pada tabel berikut.

Tabel # Signifikansi perbedaan rata-rata berat bayi menurut Pendidikan ibu


(Hasil Uji-Tukey)

Pendidikan nilai-p Simpulan


- SD vs SMP 0,000 Berbeda signifikan
- SD vs SMU 0,000 Berbeda signifikan
- SMP vs SMU 0,000 Berbeda signifikan

STATISTIK NON PARAMETRIK: HASIL UJI KRUSKAL WALLIS

Tabel # Distribusi nilai rata-rata berat bayi menurut status pendidikan ibu

Variabel n Mean SD Mean Kruskal Nilai-p


Rank Wallis
Pendidikan ibu
- SD 47 2400,4 695,9 55,3 50,9 0,000
- SMP 84 2915,2 555,3 91,7
- SMA 58 3428,4 655,3 131,7

Pada tabel di atas terlihat bahwa rata-rata berat bayi meningkat sesuai dengan peningkatan
status pendidikan ibu. Ibu dengan pendidikan SD rata-ratanya adalah 2400.43 gram, ibu
dengan pendidikan SMP adalah 2915.17 gram, dan ibu berpendidikan SMA adalah
Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 88 dari 139 
Besral, FKM UI, 2012 Modul SPSS

3428.38 gram. Hasil uji Kruskal Wallis memperlihatkan bahwa semakin tinggi pendidikan
ibu semakin tinggi mean ranking berat bayinya. Dengan nilai-p 0,000 lebih besar dari nilai
alpha 0,05 disimpulkan bahwa ada perbedaan yang signifikan nilai rata-rata berat bayi
antar tingkat pendidikan ibu.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 89 dari 139 
Besral, FKM UI, 2012 Modul SPSS

7 Uji Beda Proporsi (χ2:Chi-square)

Uji beda proporsi dikenal juga dengan nama uji chi-square atau
uji hubungan antara dua variabel, yakni variabel kategorik dengan
variabel kategorik. Dua atau lebih nilai proporsi yang akan diuji
tersebut apakah sama atau berbeda signifikan secara statistik, jika
ada perbedaan, maka dilakukan langkah berikutnya yakni
perhitungan nilai Odds Ratio (pada data survei atau kasus
kontrol) dan nilai Risk Ratio (pada data kohor atau eksperimen)
untuk melihat besar risiko (efek size). Uji beda proporsi tersebut
akan dibahas dengan contoh-contoh aplikasinya dan dilengkapi
dengan dengan cara penyajian dan interpretasinya.

Setelah mempelajari BAB ini, peserta mampu:


- 1. Menjelaskan kembali langkah-langkah melakukan uji-beda 2 proporsi atau lebih
- 2. Melakukan uji chi-square untuk uji beda proporsi
- 3. Menghitung nilai Odds Ratio (OR) untuk tabel 2 x 2
- 4. Menghitungan nilai Odds Ratio (OR) untuk tabel lebih dari 2 x 2
- 5. Penyajian dan interpretasi hasil uji-proporsi dan Odds Ratio

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 90 dari 139 
Besral, FKM UI, 2012 Modul SPSS

7.1. Pengertian Uji Beda Proporsi

Dalam penerapan praktis, kita ingin menguji apakah ada hubungan antara dua variabel kategorik.
Atau kita ingin menguji apakah ada perbedaan proporsi pada populasi. Jika perbedaan proporsi itu
eksist dapat kita katakan bahwa adanya keterkaitan atau hubungan antara dua variabel kategorik
tersebut.

Misalnya kita ingin menguji apakah proporsi hipertensi pada populasi perokok lebih tinggi dari
proporsi hipertensi pada populasi bukan perokok. Pengamatan dilakukan terhadap kebiasaan
merokok dan pengukuran dilakukan terhadap tekanan darahnya (yang setelah diukur dikategorikan
menjadi normotensi dan hipertensi). Apabila pengamatan diatas disusun didalam suatu tabel, maka
tabel tersebut dinamakan tabel kontingensi (tabel silang). Dari data tersebut dapat dilakukan uji
statistik untuk melihat ada tidaknya asosiasi antara dua sifat/variabel tadi (kebiasaan merokok dan
hipertensi)

Uji statistik untuk melihat hubungan antara dua variabel yang dikategorikan sering digunakan uji
“chi-square” (χ ). Secara spesifik uji chi square dapat digunakan untuk menentukan/menguji:
2

1) Ada tidaknya hubungan/asosiasi antara 2 variabel (test of independency)


2) Apakah suatu kelompok homogen dengan sub kelompok lain (test of homogenity)
3) Apakah ada kesesuaian antara pengamatan dengan parameter tertentu yang
dispesifikasikan (Goodness of fit).

Secara umum tidak ada asumsi yang harus dipenuhi untuk uji χ , karena distribusi χ ini termasuk
2 2

free-distribution. Hanya saja, jumlah pengamatan tidak boleh terlalu sedikit, frekuensi harapan
(expected frequency) tidak boleh kurang dari satu dan frekuensi harapan yang kurang dari lima
tidak boleh lebih dari 20%. Jika asumsi ini tidak terpenuhi maka harus dilakukan pengelompokan
ulang sampai hanya menjadi dua kelompok saja (tabel 2 x 2), Pada tabel 2 x 2 gunakan Fisher
Exact test yang merupakan nilai-p sebenarnya, yang secara otomatis sudah ada di output SPSS.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 91 dari 139 
Besral, FKM UI, 2012 Modul SPSS

7.2. Konsep Uji Chi Square

Dasar dari uji kai kuadrat adalah membandingkan frekuensi yang diamati dengan frekuensi yang
diharapkan. Misalnya sebuah uang logam dilambungkan seratus kali, kemudian diamati permukaan
uang yang muncul yaitu A (Angka) sebanyak 55 kali dan B (Gambar) sebanyak 45 kali. Kalau
uang logam tersebut seimbang tentu permukaan A dan B diharapkan muncul sama banyak yaitu 50
kali. Hal ini berarti tidak ada perbedaan antara frekuensi yang diamati (Observed = O) adalah 55
kali dengan frekuensi yang diharapkan (Expected= E) yakni 50 kali. Jadi tidak ada perbedaan
antara pengamatan dengan yang diharapkan (O - E), sekitainya terjadi perbedaan, apakah
perbedaan itu cukup berarti (bermakana) atau hanya karena faktor kebetulan saja. Hasil percobaan
melambungkan mata uang tadi disajikan seperti tabel dibawah ini:

Tabel: 1 Hasil pelambungan 100 kali sebuah mata uang logam

(1) (2) (3) (4) (5)


O(observed) E (expected) O-E ( O - E )2 (O - E)2
E
A (Angka) 45 50 -5 25 0.5
B (Huruf) 55 50 5 25 0.5
Total 100 100 0 200 χ2 = 1.0

Perhitungan nilai χ dilakukan dengan rumus berikut, dan dari tabel tersebut diatas dapat dilihat
2

bahwa nilai χ adalah 1.0.


2

χ2 = ∑ ( O - E )2
E

Pertanyaan berikutnya ialah apakah nilai χ yang telah dihitung = 1.0 memiliki kemungkinan besar
2

untuk terjadi atau hanya terjadi secara kebetulan (merupakan peristiwa yang jarang terjadi),
misalnya kemungkinannya kecil dari nilai alpha 5% atau 0,05?. Untuk menjawab pertanyaan ini,
perlu diketahui distribusi kuantitas χ
2
yang merupakan salah satu distribusi probabilitas untuk
statistik non-parametrik. Para ahli statistik telah membuktikan, bahwa distribusi ini mempunyai
kemencengan positif, dengan menghitung luas area diluar nilai 1.0 pada distribusi χ , dapat
2

ditentukan nilai-p serta keputusan untuk menolak atau tidak menolak hipotesis nol dengan
membandingkan luas area dengan nilai alpha.

Setelah dihitung dengan tabel distribusi chi-square, ternyata nilai-p adalah 0.15 artinya ada
kemungkinan untuk terjadi kesalahan sebesar 15% jika kita menyimpulkan “55 berbeda dengan
50”. Tingkat kesalahan yang 15% ini lebih besar dari 5% sehingga kita lebih memilih untuk
menyimpulkan “tidak adanya perbedaan antara 55 dengan 50” dengan kata lain hipotesis nol gagal
ditolak .
Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 92 dari 139 
Besral, FKM UI, 2012 Modul SPSS

7.3. Aplikasi Uji χ2 pada Tabel Silang 2 x 2

Hubungan antara dua variabel katagorik pada SPSS dapat dilakukan dengan perintah crosstabs.
Dalam contoh ini, kita akan menguji apakah ada hubungan antara merokok dengan BBLR dari file
IBU_BAYI_189.SAV dan penyajian hasilnya akan ditampilkan dalam bentuk tabel silang antara
merokok dan BBLR dengan langkah-langkah sebagai berikut.

1. Bukalah file IBU_BAYI_189.SAV, sehingga data tampak di Data editor window.


2. Dari menu utama, pilihlah:
Analyze >
Descriptif Statistic >
Crosstabs…
Seperti gambar berikut:

1. Pilih variabel independen (ROKOK), kemudian klik tanda > untuk memasukkannya ke
kotak Row(s)
2. Pilih variabel dependen (BBLR), kemudian klik tanda > untuk memasukkannya ke kotak
Colom(s).

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 93 dari 139 
Besral, FKM UI, 2012 Modul SPSS

3. Pada menu “Statistics” aktifkan Chi-Square dan Risk dengan mengklik kotak
disampingnya hingga muncul tanda “√”. Jika kita klik sekali lagi, maka tanda “√” akan
hilang atau tidak aktif. Kemudian Klik Continue.

4. Klik menu “Cells”, kemudian aktifkan Observed pada menu Count dan aktifkan Rows pada
menu Percentages hingga muncul tanda “√”. Kemudian Klik Continue.

5. Klik OK untuk menjalankan prosedur. Pada layar tampak hasil seperti berikut:

ROKOK * BBLR Crosstabulation

BBLR
Tidak Ya Total
ROKOK Tidak Count 86 29 115
% within ROKOK 74.8% 25.2% 100.0%
Ya Count 44 30 74
% within ROKOK 59.5% 40.5% 100.0%
Total Count 130 59 189
% within ROKOK 68.8% 31.2% 100.0%

Dari tabel silang tersebut terlihat bahwa dari 74 ibu-ibu perokok, ada 30 orang (40.5%) melahirkan
bayi dengan BBLR. Dari 115 ibu-ibu yang bukan perokok, hanya ada 29 orang (25.2%) yang
melahirkan bayi BBLR. Artinya proporsi BBLR pada ibu perokok lebih besar dari proporsi
BBRL pada ibu yang bukan perokok.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 94 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Walaupun secara proporsional terlihat ada hubungan antara merokok dan BBLR yang terlihat dari
proporsi bayi BBLR lebih besar pada ibu perokok dari pada ibu tidak perokok, namun untuk
menguji apakah hubungan tersebut signifikan secara statistik, maka kita harus melakukan uji chi-
square dengan melihat hasil output berikut:

Chi-Square Tests

Asymp. Exact Exact


Sig. Sig. Sig.
Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 4.924b 1 .026
Continuity Correctiona 4.236 1 .040
Likelihood Ratio 4.867 1 .027
Fisher's Exact Test .036 .020
Linear-by-Linear
4.898 1 .027
Association
N of Valid Cases 189
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count less than 5. The minimum expected count is
23.10.

Output SPSS menampilkan semua nilai chi-square dari berbagai macam uji, seperti Pearson Chi-
square, Continuity Correction, atau Fisher’s Exact Test. Masing-masing uji tersebut dilengkapi
dengan nilai-p untuk test 2-sisi.

Untuk memilih nilai χ2 atau nilai-p yang paling sesuai, kita harus berpedoman pada asumsi-asumsi
yang terkait dengan uji χ2. Antara lain:
1. Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3), apabila nilai frekuensi harapan
(expected) yang kurang dari 5 tidak lebih dari 20%, maka nilai χ2 atau nilai-p dari Pearson
Chi-square atau Likelihood Ratio dapat kita laporkan.
Catt: Jika nilai expected yang kurang dari 5 lebih dari 20% atau ada nilai expected yang
kurang dari 1.0 (karena ada sell yang kosong), maka hasil uji chi-square tidak valid, harus
dilakukan pengelompokan ulang terlebih dahulu.
2. Untuk tabel 2 x 2, nilai χ2 atau nilai-p dari Continuity Correction dapat kita laporkan.
Tetapi jika nilai frekuensi harapan kurang dari 5, maka nilai-p dari Fisher’s Exact Test
yang harus kita laporkan.
Nilai-p Fisher’s Exact Test merupakan nilai-p yang cukup valid, sehingga dapat juga kita laporkan
meskipun frekuensi harapan tidak ada yang kurang dari 5. Dalam hal ini, kita pakai nilai tersebut
dengan nilai-p = 0.036. Artinya hubungan antara merokok dengan BBLR secara statistik
cukup signifikan dan bukanlah terjadi secara kebetulan belaka.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 95 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Dari tabel Risk Esimate terlihat bahwa OR=2.022. Hal ini berarti bahwa ibu yang perokok
mempunyai kecenderungan (risiko) sebesar 2 kali lebih besar untuk melahirkan bayi dengan
BBLR dibandingkan dengan ibu yang bukan perokok.

Risk Estimate

95% Confidence
Interval
Value Lower Upper
Odds Ratio for ROKOK (0 / 1) 2.022 1.081 3.783
For cohort BBLR = 0 1.258 1.013 1.561
For cohort BBLR = 1 .622 .409 .945
N of Valid Cases 189

Untuk estimasi resiko (OR atau RR), nilai perhitungannya dari tabel silang hanya akan keluar jika
tabel silang yang dibuat adalah tabel 2 x 2. Jika tabel silang yang dibuat lebih dari tabel 2 x 2
(misalnya 2x3, 3x3), maka nilai estimasi resiko tidak akan keluar, karena SPSS tidak bisa
menghitungnya. Untuk menghitung nilai OR pada tabel 2x3 atau 3x3 kita dapat memilih salah satu
dari 3 alternatif berikut yaitu 1) menghitung secara manual dari tabel silang tersebut, 2) membuat
dummy variabel kemudian dilakukan crosstab, atau 3) melalui regresi logistik sederhana.

7.4. Aplikasi Uji χ2 pada Tabel Silang 2 x 3

Pada contoh ini, kita akan menguji apakah ada perbedaan proprosi BBLR pada populasi dengan
tingkat pendidikan yang berbeda-beda (SD, SMP, dan SMA), kita akan membuat tabel silang
antara DIDIK dan BBLR dari file IBU_BAYI_189.SAV. Dengan langkah yang sama seperti pada
tabel 2x2 kita lakukan prosedur untuk Crosstabs. Pilih variabel ROKOK, kemudian klik tanda <
untuk memasukkannya ke kotak Row(s). Pilih variabel BBLR, kemudian klik tanda < untuk
memasukkannya ke kotak Colom(s). Pada menu “Statistics” aktifkan Chi-Square. Pada menu
“Cells” aktifkan Observed dan aktifkan Rows. Pilih continue dan klik OK untuk menjalankan
analisis. Hasilnya sebagai berikut:

DIDIK * BBLR Crosstabulation

BBLR
Tidak Ya Total
DIDIK SD Count 18 29 47
% within DIDIK 38.3% 61.7% 100.0%
SMP Count 61 23 84
% within DIDIK 72.6% 27.4% 100.0%
SMA Count 51 7 58
% within DIDIK 87.9% 12.1% 100.0%
Total Count 130 59 189
% within DIDIK 68.8% 31.2% 100.0%

Tabel silang tersebut memperlihatkan bahwa dari 47 ibu-ibu berpendidikan SD, ada 29 orang
(61.7%) melahirkan bayi dengan BBLR. Dari 84 ibu-ibu yang berpendidikan SMP, ada 23 orang

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 96 dari 139 
Besral, FKM UI, 2012 Modul SPSS

(27.4%) yang melahirkan bayi BBLR. Dari 58 ibu-ibu yang berpendidikan SMA, ada 7 orang
(12.1%) yang melahirkan bayi BBLR Artinya semakin rendah tingkat pendidikan ibu akan
semakin besar proporsi BBRL. Walaupun secara proporsional terlihat ada hubungan antara
PENDIDIKAN dengan BBLR yang mana ibu berpendidikan rendah cenderung melahirkan bayi
BBLR, namun untuk menguji apakah hubungan tersebut signifikan secara statistik, maka kita
lakukan uji chi-square dengan melihat hasil output sebagai berikut:

Chi-Square Tests

Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 30.822a 2 .000
Likelihood Ratio 30.774 2 .000
Linear-by-Linear
28.715 1 .000
Association
N of Valid Cases 189
a. 0 cells (.0%) have expected count less than 5. The
minimum expected count is 14.67.

Dalam tabel tersebut terlihat bahwa nilai χ


2
baik Pearson maupun Likelihood Ratio
memperlihatkan hasil yang sama yaitu 30.8 dengan nilai-p = 0.000. Artinya secara statistik ada
hubungan yang signifikan antara pendidikan ibu dengan BBLR dan kejadian tersebut sangat
kecil kemungkinannya untuk terjadi secara kebetulan.

7.5. Dummy Variabel

Output SPSS tidak bisa menampilkan nilai OR, karena nilai OR hanya bisa dihitung pada tabel 2 x
2, padahal tabel untuk pendidikan dengan BBLR adalah tabel 3 x 2. Untuk bisa mendapatkan nilai
OR dan CI-nya pada tabel 3 x 2 ada dua cara yang dapat dilakukan yaitu 1) harus dibuat dummy
variabel tabel terlebih dahulu kemudian baru dilakukan Crosstabs atau 2) lakukan analisis regresi
logistik sederhana.

Untuk membuat dummy variabel dari pendidikan (SD, SMP, & SMA), pertama-tama harus
ditetapkan kelompok mana yang akan dijadikan sebagai pembanding, kelompok pembanding akan
diberi kode = 0 (nol).

Dalam hal ini sebagai pembanding kita tetapkan SMA sehingga SMA diberi kode 0 pada variabel
dummy. Dari DIDIK (0=SD, 1=SMP, 2=SMA) dibuat 2-varibel dummy dari menu Transformasi
data dengan perintah RECODE.
DIDIK_1 (0=SMA, 1=SD)
DIDIK_2 (0=SMA, 1=SMP)
Selanjutnya lakukan crosstabs dari 2 variabel dummy itu dengan BBLR, hasilnya sebagai berikut:

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 97 dari 139 
Besral, FKM UI, 2012 Modul SPSS

DIDIK_1 dengan BBLR

Crosstab

BBLR
Tidak Ya Total
DIDIK_1 SMA Count 51 7 58
% within DIDIK_1 87.9% 12.1% 100.0%
SD Count 18 29 47
% within DIDIK_1 38.3% 61.7% 100.0%
Total Count 69 36 105
% within DIDIK_1 65.7% 34.3% 100.0%

Proporsi BBLR lebih tinggi pada ibu dengan pendidikan SD ( 61.7%) dibandingkan dengan ibu
pendidikan SMA (12.1%). Hasil ini sama dengan tabel 3 x 2 sebelumnya.
Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.


Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 28.386b 1 .000
Continuity Correctiona 26.226 1 .000
Likelihood Ratio 29.732 1 .000
Fisher's Exact Test .000 .000
Linear-by-Linear
28.116 1 .000
Association
N of Valid Cases 105
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count less than 5. The minimum expected count is
16.11.

Nilai-p dari χ dan Fisher Exact memperlihatkan hasil yang sama dan signifikan secara statistik
2

(p=0.000).
Nilai OR 11,7 dapat diinterpretasikan bahwa ibu yang berpendidikan SD mempunyai
kecenderungan untuk melahirkan bayi BBLR sebesar 11.7 kali lebih besar dibandingkan dengan
ibu yang berpendidikan SMA.

Risk Estimate

95% Confidence
Interval
Value Lower Upper
Odds Ratio for DIDIK_1
11.738 4.384 31.429
(SMA / SD)
For cohort BBLR = Tidak 2.296 1.578 3.341
For cohort BBLR = Ya .196 .094 .406
N of Valid Cases 105

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 98 dari 139 
Besral, FKM UI, 2012 Modul SPSS

DIDIK_2 dengan BBLR

Crosstab

BBLR
Tidak Ya Total
DIDIK_2 SMA Count 51 7 58
% within DIDIK_2 87.9% 12.1% 100.0%
SMP Count 61 23 84
% within DIDIK_2 72.6% 27.4% 100.0%
Total Count 112 30 142
% within DIDIK_2 78.9% 21.1% 100.0%

Proporsi BBLR lebih tinggi pada ibu yang berpendidikan SD (27.4%) dibandingkan dengan ibu
yang berpendidikan SMA (12.1%), dan hubungan ini signifikan secara statistik (p = 0.036)

Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.


Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 4.827b 1 .028
Continuity Correctiona 3.952 1 .047
Likelihood Ratio 5.099 1 .024
Fisher's Exact Test .036 .022
Linear-by-Linear
4.793 1 .029
Association
N of Valid Cases 142
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count less than 5. The minimum expected count is
12.25.

Nilai OR 2,7 dapat diinterpretasikan bahwa ibu yang berpendidikan SMP mempunyai
kecenderungan untuk melahirkan bayi BBLR sebesar 2.7 kali lebih besar dibandingkan dengan ibu
yang berpendidikan SMA.

Risk Estimate

95% Confidence
Interval
Value Lower Upper
Odds Ratio for DIDIK_2
2.747 1.090 6.922
(SMA / SMP)
For cohort BBLR = Tidak 1.211 1.029 1.424
For cohort BBLR = Ya .441 .203 .959
N of Valid Cases 142

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 99 dari 139 
Besral, FKM UI, 2012 Modul SPSS

7.6. Regresi Logistik Sederhana

Seperti telah dijelaskan sebelumnya bahwa Crosstabs pada tabel 2 x 2 tidak bisa menampilkan nilai
OR, misalnya pendidikan dengan BBLR yang merupakan tabel 3 x 2. Untuk bisa mendapatkan
nilai OR dan CI-nya pada tabel 3 x 2 ada dua cara yang dapat dilakukan yaitu 1) harus dibuat
dummy variabel kemudian baru dilakukan Crosstabs atau 2) lakukan analisis regresi logistik
sederhana. Langkah-langkah dengan dummy variabel telah dijelaskan pada bagian sebelumnya,
sedangkan langkah-langkah dengan regresi logistic sederhana akan diuraikan berikut ini.

Pada contoh ini, kita akan membandingkan risiko kejadian BBLR pada populasi dengan tingkat
pendidikan yang berbeda-beda (variabel didik dengan kode sebagai berikut: 0=SD, 1=SMP, dan
2=SMA). Sebagai kelompok pembanding kita tetapkan SMA. Lakukan perintah analisis dengan
SPSS sebagai berikut:
1. Bukalah file IBU_BAYI_189.SAV, sehingga data tampak di Data editor window.
2. Dari menu utama, pilihlah:
Analyze <
DescripRegression <
Binary Logistic…
Seperti gambar berikut:

3. Pilih variabel dependen (BBLR), kemudian masukkan ke kotak Dependent


4. Pilih variabel independen (DIDIK), kemudian masukkan ke kotak Covariates

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 100 dari 139 
Besral, FKM UI, 2012 Modul SPSS

5. Pada menu “Categorical” pilih variabel DIDIK dan klik tanda > untuk memasukkannya
ke kotak Categorical Covariates
6. Pastikan Reference Categori adalah Last (artinya kelompok pembanding adalah kode
tertinggi, dalam hal ini kode 2=SMA).

7. Klik Continue jika sudah selesai, SPSS akan kembali ke menu utama.
8. Klik Option kemudian aktifkan CI for exp(B) seperti gambar berikut.

9. Kemudian klik Continue jika sudah selesai, SPSS akan kembali ke menu utama.
10. Klik OK untuk menjalankan prosedur. Pada layar output akan tampak hasil regresi logistic.

Pada output ini, kita hanya mengambil bagian yang paling akhir saja, yang berkaitan dengan
perbandingan risiko BBLR pada berbagai tingkat pendidikan dalam bentuk OR atau Exp(B) seperti
berikut:

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 101 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
DIDIK 26.820 2 .000
1 DIDIK(1) 2.463 .502 24.022 1 .000 11.738 4.384 31.428
DIDIK(2) 1.011 .472 4.593 1 .032 2.747 1.090 6.922
Constant -1.986 .403 24.275 1 .000 .137
a. Variable(s) entered on step 1: DIDIK.

Nilai OR atau Exp(B) 11,7 dan 2,7 dapat diinterpretasikan bahwa ibu yang berpendidikan SD
DIDIK(1) mempunyai risiko untuk melahirkan bayi BBLR sebesar 11.7 kali lebih besar
dibandingkan dengan ibu yang berpendidikan SMA (nilai-p=0.000). Sedangkan ibu yang ber
pendidikan SMP DIDIK(2) mempunyai risiko untuk melahirkan bayi BBLR sebesar 2.7 kali lebih
besar dibandingkan dengan ibu yang berpendidikan SMA (nilai-p=0.032).

7.7. Penyajian Hasil Uji Beda Proprosi (Chi-Square)

Tabel # Hubungan BBLR dengan Pendidikan ibu dan Status Rokok

Variabel BBLR Total OR (95%CI) nilai-p


Tidak Ya
n (%) n (%) n=189
Rokok
- Tidak 86 (74,8) 29 (25,2) 115 2,0 (1,1—3,8) 0,020
- Ya 44 (59,5) 30 (40,5) 74
Pendidikan ibu
- SD 18 (38,3) 29 (61,7) 47 11,7 (4,3—31,4) 0,000
- SMP 61 (72,6) 23 (27,4) 84 2,7 (1,1—6,9) 0,032
- SMA 51 (87,9) 7 (12,1) 58 1,0

Hubungan antara Pendidikan dengan BBLR terlihat bahwa semakin rendah tingkat pendidikan ibu
akan semakin besar kemungkinan untuk melahirkan bayi BBRL. Dari 47 ibu-ibu berpendidikan
SD, sebanyak 61.7% melahirkan bayi dengan BBLR. Dari 84 ibu-ibu yang berpendidikan SMP,
sebanyak 27.4% melahirkan bayi BBLR. Dari 58 ibu-ibu yang berpendidikan SMA, sebanyak
12.1% yang melahirkan bayi BBLR

Dari Nilai OR dapat disimpulkan bahwa ibu yang berpendidikan SD mempunyai kecenderungan
untuk melahirkan bayi BBLR sebesar 11.7 kali lebih besar dibandingkan dengan ibu yang
berpendidikan SMA (nilai-p=0.000). Sedangkan ibu yang ber pendidikan SMP mempunyai
kecenderungan untuk melahirkan bayi BBLR sebesar 2.7 kali lebih besar dibandingkan dengan ibu
yang berpendidikan SMA (nilai-p=0.032).

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 102 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Chi-square syntax
DATA LIST LIST/ COLUMN(A) ROW(A) N.
BEGIN DATA.
'1' '1' 20
'1' '2' 40
'2' '1' 3
'2' '2' 12
END DATA.
EXECUTE.
WEIGHT BY N.
CROSSTABS
/TABLES=COLUMN BY ROW
/FORMAT=AVALUE TABLES
/STATISTICS=CHISQ RISK
/CELLS=COUNT ROW TOTAL
/COUNT ROUND CELL.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 103 dari 139 
Besral, FKM UI, 2012 Modul SPSS

8 Uji Korelasi & Regresi Linier


Uji korelasi dan regresi linier atau uji hubungan antara dua
variabel, yakni variabel numerik dengan variabel numerik. Dua
variabel numerik yang akan diuji tersebut apakah koefisien
korelasi pearson sama dengan nol (tidak ada korelasi) atau tidak
sama dengan nol (ada korelasi yang signifikan secara statistik).
Jika ada korelasi yang signifikan, maka dilakukan langkah
berikutnya yakni perhitungan persamaan garis lurus (regresi
linier) yang dapat digunakan untuk memprediksi nilai Y
(dependen variabel) apabila nilai X diketahui (independen
variabel). Uji korelasi dan regresi linier tersebut akan dibahas
dengan contoh-contoh aplikasinya dan dilengkapi dengan dengan
cara penyajian dan interpretasinya.

Setelah mempelajari BAB ini, peserta mampu:


- 1. Menjelaskan kembali konsep uji-korelasi serta interpretasinya
- 2. Melakukan uji-korelasi serta menginterpretasikan koefisien korelasi dan
koefisien determinasi
- 3. Melakukan uji-regresi linier sederhana
- 4. Membuat persamaan garis regrasi linier sederhana
- 5. Menginterpretasikan koefisien regresi
- 6. Menyajikan dan interpretasi hasil uji-korelasi dan regresi linier

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 104 dari 139 
Besral, FKM UI, 2012 Modul SPSS

8.1. Konsep Uji Korelasi

Dalam aplikasi praktis di dunia kesehatan dan kedokteran, seringkali kita ingin menguji
apakah ada hubungan atau korelasi antara dua variabel numerik?, jika ada korelasi seperti
apa persamaan garisnya?. Misalnya kita ingin menguji apakah ada hubungan antara berat
ibu sebelum hamil (x) dengan berat bayi yang dilahirkannya (y).

Uji statistik untuk melihat hubungan antara dua variabel numerik adalah uji “uji korelasi”.
Koefisien korelasi ini dikembangkan oleh Pearson sehingga dikenal dengan nama Pearson
Coeficient Correlation untuk statistik parametrik dan dikembangkan oleh Spearman
sehingga dikenal dengan nama Spearman Coeficient Correlation untuk statistik
parametrik. Koefisien korelasi dilambangkan dengan huruf “r” kecil atau “R” kapital.
Nilai “r” berkisar antara 0.0 yang berarti tidak ada korelasi, sampai dengan 1.0 yang
berarti adanya korelasi yang sempurna. Semakin kecil nilai “r” semakin lemah korelasi,
semakin besar nilai “r” semakin kuat korelasi.

Selain itu, “r” juga mempunyai nilai negatif (-) atau minus yang menkitakan adanya
hubungan terbalik antara x dengan y. Artinya, semakin tinggi nilai x maka semakin rendah
nilai y, misalnya korelasi antara umur dengan kemampuan daya ingat pada kelompok usia
lanjut.

Jika korelasi yang ada signifikan secara statistik, kita bisa menganalisis lebih lanjut dengan
membuat persamaan garisnya (regresi linier) untuk memprediksi atau memperkirakan
berapa nilai (y) jika nilai (x) diketahui. Prediksi tersebut dapat dilakukan jika kita
mempunyai persamaan garis lurus yang biasanya disebut dengan istilah “regresi linier”
dengan persamaan matematis “y = a + bx”. Besaran nilai “b” menggambarkan besarnya
perubahan (peningkatan/penurunan) pada nilai y untuk setiap kenaikan nilai x sebesar satu
satuan.

Korelasi

Korelasi digunakan untuk mengetahui ada atau tidaknya hubungan, kekuatan hubungan,
dan arah hubungan dua variabel numerik. Misalnya, apakah hubungan umur dan daya ingat
mempunyai hubungan yang signifikan atau tidak? kekuatan hubungannya kuat atau lemah?
apakah hubungannya berpola positif atau negatif?.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 105 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Untuk mengetahui kekuatan hubungan dua variabel numerik digunakan Koefisien Korelasi
Pearson dengan formula sebagai berikut:

∑ xy − ∑ n∑
x y
r=
( x) ⎤⎡
2
2
( y ) ⎤⎥
⎢∑ x − ∑ ⎥ ⎢∑ y − ∑

2
2



n ⎥⎢ n ⎥
⎦⎣ ⎦

atau

r=
∑ xy * n − ∑ x∑ y
[∑ x * n − (∑ x) ]* [∑ y * n − (∑ y ) ]
2 2 2 2

Nilai korelasi (r) berkisar 0 s.d. 1 atau bila dengan disertai arahnya
nilainya antara –1 s.d. +1.
r = 0 Æ tidak ada hubungan linier
r = -1 Æ hubungan linier negatif sempurna
r = +1 Æ hubungan linier positif sempurna

Hubungan dua variabel dapat berpola positif maupun negatif. Hubungan positif terjadi bila
kenaikan satu diikuti kenaikan variabel yang lain, misalnya semakin bertambah berat
badannya (semakin gemuk) semakin tinggi tekanan darahnya. Sedangkan hubungan
negatif dapat terjadi bila kenaikan satu variabel diikuti penurunan variabel yang lain,
misalnya semakin bertambah umur (semakin tua) semakin rendah daya ingat-nya.

Kekuatan hubungan dua variabel secara kualitatif dapat dibagi dalam 4 area, yaitu:

r = 0,00 – 0,25 Æ tidak ada hubungan atau hubungan lemah


r = 0,26 – 0,50 Æ hubungan sedang
r = 0,51 – 0,75 Æ hubungan kuat
r = 0,76 – 1,00 Æ hubungan sangat kuat
Uji Hipotesis

Regresi Linier Sederhana

Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk
mengetahui bentuk hubungan antar dua atau lebih variabel. Tujuan analisis regresi adalah
untuk membuat perkiraan (prediksi) nilai suatu variabel (variabel dependen) melalui
variabel yang lain (variabel independen).

Sebagai contoh kita ingin menghubungkan dua variabel numerik asupan garam dan
tekanan darah. Dalam kasus ini berarti asupan garam sebagai variabel independen dan
tekanan darah sebagai variabel dependen, sehingga dengan regresi kita dapat
memperkirakan besarnya nilai tekanan darah bila diketahui asupan garam.
Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 106 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Untuk melakukan prediksi, digunakan persamaan garis yang dapat diperoleh dengan
berbagai cara atau metode. Salah satu metode yang sering digunakan oleh peneliti adalah
metode kuadrat terkecil (least square). Metode least square merupakan suatu metode
pembuatan garis regresi dengan cara memilih jumlah kuadrat terkecil dari selisih jarak
antara nilai Y observasi dengan nilai Y prediksi dari garis regresi itu. Secara matematis
persamaan garis regresi ditulis sebagai berikut:

Y = a + bx + e

Y = Variabel Dependen
X = Variabel Independen
a = Intercept, perbedaan besarnya rata-rata variabel Y ketika variabel X = 0
b = Slope, perkiraan besarnya perubahan nialia variabel Y bila nilai variabel X berubah
satu unit pengukuran
e = nilai kesalahan (error) yaitu selisih antara niali Y individual yang teramati dengan
nilai Y yang sesungguhnya pada titik X tertentu

Nilai b dapat dihitung dengan rumus berikut: b=


∑ xy * n − ∑ x∑ y
∑ x * n − (∑ x )
2 2

Nilai a dapat dihitung dengan rumus berikut: a = Y − bX


Y = rata _ rata _ Y

X = rata _ rata _ X

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 107 dari 139 
Besral, FKM UI, 2012 Modul SPSS

8.2. Asumsi Normalitas pada Uji Korelasi Pearson

Dasar dari uji korelasi Pearson adalah statistik Parametrik, yang berasumsi data
mempunyai distribusi normal. Dalam hal ini variabel Y harus berdistribusi normal.
Apabila asumsi ini tidak terpenuhi, dapat dilakukan transformasi terlebih dahulu misalnya
dengan LOG, AKAR, atau KUADRAT. Jika pada proses transformasi tidak berhasil
membuat distribusi data menjadi normal, maka pilihan statistik non-parametrik lebih
dianjurkan, yakni uji korelasi Spearman.

8.3. Aplikasi Uji Korelasi

Dalam contoh ini, kita akan menguji apakah ada korelasi antara berat badan ibu sebelum
hamil dengan berat badan bayi yang akan dilahirkannya kelak. Kita akan menggunakan
variabel bbibu_1 dan bbayi dari file IBU_BAYI_189.SAV.

8.3.1. Uji Normalitas dengan Kolmogorov-Smirnov

1. Bukalah file IBU_BAYI_189.SAV, sehingga data tampak di Data editor window.


2. Dari menu utama, pilihlah:
Analyze <
Descriptif statistic <
Explore…
Seperti gambar berikut:

6. Pilih variabel Berat Bayi Lahir (bbayi), kemudian klik tanda > untuk
memasukkannya ke kotak Dependent List.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 108 dari 139 
Besral, FKM UI, 2012 Modul SPSS

7. Pilih Plots.., kemudian aktifkan Histogram dan Normality plots with tests.
Kemudian klik Continue.

8. Klik OK untuk menjalankan prosedur. Pada layar tampak hasil seperti berikut:
Descriptives

Statistic Std. Error


Berat bayi lahir Mean 2944.66 53.03
95% Confidence Lower Bound 2840.05
Interval for Mean Upper Bound
3049.26

5% Trimmed Mean 2957.83


Median 2977.00
Variance 531473.7
Std. Deviation 729.02
Minimum 709
Maximum 4990
Range 4281
Interquartile Range 1069.00
Skewness -.210 .177
Kurtosis -.081 .352

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 109 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Tests of Normality
a
Kolmogorov-Smirnov
Statistic df Sig.
Berat bayi lahir .043 189 .200*
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction

Dengan uji Kolmogorov-Smirnov, disimpulkan bahwa distribusi data berat bayi adalah
normal (nilai-p = 0.200).

Catatan: Cara lebih rinci dalam melakukan uji normalitas dapat dilihat bab 2 Statistik
Deskriptif.

8.3.2. Uji Korelasi Pearson atau Spearman

Korelasi Pearson (untuk statistik parametrik) atau Spearman (untuk statistik non-
parametrik) antara berat badan ibu sebelum hamil (bbibu_1) dengan berat badan bayi yang
dilahirkannya (bbayi) dapat dilakukan dengan prosedur sebagai berikut:

1. Bukalah file IBU_BAYI_189.SAV, sehingga data tampak di Data editor window.


2. Dari menu utama, pilihlah:
Analyze >
Correlate >
Bivariate…
Seperti gambar berikut:

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 110 dari 139 
Besral, FKM UI, 2012 Modul SPSS

11. Pilih variabel bbibu_1 dan bbayi, kemudian masukkan ke kotak Variables
12. Pada Correlation Coeficient, aktifkan Pearson untuk statistik parametrik atau
aktifkan Spearman untuk statistik non-parametrik, kemudian klik OK, hasilnya
sebagai berikut:

Correlation:
Yang menampilkan Pearson Correlation
Correlations

Berat badan
ibu (sebelum Berat bayi
hamil) lahir
Berat badan ibu Pearson Correlation 1.000 .186*
(sebelum hamil) Sig. (2-tailed) . .011
N 189 189
Berat bayi lahir Pearson Correlation .186* 1.000
Sig. (2-tailed) .011 .
N 189 189
*. Correlation is significant at the 0.05 level (2-tailed).

Nonparametric Correlation:
Yang menampilkan Spearman Correlation

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 111 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Correlations

Berat badan
ibu (sebelum Berat bayi
hamil) lahir (gr)
Spearman's rho Berat badan ibu Correlation Coefficient 1.000 .250**
(sebelum hamil) Sig. (2-tailed) . .001
N 189 189
Berat bayi lahir (gr) Correlation Coefficient .250** 1.000
Sig. (2-tailed) .001 .
N 189 189
**. Correlation is significant at the 0.01 level (2-tailed).

Hasil Korelasi Pearson memperlihatkan bahwa koefisien korelasi Pearson antara berat
badan ibu sebelum hamil dengan berat bayi lahir adalah 0.186, korelasi itu signifikan
secara statistik dengan nilai-p 0.011.

Hasil Korelasi Spearman memperlihatkan bahwa koefisien korelasi Spearman antara berat
badan ibu sebelum hamil dengan berat bayi lahir adalah 0.250, korelasi itu signifikan
secara statistik dengan nilai-p 0.001.

8.4. Aplikasi Regresi Linier Sederhana

Setelah dilakukan uji korelasi, kita menyimpulkan korelasi tersebut signifikan secara
statistik. Selanjutnya kita akan membuat persamaan garis lurus untuk menggambarkan
secara lebih rinci korelasi antara bbibu dengan bbayi serta dapat digunakan untuk
memprediksi berat bayi jika berat ibunya diketahui. Analisa statistik yang kita gunakan
adalah regresi linier, dalam hal ini regresi linier sederhana, dengan prosedur sebagai
berikut:

1. Bukalah file IBU_BAYI_189.SAV, sehingga data tampak di Data editor window.


2. Dari menu utama, pilihlah:
Analyze <
Regressions <
Linier…
Seperti gambar berikut:

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 112 dari 139 
Besral, FKM UI, 2012 Modul SPSS

13. Klik variabel bbibu_1, kemudian masukkan ke kotak Dependent


14. Klik variabel bbayi, kemudian masukkan ke kotak Independent(s)

15. Kemudian klik OK, dan hasilnya sebagai berikut:

Model Summary

Adjusted Std. Error of


Model R R Square R Square the Estimate
1 .186a .034 .029 718.26
a. Predictors: (Constant), Berat badan ibu (sebelum
hamil)

Nilai R yang ditampilkan merupakan nilai koefisien korelasi Pearson yang hasilnya sama
dengan analisa Korelasi – Bivariat yang dikerjakan sebelumnya yaitu 0.186. R-square
merupakan nilai r yang dikuadratkan, yang artinya besarnya variasi pada variabel bbayi

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 113 dari 139 
Besral, FKM UI, 2012 Modul SPSS

yang dapat dijelaskan oleh variabel bbibu_1 (atau oleh persamaan garis regresi yang kita
peroleh) adalah 3,4%.

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 3444549 1 3444549.214 6.677 .011a
Residual 96472503 187 515895.740
Total 99917053 188
a. Predictors: (Constant), Berat badan ibu (sebelum hamil)
b. Dependent Variable: Berat bayi lahir

Nilai signifikansi dari ANOVA yang ditampilkan merupakan gambaran apakah model
persamaan garis yang kita peroleh sudah signifikan secara statistik. Dengan nilai-p 0.011
bila dibandingkan dengan alpha 0.05 kita simpulkan bahwa persamaan garis yang kita
peroleh secara statistik memang signifikan.

Coefficientsa

Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 2370.440 228.282 10.384 .000
Berat badan ibu
9.834 3.806 .186 2.584 .011
(sebelum hamil)
a. Dependent Variable: Berat bayi lahir

Nilai koefisien B yang ditampilkan merupakan gambaran untuk membuat model


persamaan garis y = a + bx. Nilai B untuk variabel Constant (atau a) adalah 2370.44
dengan nilai-p 0.000, sedangkan nilai B untuk variabel berat badan ibu (atau b) adalah
9.834 dengan nilai-p 0.011. Persamaan garis lurus yang kita dapat adalah:
Berat bayi lahir = 2370.44 + 9.834 (berat ibu)

8.5. Penyajian dan Interpretasi Korelasi & Regresi Linier

Setelah dilakukan uji korelasi dan Regressi Linier, kita harus memilih nilai-nilai tertentu
untuk disajikan dalam suatu laporan singkat yang dapat dimengerti dengan baik oleh
pembacanya, sebagai berikut:
Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 114 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Tabel 1. Analisis Korelasi dan Regresi Linier Berat Ibu sebelum hamil dengan
Berat bayi lahir
Variabel R R2 Persamaan garis Nilai-p
1.Berat ibu Berat bayi lahir =
sebelum hamil 0.186 0.034 2370.44 + 9.834 (berat ibu) 0.011
2. ..

Hubungan antara berat ibu sebelum hamil dengan berat bayi lahir menunjukkan korelasi
yang positif dengan kekuatan/keeratan hubungan yang rendah (R=0.186). Artinya semakin
tinggi berat ibu sebelum hamil maka semakin tinggi berat bayi yang akan dilahirkannya,
setiap kenaikan satu kilogram berat ibu akan dapat meningkatkan 9.384 gram berat bayi.
Namun, variabel berat ibu hanya dapat menjelaskan 3,4% variasi pada variabel berat bayi
atau variabel berat ibu kurang dapat menjelaskan variabel berat bayi. Walaupun hubungan
ini signifikan secara statistik (nilai- 0.011).

8.6. Memprediksi nilai Y

Dari persamaan garis regressi linier yang didapatkan, kita bisa memperkirakan atau
memprediksi nilai y, bila nilai x kita ketahui. Misalnya, diketahui berat badan ibu sebelum
hamil adalah 70 kg, maka perkiraan berat bayi yang akan dilahirkannya dapat dihitung
sebagai berikut:
Berat bayi lahir = 2370.44 + 9.834 (berat ibu)
= 2370.44 + 9.834 (70)
= 2370.44 + 688.38
= 3058.82 gram

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 115 dari 139 
Besral, FKM UI, 2012 Modul SPSS

9 UJI VALIDITAS & RELIABILITAS INSTRUMEN

Uji validitas dan reliabilitas instrumen merupakan suatu proses


untuk menilai valid atau tidaknya kuesioner yang digunakan
dalam suatu penelitian. Biasanya dipakai untuk menilai validitas
dan reliabilitas kuesioner yang digunakan untuk mengukur
sesuatu yang abstrak seperti pengetahuan, sikap, kepercayaan,
kepuasan, kinerja, dll, yang membutuhkan variabel komposit.
Uji validitas dan reliabilitas tersebut akan dibahas dengan contoh-
contoh aplikasinya dan dilengkapi dengan dengan cara penyajian
dan interpretasinya.

Setelah mempelajari BAB ini, kita akan mengetahui:


- 1. Pengertian validitas
- 2. Pengertian reliabilitas
- 3. Cara melakukan uji validitas dan reliabilitas
- 4. Cara menginterpretasikan hasil uji validitas dan reliabilitas

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 116 dari 139 
Besral, FKM UI, 2012 Modul SPSS

9.1. Pendahuluan

VALIDITAS
Validitas berarti keakuratan yang biasanya merujuk pada keakuratan dari suatu
pengukuran. Hasil penelitian hanya bisa dipercaya apabila datanya diukur dengan
menggunakan alat ukur atau instrumen atau kuesioner yang valid dan reliabel. Validitas
terdiri dari berbagai jenis, seperti 1) Validitas kontent atau isi dan 2) Validitas
konstruksi/komponen.

Validitas kontent atau isi menggambarkan seberapa tepat hasil pengukuran dibandingkan
dengan standar baku (gold standar) yang sudah ada. Validitas kontent dapat diuji apabila
tersedia nilai baku emas (gold standar).

Contoh-1: Timbangan untuk mengukur berat (Digital, Pegas, Dacin, dll) yang sudah ditera
oleh Badan Metrologi dengan membandingkannya dengan Gold Standar
dijamin keakuratannya.
Contoh-2: Timbangan Pegas untuk mengukur berat badan, setiap pemakaian 10
penimbangan atau 10 responden, wajib dicek atau distandarkan kembali titik
nolnya untuk menjamin keakuratannya.
Contoh-3:: Kuesioner berisi 10 pertanyaan untuk mengukur stress, harus direview oleh
orang yang ahli di bidang stress (psikolog), agar terjamin keakuratannya.

Validitas konstruk/komponen menggambarkan seberapa akurat konstruksi/komponen


variabel atau daftar pertanyaan yang ada, berkontribusi terhadap suatu konsep atau variabel
latent atau variabel komposit yang ingin diukur.
Misalnya, untuk mengukur ‘pengetahuan’ ada 10 pertanyaan, apakah ke 10 pertanyaan
tadi betul-betul memiliki kontribusi? atau mungkin cukup hanya dengan 8 pertanyaan saja?
Atau adakah pertanyaan yang tidak punya kontribusi sehingga tidak perlu ditanyakan?.
Untuk mengetahui pertanyaan mana saja yang tidak memiliki kontribusi atau kontribusinya
sedikit maka dilakukanlah uji validitas.

Validitas kontruksi sering dipakai untuk menguji instrumen yang dipakai untuk mengukur
suatu konsep yang terdiri dari variabel komposit (yaitu variabel yang terdiri dari beberapa
pertanyaan) seperti pengetahuan, sikap, kepercayaan, motivasi, kinerja, kepuasan, dll

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 117 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Suatu pertanyaan atau variabel akan valid (dari sisi validitas kontruksi) apabila:
1. Jawabannya bervariasi dan tidak hanya satu jawaban saja atau
2. Kurva dari jawaban yang bervariasi tadi akan berbentuk berdistribusi Normal atau
3. Korelasi masing-masing pertanyaan dengan total-gabungan semua item variabel (inter-
item-total correlation) signifikan secara statistik. Yakni nilai R-hitung (Koefisien
Korelasi Pearson) lebih besar dari nilai R-tabel sesuai derajat kebebasan (degree of
freedom atau jumlah sampel dikurangi satu, n-1) dan signifikansi atau kemaknaan
tertentu (5% atau 1%). Daftar nilai R koef. Korelasi sesuai df dan n-1 sebagai
berikut:.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 118 dari 139 
Besral, FKM UI, 2012 Modul SPSS

RELIABILITAS
Realibilitas adalah suatu ukuran yang menunjukkan sejauhmana suatu alat ukur
menghasilkan pengukuran yang sama atau konsisten apabila pengukuran dilakukan
berulang-ulang dengan alat ukur yang sama.
Contohnya seseorang ingin mengukur jarak dari satu tempat ke tempat lain dengan
menggunakan dua jenis alat ukur. Alat ukur pertama dengan meteran yang dibuat dari besi,
sedangkan alat ukur kedua dengan menghitung langkah kaki. Pengukuran dengan meteran
besi akan mendapatkan hasil yang sama kalau pengukurannya dilakukan berulang-ulang.
Sebaliknya pengukuran yang dilakukan dengan langkah kaki, besar kemungkinan akan
didapatkan hasil yang berbeda kalau pengukurannya diulang dua kali atau lebih. Dari
ilustrasi ini berarti meteran besi lebih reliable dibandingkan langkah kaki untuk mengukur
jarak.

Suatu kuesioner dikatakan reliabel jika jawaban terhadap kuesioner tersebut konsisten atau
stabil dari satu responden ke responden lainnya atau pada satu responden yang ditanyakan
pada hari yang berbeda tetap memberikan jawaban yang sama. Misalnya responden
menjawab “tidak setuju” terhadap perilaku merokok, jika beberapa hari kemudian
ditanyakan kembali untuk hal yang sama, maka seharusnya jawabannya konsisten dengan
jawaban semula yaitu “tidak setuju”. Hal ini memungkinkan apabila pertanyaan yang
diajukan jelas, mudah dipahami, dan tidak memiliki arti ganda.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 119 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Pengukuran reliabilitas pada dasarnya dapat dilakukan dengan dua cara:


a. Repeated Measure atau pengukuran berulang. Pertanyaan ditanyakan pada
reponden berulang pada waktu yang berbeda (misal sebulan kemudian), dan
kemudian dilihat apakah ia tetap konsisten dengan jawabannya
b. One Shot atau diukur sekali saja tetapi pada responden yang berbeda-beda. Disini
pengukurannya hanya sekali dan kemudian hasilnya dibandingkan dengan jawaban
dari responden lain. Cara ini lebih banyak dipakai karena mudah dan tidak rumit
dilakuan.
Pengujian validitas dan reliabilitas dimulai dengan menguji validitas terlebih dahulu. Jika
pertanyaan tidak valid, maka pertanyaan tersebut dibuang. Pertanyaan-pertanyaan yang
sudah valid saja yang diukur reliabilitasnya.

9.2. Contoh pertanyaan yang valid dan tidak valid

Contoh pertanyaan yang valid (Validitas kontruksi), ada variasi jawaban dan mendekati
distribusi normal:
4
3.0

2.5

2.0
Frequency

Frequency

2 1.5

1.0

0.5
Mean = 2.60 Mean = 2.50
Std. Dev. = Std. Dev. =
1.17379 1.19523
N = 10 N=8

0 0.0
0.00 1.00 2.00 3.00 4.00 5.00 0.00 1.00 2.00 3.00 4.00 5.00

Pengetahuan 1 s4

Contoh pertanyaan yang tidak valid (Validitas kontruk), jawaban tidak bervariasi dan
jauh dari distribusi normal::

14

12

10
Frequency

2
Mean = 3.70
Std. Dev. =
0.94868
N = 10

0
-1.00 0.00 1.00 2.00 3.00 4.00 5.00 6.00

p5

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 120 dari 139 
Besral, FKM UI, 2012 Modul SPSS

9.3. Penilaian pertanyaan yang tidak valid

Pertanyaan yang tidak valid tergambar dari hasil analisis uji validitas dan reliabilitas, pada
bagian ”Corrected Item-Total Correlation”:
1. Suatu pertanyaan tidak valid apabila nilai R ”Corrected Item-Total Correlation”
lebih kecil dari nilai R Tabel.
2. Suatu pertanyaan tidak valid apabila pertanyaan tersebut di hilangkan, maka
nilai Cronbach Alpa akan meningkat secara signifikan
3. Suatu pertanyaan tidak valid apabila nilai R pertanyaan tersebut adalah negatif
(minus).

9.4. Langkah-langkah uji validitas dan reliabilitas


Gunakan File: Uji Validitas Reliabilitas.SAV (Ada 20 responden dan 16 Variabel Kepuasan). Dari
informasi jumlah responden dalam data tersebut kita menetapkan Nilai R hitung harus > nilai R
tabel 0.433 pada kemaknaan 5%, df = 19 (n-1).

Langkah-1:
Perintah pada SPSS:
1. Analyze > Scale > Reliabilty >
2. Masukkan variabel semua variabel kepuasan yang akan diuji ke kotak kanan
3. Pilih statistic > aktifkan item, total, dan item if deleted
4. Continue > OK

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 121 dari 139 
Besral, FKM UI, 2012 Modul SPSS

4
3

R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Item-total Statistics

Scale Scale Corrected


Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted Jika var04 di
delete, maka
VAR00001 62.5500 232.5763 .7651 .9489 Alpha
VAR00002 61.9500 238.3658 .6855 .9505 cronbach
VAR00003 61.9500 237.1026 .7755 .9485 akan
VAR00004 63.6500 272.9763 .0000 .9567 meningkat
VAR00005 61.8500 234.1342 .9170 .9457 dari 0,9525
VAR00006 61.7000 236.4316 .8596 .9469 menjadi
VAR00007 62.0500 237.6289 .7787 .9484 0.9567
VAR00008 62.5500 227.1026 .8670 .9464
VAR00009 62.7000 235.3789 .7465 .9492
VAR00010 61.8000 233.2211 .8208 .9475
VAR00011 62.3000 226.7474 .8869 .9459
VAR00012 64.6000 270.8842 .2774 .9560
VAR00013 62.1500 234.2395 .8613 .9467
VAR00014 62.0500 229.8395 .9225 .9452
VAR00015 63.6000 277.5158 -.6160 .9588
VAR00016 62.3000 226.7474 .8869 .9459

R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Reliability Coefficients
N of Cases = 20.0 N of Items = 16
Alpha = .9525

Langkah-2:
Delete variabel 04 karena selain tidak valid (R < 0,433), item-total correlation paling
kecil, dan jika pertanyaan ini didelete maka akan meningkatkan Cronbach Alpa menjadi
0,9567.

Perintah pada SPSS:


1. Analyze > Scale > Reliabilty >
2. Keluarkan variabel 04 dari kotak sebelah kanan, ke kotak sebelah kiri
3. Continue > OK
Item-total Statistics

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 122 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Scale Scale Corrected


Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted

VAR00001 59.5500 232.5763 .7651 .9537


VAR00002 58.9500 238.3658 .6855 .9554
VAR00003 58.9500 237.1026 .7755 .9533
VAR00005 58.8500 234.1342 .9170 .9505
VAR00006 58.7000 236.4316 .8596 .9517 Jika var15 di
VAR00007 59.0500 237.6289 .7787 .9533 delete, maka
VAR00008 59.5500 227.1026 .8670 .9513 Alpha
VAR00009 59.7000 235.3789 .7465 .9540 cronbach
VAR00010 58.8000 233.2211 .8208 .9523 akan
VAR00011 59.3000 226.7474 .8869 .9508 meningkat
VAR00012 61.6000 270.8842 .2774 .9609 dari 0,9557
VAR00013 59.1500 234.2395 .8613 .9515
VAR00014 59.0500 229.8395 .9225 .9501
menjadi
VAR00015 60.6000 277.5158 -.6160 .9637 0.9637
VAR00016 59.3000 226.7474 .8869 .9508

R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Reliability Coefficients
N of Cases = 20.0 N of Items = 15
Alpha = .9567 Setelah var04 di delete, maka Alpha cronbach berubah
dari 0,9525 menjadi 0.9567

Langkah-3:
Delete variabel 15 karena tidak valid (R < 0,433) dan item-total correlation paling kecil.

Perintah pada SPSS:


1. Analyze > Scale > Reliabilty >
2. Keluarkan variabel 15 dari kotak sebelah kanan
3. Continue > OK
Item-total Statistics

Scale Scale Corrected


Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted

VAR00001 56.5000 236.8947 .7625 .9619


VAR00002 55.9000 242.5158 .6878 .9634
VAR00003 55.9000 241.2526 .7776 .9614
VAR00005 55.8000 238.2737 .9188 .9586
VAR00006 55.6500 240.5553 .8623 .9598
VAR00007 56.0000 241.8947 .7781 .9614
VAR00008 56.5000 231.3158 .8656 .9595
VAR00009 56.6500 239.6079 .7464 .9621
VAR00010 55.7500 237.3553 .8224 .9604
VAR00011 56.2500 230.9342 .8860 .9590
VAR00012 58.5500 275.4184 .2759 .9688
VAR00013 56.1000 238.4105 .8623 .9596
VAR00014 56.0000 234.0000 .9227 .9582
VAR00016 56.2500 230.9342 .8860 .9590

R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Reliability Coefficients
N of Cases = 20.0 N of Items = 14
Alpha = .9637
Setelah var15 di delete, maka Alpha cronbach berubah
menjadi 0.9637

Langkah-4:
Delete variabel 12 karena tidak valid (R < 0,433) dan item-total correlation paling kecil.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 123 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Perintah pada SPSS:


1. Analyze > Scale > Reliabilty >
2. Keluarkan variabel 12 dari kotak sebelah kanan
3. Continue > OK

Item-total Statistics
Scale Scale Corrected
Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted
VAR00001 54.4500 234.9974 .7615 .9679
VAR00002 53.8500 240.5553 .6877 .9694
VAR00003 53.8500 239.2921 .7777 .9673
VAR00005 53.7500 236.3026 .9195 .9645
VAR00006 53.6000 238.5684 .8632 .9657
VAR00007 53.9500 239.9447 .7778 .9673
VAR00008 54.4500 229.4184 .8652 .9654
VAR00009 54.6000 237.7263 .7448 .9681
VAR00010 53.7000 235.3789 .8232 .9663
VAR00011 54.2000 229.0105 .8862 .9648
VAR00013 54.0500 236.4711 .8621 .9655
VAR00014 53.9500 232.0500 .9233 .9641
VAR00016 54.2000 229.0105 .8862 .9648
_
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Reliability Coefficients
N of Cases = 20.0 N of Items = 13
Alpha = .9688 Semua pertanyaan sudah valid (R > 4.33)

9.4. Penyajian dan interpretasi hasil uji validitas dan reliabilitas


Dari 16 variabel, ada 3 variabel yang tidak valid, dan hanya ada 13 variabel yang valid.

Ke 13 variabel tersebut valid untuk mengukur kepuasan pelayanan keperawatan dengan


item-total koefisien korelasi berkisar antara 0.6877 sampai 0.9233.

Ke 13 variabel tersebut juga reliabel dalam mengukur kepuasan pelayanan keperawatan


dengan Cronbach Alpha 0.9688
Scale Scale Corrected
Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted

VAR00001 54.4500 234.9974 .7615 .9679


VAR00002 53.8500 240.5553 .6877 .9694
VAR00003 53.8500 239.2921 .7777 .9673
VAR00005 53.7500 236.3026 .9195 .9645
VAR00006 53.6000 238.5684 .8632 .9657
VAR00007 53.9500 239.9447 .7778 .9673
VAR00008 54.4500 229.4184 .8652 .9654
VAR00009 54.6000 237.7263 .7448 .9681
VAR00010 53.7000 235.3789 .8232 .9663
VAR00011 54.2000 229.0105 .8862 .9648
VAR00013 54.0500 236.4711 .8621 .9655
VAR00014 53.9500 232.0500 .9233 .9641
VAR00016 54.2000 229.0105 .8862 .9648

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 124 dari 139 
Besral, FKM UI, 2012 Modul SPSS

9.5. Latihan uji validitas dan reliabilitas kuesioner


CONTOH SOAL LATIHAN
UJI VALIDITAS DAN RELIABILITAS KUESIONER
Lakukan uji validitas dan reliabilitas kuesioner untuk mengetahui tingkat KEPUASAN
KERJA perawat di RS X. Untuk mengukur kepuasan digunakan 5 pertanyaan. Uji coba dilakukan pada
15 perawat dengan bentuk pertanyaan sbb:
KUESIONER KEPUASAN PERAWAT
1. Menurut anda, seberapa sering anda merasa tidak puas dengan hasil kerja anda?
1. tidak pernah 2. jarang 3.kadang-kadang 4. sering 5. selalu
2. Menurut anda, seberapa sering anda merasa dalam hidup ini perlu bersaing?
1. tidak pernah 2. jarang 3. kadang-kadang 4. sering 5. selalu
3. Menurut anda, seberapa sering anda merasa mudah marah pada pasien?
1. tidak pernah 2. Jarang 3. kadang-kadang 4. sering 5. selalu
4. Menurut anda, seberapa sering anda merasa ada konflik dengan rekan sekerja?
1. tidak pernah 2. Jarang 3. kadang-kadang 4. Sering 5. selalu
5. Menurut anda, seberapa sering anda merasa ada konflik dengan atasan?
1. tidak pernah 2. Jarang 3. kadang-kadang 4. sering 5. selalu

Data hasil pretest pada 15 responden, sbb:


No PUAS1 PUAS2 PUAS3 PUAS4 PUAS5
1 4 3 4 4 4
2 1 1 1 1 1
3 1 2 1 1 1
4 4 4 3 4 4
5 2 4 2 2 2
6 3 3 3 3 3
7 4 1 4 4 4
8 1 1 1 1 1
9 3 3 3 3 3
10 2 3 2 2 2
11 1 1 1 1 1
12 2 2 2 2 2
13 4 2 4 3 4
14 3 1 3 3 3
15 2 3 2 2 2

JAWAB:
Entry data tersebut ke program SPSS, kemudian lakukan uji validitas & reliabilitas

RELIABILITY
/VARIABLES=PUAS1 PUAS2 PUAS3 PUAS4 PUAS5
/FORMAT=NOLABELS
/SCALE(ALPHA)=ALL/MODEL=ALPHA
/STATISTICS=DESCRIPTIVE SCALE
/SUMMARY=TOTAL .

Hasilnya sbb:

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 125 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Item-Total Statistics

Scale Corrected Cronbach's


Scale Mean if Variance if Item-Total Alpha if Item
Item Deleted Item Deleted Correlation Deleted
PUAS1 9.53 15.124 .963 .881
PUAS2 9.73 20.924 .328 .993
PUAS3 9.60 15.971 .915 .892
PUAS4 9.60 15.686 .955 .884
PUAS5 9.53 15.124 .963 .881
Reliability Statistics

Cronbach's Alpha N of Items


.928 5

PUAS2 tidak valid, sehingga dikeluarkan, hasilnya sbb:

Item-Total Statistics

Scale Corrected Cronbach's


Scale Mean if Variance if Item-Total Alpha if Item
Item Deleted Item Deleted Correlation Deleted
PUAS1 7.27 11.495 .996 .988
PUAS3 7.33 12.095 .971 .994
PUAS4 7.33 12.095 .971 .994
PUAS5 7.27 11.495 .996 .988

Reliability Statistics

Cronbach's Alpha N of Items


.993 4

Keempat variabel kepuasan sudah valid dengan nilai item-total korelasi berkisar 0,988 sd 0,994 dan
sudah reliabel dengan nilai Cronbach Alpa 0,993.

9.6. Latihan uji validitas dan reliabilitas


Dari kuesioner dan data terlampir, lakukan uji validitas dan reliabilitas, serta tulis apa
simpulan/ saran kita.

KUISIONER : KINERJA PERAWAT DALAM DOKUMENTASI


PENERAPAN STANDAR ASUHAN KEPERAWATAN
FORMAT A : Disi oleh perawat
Petunjuk pengisian:
1. Berilah tanda cek (√) pada kolom pilihan jawaban yang tersedia disebelah pernyataan
sesuai dengan yang saudara lakukan, dengan pilihan jawaban
S = Selalu
TS = Tidak Selalu
KK = Kadang-Kadang
TP = Tidak Pernah
2. Mohon agar saudara dapat memberikan jawaban dengan sejujur-jujurnya dan
seterus terang mungkin serta menelaah makna setiap pernyataan dengan baik. Hasil
dari kuisioner ini tidak akan ada artinya sama sekali apabila saudara memberikan

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 126 dari 139 
Besral, FKM UI, 2012 Modul SPSS

jawaban bukan gambaran yang sebenarnya tentang kinerja saudara dalam melakukan
pendokumentasian asuhan keperawatan.
No PERNYATAAN S TS KK TP
1 Saat mencatat data yang dikaji saya lakukan sesuai dengan pedoman pengkajian.
2 Setelah saya melakukan pengkajian, data kelompokkan (bio-psiko-sosial-spritual).
3 Saat saya melakukan pengkajian, data dikaji sejak pasien masuk sampai pulang.
4 Masalah yang saya rumuskan berdasarkan kesenjangan antara status kesehatan
dengan norma dan pola fungsi kehidupan.
5 Saya membuat diagnosa keperawatan berdasarkan masalah yang telah dirumuskan.
6 Diagnosa keperawatan yang saya rumuskan mencerminkan PE (Problem Etiologi)/PES
(Problem Etiologi Symtom)
7 Saat saya merumuskan diagnosa keperawatan meliputi diagnosa aktual/potensial
8 Rencana tindakan yang saya buat berdasarkan diagnosa keperawatan
9 Rencana tindakan yang saya susun menurut urutan prioritas
10 Rumusan tujuan yang saya buat mengandung komponen pasien, perubahan perilaku,
kondisi pasien dan atau kriteria
11 Rencana tindakan yang saya buat mengaju pada tujuan dengan kalimat perintah, terinci
dan jelas
12 Rencana tindakan yang saya buat menggambarkan keterlibatan pasien/keluarga.
13 Rencana tindakan yang saya buat menggambarkan kerjasama dengan tim kesehatan
lain
14 Dalam melaksanakan tindakan keperawatan saya lakukan mengacu pada rencana
keperawatan
15 Saya mengobservasi respon pasien terhadap tindakan keperawatan dan
mendokumentasikannya.
16 Revisi tindakan yang saya buat berdasarkan hasil evaluasi.
17 Semua tindakan yang telah saya laksanakan dicatat ringkas dan jelas.
18 Evaluasi yang saya lakukan mengaju pada tujuan.
19 Hasil evaluasi saya catat
20 Dalam membuat catatan asuhan keperawatan saya menulis pada format yang sudah
baku
21 Pencatatan yang saya tulis dilakukan sesuai dengan tindakan yang dilaksanakan
22 Pencatatan saya tulis dengan jelas, ringkas, istilah yang baku dan benar
23 Setiap melakukan tindakan/kegiatan, saya mencantumkan paraf/nama jelas, dan
tanggal, jam dilakukannya tindakan.
24 Berkas catatan keperawatan saya simpan sesuai dengan ketentuan yang berlaku

Database: KINERJA_BERDASAR_RESPONDEN.SAV
DATA
No knr1 knr2 knr3 knr4 knr5 knr6 knr7 knr8 knr9 knr10 knr11 knr12
1 2 4 2 2 2 2 2 2 2 2 2 2
2 2 4 3 3 2 2 2 2 2 2 2 2
3 2 1 3 4 1 2 3 4 4 4 4 2
4 2 1 3 4 1 2 3 4 4 4 4 2
5 4 3 4 4 4 4 4 4 4 4 4 4
6 4 3 4 4 4 4 4 4 4 4 4 4
7 3 3 2 2 1 1 1 3 4 4 4 4
8 3 3 4 3 4 3 4 4 4 4 4 3
9 4 4 4 4 4 4 4 4 4 4 4 3
10 2 1 4 3 1 1 1 2 2 4 2 3
11 3 2 4 3 4 4 4 3 3 4 4 3
12 3 2 4 3 4 4 4 3 3 4 4 3
13 3 2 3 3 4 4 4 4 3 3 3 3
14 3 3 3 3 4 4 4 4 3 3 3 3
15 3 4 3 3 4 4 4 4 3 3 3 3

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 127 dari 139 
Besral, FKM UI, 2012 Modul SPSS

16 4 4 4 4 4 4 4 4 3 4 4 4
17 4 1 4 4 4 4 4 4 3 4 4 4
18 2 1 3 3 3 3 3 3 3 3 3 3
19 3 1 3 4 4 4 4 3 3 3 3 3
20 3 3 4 4 4 4 4 4 3 3 3 4

No knr13 knr14 knr15 knr16 knr17 knr18 knr19 knr20 knr21 knr22 knr23 knr24
1 2 3 2 2 3 2 3 3 2 4 3 4
2 2 2 2 2 2 2 2 3 2 3 4 4
3 3 3 3 3 3 3 3 3 3 4 4 4
4 3 3 3 4 3 3 3 3 3 4 4 4
5 4 4 4 4 4 4 4 3 4 4 4 4
6 4 4 4 4 4 4 4 4 4 4 4 4
7 4 4 4 4 4 4 4 4 4 4 4 4
8 2 2 2 4 2 2 2 2 2 3 4 4
9 3 3 3 4 3 3 3 3 3 4 4 4
10 3 3 3 4 3 3 3 3 3 4 4 4
11 4 4 4 3 4 4 4 4 4 2 4 3
12 4 4 4 3 4 4 4 4 4 2 3 3
13 3 3 2 3 3 3 3 3 2 4 2 4
14 3 3 3 3 3 3 3 3 3 4 2 4
15 3 3 3 3 3 3 3 3 3 4 2 4
16 4 4 4 4 4 4 4 4 4 4 4 4
17 4 4 4 4 4 4 4 4 4 4 4 4
18 3 3 3 3 3 3 3 3 3 3 3 3
19 3 3 3 3 4 2 4 4 3 2 3 3
20 4 4 4 2 4 3 3 4 2 4 4 4

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 128 dari 139 
Besral, FKM UI, 2012 Modul SPSS

HASIL
***************KINERJA DINILAI RESP

R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)

Item-total Statistics

Scale Scale Corrected


Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted

KNR1 75.7500 107.0395 .8829 .9023


KNR2 76.2000 120.4842 -.0161 .9256
KNR3 75.3000 112.6421 .5800 .9083
KNR4 75.3500 113.5026 .5269 .9093
KNR5 75.5500 106.6816 .5037 .9119
KNR6 75.5000 106.8947 .5851 .9084
KNR7 75.3500 108.3447 .5569 .9089
KNR8 75.2500 110.8289 .6306 .9072
KNR9 75.5000 113.6316 .4967 .9097
KNR10 75.2000 111.9579 .6215 .9076
KNR11 75.3000 109.3789 .7316 .9053
KNR12 75.6000 109.4105 .7693 .9048
KNR13 75.4500 108.7868 .8154 .9040
KNR14 75.4000 110.7789 .7429 .9057
KNR15 75.5000 108.3684 .7836 .9041
KNR16 75.4000 113.3053 .4899 .9098
KNR17 75.3500 111.1868 .6961 .9064
KNR18 75.5500 109.1026 .7597 .9048
KNR19 75.4000 111.8316 .6636 .9070
KNR20 75.3500 114.8711 .4981 .9099
KNR21 75.6000 109.7263 .6745 .9062
KNR22 75.1500 120.0289 .0528 .9178
KNR23 75.2000 117.6421 .1977 .9152
KNR24 74.9000 121.4632 -.0163 .9158

Reliability Coefficients
N of Cases = 20.0 N of Items = 24
Alpha = .9126

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 129 dari 139 
Besral, FKM UI, 2012 Modul SPSS

HASIL UJI VALIDITAS DAN RELIABILITAS

Variabel yang Item-total correlation kurang dari 0.433 (alpha 5%, df = 19 (n-1), tidak
valid, yaitu : KNR2, KNR22, KNR23, KNR24

Kuesioner yang tidak valid, boleh saja tetap dipakai atau tidak dibuang, tetapi diperbaiki
saja redaksionalnya, sehingga tidak ada makna ganda, artinya jelas dan mudah dipahami.
Contoh saran untuk perbaikannya sebagai berikut:

No Pertanyaan KOMENTAR/SARAN PERBAIKAN


2 Setelah saya melakukan pengkajian, data kelompokkan Maksud pertanyaan tidak jelas, Kues harus di
(bio-psiko-sosial-spritual). Perbaiki, atau dikeluarkan

22 Pencatatan saya tulis dengan jelas, ringkas, istilah yang Jangan menggabung beberapa topik jadi satu,
baku dan benar pisahkan menjadi 3 pertanyaan (satu
pertanyaan untuk satu topik):
1. Saya tulis dengan jelas
2. Saya tulis dengan ringkas
3. Saya tulis dengan istilah baku (bhs
indonesia /bhs medis ?)

23 Setiap melakukan tindakan/kegiatan, saya


mencantumkan paraf/nama jelas, dan tanggal, jam --- idem –
dilakukannya tindakan. Pisahkan jadi 3 pertanyaan:
1. nama jelas
2. paraf
3. tgl & jam tindakan

24 Berkas catatan keperawatan saya simpan sesuai dengan .. ketentuan yang berlaku? Maknanya sangat
ketentuan yang berlaku luas sehingga setiap orang punya persepsi
berbeda2,
harus perjelas maksudnya.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 130 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Uji Interrater Reliability


Dalam melakukan penelitian dengan metode observasi seringkali antara peneliti dengan
numerator (pengumpul data) terjadi perbedaan persepsi terhadap kejadian yang diamati.
Agar data yang dihasilkannya valid, maka harus ada penyamaan persepsi antara peneliti
dengan petugas pengumpul data (numerator). Uji interrater Reliability merupakan jenis uji
yang digunakan untuk menyamakan persepsi antara peneliti dengan petugas pengumpul
data. Alat yang digunakan untuk uji Interrater adalah uji statistik Kappa.

Prinsip ujinya: bila hasil uji Kappa signifikan/bermakna maka persepsi antara peneliti
dengan numerator sama, sebaliknya bila hasil uji kappa tidak signifikan/bermakna, maka
persepsi antara peneliti dengan numerator terjadi perbedaan.

Contoh :
Suatu penelitian praktek keperawatan keluarga terdapat instrumen yang berbentuk
observasi terhadap perilaku perawat merawat pasien. Pertanyaanya:

Apakah dalam melakukan komunikasi dengan pasien bersifat ramah ?


1. ya 2. tidak

Kemudian dilakukan uji coba dengan pengamatan sebanyak 10 pasien, adapun hasilnya
sbb:
No pasien penelitinumerator
1 1 2
2 2 2
3 1 1
4 2 1
5 1 1
6 2 2
7 1 1
8 2 2
9 2 2
10 2 2

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 131 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Ujilah apakah ada kesepakatan antara peneliti dengan numerator:

Langkah:
1. data di entry di SPSS
2. Klik analysis, sorot Descriptif, sorot dan klik Crostab
3. Masukkan variabel ‘peneliti’ ke bagian Row dan masukkan variabel
‘numerator’ ke bagian colom.
4. Klik tombol Statistic, klik Kappa
5. Klik Continue
6. Klik OK, dan hasilnya

Symmetric Measures

Asymp.
a b
Value Std. Error Approx. T Approx. Sig.
Measure of Agreement Kappa .583 .262 1.845 .065
N of Valid Cases 10
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.

Hasil uji didapatkan nilai koefisien kapaa sebesar 0,583 dan p valuenya sebesar 0,065.
Dengan hasil ini berarti p value > alpha berarti hasil uji kappa tidak signifikan/bermakna,
sehingga kesimpulannya: ada perbedaan persepsi mengenai aspek yang diamati antara
peneliti dengan numerator.

Latihan 2 : Uji Instrumen

a: uji validitas dan reliabilitas Kuesioner

Lakukan uji validitas dan reliabilitas untuk pertanyaan variabel Kepuasan


pekerja :
1. Saya mendapatkan kesempatan menggunkan ketrampilan saya dalam
melaksanakan tugas
a. selalu b.sering c.kadang-kadang d.jarang e.tdk
puas
2. Saya memperoleh kesempatan untuk melakukan tugas-tugas yang
beragam
a. selalu b.sering c.kadang-kadang d.jarang e.tdk
puas
3. Saya menerima saran-saran dari teman sewaktu menghadapi persoalan
a. selalu b.sering c.kadang-kadang d.jarang e.tdk
puas
Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 132 dari 139 
Besral, FKM UI, 2012 Modul SPSS

4. Atasan saya mendorong saya untuk lebih berprestasi


a. selalu b.sering c.kadang-kadang d.jarang e.tdk
puas
5. Suhu udara di tempat kerja saya terasa:
a. sngt sejuk b.cukup sejuk c.sejuk d.tdk sejuk e.sangat tdk
sejuk

data hasil pre test sbb:

no puas1 puas2 puas3 puas4 puas5


1 1 1 2 1 4
2 2 2 2 2 5
3 4 3 3 3 4
4 2 2 3 4 4
5 1 1 1 2 5
6 1 1 1 2 5
7 3 3 3 3 5
8 2 2 2 2 4
9 1 1 1 1 1
10 1 1 2 2 2
11 2 2 2 2 2
12 1 1 3 3 2
13 1 2 2 2 2
14 1 1 2 2 2
15 1 1 1 1 3
16 3 3 3 3 3
17 4 4 4 4 3
18 5 5 5 5 3
19 4 4 4 4 4
20 3 3 3 3 3

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 133 dari 139 
Besral, FKM UI, 2012 Modul SPSS

b: Uji Interrater Reliability Observasi


Lakukan uji interrater (penyamaan persepsi) antara peneliti dengan
numerator. Data yang diamati adalah:

Apakah perawat melakukan komunikasi yang efektif saat berinteraksi dengan


pasien?
1. ya 2. tidak

Untuk menyamakan persepsi, kemudian dilakukan pretest pengamatan pada


15 pasien, hasilnya:
No peneliti numerator
1 1 1
2 2 2
3 1 2
4 1 1
5 1 1
6 2 2
7 2 2
8 1 1
9 1 1
10 1 1
11 2 2
12 1 1
13 1 1
14 2 1
15 1 1
Ujilah dengan menggunakan uji kappa untuk mengetahui tingkat kesepakatan
antara peneliti dengan numerator

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 134 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Daftar Pustaka
1. Daniel W. Biostatistics: A Foundation For Analysis in The Health Sciences. Fourth
Edition, John Wiley & Sons, New York 1987
2. Hildebrand David K, R. Lyman Ott. Basic Statistical Ideas for Manager. Duxbury
Press, Belmont, California, 1996
3. Kleinbaum DG dan Klein M. Logistic Regression: A Self Learning Text. 3rd ed.
Springer 2010.
4. Kleimbaum K dan Muller. Applied Regression Analysis and Other Multivariable
Method. Second edition, PWS Kent Pub & Co. 1988
5. Kusma, JW. Basic Statistics for the Health Sciences. California: Mayfield Publishing
Company, 1984
6. Pallant J. SPSS Survival Manual: a step by step guide to data analysisng using SPSS.
2nd edn. Sydney: Ligare, 2005
7. Pagano M dan Gauvreau K. Principles of Biostatistics. Belmont: Duxbury Press, 1993.
8. SPSS Inc. SPSS Base 14.0 Applications Guide. SPSS, 2005
9. Vijay Gupta. Regression Explain in Simple Term. A Vijay Gupta Publication. 2000

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 135 dari 139 
Besral, FKM UI, 2012 Modul SPSS

For the DHS surveys, MEASURE DHS distributes separately Household, Household Member,
Women, Children under five, Men, and Couples files in flat or hierarchical formats. Care has
been taken to include the variables that are deemed important for each of these files. For
example, variables for household characteristics are included in the women, men, and children's
files.

However, there are instances when researchers have to merge or combine different files to
obtain the variables that meet their analysis needs. This section discusses the variables and
mechanisms that can be used to accomplish that task.

On this page

• File Relationship Types


• Unique Case Identifiers
• Matching Variables
• Steps for Merging Datasets

File Relationship Types


It is important to mention again that matching files is only necessary when variables required
for the analysis are not present in the distributed file but are present in any other file. When
merging data files its important to know the type of relationship that exists between the files to
be merged as well as the type of output file desired (unit of analysis). There are two types of
relationships: The first is that of one entity related to many other entities [1 : 0-N] and the
second is that of one entity related to just one other entity [1 : 0-1].

An example of a relationship of one to many entities can be found between households and
women or men. There may exist zero or several women or men questionnaires for each
household. An example of a relationship of one to one can be found in the relation existent
between women and men. In a monogamous country, there may be zero or one man
questionnaire for each woman if she is currently married.

Unique Case Identifiers


One of the advantages of processing complex surveys with CSPro, a software capable of
handling hierarchical files, is that it allows to tightly control the case identifiers. DHS guarantees
that their files can be matched seamlessly whenever a relationship is possible. To properly
manipulate the files it is necessary to know what the variables or fields that identify the cases
are. The following reference table shows those fields.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 136 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Matching Variables
When merging files it is generally easier to use the original variables rather than the ID
variables. For example, it is not possible to merge the household and women’s files using HHID
and CASEID because CASEID has three extra characters identifying the women’s line number.
The files can be more easily merged using variables HV001 with V001 and HV002 with V002.

The following reference table shows the variables required to match different files. In the rows,
the base files are listed. In the columns, the secondary files along with the variables to be used
as keys or matching variables are listed. In the cells intersecting the rows and columns,
variables from the base files used to match the secondary file are listed.

This table shows that household variables can be appended to women, men and children.
Women variables can be appended to their children. They also can be appended to men, to
create couples. Notice that there is no relationship between children and men because children
come from the birth history, which is asked to women.

With software that requires the variables that are used for merging to have the same name in
both files it will be necessary to either rename or to create copies of the matching variables in
one file to match the names in the other file being used. For example, to match the household
data to the women's data, first rename HV001 to V001 and HV002 to V002, or create a copy of
HV001 in V001 and a copy of HV002 in V002 in the household data before merging.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 137 dari 139 
Besral, FKM UI, 2012 Modul SPSS

Steps for Merging Datasets


All statistical packages (SPSS, SAS, STATA) have commands that allow merging files, but
regardless of the package the following steps are necessary:

1. Determine the common identifiers (identification variables).


2. Sort both data files by the identification variables.
3. Determine the base (primary) file. The base file establishes the unit of analysis.

• Normally, when the relationship is that of one to many [1:0-N], the base file is the one
with the many entities. For example, if merging data from households and women, the
base file should be the women’s file. The reason is that you may want to assign to every
woman the characteristics of her household. If the match is done the other way around,
once the program matches the first woman it will not look for another woman or it will
give an error for finding duplicate cases. In the case of matching women and children,
the base file should be the children’s file. That way, mothers’ characteristics are
assigned to children.
• If the relationship is that of one to one [1:0-1], the base file is normally the one with
the least number of cases. In DHS, men's questionnaires are only applied to a sub-
sample of households. This means that not all currently married women have a match
with a men's questionnaire. In this case, the base file should be the men's questionnaire
and the resulting file (unit of analysis) will be the Couples file.

4. Finally, using the right commands depending on the software to be used, the files will be
merged.

Analisa Data Riset Kesehatan: Tingkat Dasar     Hal: 138 dari 139