Mata Kuliah : Manajemen Analisa Data

ANALISA UJI ANCOVA

Disusun oleh:

Kelompok IV

Endah Fitriasari
Ferry Adref
Deliati Bagenda Ali
Rasnah
Juhelnita Bubun
M Abu

PROGRAM STUDI MAGISTER ILMU KEPERAWATAN

UNIVERSITAS HASANUDDIN
MAKASSAR
2018
 Tugas Manajemen Analisa Data Kelompok

1. Judul Kasus
Efektifitas pemberian kompres air hangat dan kompres hasil rebusan jahe merah terhadap
perubahan intensitas nyeri pada penderita Gout arthritis di panti sosial Tresna Werdha
2. Pertanyaan penelitian / Hipotesa
Apakah ada perbedaan yang signifikan secara statistic tingkat nyeri pre test penderita
gout arthritis pada kelompok yang diberikan kompres air hangat dan kelompok yang
diberikan kompres rebusan jahe merah?
3. Kuesioner / Lembar Observasi
Terlampir
4. Master data
Terlampir
5. Daftar variable dan jenis data
a) Varibel Independent : Kompres air hangat dan kompres air jahe merah
b) Variabel Dependent : Tingkat nyeri
6. Code Book
Variabel Code book
Jenis kelamin 1 : Laki-laki
2 : Perempuan
Intervensi 1 : Kompres air jahe merah
2 : Kompres air hangat
Intesitas nyeri 1 : Ringan
2 : Sedang
3 : Berat

7. Uji statistic yang sesuai

Sesuai dengan pertanyaan penelitian diatas maka uji statistic yang sesuai adalah uji
ANCOVA jika data berdistribusi normal. Jika data berdistribusi tidak normal tidak ada
uji alternative lainya.
8. Langkah-langkah uji statistic
a) Uji Normalitas Data
Sebelum melakukan uji Anova data diuji terlebih dahulu normalitasnya dengan cara
sebagai berikut :
Analyze Descriptive Statistik  Explore. Masukkan variabel pre test dan post test 1
dan post test 2 ke dalam Dependent List.

Akan terlihat tampilan sebagai berikut.

a) Pilih Both pada Display
b) Biar kotak Statistik sesuai default SPSS. Pilihan ini akan memberikan output
deskripsi variabel.
c) Aktifkan kotak Plots, aktifkan Faktor levels together pada Boxplots (untuk
menampilkan boxplots), aktifkan Histogram pada Deskriptive (untuk
menampilkan histogram), dan Normality plots with test (untuk menampilkan plot
dan uji normalitas). Akan terlihat tampilan sebagai berikut.
d) Proses telah selesai, klik Continue, klik OK
 Descriptives

Statistic Std. Error

Mean 5.97 .222

95% Confidence Interval for Lower Bound 5.51

Mean Upper Bound 6.42

5% Trimmed Mean 5.96

Median 6.00

Variance 1.482

PRETEST Std. Deviation 1.217

Minimum 3

Maximum 9

Range 6

Interquartile Range 2

Skewness .190 .427

Kurtosis .990 .833

Mean 3.57 .274
95% Confidence Interval for Lower Bound 3.01
Mean Upper Bound 4.13
5% Trimmed Mean 3.57
Median 3.00
Variance 2.254
POSTTEST1 Std. Deviation 1.501
Minimum 1
Maximum 6
Range 5
Interquartile Range 2
Skewness .288 .427
Kurtosis -.782 .833
Mean 2.63 .256

95% Confidence Interval for Lower Bound 2.11

Mean Upper Bound 3.16

5% Trimmed Mean 2.59

POSTTEST2
Median 2.00

Variance 1.964

Std. Deviation 1.402

Minimum 1
 Maximum 5

Range 4

Interquartile Range 2

Skewness .552 .427

Kurtosis -.932 .833

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

PRETEST .222 30 .001 .928 30 .044

POSTTEST1 .214 30 .001 .914 30 .019
POSTTEST2 .241 30 .000 .863 30 .001

a. Lilliefors Significance Correction

Interpretasi hasil :
a. Bagian pertama adalah statistic deskriptif untuk variabel intensitas nyeri
berdasarkan masing-masing kelompok baik pre, post 1 maupun post 2.
b. Pada bagian tes of normality terlihat nilai signifikansi untuk masing-masing
kelompok semuanya lebih dari 0,05.
c. Karena nilai p untuk kedua kelompok data adalah >0,05, distribusi kedua
kelompok data adalah normal.

b) Selanjutnya dilakukan asumsi pengujian Ancova sebagai berikut:

1) Asumsi 1 : Pengukuran Kovariant
Asumsi ini yang mana kovariat harus diukur sebelum perlakuan atau
manipulasi eksperimental dimulai. Hal ini tidak diuji secara statistik, tetapi
bukan merupakan bagian dari desain penelitian dan prosedur. Inilah
sebabnya mengapa penting untuk merencanakan studi ini dengan
pemahaman yang baik tentang teknik statistik yang dilakukan.
2) Asumsi 2 : Keandalan kovariat
Asumsi ini mengenai keandalan kovariat juga merupakan bagian dari
desain penelitian, dan melibatkan memilih alat ukur yang paling
 diandalkan yang tersedia. Jika telah menggunakan skala psikometri atau
ukuran, maka dapat memeriksa keandalan konsistensi internal dengan
menghitung Cronbach alpha menggunakan Keandalan prosedur.
3) Asumsi 3 : Korelasi antara kovariat
Jika Anda menggunakan lebih dari satu kovariat, Anda harus memeriksa
untuk melihat bahwa mereka tidak terlalu berkorelasi kuat dengan satu
sama lain (r = 0,8 dan di atas). Untuk melakukan ini, Anda akan perlu
menggunakan Korelasi prosedur (ini dijelaskan secara rinci dalam Bab
11). Seperti yang saya hanya memiliki satu kovariat, saya tidak perlu
melakukan ini di sini
4) Asumsi 4 : Linearitas
Ada sejumlah cara yang berbeda untuk dapat memeriksa asumsi hubungan
linear antara variabel dependen dan kovariat untuk semua kelompok. Pada
bagian prosedur di bawah, saya akan menunjukkan cara cepat sebagai
berikut :
 Klik Graps  Legacy Dialogs  Scater / Dot

 Klik Simple Scatter  klik Define

 Masukkan variabel dependent (pretest) dalam kotak Y Axis dan
variabel kovariat (post test 1 ) dalam kotak X
 Masukan variabel Independent (intervensi) dalam kotak Marker by
 Selanjutnya klik OK
 Interpretasi :
Dari tampilan hasil diatas dapat disimpulkan bahwa ada hubungan linear
(garis lurus) dari distribusi data diatas pada tiap kelompok. Apa yang
Anda tidak ingin lihat adalah indikasi hubungan lengkung. Dalam contoh
di atas hubungan yang jelas linear, jadi kami tidak melanggar asumsi
hubungan linear. Jika temukan hubungan curvilinear mungkin bisa
mempertimbangkan kembali penggunaan kovariat ini, atau alternatif bisa
mencoba mengubah variabel dan mengulangi sebaran data untuk melihat
apakah ada perbaikan
5) Asumsi 5 : Homogenitas lorong regresi
Asumsi ini menyangkut hubungan antara kovariat dan variabel
dependen untuk masing-masing kelompok. Apa yang telah diperiksa
bahwa tidak ada interaksi antara kovariat dan pengobatan atau manipulasi
ekperimental. Ada sejumlah cara yang berbeda untuk mengevaluasi
asumsi ini.
Secara grafis, dapat memeriksa sebaran antara variabel dependen
dan kovariat diperoleh saat pengujian untuk Asumsi 4. Adalah dua baris
(sesuai dengan dua kelompok dalam penelitian ini). Dalam contoh di atas
dua baris yang sangat mirip, sehingga tidak muncul bahwa kita telah
melanggar asumsi ini. Jika garis telah terasa berbeda dalam orientasi, ini
mungkin menunjukkan bahwa ada interaksi antara kovariat dan
pengobatan (seperti yang ditunjukkan oleh kelompok yang berbeda). Ini
berarti pelanggaran terhadap asumsi ini.
Asumsi ini juga dapat dinilai secara statistik, bukan grafis. Hal ini
melibatkan pemeriksaana lebih lanjut untuk melihat apakah ada interaksi
yang signifikan secara statistik signifikan antara intervensi dan kovariat.
Jika interaksi adalah signifikan pada tingkat alpha dari 0,05, maka kita
telah melanggar asumsi. Prosedur untuk memeriksa ini dijelaskan ebagai
berikut :
 Klik analize General Linear Model  Univariat

 Masukan variabel independent dalam kotak Fixed Factor

 Masukan vaiabel kovariat dalam kotak Covariat
 Klik Model  klik Custom
 Cek Interaction pada kotak Build Terms
 Klik variabel independent masukan dalam kolom model
 Klik variabel kovariat dan masukan dalam kolom model

 Klik Continue dan OK

 Maka akan muncul tampilan hasil sbb
 Tests of Between-Subjects Effects
Dependent Variable: POSTTEST1

Source Type III Sum of df Mean Square F Sig.

Squares

Corrected Model 63.764a 2 31.882 537.242 .000

Intercept 4.011 1 4.011 67.595 .000
INTERVENSI .077 1 .077 1.298 .265
POSTTEST2 59.731 1 59.731 1006.519 .000
Error 1.602 27 .059
Total 447.000 30
Corrected Total 65.367 29

a. R Squared = .975 (Adjusted R Squared = .974)

Interpretasi :
Dalam output yang diperoleh dari prosedur ini, satu-satunya nilai yang
dilihat adalah tingkat signifikansi dari istilah interaksi (ditampilkan di atas
sebagai . Anda dapat mengabaikan sisa output. Jika Sig. tingkat interaksi
yang kurang dari atau sama dengan 0,05 interaksi Anda secara statistik
signifikan, menunjukkan bahwa Anda telah melanggar asumsi. Dalam
situasi ini, kita lakukan tidak ingin hasil yang signifikan. Kami ingin Sig.
 Nilai dari lebih besar dari 0,05. Dalam contoh di atas Sig. atau nilai
probabilitas
6) Uji ANCOVA
Langkah – langkah uji ini adalah sebagai berikut :
 Klik Analize  pilih General Linear Model  Univariat

 Pada kolom Dependent variabel masukan variabel Dependent

 Pada kolom Fixed Factor masukan variabel Independent
 Pada kolom Covariat masukan variabel kovariat
 Klik Model  Full Factorial pada pilihan Specify Model 
Continue

 Klik Option dan pilih pada label Estimated Marginal Means

masukan variabel Independent daan masukan dalam kolom
Display Means For
 Pada bagian bawah Options pilih dan centang Descrptive Statistic,
Estimates Of Effect Size dan Homogenity Test
 Klik Continue dan OK
 9. Hasil ouput SPSS

Between-Subjects Factors

Value Label N

KOMPRES
1 15
JAHE MERAH
INTERVENSI
KOMPRES AIR
2 15
HANGAT

Descriptive Statistics
Dependent Variable: POSTTEST1

INTERVENSI Mean Std. Deviation N

KOMPRES JAHE MERAH 3.93 1.486 15

KOMPRES AIR HANGAT 3.20 1.474 15
Total 3.57 1.501 30

Levene's Test of Equality of Error Variancesa

Dependent Variable: POSTTEST1

F df1 df2 Sig.

5.613 1 28 .025

Tests the null hypothesis that the error variance of

the dependent variable is equal across groups.
a. Design: Intercept + POSTTEST2 +
INTERVENSI

Tests of Between-Subjects Effects

Dependent Variable: POSTTEST1

Source Type III Sum of df Mean Square F Sig. Partial Eta

Squares Squared

Corrected Model 63.764a 2 31.882 537.242 .000 .975

Intercept 4.011 1 4.011 67.595 .000 .715
POSTTEST2 59.731 1 59.731 1006.519 .000 .974
INTERVENSI .077 1 .077 1.298 .265 .046
Error 1.602 27 .059
Total 447.000 30
Corrected Total 65.367 29
a. R Squared = .975 (Adjusted R Squared = .974)
 INTERVENSI
Dependent Variable: POSTTEST1

INTERVENSI Mean Std. Error 95% Confidence Interval

Lower Bound Upper Bound

KOMPRES JAHE MERAH 3.619a .064 3.488 3.749

KOMPRES AIR HANGAT 3.515a .064 3.384 3.645

a. Covariates appearing in the model are evaluated at the following values: POSTTEST2
= 2.63.

10. Interpretasi Hasil SPSS

a. Pada tabel Descriptive Statistik terlihat bahwa tabel sudah benar yaitu terdapat 2
kelompok intervensi yaitu kelompok yang diberi intervensi kompres jahe merah
(Group 1 ) dan kelompok yang diberikan kompres air hangat (Group 2)
b. Pada tabel Levene’s Test Of Equality Of Error Variances terdapat nilai sig 0,025
dimana nilai ini lebih rendah dari 0,05. Ini berarti hasilnya signifikan dengan kata lain
bahwa intervensi kompres jahe merah dan kompres air hangat mempengaruhi
intensitas nyeri pada lansia dengan Gout Artritis
c. Pada tabel Test of Between Subjects Effect terdapat nilai Sig 0, 265, nilai ini lebih
besar dari 0,05. Dengan ini dapat disampikan bhawa tidak ada perbedaan yang
signifikan antara kelompok yang diberi kompres air jahe dan kelompok yang diberi
kompres air hangat terhadap intensitas nyeri lansia dengan Gout Artritis
d. Pertimbangan lainya yang perlu diinterpretasi adalah pada tabel Test of Between
Subject Effect pada nilai Partial Eta Squarted dimana nilai menunjukan 0,46. Nilai ini
juga menunjukkan berapa banyak dari varians dalam variabel dependen dijelaskan
oleh variabel independen. Mengkonversi nilai parsial eta squared untuk persentase
dengan mengalikan dengan 100 (menggeser titik desimal dua tempat ke kanan).
Dalam contoh ini, kita mampu menjelaskan hanya 4,6% dari varians.
e. Informasi lain yang dapat diperoleh dari table Test of Between Subject Effect pada
nilai Partial Eta Squarted menyangkut pengaruh dari kovariat. Pada baris dalam tabel
yang sesuai dengan kovariat (Post Test 2). Hal ini menunjukkan apakah ada
hubungan yang signifikan antara kovariat dan variabel dependen sementara
mengontrol variabel independen (group). Pada baris yang sesuai dengan Post test 1
 (kovariat), terlihat bahwa Sig. nilai adalah .000 (yang sebenarnya berarti kurang dari
0,0005). Ini adalah kurang dari 0,05, sehingga kovariat adalah signifikan. Bahkan,
menjelaskan 75 persen dari varians dalam variabel dependen (eta parsial kuadrat dari
0,75 dikalikan dengan 100).
f. Pada tabel terakhir dalam output ANCOVA ( Estimated marginal Means)
memberikan kita sarana disesuaikan pada variabel dependen untuk masing-masing
kelompok.

11. Menyajikan dalam tabel

Intervensi Mean f Eta Parsial Squared p
Kompres jahe merah 3.619a 1,2 0,46 0,26
Kompres air hangat 3.515a

12. Kesimpulan
Dari hasil uji diatas dapat disimpulkan bahwa tidak ada perbedaan yang signifikan antara
intervensi kompres air jahe merah dan kompres air hangat terhadap intensitas nyeri lansia
dengan Gout Artritis di panti sosial Tresna Werdha.