Modul SPSS

1
BAB I
SPSS FOR WINDOWS
SPSS merupakan kependekan dari Statistical Program for Social Science. SPSS adalah salah satu dari
sekian banyak program aplikasi komputer untuk menganalisis data statistik. Selain SPSS program aplikasi yang
telah banyak beredar adalah Minitab, Microstat, SAS, STATA, EPI-info dll. SPSS banyak membantu
memecahkan berbagai permasalahan statistik ilmu-ilmu sosial. Namun demikian fleksibilitas yang dimilikinya
menyebabkan berbagai problem analisis data diluar ilmu sosial dapat juga diatasi, Misalnya dibidang
kedokteran, biologi dan pertanian.
BAB II
MEMPERSIAPKAN DATA
Data yang dapat dibaca oleh SPSS adalah data dengan tipe *.sav(SPSS), *.Xls(exel),*dbf (data base),
*. W (lutos) .
MENDEFINISIKAN VARIABEL
1. Pilih sembarang sel dimana variabel akan didefinisikan.
2. Klik data pilih Define variabel atau sel tersebut diklik 2x atau pilih variable view.
Aturan pemberian nama variabel :

1. Maksimum 8 karakter
2. Tidak boleh ada spasi kosong
3. Karakter pertama harus berupa huruf atau karakter
4. Kakarter terakhir tidak boleh berupa titik.
5. Huruf besar dan huruf kecil dianggap sama
6. Hindari istilah-istilah yang biasa digunakan SPSS seperti ALL, AND, BY, EQ, GE, GT, LE, LT, NE, NOT,
OR, TO, WITH.
TYPE
Ada 8 tipe variabel :
1. Numeric. 5. Date
2. Comma. 6. Dolar
3. Dot. 7. Custom currency
4. Scientihic notation. 8. String
Date adalah tipe alphanumeric dan String adalah tipe alphabet, sedangkan yang lain adalah tipe numeric.
WIDTH
Untuk menentukan jumlah karakter yang dibutuhkan dalam pengisian data
DECIMALS
Untuk menentukan jumlah angka dibelakang koma
LABEL
Label digunakan untuk menentukan label variabel. Contoh label variabel SEX adalah “Jenis Kelamin”.
VALUE
Value digunakan untuk menentukan harga dari variabel tersebut(bila diperlukan). Pada kotak value label
terdapat 2 kotak isian dan 3 tombol pendukung yang digunakan untuk pendefinisian label variabel berbentuk
kategori. Dengan cara sebagai berikut :
1. Pada kotak value isi dengan angka 1.
2. Pada kotak value label, isi dengan “laki-laki”
3. Tekan tombol Add.
4. Pada kotak value isi dengan angka 2.
5. Pada kotak value label, isi dengan “perempuan”
6. Tekan tombol Add.
7. Tekan continue.
MISSING VALUE
Missing value adalah harga yang hilang adalah suatu istilah yang digunakan oleh SPSS untuk
mendeklarasikan data yang hilang/tidak lengkap. Hal ini diperhatikan karena data yang hilang akan sangat
berpengaruh pada hasil pengolahan maupun analisis dari keseluruhan data.
 No missing values, bila variabel tersebut tidak mengandung missing value.

 Discreate missing value, bila variabel tersebut mengandung 1, 2 atau 3 buah missing value.
 Range of missing value, bila variabel tersebut mengandung missing value berupa interval suatu bilangan.
 Range plus one discrete missing value. Bila variabel tersebut mengandung missing value berupa interval
suatu bilangan dan sebuah harga missing sebagai alternatif lain.
2
COLUMN FORMAT
Berguna untuk menentukan lebar kolom variabel dan untuk menentukan jenis peratannya.
ALIGN
Digunakan untuk menentukan letak data. Pada Align terdapat 3 pilihan yatiu left, right dan center.
MEASURE
Digunakan untuk menentukan skala data
PEMASUKAN DATA
Sebelum memasukkan data anda harus membuat variable di Variable View. Berikut adalah contoh pembuatan
variable.
Mengisi data
Setelah variabel dibuat data dapat diisi sesuai dengan variable view yang telah dibuat. Pengisian data dilakukan
di Data View
Tabel 2. Contoh Data
MENYIMPAN FILE DATA

1. klik Save data atau Save As, beri nama dam masukkan ke directory.
MENYISIPKAN DATA
1. Menyisipkan variabel (kolom) :
a. Pindahkan penunjuk sel pada kolom yang akan disisipi
b. Klik data : Insert variabel.
2. Menyisipkan kasus (baris):
a. Pindahkan penunjuk sel pada baris yang akan disisipi
b. Klik data : Insert case.
PENGURUTAN
Kasus dapat diurutkan berdasarkan satu atau beberapa variabel. Pilih perintah Sort Cases pada menu Data.
Pindahkan satu variabel kekotak sort by, maka variabel tersebut akan dijadikan dasar pengurutan data. Pda
kotak sort order, anda dapat menentukan model pengurutannya, yakni ascending (dari kecil ke besar) atau
descending (dari besar ke kecil).
3
SELESKSI CASE
Dengan perintah seleksi case anda dapat menentukan (memilih) case-case yang akan diikutsertakan
dalam analisis selanjutnya.
Terdapat 5 pilihan untuk menentukan dasar penyeleksian kasus
 All cases. Seluruh kasus pada file kerja akan diikutsertakan dalam analisis data selanjutnya dalam analisis
data selanjutnya.
 If condition is satisfied. Digunakan untuk memilih case-case yang memenuhi kondisi logika tertentu.
Tekanlah tombol If… untuk menentukan kondisi logika tersebut.
 Random sample of cases. Digunakan bila anda hendak menggunakan case-case random untuk pemrosesan
data (menentukan sampel data random dari populasi). Tekanlah tombol Sample … untuk menentukan
ukuran sampel data tersebut.
Ada dua pilihan pada kotak dialog ini :
 Aproximatly_ % of all case. Untuk menentukan presentase case yang akan diproses dari seluruh case
pada file data anda. Masukkan bilangan antara 1 s/d 99 pada kotak yang tersedia.
 Exactly_case from the first_case. Untuk menentukan proporsi sampel yang akan digunakan.
Masukkan bilangan pada dua buah kotak yang tersedia dimana isi pada kotak yang pertama harus lebih
kecil dari isi kotak yang kedua. Pilihan ini akan menghasilkan sebuah variabel baru yang oleh SPSS
diberi nama FILTER $.
 Based on time or case range. Digunakan bila anda hendak memproses case-case yang berada dalam
interval tertentu. Tekanlah tombol Range … untuk menentukan batas interval tersebut
 Use filter variable. Digunakan bila anda hendak menggunakan vaue-value dari variabel-variabel numerik
yang tersedia pada kotak listing variabel untuk mengontrol case filter. Pindahkan saaaalah satu variabel
numerik tersebut ke kotak yang tersedia untuk dijadikan variabel filter. Case-case dimana pada vaaariabel
filternya berharga 0 tidak akan diikiutsertakan dalam analisis.
Berikut contoh penggunaan If condition is satisfied. Tekanlah tombol If… untuk menentukan kondisi
logika tertentu. Pada kotak dialog gambar 6. Anda dapat mengcopykan nama variabel ke kotak ekspresi,
menentukan angka dan operator dari calculator pad dan mengcopy fungsi dari daftar fungsi. Bila anda
menggunakan konstantang string, maka anda harus menuliskannya dalam tanda petik. Pilihan ini akan
menghasilkan sebuah variabel baru yang oleh SPSS diberi nama FILTER $.
Gambar 6. Kotak dialog Select Cases : If
BAB III
TRANSFORMASI DATA
PERINTAH COMPUTE
Perintah compute digunakan untuk melakukan perhitungan terhadap nilai-nilai dari variabel-variabel yang
sudah ada maupun untuk variabel baru pada file kerja. Perhitungan nilai-nilai tersebut diberlakukan untuk
seluruh case maupun case-case yang memenuhi kondisi logika tertentu saja. Kotak Target Variable digunakan
untuk mengisikan nama variabel target. Dengan menekan Type dan Label anda dapat membuat type dan label
sesuai dengan keinginan anda. Kotak Numeric Expression digunakan untuk menyusun ekspresi yang akan
digunakan untuk transformasi variabel target.
4
Kegunaan lain dari perintah compute adalah untuk menghitung nilai IMT dari informasi BB dan Tinggi
badan. Rumus IMT adalah BB/TB2
Langkah-langkah :
1. Pilih Compute
2. Jadikan ‘IMT’ sebagai Target Variabel
3. Ketiklah rumus IMT yaitu bb/((tb/100*tb/100)) atau bb/(tb/100)**2 pada kotak Numeric Expression
4. Tekan OK
Hasilnya adalah terbentuknya variabel baru yang bernama IMT yang nilainya sesuai dengan rumus diatas.
Contoh kotak dialog menghitung IMT
PERINTAH RECODE
Perintah Recode digunakan untuk memodifikasi atau mengganti nilai-nilai dari variabel –variabel yang
didaftar menjadi nilai-nilai dengan harga baru. Pada perintah Recode ada 2 pilihan yaitu :
1. Into Same Variables. Yakni recode untuk variabel-variabel yang sudah ada (variabel lama). Variabel lama
akan hilang. Penggunaan ini tidak disarankan.
2. Into Different Variables. Yakni recode dengan membentuk variabel-variabel baru.
RECODE DENGAN MEMBENTUK VARIABEL BARU

Perintah yang digunakan adalah Into Different Variables.
Anda harus mengisi nama variabel yang akan diubah kedalam kotak Input Variable->Output variable.
Sedangkan nama variabel baru diketik dikotak Output Variable kemudian klik Change.
Tombol Old and New Values

Digunakan untuk menentukan nilai-niali yang diganti dengan nilai-nilai baru. Contoh tombol old and New
Value.
Pada kotak Old Value anda bisa menentukan nilai-nilai lama yang akan diganti dengan memilih 7 pilihan
yaitu :
1. individu. Untuk menghitung cacah value yang berharga sama dengan harga yang anda definisikan.
2. System missing. Untuk menghitung cacah value yang berupa system missing value.
3. System-User missing. Fungsinya sama dengan sistem missing.
4. Range dengan interval. Untuk menghitung cacah value yang berharga lebih besar atau sama dengan awal
interval dan lebih kecil atau sama dengan akhir interval.
5. Range lebih kecil atau sama dengan . Untuk menghitung cacah value yang berharga lebih kecil atau sama
dengan harga yang anda definisikan.
6. Range lebih besar atau sama dengan . Untuk menghitung cacah value yang berharga lebih besar atau
sama dengan harga yang anda definisikan.
7. All other value digunakan untuk menentukan nilai-nilai selain nilai yang telah ditentukan sebelumnya.
(else).
Pada kotak New Value terdapat 2 pilihan :
o Value. Untuk mengganti nilai lama yang telah ditentukan dengan nilai baru kemudian diisikan ditak
yang tersedia.
o System missing. Untuk mengganti nilai-nilai lama yang telah ditentukan dengan sisitem missing.
Tombol Change dan Remove untuk menyunting ketentuan-ketentuan yang telah disusun.
Contoh penggunaan recode into deferent variable; Variabel lama umur dibuat variable baru kelompok umur
dengan nilai sebagai berikut :
Kel. umur Kode kel umur Label

 17 1 Anak
5
 17 2 Remaja
Tahapan yang dilakukan adalah :
1. Pilih transform, recode into deferent variable
2. Pada kotak numeric variable masukkan variable umur
3. Paada kotak output variable ketik kel_um kemudian klik change
4. tekan old and new variabel
5. untuk membuat kode baru untuk nilai  17 (16,99) gunakan pilihan old value nomor 5 yaitu Range
lebih kecil atau sama dengan. Pada New value pilih value kemudian ketik 1dan klik add.
6. untuk membuat kode baru untuk nilai  17 (17,00) gunakan pilihan old value nomor 6 yaitu Range
lebih besar atau sama dengan . Pada New value pilih value kemudian ketik 2 dan klik add.
BAB V
PROSEDUR DESKRIPTIF
FREQUENCIES
Prosedur frequencies (frekuensi) digunakan untuk membuat tabel frekuensi, yakni berisikan cacah
harga dari semua case dari variabel-variabel yang didaftar, cacah persentase terhadap semua case, cacah
presentase valid (tanpa nilai missing) dan presentase komulatif. Prosedur ini sebaiknya digunakan untuk data
berskala nominal dan ordinal.
Tombol Statistics.. digunakan untuk menampilkan deskripsi statistik univariat. Namun karena frekuensi ini
penggunaannya untuk data nominal dan ordinal sebaiknya tombol ini tidak digunakan.
Contoh : Ingin diketahui distribusi frekuensi jenis kelamin
Frequencies
Statistics
jenis kelamin
N Valid 20
Missing 0
jenis kelamin
Cumulative
Frequency Percent Valid Percent Percent
Valid laki-laki 10 50.0 50.0 50.0
perempuan 10 50.0 50.0 100.0
Total 20 100.0 100.0
DESCRIPTIVES
Prosedur Descriptives digunakan untuk menampilkan deskripsi statistik univariat dari variabel numerik
(data skala rasio dan interval). Contoh menghitung nilai minimum, maksimum, rata-rata dan standar deviasi
umur
Descriptives
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation

umur responden 20 29.54 34.78 32.7358 1.66861
Valid N (listwise) 20
EXPLORE
Prosedur Explore mempunyai fungsi sama dengan deskriptive. Namun pada explore terdapat prosedur tambahan
yaitu :
- Tampilan diagram Boxplot dan normal Probability Plot
- Uji kenormalan data.
Langkah-langkah :
1. Pilih menu Analiyze
2. Pilih Descriptiuves
3. Pilih explore
4. Pilih variable yang akan diexplore
5. Pilih statistik jika diinginkan tambahan nilai statistik
6. Pilih plot klik normality plot with test
Statistik deskriptif meliputi : Mean, Median, Varian, Standar deviasi, Range, Nilai minimum, nilai maksimum,
interquartil range, skewness dan kurtosis. Conviden Interval (CI) 95% artinya kita percaya 95% bahwa nilai
populasi berada pada selang tersebut
6
Hasil output Explore dari umur adalah sebagai berikut :
Explore
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
UMUR(TH) 45 100.0% 0 .0% 45 100.0%
Descriptives
Statistic Std. Error

UMUR(TH) Mean 42.07 .75
95% Confidence Lower Bound 40.55
Interval for Mean Upper Bound
43.58
5% Trimmed Mean 42.15

Median 43.00
Variance 25.427
Std. Deviation 5.04
Minimum 32
Maximum 50
Range 18
Interquartile Range 8.00
Skewness -.463 .354
Kurtosis -.877 .695
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
UMUR(TH) .138 45 .031 .928 45 .012
a. Lilliefors Significance Correction
UMUR(TH)
UMUR(TH) Stem-and-Leaf Plot
Frequency Stem & Leaf
6.00 3 . 234444
7.00 3 . 5567889
15.00 4 . 001122233344444
15.00 4 . 555566667777889
2.00 5 . 00
Stem width: 10
Each leaf: 1 case(s)
Normal Q-Q Plot of UMUR(TH)

2
-1
Expected Normal
-2
-3
30 40 50 60
Observed Value
7
Detrended Normal Q-Q Plot of UMUR(TH)

.3
.2
.1
.0
-.1
-.2
Dev from Normal
-.3
-.4
-.5
30 40 50 60
Observed Value
60
50
40
30
N= 45
UMUR(TH)
Dari hasil output terlihat nilai-nilai statistik, uji kenormalan. Uji kenormalan data dilakukan dengan uji
kolmogorov Smirnov . Hasil uji tersebut menunjukkan nilai p sebesar 0,031. hal ini berarti data umur tidak
menyebar normal. Data menyebar normal jika nilai p dari uji kolmogorov lebih besar dari 0,05. Dari gambar Q-
Q plot dan box plot terihat bahwa penyebaran data tidak normal.
E. Means
Prosedur means pada compare means digunakan untuk menampilkan mean, standar
deviasi sum dan variance dari variable berskala interval atau rasio pada kelompok-kelompok
tertentu
Contoh : Ingin diketahui rata-rata tinggi badan pada laki-laki dan perempuan.
Langkah :
Analyze
Compare means
Means
Maka akan muncul layer sebagai berikut ;
Kotak dependent list. Untuk mendaftar satu atau beberapa variable numeric yang akan
dicari nilai mena-nya, yaitu tinggi badan
Kotak independent list. Untuk mendaftar satu atau beberapa variable yang akan digunakan
sebagai dasar pengelompokan, yaitu jenis kelamin
Outputnya sebagai berikut :

Report
tinggi badan
jenis kelamin Mean N Std. Deviation
laki-laki 154.1167 6 6.17265
perempuan 160.2333 9 7.57413
Total 157.7867 15 7.48397
8
BAB IV
PEMBUATAN GRAFIK
BAR CHARTS
Digunakan untuk menghasilkan grafik berjenis batang (bar) dengan 3 macam tipe yang tersedia yaitu Simple,
Cluster dan Stacked.
o Simple. Menghasilkan bar tunggal untuk masing-masing kategori, case atau variabel pada kategori
axis. Contoh pilihan Simple : untuk melihat distribusi frekuensi jenis kelamin
akan muncul output sebagai berikut :

60
50
40
30
20
10
Percent
0
laki-laki perempuan
jenis kelamin
o Clustered. Menghasilkan grup bar untuk masing-masing kategori case atau variabel pada kategori axis.
Contoh untuk melihat distribusi frekuensi jenis kelamin dan kelompok BB.

120
100
80
60
40
kelompok bb
20
Percent
<=50
0 >50
laki-laki perempuan
jenis kelamin
o Stacked menghasilkan chart bar tertumpuk yang merupakan hasil pembagian chart tunggal kedalam
segmen-segmen yang ditumpuk diatas segmen lainnya. Contoh untuk melihat distribusi frekuensi jenis
kelamin dan kelompok BB
9
160
140
120
100
80
60
40
kelompok bb
P e rce n t
20 >50
0 <=50
laki-laki perempuan
jenis kelamin
LINE CHART
Digunakan untuk menghasilkan gambar berbentuk berjenis garis dengan 3 macam type yang tersedia yaitu
simple, multiple dan Drop line.
Contoh :
14
12
10
2
Count
0
Missing <=50 51-60 >=61
kelompok bb2
PIE CHART
Digunakan untuk menghasilkan gambar pie sederhana atau pie komposit dari file data
pilih salah satu alternatif pada kotak :

 Summaries for groups of cases. Menghasilkan sebuah bagian untuk masing-masing kategori dari
variable kategori. Pilihan ini merupakan default. Contoh:
10
perempuan
48.9%
laki-laki
51.1%
SCATTERPLOT
Digunakan untuk menghasilkan scaterplot sederhana.
Simple menghasilkan plot yang menunjukkan distribusi bersama dua variable. Pilihan ini merupakan default.
Contoh : Hubungan antara kecukupan energi dan IMT. Tebaran titik-titik dapat ditarik garis lurus dengan cara :
1. Gambar diklik 2 kali, kemudian pilih chart
2. Pilih option
3. Pilih fit line
4. Pilih total
Hal ini dipakai untuk melihat gambaran korelasi 2 buah variabel
26
24
22
20
18
IM T
16
80 90 100 110 120
kecukupan kalori
HISTOGRAM
Digunakan untuk menghasilkan histogram yang menunjukkan distribusi dari nilai.
Contoh : Histogram dari IMT
11
1 Std. Dev = 2.15

Mean = 21.8
0 N = 20.00
17.0 18.0 19.0 20.0 21.0 22.0 23.0 24.0 25.0
IMT
STATISTIK PARAMETRIK
A. Independent Samples Test

Prosedur ini digunakan untuk menguji perbedaan rata-rata pada dua sample independent
untuk data berdistribusi normal.
Contoh : Apakah ada perbedaan berat badan bayi yang dilahirkan ibu perokok dan bukan
perokok
No Bb bayi Keb merokok pada No Bb bayi Keb merokok pada

(gram) ibu (gram) ibu
1 2550 Perokok 11 3000 Bukan perokok
Diuji kenormalan datanya dulu, hasilnya sebagai berikut :
Tests of Normality
a
berat badan bayi ,091 20 ,200* ,975 20 ,859
*. This is a lower bound of the true significance.
Ternyata data berat badan bayi berdistribusi normal karena hasil uji kolmogorov p= 0,200
sehingga uji yang digunakan uji independent sample t test.
Langkah :
Analyze
Compare means
Independent samples t test
Kotak Test variable(s). Untuk mendaftar satu atau beberapa variable numeric yang akan
diuji. Masukkan bb bayi.
Kotak grouping variables. Untuk mendaftar satu variable yang akan dijadikan sebagai
variable grup. Variabel ini akan dikelompokkan kedalam dua grup. Masukkan kebiasaan
merokok
Tombol Define Groups

Digunakan untuk mengelompokkan variable grup menjadi 2 kelompok independent
12
Kemudian oke maka akan muncul output sebagai berikut :
T-Test
Group Statistics
Std. Error
kebiasaan merokok N Mean Std. Deviation Mean
berat badan bayi perokok 10 2655,00 153,569 48,563
bukan perokok 10 3060,00 154,200 48,762
Independent Samples Test
Levene's Test for

Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed) Difference Difference Lower Upper
berat badan bayi Equal variances
,023 ,882 -5,885 18 ,000 -405,00 68,819 -549,584 -260,416
assumed
Equal variances
-5,885 18,000 ,000 -405,00 68,819 -549,584 -260,416
not assumed
Pada tabel grup statistik terlihat bahwa rata-rata berat badan bayi ibu perokok lebih rendah
dari pada bukan perokok
Pada table independent sample test terdapat levene’s test for quality of variance. Levene test
ini dugunakan untuk menguji apakah varians kelompok perokok dan bukan perokok sama
atau tidak. Ho-nya adalah varians kedua kelompok sama. Dari hasil uji levene diketahui nilai
p= 0,882 sehingga varians pada dua kelompok sama. Jadi yang dibaca adalah nilai-nilai pada
baris equal varianc assumed. Dari hasil diatas terlihat nilai t= -5,885 dengan nilai p=0,000.
dapat disimpulkan ada perbedaan berat badan bayi pada ibu yang perokok dan bukan
perokok.
B. Paired Sampels T Test

Prosedur ini digunakan untuk menguji beda rata-rata dua sample berpasangan
(dependent) dan data berdistribusi normal. .
Contoh : Apakah ada perbedaan kadar Hb dari 10 penderita anemi sebelum dan sesudah
diberi suntikan vitamin B12 intra muskular sebanyak 30 mg setiap 4 minggu selama 6 bulan.
Kadar Hb (gr %)
Penderita Sebelum pengobatan Setelah pengobatan
1 11,3 12,2
2 10,3 12,5
3 10,0 12,7
4 11,0 13,0
5 9,7 12,2
6 10,5 12,0
7 9,5 11,5
8 10,8 11,7
9 9,8 12,4
10 9,2 13,0

13
Tests of Normality
a
kadar hb sbl ,125 10 ,200* ,972 10 ,907
kadar hb ssd ,111 10 ,200* ,958 10 ,763
Ternyata data kadar hb sebelum dan sesudah pengobatan berdistribusi normal karena hasil
uji Shapiro wilk p= 0,907 dan p=0,763 sehingga yang digunakan uji paired samples t test.
Langkah :
Analyze
Compare means
Paired Samples t test
Kotak paired variable(s). Untuk mendaftar beberapa pasangan variable numeric yang akan
diuji. Masukkan hbsbl dan hbssd
Outputnya sebagai berikut ;

T-Test
Paired Samples Statistics
Std. Error
Mean N Std. Deviation Mean
Pair kadar hb sbl 10,2100 10 ,68710 ,21728
1 kadar hb ssd 12,3200 10 ,50509 ,15972
Paired Samples Correlations
N Correlation Sig.
Pair kadar hb sbl &
10 -,061 ,866
1 kadar hb ssd
Paired Samples Test
Paired Differences
95% Confidence
Interval of the
Std. Error Difference
Mean Std. Deviation Mean Lower Upper t df Sig. (2-tailed)
Pair kadar hb sbl -
-2,1100 ,87743 ,27747 -2,7377 -1,4823 -7,604 9 ,000
1 kadar hb ssd
Dari output diatas terlihat bahwa rata-rata kadar hb sebelum 10,21 dan kadar hb sedudah
12,32 . Dari table paired terlihat nilai t sebesar –7,604 dan p=0,00, sehingga dapat
disimpulkan ada perbedaan kadar hb sebelum dan sesudah diberi suntikan vitamin B12
C. One Way Anova
ANOVA atau Analysis of variance digunakan untuk menguji perbedaan rata-raat lebih dari
dua kelompok. One way anova digunakan untuk analisis disain eksperimen acak lengkap. Uji
ini digunakan untuk data berdistribusi normal dan varian antara kelompok homogen.
Contoh Apakah ada pengaruh pemberian formula terhadap peningkatan berat badan bayi
sehat. Ada 15 bayi dibagi dalam 3 kelompok . Kelompok I memperoleh Formula A,
kelompok II memperoleh formula B dan kelompok III memperoleh formula C. Ujilah pada
tingkat kemaknaan 1 %.Data peningkatan berat badan bayi (gram) adalah sebagai berikut :
14
no Bb_bayi formula No Bb bayi Formula

1 10 A 9 5 B
2 11 A 10 7 B
3 12 A 11 13 C
4 13 A 12 10 C
5 14 A 13 11 C
6 6 B 14 12 C
7 9 B 15 12 C
8 8 B
Tests of Normality
a
peningk bb bayi ,150 15 ,200* ,942 15 ,411
Ternyata data bb bayi berdistribusi normal karena hasil uji Shapiro wilk p= 0,411 sehingga
yang digunakan uji one way anova.
Langkah :
Analyze
Compare Means
One_Way Anova
Kemudian akan muncul kotak dialog sebagai berikut :
Kotak dependent list: Untuk memasukkan variabe dependent yang akan diuji.. masukkan bb
bayi
Kotak factor : untuk memasukkan variabel independent. Masukkan formula
Untuk menampilkan deskripsi data dan uji homogenitas tekan option dan pilih descriptive
dan homogenety of variance maka akan muncul kotak dialog seperti dibawah ini
Untuk uji lanjut Anova pilih Post Hoc, maka dilayar akan muncul kotak dialog seperti
dibawah ini.
Tombol Post Hoc digunakan untuk menampilkan uji pembanding ganda antar rata-rata.
Output hasil uji tersebut adalah sebagai berikut :
Oneway
15
Descriptives
BB_BAYI
95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
form_A 5 12,0000 1,5811 ,7071 10,0368 13,9632 10,00 14,00
form_B 5 7,0000 1,5811 ,7071 5,0368 8,9632 5,00 9,00
form_C 5 11,6000 1,1402 ,5099 10,1843 13,0157 10,00 13,00
Total 15 10,2000 2,7045 ,6983 8,7023 11,6977 5,00 14,00
Test of Homogeneity of Variances
BB_BAYI
Levene
Statistic df1 df2 Sig.
,296 2 12 ,749
ANOVA
BB_BAYI
Sum of
Squares df Mean Square F Sig.
Between Groups 77,200 2 38,600 18,381 ,000
Within Groups 25,200 12 2,100
Total 102,400 14
Post Hoc Tests

Multiple Comparisons
Dependent Variable: BB_BAYI
Mean
Difference 99% Confidence Interval
(I) FORMULA (J) FORMULA (I-J) Std. Error Sig. Lower Bound Upper Bound
Tukey HSD form_A form_B 5,0000* ,9165 ,000 1,7298 8,2702
form_C ,4000 ,9165 ,901 -2,8702 3,6702
form_B form_A -5,0000* ,9165 ,000 -8,2702 -1,7298
form_C -4,6000* ,9165 ,001 -7,8702 -1,3298
form_C form_A -,4000 ,9165 ,901 -3,6702 2,8702
form_B 4,6000* ,9165 ,001 1,3298 7,8702
LSD form_A form_B 5,0000* ,9165 ,000 2,2005 7,7995
form_C ,4000 ,9165 ,670 -2,3995 3,1995
form_B form_A -5,0000* ,9165 ,000 -7,7995 -2,2005
form_C -4,6000* ,9165 ,000 -7,3995 -1,8005
form_C form_A -,4000 ,9165 ,670 -3,1995 2,3995
form_B 4,6000* ,9165 ,000 1,8005 7,3995
*. The mean difference is significant at the .01 level.
Homogeneous Subsets
16
BB_BAYI
Subset for alpha = .01

FORMULA N 1 2
Tukey HSDa form_B 5 7,0000
form_C 5 11,6000
form_A 5 12,0000
Sig. 1,000 ,901
Duncan a form_B 5 7,0000
form_C 5 11,6000
form_A 5 12,0000
Sig. 1,000 ,670
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 5,000.
Dari uotput terlihat :

1. Deskripsi berat badan bayi meliputi nilai rata-rata, standar deviasi, standar error,
minimum dan maksimum.
2. Hasil uji homogenitas varian diperoleh nilai p = 0,749 berarti varian antar kelompok
homogen sehingga dapat menggunakan uji ANOVA.
3. Hasil uji ANOVA diperoleh nilai p= 0,000 dapat disimpulkan ada pengaruh
pemberian formula makanan terhadap peningkatan berat badan bayi.
4. Hasil uji pembanding ganda dapat diliha pada hasil Post Hoc Test.
5. Hasil uji LSD dan Tukey HSD terlihat yang diberi tanda (*) adalah yang berbeda
bermakna pada  0,01.
6. Hasil uji Tukey HSD dan Duncan yang berbentuk tabel , yang berbeda bermakna
adalah yang nilai rata-ratanya terletak pada kolom yang berbeda.
7. Dari ketiga uji tersebut dapat disimpulkan yang berbeda adalah kelompok yang diberi
formula A dan formula B serta yang diberi formula B dan formula C.
D. Korelasi Bivariat
Korelasi bivariat pada statistic parametrik digunakan untuk menghasilkan matrik

korelasi pearson product moment dari 2 variabel numeric yang berdistribusi normal.
Contoh : Barikut adalah data hasil penelitian pada 20 ibu hamil.

no Kons fe (mg) Hb no Kons fe (mg) hb
1 12 12 11 9 9
2 9 11,5 12 8 10
3 10 10,5 13 15 14
4 17 13 14 7 9,5
5 18 14 15 14 12,5
6 15 12 16 13 11,5
7 14 13 17 12 10,5
8 13 12 18 15 13
9 11 11 19 14 12,5
10 10 10 20 13 12
Apakah ada hubungan antara konsumsi Fe dengan kadar hb

17
Tests of Normality
a
konsumsi Fe ibu hamil ,124 20 ,200* ,974 20 ,841
kadar Hb ibu hamil ,140 20 ,200* ,964 20 ,636
Ternyata data konsumsi Fe ibu hamil dan kadar Hb ibu hamil berdistribusi normal karena
hasil uji kolmogorov p= 0,200 dan p=0,200 sehingga yang digunakan adalah korelasi
pearson product moment..
Langkah :
Analyze
Correlate
Bivariate
Kotak variables berfungsi untuk mendaftar pasangan variable yang akan dihitung koefisien
korelasinya. Masukkan variable konsumsi fed an kadar Hb
Terdapat 3 check box pada correlate coefficients.

 Pearson : Untuk menampilkan koefisien korelasi yang dihitung dengan metode
Pearson. (otomatis).
 Kendall’stau-b : untuk menampilkan koefisien korelasi non parametrik Kendall,
(data skala ordinal).
 Spearman. untuk menampilkan koefisien korelasi pearson versi non parametrik (data
skala ordinal).
Pilih pearson
Test of Significant.
 Two tailed (uji 2 arah), jika dalam hipotesis arahnya belum jelas
 One tailed (uji 1 arah), jika dalam hipotesis arahnya sudah jelas.
Pilih two tail

Correlations
konsumsi Fe kadar Hb
ibu hamil ibu hamil
konsumsi Fe ibu hamil Pearson Correlation 1 ,889**
Sig. (2-tailed) . ,000
N 20 20
kadar Hb ibu hamil Pearson Correlation ,889** 1
Sig. (2-tailed) ,000 .
N 20 20
**. Correlation is significant at the 0.01 level (2-tailed).
Dari hasil output diatas terlihat nilai korelasi (r) = 0,889 nilai p untuk 2 arah 0,000. sehingga
ada hubungan antara konsumsi Fe dan kadar Hb ibu hamil..
E. Regresi Linier
Prosedur regresi linier digunakan untuk membuat model linier untuk prediksi
variable dependent yang bersifat kontinyu dari variable independent yang bersifat kontinyu
dan berdistribusi normal .
Diagnose residual seperti deteksi kasus influensial, outlier dan pelanggaran terhadap asumsi
model juga tersedia.
18
Contoh : Berikut adalah data hasil penelitian pada 20 ibu hamil.
No Kons fe (mg) Hb no Kons fe (mg) hb

1 12 12 11 9 9
2 9 11,5 12 8 10
3 10 10,5 13 15 14
4 17 13 14 7 9,5
5 18 14 15 14 12,5
6 15 12 16 13 11,5
7 14 13 17 12 10,5
8 13 12 18 15 13
9 11 11 19 14 12,5
10 10 10 20 13 12
Bagaimana persamaan regresi dari data diatas bila konsumsi Fe (variable X atau prediktor)
dan kadar hb (variable Y) dan apa artinya ?

Tests of Normality
a
konsumsi Fe ibu hamil ,124 20 ,200* ,974 20 ,841
kadar Hb ibu hamil ,140 20 ,200* ,964 20 ,636
Ternyata data konsumsi Fe ibu hamil dan kadar Hb ibu hamil berdistribusi normal karena
hasil uji kolmogorov p= 0,200 dan p=0,200 sehingga dapat diuji regresi linier.
Untuk menjalankan prosedur regresi linier dari menu pilihlah

Analyze
Statistics
Regression
Linier
Kotak dialog Linier Regression sebagai berikut :
Pada kotak dialog anda harus mengisikan :

Dependent. Pilihlah variable dependen yang bersifaf kontinyu. Masukkan kadar Hb
Independent(s). Pilihlah satu atau lebih variable independen. Masukkan konsumsi Fe.
Method. Metode pemilihan variable independen untuk model regresi linier. Pilihlah Enter.
Outputnya sebagai berikut:
Regression
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 konsumsi
Fe ibua . Enter
hamil
a. All requested variables entered.
b. Dependent Variable: kadar Hb ibu hamil
19
Model Summary
Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,889a ,791 ,779 ,67000
a. Predictors: (Constant), konsumsi Fe ibu hamil
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 30,557 1 30,557 68,071 ,000a
Residual 8,080 18 ,449
Total 38,637 19
a. Predictors: (Constant), konsumsi Fe ibu hamil
b. Dependent Variable: kadar Hb ibu hamil
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 6,349 ,663 9,579 ,000
konsumsi Fe ibu hamil ,428 ,052 ,889 8,251 ,000
a. Dependent Variable: kadar Hb ibu hamil
1. Hasil uji ANOVA p = 0,000 berarti hubungan konsumsi Fe dengan kadar Hb linier.
2. Pada table coefficients nilai p untuk constant dan konsumsi Fe = 0,000 berarti
konsumsi Fe sebagai variable predictor kadar Hb, dengan persamaan sebagai berikut :
Kadar Hb = 6,349 + 0,428 konsumsi Fe.
Interpretasi ; jika konsumsi Fe ibu hamil bertambah 1 mg maka kadar Hb akan bertambah
0,428 gr %.
STATISTIK NON PARAMETRIK

A. Uji Chi Square
Chi square digunakan untuk menguji ketidaktergantungan (test of independence). Untuk memeriksa
apakah dua buah variabel dari sebuah sample saling tergantung atau tidak. Uji chi square terdapat
pada crosstabe. Prosedur crosstabs digunakan untuk menampilkan tabulasi silang . Prosedur ini
digunakan untuk deskripsi statistik bivariat dan pengujian dari 2 variabel khususnya variable yang
berbentuk kategori.
Contoh : Apakah ada hubungan antara status gizi dengan status hipertensi dengan α = 0,05?
no Status gizi Status hipertensi
1 Normal Tidak hipertensi
2 Gemuk Hipertensi
3 Normal Hipertensi
6 Gemuk Hipertensi
7 Gemuk Hipertensi
9 Gemuk Hipertensi
13 Gemuk Hipertensi
20
14 Gemuk Hipertensi
15 Normal Hipertensi
16 Gemuk Hipertensi
19 Gemuk Hipertensi
20 Gemuk Tidak hipertensi
langkah-langkah sebagai berikut :

Analyze
Descriptive statistic
Crosstabs
Kotak Rows : untuk mendaftar variable-variabel yang casenya akan ditampilkan secara baris.
Kotak columns: Untuk mendaftar variable-variabel yang casenya akan ditampilkan secara kolom.
Kotak layers: Untuk mendaftar variabe-variabel kontrol.
Status gizi masukkan ke rows dan status hipertensi masukkan ke columns
Tombol Cells
Digunakan untuk menentukan isi sel .
Untuk counts pilih expected.

Untuk percentages pilih row karena desain penelitiannya crosectional.
Uji chi square ada pada tombol statistics
Tombol statistics.
Chi square digunakan untuk uji hipotesis apakah variable baris dan kolom idependen atau tidak.
Pilihan ini tidak dapat digunakan bilamana terdapat sel yang nilai expectednya lebih kecil 1 atau lebih
dari 20% sel mempunyai nilai expected lebih kecil 5.
Pilihan check box

 Contingency coefficient. Untuk pengukuran asosiasi lanjutan dari chi square
 Cramer’s V. untuk pengukuran asosiasi lanjutan dari chi square terutama table 2X2.
Khusus table 2 x 2 akan selalu muncul tes Fisher. Pilihan ini digunakan bilamana terdapat sel yang
nilai expectednya lebih kecil 1 atau lebih dari 20% sel mempunyai nilai expected lebih kecil 5.
Output hasil uji diatas sebagai berikut :
status gizi * status hipertensi Crosstabulation
status hipertensi
tidak
hipertensi hipertensi Total
status normal Count 9 3 12
gizi Expected Count 6,0 6,0 12,0
% within status gizi 75,0% 25,0% 100,0%
gemuk Count 2 8 10
Expected Count 5,0 5,0 10,0
Total Count 11 11 22
21
Chi-Square Tests
Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 6,600b 1 ,010
Continuity Correctiona 4,583 1 ,032
Likelihood Ratio 6,994 1 ,008
Fisher's Exact Test ,030 ,015
Linear-by-Linear
6,300 1 ,012
Association
N of Valid Cases 22
a. Computed only for a 2x2 table
b. 0 cells (,0%) have expected count less than 5. The minimum expected count is
5,00.
Symmetric Measures
Value Approx. Sig.

Nominal by Phi ,548 ,010
Nominal Cramer's V ,548 ,010
N of Valid Cases 22
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null
hypothesis.
Pembacaan table : pada sample yan berstatus gizi normal 75% tidak hipertensi dan 25
% hipertensi, pada sample yang berstatus gizi gemuk 20 % tidak hipertensi dan 80%
hipertensi.. Dari hasil uji chi square ternyata tidak ada sel yang nilai harapannya kurang dari
5 (nilai harapan terlihat pada table silang) sehingga yang dibaca adalah hasil pearson chi
square. Nilai chi square 6,6 dan nilai p=0,01. Dapat disimpulkan bahwa ada hubungan
antara status gizi dengan status hipertensi . Jika nilai harapan yang kurang dari 5 lebih dari
20 % maka uji yang digunakan adalah uji Fisher exact. Nilai Phi Cramers V sebesar 0,548,
hal ini menunjukkan nilai korelasi antara status gizi dengan status hipertensi sebesar 0,548.
Untuk table 3x 2
Contoh : Apakah ada hubungan antara status gizi dengan status hipertensi dengan α = 0,05?
n Status Status
o gizi hipertensi
2 Gemuk Hipertensi
3 Normal Hipertensi
6 Gemuk Hipertensi
7 Gemuk Hipertensi
9 Gemuk Hipertensi
13 Gemuk Hipertensi
14 Gemuk Hipertensi
16 Gemuk Hipertensi
19 Gemuk Hipertensi
22

23 Kurus Tidak hipertensi
24 Kurus Hipertensi
25 Kurus Hipertensi
26 Kurus Hipertensi
langkah-langkah sebagai berikut :

Analyze
Descriptive statistic
Crosstabs
Maka akan muncul layer sebagai berikut :
Status gizi masukkan ke rows dan status hipertensi masukkan ke columns, karena tabel 3 x 2 maka
supaya muncul hasil test fisher pada output pilihlah exact, maka akan muncul layar sebagai berikut ;
Pilihlah exact
Tombol Cells
Digunakan untuk menentukan isi sel .
Untuk counts pilih expected.

Untuk percentages pilih row karena desain penelitiannya crosectional.
Uji chi square ada pada tombol statistics

Pada check box pilihlah Contingency coefficient.
Output sebagai berikut ;
Crosstabs
23
status gizi * status hipertensi Crosstabulation
status hipertensi
tidak
hipertensi hipertensi Total
status kurus Count 5 3 8
gizi Expected Count 4,3 3,7 8,0
normal Count 9 3 12
gemuk Count 2 8 10
Total Count 16 14 30
Chi-Square Tests
Asymp. Sig. Exact Sig. Exact Sig. Point

Value df (2-sided) (2-sided) (1-sided) Probability
Pearson Chi-Square 6,998a 2 ,030 ,b
Likelihood Ratio 7,366 2 ,025 ,039
Fisher's Exact Test 6,779 ,039
Linear-by-Linear c
3,595 1 ,058 ,065 ,047 ,032
Association
N of Valid Cases 30
a. 3 cells (50,0%) have expected count less than 5. The minimum expected count is 3,73.
b. Cannot be computed because there is insufficient memory.
c. The standardized statistic is 1,896.
Symmetric Measures
Value Approx. Sig. Exact Sig.

Nominal by Nominal Contingency Coefficient ,435 ,030 ,c
N of Valid Cases 30
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Cannot be computed because there is insufficient memory.
Pembacaan table : pada sample yan berstatus gizi kurus 62,5% tidak hipertensi dan
37,5% hipertensi, pada sample yang berstatus gizi normal75% tidak hipertensi dan 25 %
hipertensi dan pada sample yang berstatus gizi gemuk 20 % tidak hipertensi dan 80%
hipertensi.. Dari table chi square test ternyata ada 3 sel (50 %) yang nilai harapannya
kurang dari 5(nilai harapan terlihat pada table silang) sehingga uji chi square tidak valid
dengan demikian yang dibaca Fisher Exact Test.. Dari Fisher Exact Test diperoleh nilai sig
two tail (p) = 0,039. Dapat disimpulkan bahwa ada hubungan antara status gizi dengan
status hipertensi . Nilai Phi Coefficient contingensi sebesar 0,435, hal ini menunjukkan nilai
korelasi antara status gizi dengan status hipertensi sebesar 0,5435.
B. Uji Regresi Logistik
Prosedur regresi logistik akan menghitung probabilitas satu kejadian akan terjadi pada
variabel dependen yang dikotomus. Anda dapat memakai SPSS untuk mengikutsertakan semua
variabel predictor pada model regresi logistik atau menggunakan metode stepwise untuk seleksi
variabel. Diagnostik residual, seperti deteksi kasus influensial, outlier dan pelanggaran terhadap
asumsi model juga tersedia.
Untuk menjalankan prosedur regresi logistik, syarat minimal adalah :

 Variabel dependen dikotomus
24
 Satu atau lebih varaibel predictor

Contoh :
Suatu penelitian dilakukan untuk mengetahui factor resiko pemakaian alat suntik daur ulang terhadap
terjadinya infeksi hepatitis B pada dokter praktek dengan α = 0,05.
No Nama variable singkatan
1 Infeksi hepatitis B (0=tidak, 1= Ya) Hepb
2 Kebiasaan menyuntik (0=satu kali pakai, 1=daur ulang) Nyuntik
no hepb nyuntik no hepb nyuntik No hepb nyuntik

1 1 1 22 1 0 43 1 1
2 1 0 23 1 1 44 0 0
3 1 1 24 1 0 45 0 0
4 1 1 25 0 0 46 1 0
5 1 1 26 0 0 47 0 0
6 1 0 27 0 0 48 0 1
7 1 1 28 1 1 49 0 0
8 0 0 29 1 0 50 0 0
9 0 0 30 0 0 51 0 0
10 0 0 31 0 0 52 0 0
11 1 1 32 1 0 53 1 1
12 0 0 33 0 0 54 1 1
13 0 1 34 0 0 55 0 1
14 0 1 35 1 1 56 1 1
15 1 1 36 1 0 57 1 0
16 1 1 37 1 1 58 1 1
17 0 0 38 0 0 59 1 1
18 1 0 39 1 1 60 1 0
19 0 1 40 1 1 61 1 0
20 0 0 41 1 1
21 0 0 42 1 0
Untuk menjalankan prosedur regresi logistik dari menu pilihlah :

Statistik
Regression
Binary Logistic
Kotak dialog terlihat dalam gambar berikut
Pada kotak dialog tersebut anda harus mengisikan :

Dependent : Pilihlah variabrl dependen yang hanya memilili 2 nilai (dikotomus)
Masukkan variabel hepb pada kotak dependens
Covariates : Pilihlah satu atau lebih variabel predictor.
Masukkan variabel nyuntik pada covariates
Definisi variabel kategorikal

25
SPSS akan memperlakukan variabel predictor sebagai variabel kontinyu. Jika variabel predictor
merupakan variabel kategorikal, maka variabel tersebut harus didefinisikan sebagai variabel
kategorikal.
Klik categorical maka akan muncul layar sebagai berikut :.
Categorical covariates , untuk memasukkan variabel yang akan diperlakukan sebagai variabel
kategori.
Change contrast. Untuk memilih kontras indicator yang ada pada isian contrast. Letaakkan crusor
pada pilihan indicator. Kemudian pada Reference category. pilihlah kategori pembandingnya,
kategori yang pertama (first) atau kaategori yang terakhir (last). Kemudi klik change.
Masukkan variabel nyuntik pada categorical covariats kemudian pilih first pada reference cateory
(karena kategori 0 pada variabel nyuntik sebagai referency) dan klik change maka hasilnya akan
terlihat seperti pada layar diatas.
Method. Metode pemilihan variabel predictor untuk model regresi logistik. Pada metode stepwise
score statistic digunakan untuk memilih variabel yang akan dimasukkan pada model, sedangkan untuk
mengeluarkan variabel dari model, digunakan likelihood-ratio statistic atau Wald statistic.
Enter. Semua variable pada satu blok dimasukkan kedalam model pada satu langkah.
Forward. Conditional. Pemilihan variable secara forward stepwise. Pengeluaran variabel
berdasarkan likelihood-ratio statistic pada conditional parameter estimate.
Forward. LR. Pemilihan variable secara forward stepwise. Pengeluaran variabel berdasarkan
likelihood-ratio statistic berdasarkan maximum likelihood estimate.
Forward. Wald.. Pemilihan variable secara forward stepwise. Pengeluaran variabel berdasarkan
likelihood-ratio statistic berdasarkan Wald statistic.
Backward. Conditional. Pemilihan variabel secara backward stepwise. Pengeluaran variabel
berdasarkan likelihood-ratio statistic pada conditional parameter estimate
Backward. LR. Pemilihan variable secara backward stepwise. Pengeluaran variabel berdasarkan
likelihood-ratio statistic berdasarkan maximum likelihood estimate
Backward. Wald.. Pemilihan variable secara backward stepwise. Pengeluaran variabel berdasarkan
likelihood-ratio statistic berdasarkan Wald statistic.
Metode yang digunakan enter
Sebelum oke klik option pilihlah CI for exp (B) untuk menampilkan nilai confidens interval OR,
maka akan muncul layer sebagai berikut :
Otput hasil uji adalah sebagai berikut :

Logistic Regression
26
Case Processing Summary

a
Unweighted Cases N Percent
Selected Cases Included in Analysis 61 100,0
Missing Cases 0 ,0
Total 61 100,0
Unselected Cases 0 ,0
Total 61 100,0
a. If weight is in effect, see classification table for the total
number of cases.
Dependent Variable Encoding
Original Value Internal Value

tidak 0
ya 1
Categorical Variables Codings
Paramete
Frequency r coding
(1)
keb menyuntik satu kali pakai 35 ,000
daur ulang 26 1,000
Block 0: Beginning Block
Classification Tablea,b
Predicted
infeksi hepatitis B Percentage

Observed tidak ya Correct
Step 0 infeksi hepatitis B tidak 0 27 ,0
ya 0 34 100,0
Overall Percentage 55,7
a. Constant is included in the model.
b. The cut value is ,500
Variables in the Equation
B S.E. Wald df Sig. Exp(B)

Step 0 Constant ,231 ,258 ,800 1 ,371 1,259
Variables not in the Equation
Score df Sig.
Step 0 Variables NYUNTIK(1) 11,509 1 ,001
Overall Statistics 11,509 1 ,001
Block 1: Method = Enter
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 12,122 1 ,000
Block 12,122 1 ,000
Model 12,122 1 ,000
27
Model Summary
-2 Log Cox & Snell Nagelkerke

Step likelihood R Square R Square
1 71,637 ,180 ,241
Classification Tablea
Predicted
infeksi hepatitis B Percentage

Observed tidak ya Correct
Step 1 infeksi hepatitis B tidak 22 5 81,5
ya 13 21 61,8
Overall Percentage 70,5
a. The cut value is ,500
Variables in the Equation
95,0% C.I.for EXP(B)

B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
NYUNTIK(1) 1,961 ,608 10,395 1 ,001 7,107 2,158 23,414
1 Constant -,526 ,350 2,262 1 ,133 ,591
a. Variable(s) entered on step 1: NYUNTIK.
Dari hasil diatas (pada variabel in the Equation) diketahui nilai sig pada nyuntik 0,01 berarti
bermakna. Pada variabel nyuntik diperoleh nilai Exp(B) 7.107 dan 95% CI 2,158 s/d 23,414.
Sehingga dapat disimpulkan resiko terjadinya penyakit Hepatitis B pada dokter yan menggunakan alat
suntik daur ulang 7,107 kali daripada yang menggunakan alat suntik satu kali pakai..
Persamaan :
Z = - 0,526 + 1,961 Nyuntik (1)
Dan model probabilitas untuk terjadinya penyakit hepatitis B adalah :
1
P (X= hepatitis B) = ----------
1 + e -z
c. Uji Korelasi Rank Spearman
Uji ini digunkan untuk mengetahui hubungan 2 variabel berskala rasio, interval dan ordinal .
Uji ini digunakan untuk data numerik yang tidak berdistribusi normal.
Contoh : Apakah ada hubungan antara indeks massa tubuh dengan tekanan darah sistolik?
No imt Tekanan darah

sistolik
1 22 100
2 22 100
3 25 110
4 25 100
5 24 110
6 22 110
7 24 110
8 22 110
9 24 110
10 22 120
11 25 110
12 24 130
13 22 120
14 24 130
15 25 130
16 22 130
28
17 25 130
18 25 130
19 25 140
20 25 130
21 30 140
22 30 140

Tests of Normality
a
indek masa tubuh ,282 22 ,000 ,779 22 ,010**
tekanan darah sistolik ,226 22 ,005 ,884 22 ,015
**. This is an upper bound of the true significance.
Ternyata data imt dan tekanan darah tidak berdistribusi normal karena p=0,000
dan 0,005. kemudian diuji korelasi rank Spearman langkah-langkah sebagai
berikut :
Analyze
Correlate
Bivariate
Pada correlation coefficients pilih Spearman.

Maka akan muncul Outputnya adalah sebagai berikut :
Correlations
indek masa tekanan darah

tubuh sistolik
Spearman's rho indek masa tubuh Correlation Coefficient 1,000 ,513*
Sig. (2-tailed) , ,015
N 22 22
tekanan darah sistolik Correlation Coefficient ,513* 1,000
Sig. (2-tailed) ,015 ,
N 22 22
*. Correlation is significant at the .05 level (2-tailed).
Dari hasil output diatas terlihat nilai spearman rho = 0,513 nilai p untuk 2 arah 0,015, sehingga Ho
ditolak berarti ada hubungan antara imt dengan tekanan sistolik .
D. Uji Mann Whitney

Uji ini digunkan untuk mengetahui perbedaan rata-rata 2 sampel bebas. Uji ini digunakan
untuk data numerik yang tidak berdistribusi normal.
Contoh : Apakah ada perbedaan berat badan bayi di desa dan kota ?
No Bb_bayi Tempat tinggal
1 20 Desa
2 8 Desa
3 14 Desa
4 12 Desa
5 21 Desa
6 13 Desa
7 14 Desa
8 10 Desa
9 12 Kota
10 10 Kota
11 12 Kota
29
12 12 Kota
13 10 Kota
14 10 Kota
15 11 Kota
16 8 Kota

Tests of Normality
a
BB_BAYI ,221 16 ,035 ,838 16 ,010**
Ternyata data tidak berdistribusi normal karena p=0,035. kemudian diuji Mann
Whitney dengan langkah-langkah sebagai berikut :
Analyze
Non Parametric Tests
2 independent Samples
Masukkan varaibel BB_bayi kedalam kotak test variabel list dan tinggal kedalam grouping
variabel kemudian klik difene group maka akan muncul layar sebagai berikut :
Ketik 1 dikotak group 1 dan 2 dikotak group 2 tekan continue lalu oke.
Outputnya adalah sebagai berikut :
NPar Tests
Mann-Whitney Test
Ranks
TINGGAL N Mean Rank Sum of Ranks

BB_BAYI desa 8 10,69 85,50
kota 8 6,31 50,50
Total 16
Test Statisticsb
BB_BAYI
Mann-Whitney U 14,500
Wilcoxon W 50,500
Z -1,868
Asymp. Sig. (2-tailed) ,062
Exact Sig. [2*(1-tailed a
,065
Sig.)]
a. Not corrected for ties.
b. Grouping Variable: TINGGAL
Berdasarkan output diatas diektahui bahwa Asymp Sig (2-tailed) adalah 0,062. Jadi p=0,065 sehingga
tidak ada perbedaan berat badan bayi dikota dan di desa.
E. Uji Kruskal Wallis
Uji ini digunkan untuk mengetahui perbedaan rata-rata lebih dari 2 sampel bebas. Uji ini digunakan
untuk data numerik yang tidak berdistribusi normal.
Contoh : Apakah ada perbedaan berat badan bayi di desa , margina (pinggiran kota) dan kota ?
No Bb_bayi Tempat tinggal
1 20 Desa
2 8 Desa
3 14 Desa
4 12 Desa
5 21 Desa
30
6 13 Desa
7 14 Desa
8 10 Desa
9 12 Kota
10 10 Kota
11 12 Kota
12 12 Kota
13 10 Kota
14 10 Kota
15 11 Kota
16 8 Kota
17 14 Marginal
18 15 Marginal
19 8 Marginal
20 10 Marginal
21 8 Marginal
22 9 Marginal
23 24 Marginal
24 10 Marginal

Tests of Normality
a
BB_BAYI ,194 24 ,020 ,834 24 ,010**
Ternyata data tidak berdistribusi normal karena p=0,02 kemudian diuji Kruskal
Wallis dengan langkah-langkah sebagai berikut :
Analyze
K Independent Samples
Masukkan varaibel BB_bayi kedalam kotak test variabel list dan tinggal kedalam grouping
variabel kemudian klik difene range maka akan muncul layar sebagai berikut :
Ketik 1 dikotak minimum dan 3 dikotak maximum tekan continue lalu oke.
Outputnya adalah sebagai berikut :
NPar Tests
Kruskal-Wallis Test
Ranks
TINGGAL N Mean Rank

BB_BAYI desa 8 15,69
kota 8 10,44
marginal 8 11,38
Total 24
31
Test Statisticsa,b
BB_BAYI
Chi-Square 2,575
df 2
Asymp. Sig. ,276
a. Kruskal Wallis Test
b. Grouping Variable: TINGGAL
Dari output diatas terlihat Asymp sig = 0.276 ( p-0,276) dapat disimpulkan tidak ada perbedaan rata-
rata berat badan bayi di di desa , margina (pinggiran kota) dan kota
F. Wilcoxon
Wilcoxon digunakan untuk menguji perbedaan rata-rata 2 sampel dependent(terikat).Uji ini
digunakan untuk data numerik yang tidak berdistribusi normal. Contoh: Apakah ada
perbedaan berat badan bayi sebelum diberi PMT dan sesudah diberi PMT ?
No
sampel bb_sblm bb_ssd
1 10 12
2 11 13
3 12 11
4 10 11
5 11 14
6 12 14
7 9 13
8 8 14
9 11 14
10 12 13
11 11 11
12 10 11
13 11 12
14 12 13
15 12 13
Langkah –langkah
Tests of Normality
a
BB_SBL ,232 15 ,028 ,864 15 ,031
BB_SSD ,232 15 ,029 ,849 15 ,017
Ternyata data tidak berdistribusi normal karena p=0,031 dan 0,017

kemudian diuji Wicoxon dengan langkah-langkah sebagai berikut :
Analyze
2 related Samples
Masukkan variabel bb_sbl dan bb_ssd kedalam kotak test Pair(s) list lalu tekan oke
Wilcoxon Signed Ranks Test
32
Ranks
N Mean Rank Sum of Ranks

BB_SSD - BB_SBL Negative Ranks 1a 4,00 4,00
Positive Ranks 13b 7,77 101,00
Ties 1c
Total 15
a. BB_SSD < BB_SBL
b. BB_SSD > BB_SBL
c. BB_SBL = BB_SSD
Test Statisticsb
BB_SSD -
BB_SBL
Z -3,091a
Asymp. Sig. (2-tailed) ,002
a. Based on negative ranks.
b. Wilcoxon Signed Ranks Test
Ada perbedaan berat badan bayi sebelum diberi PMT dan sesudah diberi PMT (p=0,002)
G. Uji Mc Nemar
Uji Mc Nemar digunakan untuk menguji perbedaan dua set pengamatan berpasangan
atau dua sample berhubungan berskala nominal (dikotom) . Contoh : Apakah ada perbedaan
status gizi bayi sebelum diberi PMT dan sesudah diberi PMT ?
No sampel SG sebelum SG sesudah

1 1 2
2 2 2
3 2 1
4 1 1
5 2 2
6 1 2
7 2 2
8 2 1
9 1 2
10 1 2
11 1 2
12 2 1
13 1 2
14 1 2
15 1 2
Keterangan : 1 = KEP ; 2 = tidak KEP
Langkah –langkah
Analyze
2 related Samples
Masukkan variabel sg_sbl dan sg_ssd kedalam kotak test Pair(s) list pilih Mc Nemar untuk test type
lalu tekan oke
McNemar Test
Crosstabs
SG_SBL & SG_SSD
SG_SSD
SG_SBL 1 2
1 1 8
2 3 3
33
Test Statisticsb
SG_SBL &
SG_SSD
N 15
Exact Sig. (2-tailed) ,227a
a. Binomial distribution used.
b. McNemar Test
Dari hasil diatas ternyata p = 0,227 sehinggaa dapat disimpulkan tidak ada perbedaan stataus gizi
sebelum dan sesudah diberi PMT.
H. Uji Friedman
Digunakan untuk mengetahui perbedaan rata-

Contoh : Dari hasil uji organoleptik rasa 3 jenis roti rata lebih dari 2 sampel yang terikat. Uji ini
digunakan untuk data numerik yang tidak berdistribusi normal. tarwar adalah sebagai berikut :
Panelis Rasa Roti A Rasa Roti B Rasa Roti C
1 3 5 7
2 4 6 7
3 3 5 8
4 4 6 8
5 4 5 7
6 4 6 7
7 3 6 8
8 3 5 8
9 4 5 8
10 5 6 7
Apakah ada perbedaan rasa roti A,B dan C
langkah –langkah
Tests of Normality
a
rasa roti A ,272 10 ,035 ,803 10 ,019
rasa roti B ,329 10 ,003 ,662 10 ,010**
rasa roti C ,329 10 ,003 ,662 10 ,010**
Ternyata data tidak berdistribusi normal karena p=0,019, 0,01 dan 0,01
kemudian diuji Friedman dengan langkah-langkah sebagai berikut :
Analyze
K related Samples
Masukkan variabel rasa_a, rasa_b dan rasa_c kedalam kotak test variabels lalu tekan oke
NPar Tests
Friedman Test
Ranks
Mean Rank
rasa roti A 1,00
rasa roti B 2,00
rasa roti C 3,00
34
Test Statisticsa
N 10
Chi-Square 20,000
df 2
Asymp. Sig. ,000
a. Friedman Test
Dari hasil diatas diperoleh nilai Asymp sig = 0,000 (p= 0,000) sehingga dapat disimpulkan ada
perbedaan rasa roti A, roti B dan roti C.

Modul SPSS

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul SPSS

Diunggah oleh

Hak Cipta:

Format Tersedia

1

Aturan pemberian nama variabel :

 No missing values, bila variabel tersebut tidak mengandung missing value.

MENYIMPAN FILE DATA

Gambar 6. Kotak dialog Select Cases : If

RECODE DENGAN MEMBENTUK VARIABEL BARU

Tombol Old and New Values

Kel. umur Kode kel umur Label

N Minimum Maximum Mean Std. Deviation

Hasil output Explore dari umur adalah sebagai berikut :

Statistic Std. Error

5% Trimmed Mean 42.15

Normal Q-Q Plot of UMUR(TH)

Detrended Normal Q-Q Plot of UMUR(TH)

Outputnya sebagai berikut :

akan muncul output sebagai berikut :

Outputnya sebagai berikut :

pilih salah satu alternatif pada kotak :

Digunakan untuk menghasilkan scaterplot sederhana.

Hal ini dipakai untuk melihat gambaran korelasi 2 buah variabel

1 Std. Dev = 2.15

A. Independent Samples Test

No Bb bayi Keb merokok pada No Bb bayi Keb merokok pada

Tombol Define Groups

Kemudian oke maka akan muncul output sebagai berikut :

Independent Samples Test

Levene's Test for

B. Paired Sampels T Test

Diuji kenormalan datanya dulu, hasilnya sebagai berikut :

Outputnya sebagai berikut ;

Paired Samples Correlations

Paired Samples Test

C. One Way Anova

no Bb_bayi formula No Bb bayi Formula

Kemudian akan muncul kotak dialog sebagai berikut :

Test of Homogeneity of Variances

Post Hoc Tests

Dependent Variable: BB_BAYI

Subset for alpha = .01

Dari uotput terlihat :

Korelasi bivariat pada statistic parametrik digunakan untuk menghasilkan matrik

Contoh : Barikut adalah data hasil penelitian pada 20 ibu hamil.

Diuji kenormalan datanya dulu, hasilnya sebagai berikut :

Terdapat 3 check box pada correlate coefficients.

Outputnya sebagai berikut :

Contoh : Berikut adalah data hasil penelitian pada 20 ibu hamil.

No Kons fe (mg) Hb no Kons fe (mg) hb

Diuji kenormalan datanya dulu, hasilnya sebagai berikut :

Untuk menjalankan prosedur regresi linier dari menu pilihlah

Pada kotak dialog anda harus mengisikan :

Outputnya sebagai berikut:

Adjusted Std. Error of

Kadar Hb = 6,349 + 0,428 konsumsi Fe.

STATISTIK NON PARAMETRIK

langkah-langkah sebagai berikut :

Untuk counts pilih expected.

Pilihan check box

Asymp. Sig. Exact Sig. Exact Sig.

Value Approx. Sig.

20 Gemuk Tidak hipertensi

langkah-langkah sebagai berikut :

Untuk counts pilih expected.

Uji chi square ada pada tombol statistics

status gizi * status hipertensi Crosstabulation