Belajar SPSS Sederhana PDF
Belajar SPSS Sederhana PDF
Oleh:
Sobur Setiaman
Cece Hadian
PPNI Qatar
2017
Pengantar
Modul Praktikum Analisa Data Kuantitatif di susun untuk memenuhi kebutuhan
latihan pada perawat Indonesia yang di bekerja di Qatar yang akan melakukan
penelitian di bidang keperawatan. Modul ini di adaptasi dari modul yang berbahasa
Inggris sudah di coba dipakai untuk membantu perawat Filipina yang sedang
menyusun tesis keperawatan.
Pada modul ini ditekan bagaimana para perawat dapat menguasi software SPSS
dalam:
1. Menguji kuesioner
2. Menganalisa data univariate
3. Menganalisa data bivariate
4. Menganalisa data uji regresi
5. Menganalisa data multivariat
Selamat mengikuti
Wassalam,
Penulis
Sobur Setiaman
Daftar isi
Modul 1. Membuat kuesioner
Modul 3. Uji kuesioner sikap dan kepatuhan cuci tangan pada perawat
Modul 12. Uji multivariat MANOVA (studi kasus dampak pelatihan cuci tangan terhadap
sikap dan kepatuhan cuci tangan pada perawat)
Modul 13. Uji Multivariat: ANOVA 2 Faktor (studi kasus pada pengaruh jenis kelamin
dan pendidikan terhadap kepatuhan cuci tangan)
Daptar Pustaka
Membuat Kuesioner
Penulis: Sobur Setiaman dan Cece Hadian.
Tujuan
1. Pengantar
Dalam melakukan penelitian, hal-hal yang harus di perhatikan adalah sebagai berikut:
1. Objek apa saja yang ingin di teliti? Umumnya objek yang diteliti berkaitan dengan
kesehatan adalah seseorang, tempat dan waktu yang berkaitan dengan perilakunya.
2. Tentukan tujuan penelitian ini? Hanya untuk menggambarkan keadaan atau menggali
adanya hubungan sebab akibat.
3. Tentukan jenis penelitiannya? Jenis penelitian berbentuk uraian/deskriptif atau
menganalisa hubungan antara satu variabel dengan variabel lainya.
4. Tentukan kerangka teoritis dan kerangka penelitiannya (framework of theory and
practice)? Dari kerangka ini di transformasikan ke dalam alat bentuk alat pengumpulan
data, dan jenis analisanya.
5. Tentukan alat pengumpulan data yang sesuai dengan objek penelitian dan kerangka
teori?
a. Pada umumnya alat pengumpulan data ada dua jenis yaitu kuesioner, formulir
pengamatan.
1
Bab 1. Membuat Kuesioner
Update: 05 November, 2016
b. Alat pengumpul data sebagai terjemahan dari kerangka teori dan kerangka
penelitian.
c. Pengambilan data dilakukan dengan cara mengirim kuesioner, wawancara atau
pengamatan langsung oleh pengamat yang ditugaskan oleh peneliti.
d. Contohnya hubungan sikap dan kepatuhan cuci tangan pada perawat, maka
kuesionernya harus disusun:
1) Kuesioner sikap perawat terhadap cuci tangan.
2) Kusioner kepatuhan perawat terhadap cuci tangan.
6. Tentukan jenis data yang akan di kumpulkan dan cara pengukuran data yang sudah
terkumpul? Hal ini sangat penting, sebab berkaitan dengan cara pengelompokan data dan
perhitungan jumlah data.
7. Tentukan alat pengolahan data? Apakah di olah secara manual atau dengan bantuan
perangkat lunak statistik.
8. Tentukan cara menyajikan informasi? Pada umumnya setelah data di olah, harus bisa
menampilkan sebuah informasi. Tampilan informasi dalam bentuk tabel atau gambar
distribusi dan frekwensi data.
2. Teori Pengukuran
Apa yang disebut dengan Statistika? Statistik adalah Ilmu tentang cara-cara ilmiah untuk
mengumpulkan, menyusun, meringkas, dan menyajikan data hasil penyelidikan. Data yang sudah
disajikan bisa di tarik kesimpulan dengan teliti (SutrisnoHadi,1995:1).
Ilmu statistik digunakan dalam melakukan suatu penelitian, karena dari hasil penelitian akan
berkaitan dengan data, maka untuk mempermudah bagaimana melakukan penelitian, harus
dipelajari dulu tentang cara pengukuran data, penentukan jenis data, skala pengukuran dan
penentuan alat pengumpul data, selanjutnya akan mudah dalam melakukan mengolah, menyajikan
dan menyimpulkan data yang sudah terkumpul.
Measurement is the process of assigning number or label to object, event or people according to
particular set of ruler (Kerling. 1986)
2
Bab 1. Membuat Kuesioner
Update: 05 November, 2016
Measure all that can be measured and render measurable all that defies measurement (Galileo
Galilei)
Pengukuran adalah:
1. Suatu proses pemberian nomor pada atribut (objek, kejadian atau orang) yang bisa diukur.
2. Suatu proses perbandingan antara objek ukur dengan alat ukur.
Yang menjadi objek pengukuran status kesehatan individu menurut definisi kesehatan oleh WHO
meliputi:
1. Kesehatan Fisik.
2. Kesehatan Mental.
3
Bab 1. Membuat Kuesioner
Update: 05 November, 2016
3. Sosial ekonomi kesehatan.
Yang menjadi objek pengukuran status kesehatan masyarakat berdasarkan teori H.L. Blum adalah:
1. Perilaku kesehatan.
2. Sarana pelayanan kesehatan.
3. Keadaan kesehatan lingkungan.
4. Penyakit keturuan.
Hendrik L Blum juga menyebutkan 12 indikator yang berhubungan dengan derajat kesehatan,
yaitu:
1. Life span: yaitu lamanya usia harapan untuk hidup dari masyarakat, atau dapat juga
dipandang sebagai derajat kematian masyarakat yang bukan karena mati tua.
2. Disease or infirmity: yaitu keadaan sakit atau cacat secara fisiologis dan anatomis dari
masyarakat.
3. Discomfort or illness: yaitu keluhan sakit dari masyarakat tentang keadaan somatik,
kejiwaan maupun sosial dari dirinya.
4. Disability or incapacity: yaitu ketidakmampuan seseorang dalam masyarakat untuk
melakukan pekerjaan dan menjalankan peranan sosialnya karena sakit.
5. Participation in health care: yaitu kemampuan dan kemauan masyarakat untuk
berpartisipasi dalam menjaga dirinya untuk selalu dalam keadaan sehat.
6. Health behavior: yaitu perilaku manusia yang nyata dari anggota masyarakat secara
langsung berkaitan dengan masalah kesehatan.
7. Ecologic behavior: yaitu perilaku masyarakat terhadap lingkungan, spesies lain, sumber
daya alam, dan ekosistem.
8. Social behavior: yaitu perilaku anggota masyarakat terhadap sesamanya, keluarga,
komunitas dan bangsanya.
9. Interpersonal relationship: yaitu kualitas komunikasi anggota masyarakat terhadap
sesamanya.
10. Reserve or positive health: yaitu daya tahan anggota masyarakat terhadap penyakit atau
kapasitas anggota masyarakat dalam menghadapi tekanan-tekanan somatik, kejiwaan, dan
sosial.
11. External satisfaction: yaitu rasa kepuasan anggota masyarakat terhadap lingkungan
sosialnya meliputi rumah, sekolah, pekerjaan, rekreasi, transportasi.
12. Internal satisfaction: yaitu kepuasan anggota masyarakat terhadap seluruh aspek kehidupan
dirinya sendiri.
4
Bab 1. Membuat Kuesioner
Update: 05 November, 2016
Yang menjadi objek pengukuran epidemiologi penyakit atau masalah kesehatan adalah sebagai
berikut:
1. Data kategorik.
Yang termasuk data kategorik adalah dimana data yang di dapat dari hasil pengamatan
dalam bentuk penggolongan, bukan hasil pengukuran contohnya data jenis kelamin di
dapat bukan dengan cara pengukuran tapi di observasi dan di kelompokan dalam dua
kelompok yaitu laki-laki dan perempuan.
Data kategorik tidak bisa dimanipulasi dalam bentuk nilai rata-rata, contoh kasus hasil
pengamatan terdapatdata laki-laki ada 2 orang dan perempuan ada 1. Data tersebut tidak
bisa di hitung 2 ditambah 1 menjadi 3 lalu dibagi 2, sebab nilainya akan jadi 1,5. Data
tersebut setelah diolah akan memberikan informasi dalam bentuk distribusi frekwensi.
2. Data namerik.
Yang termasuk data namerik adalah dimana data yang di dapat dari hasil pengukuran dalam
bentuk angka, contohnya hasil pengukuran berat badan dalam kg.
Data hasil pengukuran lalu di olah dalam bentuk nilai rata-rata, median dan mode maka
informasi yang di dapat adalah rata-rata, median dan mode.
Setiap data yang akan di ambil, harus ditentukan skala pengukurannya? Ada 4 jenis skala
pengukuran, yaitu: 1. Nominal, 2. Ordinal, 3. Interval, 4. Rasio.
5
Bab 1. Membuat Kuesioner
Update: 05 November, 2016
1. Nominal adalah data kategori yang tidak memiliki tingkatan seperti jenis kelamin, warna,
rasa dan lain lain.
2. Ordinal adalah data kategori yang memiliki tingkatan seperti jenis pendidikan dari yang
terendah sampai tertinggi.
3. Interval adalah data namerik hasil pengukuran yang memiliki jarak tertentu termasuk data
interval seperti tinggi badan, berat badan.
4. Rasio adalah data namerik hasil pengukuran yang memiliki titik terendah adalah nol.
Skala nominal dan ordinal dikelompokan kedalam data kategorikal, sedangkan Interval dan rasio
dikelompokan kedalam data numerik. Pada SPSS jenis data yang tersedia hanya 3 pilihan yaitu,
nominal, ordinal dan rasio. Penentuan skala pengukuran ini dipergunakan untuk menentukan jenis
analisa apa yang bisa di pergunakan selanjutnya.
Data kategorik (nominal dan ordinal) bisa di analisis dengan distribusi frekwensi dan tabulasi
silang, bila melakukan uji bivariat antar data nominal dan ordinal, bisa digunakan kai kuadrat.
Data namerik (interval dan rasio) bisa di analisis dalam bentuk sentral tendensi yaitu distribusi
rata-rata, nilai tengah, modus, standar deviasi dan varian, bila melakukan uji bivariat antar data
interval dan rasio, bisa menggunakan uji korelasi, uji berpasangan atau uji regresi linier.
4. Kuesioner
Kuesioner merupakan salah satu instrumen penelitian sangat diperlukan dalam pengumpulan data,
data yang dikumpulkan dilakukan dengan cara menyusun daftar pertanyaan-pertanyaan. Dengan
kuesioner dapat membantu peneliti mengumpulkan informasi dari responden tentang pengetahuan,
sikap, pendapat, perlaku, fakta-fakta dan informasi lainya.
Kuesioner merupakan bentuk transformsi isi kerangka teori dan kerangka konsep suatu objek yang
akan diteliti. Kuesioner yang berisi daftar pertanyaan, harus bisa mengukur pengetahuan, sikap,
pendapat, perlaku, fakta-fakta dan informasi lainya yang di maksudkan dalam tujuan penelitian
tersebut. Daftar kuesioner akan menjadi bentuk variabel-variabel penelitian yang akan di olah
menjadi sebuah informasi atau di cari sebab akibat dari informasi tersebut.
6
Bab 1. Membuat Kuesioner
Update: 05 November, 2016
Jenis-jenis pertanyaan dalam kuesioner adalah:
1. Pertanyaan mengenai fakta-fakta. Misalnya berapa kali ibu cuci tangan dalam sehari kerja?
---- x
2. Pertanyaan mengenai pendapat dan sikap. Setujukah ibu, mencuci tangan sebelum
memeriksa pasien? --Sangat setuju --Setuju --Tidak setuju – Sangat tidak setuju.
3. Pertanyaan informasi. Sudah mendengar kah ibu, bahwa dengan mencuci tangan dapat
mencegah infeksi silang di rumah sakit? --Tahu --Tidak tahu.
Bentuk pertanyaan dalam kueisoner bisa berstruktur atau tidak berstruktur. Bentuk pertanyaan
berstruktur dimana jawababnya telah di siapkan untuk di pilih oleh responden.
Sebutkan pendidikan terakhir saudara yang diikuti? __SD __SMP __SMA __D3 __S1
__S2 __S3
Gambarkan pentingnya cuci tangan sebelum memeriksa pasien anda dalam angka, tidak
Tidak penting pilih angka 1 penting sekali angka 10: _1 _2 _3 _4 _5 _6 _7 _8 _9 _10
7
Bab 1. Membuat Kuesioner
Update: 05 November, 2016
Setelah memasang infus
Setelah membersihkan tempat tidur pasien
Pendapat anda tentang mencuci tangan di Sangat Tidak Netral Setuju Sangat
rumah sakit: tidak setuju setuju
setuju
Sebelum memeriksa pasien
Setelah memeriksa pasien
Sebelum menyuntik pasien.
Setelah memasang infus
Setelah membersihkan tempat tidur pasien
Beri nilai kebiasaan anda mencuci tangan di rumah Nilai 1 tidak pernah
sakit: Nilai 10 selalu
Sebelum memeriksa pasien 1 2 3 4 5 6 7 8 9 10
Setelah memeriksa pasien 1 2 3 4 5 6 7 8 9 10
Sebelum menyuntik pasien. 1 2 3 4 5 6 7 8 9 10
Setelah memasang infus 1 2 3 4 5 6 7 8 9 10
Setelah membersihkan tempat tidur pasien 1 2 3 4 5 6 7 8 9 10
8
Bab 1. Membuat Kuesioner
Update: 05 November, 2016
Pertanyaan untuk di hitung jumlah jawabnya (cumulative atau Guttman Scale).
Pendapat anda tentang cuci tangan dengan handrub, bila setuju mohon di contreng:
Suka __
Mudah __
Sederhana __
Mahal __
Berguna __
Apakah anda mecuci tangan dengan hand rub sebelum melakukan tindakan
keperawatan:
Ya __ bila ya berapa kali sehari:__
Tidak __
Untuk kepentingan etika penelitian dan kerahasian responder, nama lengkap dan alamat lengkap
responder tidak pernah di tanyakan atau dimasukan dalam daftar pertanyaan.
9
Bab 1. Membuat Kuesioner
Update: 05 November, 2016
KUESIONER KEPATUHAN CUCI TANGAN PADA PERAWAT
DATA RESPONDEN
5
Apakah anda cuci tangan setelah 0 0
menyentuh sekitaran pasien
10
Bab 1. Membuat Kuesioner
Update: 05 November, 2016
4 Apakah anda cuci tangan setelah terpapar cairan dari pasien. Katagori Ordinal
5 Apakah anda cuci tangan setelah menyentuh sekitaran pasien Katagori Ordinal
Formula menentukan nilai prosentase=x/n x 100%. Dimana x adalah hasil pengamatan dan n
adalah jumlah sampel. Contoh data laki-laki ada 10, jumlah sampel 20, maka cara hitung adalah:
10/20 x %=50%.
1 Laki-laki 10 50%
2 Perempuan 10 50%
Total 20 100%
1 SPK 5 25 %
2 D3 7 35 %
3 S1 5 25 %
4 S2 3 15 %
Total 20 100%
11
Bab 1. Membuat Kuesioner
Update: 05 November, 2016
Tabel no 1.4 Tabulasi silang Data Jenis Kelamin dan Pendidikan
SPK D3 S1 S2 Total
Laki-laki 3 3 2 2 10
Perempuan 2 4 3 1 10
Total 5 7 5 3 20
Contoh:
Hasil Total
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
pengamatan x
Total
jawaban per 14 20 14 21 17 16 15 22 14 18 171
responden
12
Bab 1. Membuat Kuesioner
Update: 05 November, 2016
Contoh perhitungan:
Hasil
Sampel pengamatan (A-B) (A-B)x(A-B)
A B C D
x1 14 17.1 -3.1 9,61
x2 20 17.1 2.9 8,41
x3 14 17.1 -3.1 9,61
x4 21 17.1 3.9 15,21
x5 17 17.1 -0.1 0,01
x6 16 17.1 -1.1 1,21
x7 15 17.1 -2.1 4,41
x8 22 17.1 4.9 24,01
x9 14 17.1 -3.1 9,61
x10 18 17.1 0.9 0,81
171 82,9
82,9
Varian=10−1=9,21
13
Bab 1. Membuat Kuesioner
Update: 05 November, 2016
Bila nilai rata-rata tersebut diatas dijadikan patokan penentuan kategori kepatuhan, maka bila skor
kepatuhan kurang dari 14 termasuk kategori kepatuhan kurang, dan bila skor kepatuhan diatas 15
termasuk kategori kepatuhan baik.
Total 10 100 %
6. Tugas
1. Tentukan jenis data pengukuran dari masing-masing data diatas.
2. Buatlah tabel distribusi frekwensi secara manual bedasarkan tingkat pendidikan, jenis
kelamin, kategori umur, dan kategori pengalaman kerja.
3. Berapa nilai rata-rata umur dan pengalaman kerja?
4. Berapa nilai varian umur dan pengalaman kerja?
5. Tentukan dua kategori umur: 1. Mulai umur terendah sampai dengan umur dibawah rata-
rata. Dan 2. Mulai umur diatas rata-rata sampai dengan umur tertinggi.
14
Bab 1. Membuat Kuesioner
Update: 05 November, 2016
6. Tentukan dua kategori pengalaman kerja: 1. Mulai pengalaman kerja terendah sampai
dengan pengalaman kerja dibawah rata-rata. 2. Mulai pengalaman kerja diatas rata-rata
sampai dengan pengalaman kerja tertinggi.
15
Bab 1. Membuat Kuesioner
Update: 05 November, 2016
Membuat Kode Data dan Variable View
Oleh: Sobur Setiaman
Tujuan pembelajaran:
1. Menetukan kode data dari masing masing data yang terkumpul dari hasil lembaran jawaban
kuesioner.
2. Merancang variable view di SPSS.
3. Memasukan data-data pada data view di SPSS.
4. Merubah data numerik menjadi kategorikal.
Tabel no 2.1 merupakan hasil pengumpulan data yang dilakukan kepala perawat tentang kepatuhan
cuci tangan pada perawat diruang pelayanan keperawatan.
Jenis Pengalaman
No Umur Pendidikan Q1 Q2 Q3 Q4 Q5
Kelamin kerja
1 L 22 SPK 2 3 3 4 3 3
2 P 25 D3 5 4 3 5 4 4
3 L 34 S1 14 3 3 3 3 3
4 P 43 S1 23 4 3 4 5 5
5 L 35 D3 15 3 3 5 4 3
6 P 42 SPK 22 4 3 3 2 4
7 P 43 SPK 23 3 2 4 3 3
8 L 23 D3 3 4 4 5 4 5
9 L 26 S1 6 3 3 3 3 3
10 P 30 S2 10 4 4 4 3 3
11 P 25 D3 5 4 3 5 4 4
12 L 34 S1 14 3 3 3 3 3
13 P 43 S1 23 4 3 4 5 5
14 L 35 D3 15 3 3 5 4 3
1
15 P 42 SPK 22 4 3 3 2 4
16 P 43 SPK 23 3 2 4 3 3
17 P 25 D3 5 4 3 5 4 4
18 L 34 S1 14 3 3 3 3 3
19 P 43 S1 23 4 3 4 5 5
20 L 35 D3 15 3 3 5 4 3
21 P 42 SPK 22 4 3 3 2 4
22 P 43 SPK 23 3 2 4 3 3
23 P 43 SPK 23 3 2 4 3 3
24 L 23 D3 3 4 4 5 4 5
25 L 26 S1 6 3 3 3 3 3
26 P 30 S2 10 4 4 4 3 3
27 P 25 D3 5 4 3 5 4 4
28 L 34 S1 14 3 3 3 3 3
29 P 43 S1 23 4 3 4 5 5
30 L 35 D3 15 3 3 5 4 3
Data pada tabel no 2.1 perlu dimasukan ke program SPSS, untuk memudahkan melakukan analisis
data secara otomatis seperti yang di bahas pada bab 1.
Sebelum data dimasukan ke dalam program SPSS, masing-masing variable data harus diberi kode
dalam bentuk angka/numeric. Data dalam bentuk abjad atau hurup/string, sulit untuk dilakukan
analisis data.
Data varibel kategori jenis kelamin di konversi dalam angka, 1=Laki-laki 2=Perempuan. Data
variabel pendidikan di konversi dalam angka, 1=SPK, 2=D3, 3=S1, 4=S2. Data variabel masing-
masing pertanynaan kepatuhan di konversi dalam angka, 1=Tidak pernah, 2=pernah, 3=Netral,
4=Kadang-kadang, 5=Selalu.
2
Tabel no 2.2 KODE KUESIONER KEPATUHAN CUCI TANGAN PADA PERAWAT
DATA RESPONDEN
1=Laki-laki
1 Jenis Kelamin 2=Perempuan Numeric Nominal
3
Merancang Data SPSS
Sebelum merancang data SPSS, terlebih dahulu computer atau laptop anda sudah terpasang
program SPSS. Setelah program SPSS terbuka, maka penampilannya harus seperti di bawah ini.
Gambar no 2.1
4
Gambar no 2.2
1. Tujuanya adalah menyediakan format data view yang akan di isi data hasil pengumpulan.
2. Setelah layar SPSS terbuka, lihat data view harus masih kosong.
3. Setelah itu tekan tombol Variable view.
4. Pada kolom name. Ketik nama variabel (variable name) sesuai dengan Buku Kode SPSS
pada table no 2.2.
5
a. Kelamin=Jenis kelamin,
b. Umur,
c. Pendidikan=Tingkat Pendidikan,
d. Pengalaman=Pengalaman kerja,
e. Q1= Cuci tangan sebelum merawat pasien,
f. Q2= cuci tangan sebelum dan sesudah melakukan prosedur keperawatan,
g. Q3= cuci tangan setelah merawat pasien,
h. Q4= cuci tangan setelah terpapar cairan dari pasien,
i. Q5= cuci tangan setelah menyentuh sekitaran pasien,
5. Pada kolom type, pilih numeric. Karena data yg akan dimasukan data namerik/angka.
6. Pada kolom width, masukan angka 1 bila lebar angka yang akan dimasukan satu digit.
7. Pada kolom decimal, masukan angka 0 artinya tanpa decimal.
8. Pada Kolom label:
a. Ketik nama label sebagai berikut: pada variable Kelamin = Jenis kelamin, variable
Umur=Umur, variable Pendidikan=Tingkat Pendidikan, variable
Pengalaman=Pengalaman kerja.
b. Ketik nama label sebagai berikit pada variable Q1=Cuci tangan sebelum merawat
pasien, variable Q2=cuci tangan sebelum dan sesudah melakukan prosedur
keperawatan, variable Q3=cuci tangan setelah merawat pasien, variable Q4= cuci
tangan setelah terpapar cairan dari pasien, variable Q5= cuci tangan setelah
menyentuh sekitaran pasien.
c. Kolom label. Lengkapi nama label data dan measure sesuai dengan Buku Kode SPSS
pada table no 2.2.
9. Pada kolom Value:
a. Pada variable jenis kelamin, tekan Value, dan di isi datanya sebagai berikut: 1=Laki-
laki, 2=Perempuan.
b. Pada variable Pendidikan, tekan Value, dan di isi datanya sebagai berikut: 1=SPK,
2=D3, 3=S1, 4=S2.
c. Pada variable Q1, Q2, Q3, Q4, Q5, Q6, Q7, Q8, Q9, Q10, tekan value dan isi datanya sebagai
berikut: 1=Tidak pernah, 2=pernah, 3=Netral, 4=Kadang-kadang, 5=Selalu.
10. Pada kolom Missing dan Column, tidak usah di isi/tinggalkan.
6
11. Pada kolom measure: untuk umur dan pengalaman kerja pilih .
Gambar 2.3
7
Gambar 2.4
Gambar 2.5
8
9
Gambar 2.6
Setelah varibel view di design, buka data view, dan siap di isi datanya.
Gambar 2.7
10
Hasil data yang sudah masuk dapat di lihat di data view, tampilan data sebagai berikut;
Gambar 2.8
11
Tampilan data dengan nilainya tekan view, tekan value label.
Gambar 2.9
12
Tahapan Penjumlahan Data variable Q1 sampai dengan Q5
1. Tujuannya adalah melakukan penjumlahan angka yang di dapat dari variabel Q1 sampai
dengan variabel Q5.
2. Tekan menu transform, lalu pilih compute variable.
13
3. Masukan di box expression: Q1+Q2+Q3+Q4+Q5.
4. Beri nama target variable: Patuh. Lalu OK.
14
Lihat hasil penjumlahan variable Q1 s/d Q5 di variable Patuh pada data view. Gambar 2.11
15
Menentukan nilai rata-rata skor Variable Patuh:
1. Tujuannya adalah untuk mengetahui nilai rata-rata, data minimal, data maksimal dan
standar deviasi dari variabel patuh.
2. Tekan menu analyze, Pilih descriptive statistics, Pilih Descriptive,
3. Pilih variable patuh, lalu ok.
4. Hasil, lihat di data output.
Gambar 2.12
16
Tabel 2.2
Descriptive Statistics
Valid N (listwise) 30
17
Konversi data Numerik ke Data kategori Kepatuhan
1. Tujuannya adalah untuk merubah bentuk data numerik ke bentuk data kategorik pada
variable Patuh berdasarkan nilai rata-rata yang di dapat.
2. Buat dua kategori: 1. Nilai data antara 15 s/d 17; 2. Data antara 18 s/d 22.
3. Tekan transform, pilih recode into different variable.
4. Masukan variable patuh, di kotak numeric variable.
5. Tekan old and new values:
18
19
20
Hasil analisis deskriptif frekwensi variable K_patuh:
21
Uji Kuesioner Sikap dan Kepatuhan Cuci Tangan pada
Perawat
Oleh: Sobur Setiaman
Qatar Petroleum, Doha, Qatar.
Tujuan:
Setelah mempelajari bab ini, anda harus mampu melakukan uji kuesioner baik dengan uji
reliabilitas maupun uji validitas.
Pendahuluan
Kuesioner merupakan salah satu instrumen penelitian sangat diperlukan dalam pengumpulan data,
data yang dikumpulkan dilakukan dengan cara menyusun daftar pertanyaan-pertanyaan. Dengan
kuesioner dapat membantu peneliti mengumpulkan informasi dari responden tentang pengetahuan,
sikap, pendapat, perlaku, fakta-fakta dan informasi lainya.
Kuesioner merupakan salah satu instrument penelitian, maka sebelum di gunakan harus dipastikan
bahwa instrument ini valid dan reliabilitas nya.
Validitas diperlukan untuk melihat ada tidaknya pertanyaan yang tidak sesuai dengan
tujuan penelitian (error measurement).
Reliabilitas berasal dari kata reliability. Reliability (reliabilitas) adalah keajegan
pengukuran (Walizer, 1987). Reliabilitas megindikasikan akurasi/accuracy dan
ketepatan/precisions alat ukur (Norland, 1990).
1
Uji Validitas
Kuesioner merupakan salah satu instrument penelitian, maka sebelum di gunakan harus dipastikan
bahwa instrument ini valid. Validitas diperlukan untuk melihat ada tidaknya pertanyaan yang tidak
sesuai dengan tujuan penelitian (error measurement).
Validitas berasal dari kata validity yang mempunyai arti sejauh mana ketepatan dan kecermatan
suatu alat ukur dalam melakukam fungsi ukurannya (Azwar 1986). Selain itu validitas adalah suatu
ukuran yang menunjukkan bahwa variabel yang diukur memang benar-benar variabel yang hendak
diteliti oleh peneliti (Cooper dan Schindler, dalam Zulganef, 2006).
Menurut Sugiharto dan Sitinjak (2006), validitas berhubungan dengan suatu peubah mengukur apa
yang seharusnya diukur. Uji validitas adalah uji yang digunakan untuk menunjukkan sejauh mana
alat ukur yang digunakan dalam suatu mengukur apa yang diukur.
Menurut Ghozali (2009) menyatakan bahwa uji validitas digunakan untuk mengukur sah, atau
valid tidaknya suatu kuesioner. Suatu kuesioner dikatakan valid jika pertanyaan pada kuesioner
mampu untuk mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut.
Suatu alat test dapat dikatakan memiliki validitas yang tinggi jika ala test tersebut menjalankan
fungsi ukurnya, atau memberikan hasil ukur yang tepat dan akurat sesuai dengan maksud
dikenakannya test tersebut. Suatu tes menghasilkan data yang tidak relevan dengan tujuan
diadakannya pengukuran dikatakan sebagai tes yang memiliki validitas rendah.
Sisi lain dari pengertian validitas adalah aspek kecermatan pengukuran. Suatu alat ukur yang valid
dapat menjalankan fungsi ukurnya dengan tepat, juga memiliki kecermatan tinggi. Arti kecermatan
disini adalah dapat mendeteksi perbedaan-perbedaan kecil yang ada pada atribut yang diukurnya.
Validitas kuesioner dapat dilakukan dengan cara mendapatkan pendapat dari para ahli atau
dilakukan pengukuran secara statistik.
2
Seperti apa bentuk validitas kuesioner, bisa dilihat dari isi/content, construct/kontruksi,
criterion/kriteria dan face/bentuk kuesioner apakah sesuai dengan tujuan daripada penelitian
tersebut.
1. (Content): Isi kuesioner dapat menjawab tujuan penelitian.
2. (Construct): bangunan kuesioner menggambarkan suatu kenyataan yang sedang di
teliti. Kadang kala bangunan kuesioner memerlukan pendapat para ahli.
3. (Criterion): kriteria kuesioner sesuai dengan kerangka teori.
4. (Face): bentuk kuesioner bisa mengukur objek yang di teliti.
Dalam pengujian validitas kuesioner scara statistik, dibedakan menjadi 2, yaitu validitas faktor
dan validitas item:
1. Validitas faktor diukur bila item yang disusun menggunakan lebih dari satu faktor
(antara faktor satu dengan yang lain ada kesamaan atau tidak). Pengukuran validitas
faktor ini dengan cara mengkorelasikan antara skor faktor (penjumlahan item-item
pertanyaan ke dalam satu faktor, dimana skor total faktor total keseluruhan faktor).
2. Validitas item ditunjukkan dengan adanya korelasi atau dukungan antara satu item
terhadap item total (skor total), perhitungan dilakukan dengan cara mengkorelasikan
antara skor item dengan skor total item.
Metoda pengujian validitas item kuesioner yang umum digunakan adalah dengan korelasi
Bivariate Pearson (Produk Momen Pearson). Dari hasil perhitungan korelasi akan didapat suatu
koefisien korelasi (r) yang digunakan untuk mengukur tingkat validitas suatu item dan untuk
menentukan apakah suatu item layak digunakan atau tidak. Kelayakan hasil uji koefisien korelasi
lebih dari 0,5 artinya suatu item dianggap valid jika berkorelasi terhadap skor total. Uji validitas
item bisa juga digunakan dengan menggunakan uji Matrix korelasi.
3
Langkah-langkah dalam pengujian validitas dengan korelasi Bivariate Pearson ini yaitu :
Tujuan: ingin menguji sepuluh butir pertanyaan tentang sikap perawat terhadap praktek cuci
tangan.
Langkah-langkahnya:
1. Masukan data-data 10 pertanyaan tersebut ke dalam SPSS dengan masing masing
punya kode pertanyaan misal nya mejadi variabel S1, S2, S3, s4, S5, S6, S7 S8, S9,
S10.
2. Buat skor total masing-masing variabel dengan nama variabel STotal (Total skor=
S1+S2+S3+s4+S5+S6+S7+S8+S9+S10).
3. Klik Analyze -> Correlate -> Bivariate
4. Masukan seluruh item variabel (variabel S1 sampai s10 dan S_total )ke dalam kotak
Variables
5. Check list Pearson ; Two Tailed ; Flag
6. Klik Ok
4
Tabel rangkuman hasil uji validitas dengan uji korelasi bivariate Pearson adalah sebagai
berikut:
Dari tabel diatas dapat dijelaskan bahwa masing-masing item pertanyaan memiliki nilai r
hitung diatas 0.5 (>50%) artinya bahwa item-item tersebut diatas valid.
5
Rumus Korelasi Product Moment :
Rangkuman hasil uji validitas dengan Matrix Correlation adalah sebagai berikut:
Uji Reliabilitas
Kuesioner merupakan salah satu instrument penelitian, maka sebelum di gunakan harus dipastikan
bahwa instrument ini reliabel. Reliabilitas berasal dari kata reliability. Reliability (reliabilitas)
6
adalah keajegan pengukuran (Walizer, 1987). Reliabilitas megindikasikan akurasi/accuracy dan
ketepatan/precisions alat ukur (Norland, 1990).
Sugiharto dan Sitinjak (2006) menyatakan bahwa reliabilitas menunjuk pada suatu pengertian
bahwa instrumen yang digunakan dalam penelitian untuk memperoleh informasi yang digunakan
dapat dipercaya sebagai alat pengumpulan data dan mampu mengungkap informasi yang
sebenarnya dilapangan. Ghozali (2009) menyatakan bahwa reliabilitas adalah alat untuk mengukur
suatu kuesioner yang merupakan indikator dari peubah atau konstruksi.
Suatu kuesioner dikatakan reliabel atau handal jika jawaban seseorang terhadap pernyataan adalah
konsisten atau stabil dari waktu ke waktu. Reliabilitas suatu test merujuk pada:
1. Derajat stabilitas (stability) di uji dengan cara Test-retest Reliability (or Stability)
2. Konsistensi (consistency di uji dengan cara Internal Consistency Reliability or
Homogeneity) yaitu dengan cara:
a. Split-half reliability index
b. Coefficient alpha index
3. Daya prediksi (predict)
4. Akurasi (accuracy)
Tinggi rendahnya reliabilitas, secara empirik ditunjukan oleh suatu angka yang disebut nilai
reliability co-efficiency. (Reliability co-efficiency) atau koefiseisn reliabilitas yang tinggi
ditunjukan dengan nilai “r” mendekati angka 1. Kesepakatan secara umum reliabilitas yang
dianggap sudah cukup memuaskan jika ≥ 0.70 (70%). Pengujian reliabilitas instrumen dengan
menggunakan rumus Alpha Cronbach pada instrumen penelitian yang berbentuk angket dan skala
bertingkat akan menggambarkan reliabilitas konsistensi internal (internal-consistency coefficient
reliability). Jumlah sampel yang akan diuji Alpha Cronbach memerlukan antara 20 sampai dengan
30 sampe sebab jumlah sampl kurang dari 10 sampel, nilai Alpha Cronbach akan rendah.
7
Rumus Alpha Cronbach sevagai berikut :
Langkah pengujian reliabilitas kuesioner sikap perawat terhadap cuci tangan dengan SPSS
:
Klik Analyze -> Scale -> Reliability Analysis
1. Masukan seluruh item variabel X ke Items
2. Pastikan pada model terpilih Alpha
3. Pastikan pada menu Statistic: terpilih item, scale, and scale if item deleted.
4. Klik Ok
8
Reliability Statistics Nilai Cronbach Alpha sebesar 0.894 yang
Cronbach's N of Items menunjukan bahwa ke-10 pernyataan cukup
Alpha reliabel.
.894 10
Item Statistics
9
Item-Total Statistics
Item Scale Mean if Scale Variance Corrected Item-Total Cronbach's Alpha if Item
Item Deleted if Item Deleted Correlation Deleted
Dari item total statistics menunjukan masing-masing item pertanyaan memiliki hasil uji
Cronbach’s Alpha, lihat pada kolom Cronbach’s Alpha if item deleted.
10
Statistik Analysis Deskriptif
Oleh Sobur Setiaman
A. Tujuan:
Setelah mempelajari bab ini, anda bisa menjelaskan dan melakukan statistik deskriptif secara
mendasar yaitu:
Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian
suatu gugus data sehingga memberikan informasi yang berguna. Contoh statistika deskriptif yang
sering muncul adalah, tabel, diagram, grafik, dan besaran-besaran lain di majalah dan koran-koran.
Sebelum melakukan deskripsi statistik, harus kita ketahui dulu jenis data yang akan di-olah:
1. Data kategorik dalam bentuk skala ordinal atau nominal. Skala ordinal dimana data
memiliki tingkatan atau derajat sedangkan contohnya data pendidikan, dan skala nominal
adalah bentuk data yang memiliki makna tanpa tingkatan atau derajat contohnya jenis
kelamin, warna, atau rasa. Jenis data kategorik di olah dalam bentuk analisa distribusi
frekwensi.
1
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
2. Data numerik dalam bentuk skala interval atau skala kontinus, bila dikalkulasi dapat
menyajikan informasi nilai tengan, sebaran dan simpangan data.
1. Distribusi frekwensi meningkat dari bawah (Cfb) yakni jika menjumlahkan frekuensi
diawali dari nilai paling rendah.
2. Distribusi frekwensi meningkat dari atas (Cfa) jika menjumlahkan frekuensi dimulai dari
nilai tertinggi.
2
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Menetapkan jumlah interval berdasarkan rumus H.A Sturgess: K = 1 + 3,322 log N
Kita buka data Kepatuhan cuci tangan di program SPSS yang sudah di buat di Bab2. Data
distribusi frekwensi hanya bisa dilakukan terhadap data jenis nominal dan ordinal. Dari data
tersebut, kita ingin mengetahui berapa distribusi frekwensi data-data dibawah:
3
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Gambar 3.1
Gambar 3.2
4
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Gambar 3.3
Jenis Kelamin
Uraian Frequency Percent Valid Percent Cumulative Percent
Laki-laki 13 43.3 43.3 43.3
Perempuan 17 56.7 56.7 100.0
Total 30 100.0 100.0
Tingkat Pendidikan
Uraian Frequency Percent Valid Percent Cumulative Percent
SPK 8 26.7 26.7 26.7
D3 10 33.3 33.3 60.0
S1 10 33.3 33.3 93.3
S2 2 6.7 6.7 100.0
Total 30 100.0 100.0
5
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Cara membuat distribusi frekwensi bertingkat/interval dengan SPSS:
1. Dilakukan pada variable ber skala interval atau kontinyu. Contoh umur dan pengalaman
kerja.
2. Lakukan analisa normalitas data:
a. bila data berdistribusi normal maka cut of point menggun akan nilai mean.
b. bila data tidak berdistribusi normal maka cut of point menggunakan median.
3. Lakukan analisis deskriptif pada variable umur dan variabel pengalaman kerja, untuk
mencari nilai rata-rata, dan nilai median.
4. Lakukan tranformasi data dengan menggunakan nilai rata-rata dalam bentuk dua kategori
umum:
a. Pilih menu Transform
b. Pilih Recode into different variable.
c. Masukan variable umur kedalam kotak numeric variable.
d. Tekan old and new values.
e. Masukan angka 34 di range LOWEST through value, lalu di beri value 1, dan
Add sampai masuk ke dalam kotak.
f. Masukan angka 34 di range value through HIGHEST, lalu diberi value 2, dan
Add sampai masuk ke dalam kotak. Lalu tekan continue.
g. Beri nama di out variable: K_Umur. Dan label: Kategori Umur, lalu tekan OK.
h. lihat hasilnya akan muncul variabel baru yaitu k_umur.
i. Buka variable view, dan edit value variable k_patuh, tekan value label:
i. value 0 untuk umur 19-27 thn,
ii. value 1 untuk umur 27-44 thn,
iii. Tekan OK.
j. Lakukan analysis distribusi frekwensi pada variabel kategori umur, hasilnya
lihat di out put
6
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Gambar 3.4 Uji normalitas data
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
7
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Descriptives
Median 28.00
Variance 37.586
Minimum 19
Maximum 48
Range 29
Interquartile Range 8
Median 4.00
Variance 25.505
Minimum 1
Maximum 22
Range 21
Interquartile Range 7
8
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Gambar 3.5 Gambar 3.6
9
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Gambar 3.9
10
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Gambar 3.10
Kategori Umur
Dalam aktivitas pengamatan, penelitian atau observasi tidak jarang dijumpai data yang berhasil
dihimpun tidak sama atau berbeda antara satu dengan yang lainnya. Dengan kata lain distribusi
data yang tersusun ada kemungkinan akan memperlihatkan karakteristik data yang relatif homogen
atau heterogen, maka Salah satu tugas statistik adalah menentukan suatu angka di sekitar mana
nilai-nilai dalam distribusi memusat. Angka/ nilai yang menjadi pusat suatu distribusi selanjutnya
disebut tendensi sentral.
Ada 3 jenis pengukuran tendensi sentral yang sangat penting yaitu; Mean, Median dan Mode/
modus:
Mean diterapkan dengan tujuan untuk menentukan angka/ nilai rata-rata dan secara aritmatik
ditentukan dengan cara menjumlah seluruh nilai dibagi banyaknya individu. Pengukuran rata-rata
11
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
dapat diterapkan dengan asumsi bahwa data yang diperoleh dari hasil pengukuran berskala interval
dan rasio.
∑𝑋
Rumus Mean: = 𝑛
Median adalah nilai yang membagi distribusi menjadi 2 bagian yang sama yakni 50 persen, 50
persen. Harga median bisa ditentukan dengan beberapa formulasi tergantung pada kasus yang
dihadapi. Rumus Median=(n+1):2
Contoh diatas: Median=(4+1):2=5:2=2,5 maka urutan ke 2,5 adalah median yaitu 4,5
Modus didefinisikan sebagai nilai yang paling sering muncul atau nilai yang memiliki frekuensi
paling banyak. Satu hal yang perlu diingat bahwa modus adalah persoalan nilai bukannya
frekuensi. Frekuensi hanya menunjuk intensitas kemunculan sesuatu nilai. Pada data tunggal
menentukan mode/modus hanya dengan memperhatikan nilai yang memiliki frekuensi terbanyak
maka dapat diidentifikasi nilai modus/mode dari distribusi data.
Deviasi standar
Dalam statistika dan probabilitas, simpangan baku atau deviasi standar adalah ukuran sebaran
statistik yang paling lazim. Singkatnya, ia mengukur bagaimana nilai-nilai data tersebar. Bisa juga
didefinisikan sebagai, rata-rata jarak penyimpangan titik-titik data diukur dari nilai rata-rata data
tersebut.
Simpangan baku didefinisikan sebagai akar kuadrat varians. Simpangan baku merupakan bilangan
tak-negatif, dan memiliki satuan yang sama dengan data. Misalnya jika suatu data diukur dalam
12
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
satuan meter, maka simpangan baku juga diukur dalam meter pula. Istilah simpangan baku pertama
kali diperkenakan oleh Karl Pearson pada tahun 1894, dalam bukunya On the dissection of
asymmetrical frequency curves.
Ada dua jenis simpang baku yaitu: standard deviasi dan varian.
Yang termasuk Tendensi sentral dan simpang baku adalah: Rata-rata, range, persentil, simpang
baku dan varian data. Dengan program SPSS, dapat dengan mudah menghasilkan nilai central
tendensi. Jenis data yang bisa dilakukan pengukuran central tendensi adalah jenis data berskala
interval dan kontinyu.
13
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Standard Deviation atau deviasi standar adalah akar dari nilai varian. SD digunakan untuk
mengukur dispersi atau sebaran data.
Pengukuran sebaran data dilihat dari rasio Skewness di bagi standard error dan rasio kurtosis
dibagi standard error pada umur adalah sebagai berikut:
Simetrikal sebaran data berdasarkan Z-Skewness = -0,172:0,427=0,402 (simetris)
Keruncingan sebaran data berdasarkan Z-Kurtosis = -1,501:0,833=1,801(tidak runcing)
Contoh yang termasuk data interval atau komtinyu pada data yang sudah disimpan di SPSS adalah:
1. Variable umur.
2. Variabel pengalaman kerja.
3. Variabel total nilai kepatuhan (hasil penjumlahan variabel Q1 sampai dengan variabiel
Q5). Cara menjumlah variable Q1 sampai dengan Q5 sudah di ajarkan di bab 2.
14
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Gambar no 3.12
Gambar 3.13
15
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Gambar 3.14
Descriptive Statistics
Pengalaman Kerja 30 21 2 23 14.20 1.403 7.685 59.062 -.172 .427 -1.501 .833
16
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
InterQuartile (IQ): Ketika ditemukan suatu sebaran data yang ekstrim pada posisi outlier, maka
olahan data menggunakan nilai median, sedangkan untuk mengetahui variabilitas sebaran
datanya digunakan hitungan interQuartile. InterQuartile akan menggambarkan sebaran data.
Dengan adanya nila IQ akan mudah membuat boxplot, maka pada box Whisker plot akan terliat
ada tidak nya sebaran data outlier.
Sebelum mengetahui interquartile terlebih dahulu kita lihat Quartile yang terdiri dari Q1,
Q2 dan Q3.
Jumlah n=10
Q2=10+1/2=11/2=5,5 lihat urutan 5,5 yaitu antara 70 dan 72, maka 72+70/2=71 sebagai
median.
Minimum: 62
Q1: 64
Median: 71
Q3: 77
Maximum: 81
17
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Sedangkan box plot metoda Tukey Fences adalah sebagai berikut:
Maka menurut metoda Tukey Fences, rangeIQ tekanan darah diatas adalah
18
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Ringkasan Framingham Cohort
Tukey Method
Characteristic Minimum Maximum Lower Upper
Limit1 Limit2
Systolic Blood Pressure 105 141 92 148
Diastolic Blood Pressure 62 81 44.5 96.5
19
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Total Serum Cholesterol 150 275 67 323
Weight 138 235 68.5 288.5
Height 60.75 72.00 52.5 80.5
Body Mass Index 22.8 31.9 17.85 36.65
Pada grafik data yang bisa ditampilkan adalah dalam bentuk Grafik Chart, histogram dan
boxplot.
20
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
21
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
22
Bab 4. Statistik Deskriptif
Update: 19 April, 2017
Tabulasi Data Silang dan Uji Kai Kuadrat
Oleh: Sobur Setiaman
Tujuan pembelajaran:
Pengertian
Tabulasi silang merupakan metoda analisis dua varibel yang memiliki karakter kategori data, yaitu
data dalam bentuk nominal, ordinal, serta kombinasi diantaranya.
Uji Kai Kuadrat adalah pengujian hipotesis mengenai independensi frekuensi yang di observasi /
yang benar-benar terjadi/aktual dengan frekuensi harapan/ekspektasi.
Frekuensi observasi memiliki nilainya didapat dari hasil pengamatan atau observasi (oi) sedangkan
frekuensi harapan atau ekspektasi memiliki nilainya dapat dihitung secara teoritis (ei).
1
Bab 5. Tabulasi data silang
Update: 19 April, 2017
Tujuan uji kai kuadrat:
1. Mengetahui sebaran variabel data apakah homogenitas (homogeneity test with Good for
fitness test).
2. Menguji independensi dua variabel kategorik, apakah signifikan (independency test).
3. Mengukur kuatnya hubungan antara variabel yang satu dengan variabel nominal lainnya
(C = Coefficient of contingency).
1. Assumsi #1: memiliki dua varaibel data yang berskala ordinal atau nominal level (jenis
data kategorik).
2. Assumsi #2: variabel yang akan di analisa harus memiliki dua atau lebih kategori sebagai
variabel independent.
Contoh ingin mengetahui banyaknya jenis kelamin dengan tingkat pendidikan perawat, maka:
1. Jenis kelamin memiliki karakter data nominal yaitu jenis kelamin laki-laki dan perempuan.
2. Tingkat pendidikan memiliki karakter data ordinal (bentuk data berkategori dan
berjenjang).
1. Tentukan hypothesis.
2. Tentukan tingkat kemaknaan/significant level=5%
3. Hitung Degree of freedom, DF= (r-1)(c-1)
4. Hitung nilai expektasi: E=(c x r)n
5. Hitung kai kuadrat:
6. Bandingkan hasil hitung dengan table. rejected if C2 > table x2
2
Bab 5. Tabulasi data silang
Update: 19 April, 2017
Tingkat Pendidikan
Pendidikan Terakhir
Jenis Kelamin Total
D III S1 S2
Laki-Laki 30 7 5 42
Perempuan 60 24 8 92
90 31 13 134
(𝟎 − 𝑬)𝟐
0 E 0-E O-E2 𝑬
30 28.21 1.79 3.20 0.11
7 9.72 -2.72 7.40 0.76
5 4.07 0.93 0.86 0.21
60 61.79 -1.79 3.20 0.05
24 21.28 2.72 7.40 0.35
8 8.93 -0.93 0.86 0.10
1.58
Table x2= df 2 dg 5%= 5,991
Not significant
Degree of freedom= df=(3-1)(2-1)=2x1=2. At a 5% level of significance
3
Bab 5. Tabulasi data silang
Update: 19 April, 2017
4
Bab 5. Tabulasi data silang
Update: 19 April, 2017
Prosedur tabulasi silang dengan SPSS:
1. Tujuannya adalah mengolah dua variabel yang berkategorik data menjadi tabulasi silang.
2. Tekan analyze, pilih Descriptive statistics, pilih crosstab.
3. Masukan variabel Jenis kelamin di kotak Row.
4. Masukan varibel pendidikan terkahir di kotak column.
5. Tekan Cell.
6. Beri tanda Observed count.
7. Beri tanda Row, Column and total percentage.
8. Tekan continue, dan tekan Ok.
9. Lihat hasilnya di out put.
5
Bab 5. Tabulasi data silang
Update: 19 April, 2017
Jenis Kelamin * Pendidikan Terakhir Crosstabulation
Pendidikan Terakhir Total
D III S1 S2
Count 30 7 5 42
% within Jenis Kelamin 71.4% 16.7% 11.9% 100.0%
Laki-Laki
% within Pendidikan Terakhir 33.3% 22.6% 38.5% 31.3%
1. Tujuannya adalah menguji hubungan antara variabel X dan variabel Y, dimana kedua
variabel tersebut berjenis data berkategorik.
2. Tekan analyze, pilih Descriptive statistics, pilih crosstab.
3. Masukan variabel Jenis kelamin di kotak Row.
4. Masukan varibel pendidikan terkahir di kotak column.
5. Tekan Cell.
6. Beri tanda Observed count.
7. Beri tanda Row, Column and total percentage.
8. Tekan continue, dan tekan Statistics.
9. Beri tanda pada Chi-square.
10. Tekan continue dan tekan Ok.
11. Lihat hasilnya di out put.
6
Bab 5. Tabulasi data silang
Update: 19 April, 2017
Chi-Square Tests
Value df Asymp. Sig. (2-sided)
Pearson Chi-Square 1.578a 2 0.454
Likelihood Ratio 1.634 2 0.442
Linear-by-Linear Association .059 1 0.808
N of Valid Cases 134
a. 1 cells (16.7%) have expected count less than 5. The minimum expected
7
Bab 5. Tabulasi data silang
Update: 19 April, 2017
Kesimpulan
Tabel Uji Bivariat
Jenis Kelamin dengan Pendidikan Terakhir (n=134)
Pendidikan Terakhir
Total Df X2 Sig
D III S1 S2
Count 30 7 5 42
% within Jenis Kelamin 71.4% 16.7% 11.9% 100.0%
Laki-Laki % within Pendidikan
33.3% 22.6% 38.5% 31.3%
% of Total 22.4% 5.2% 3.7% 31.3%
Jenis
Kelamin Count 60 24 8 92
% within Jenis Kelamin 65.2% 26.1% 8.7% 100.0%
Perempuan 2 1.578 0,0454
% within Pendidikan
66.7% 77.4% 61.5% 68.7%
% of Total 44.8% 17.9% 6.0% 68.7%
Count 90 31 13 134
% within Jenis Kelamin 67.2% 23.1% 9.7% 100.0%
Total % within Pendidikan
100.0% 100.0% 100.0% 100.0%
% of Total 67.2% 23.1% 9.7% 100.0%
Hypothesis:
1. Alpha=0,05
2. Uji Pearson Chi square bisa digunakan, karena tidak ada cell yang berisi data kurang dari 5.
3. Hasil uji Pearson Chi Square: Asymp. Sig (2 side) menunjukan 0,454 > 0.05. (not significant).
4. Artinya 0,454>0,05 = tidak signifikan, Jenis kelamin tidak mempengaruhi distribusi tingkat
pendidikan.
8
Bab 5. Tabulasi data silang
Update: 19 April, 2017
Catatan:
1. “Likelihood ratio” bisa digunakan untuk melihat keadaan loglinear, tapi ini bisa kita
abaikan.
2. “Fisher’s Exact Text” digunakan bila dalam sell tidak berisi kurang dari pengamatan.
3. Pearson Chi-Square yang berisi cell kurang dari 5 pengamatan, hasil pengamatan akan jadi
bias atau tidak bisa dipercaya.
4. The “Linear-by-Linear Association” statistik digunakan bila kedua variabelnya adalah
ordinal.
5. Besarnya asosiasi bisa di uji dengan Phi atau Cramer V test, bila hasil kedua test tersebut
tidak mendekati angka satu, maka asosiasi dianggap lemah. (not close to 1, the relationship
is not very strong).
Chi Square adalah salah satu alat analisis yang paling sering digunakan pada statistik, dengan
tujuan untuk Uji Homogenitas, Uji Independensi dan Uji Goodness of Fit Test.
Uji Goodness of Fit Test pada prinsipnya bertujuan untuk mengetahui apakah sebuah distribusi
data dari sampel mengikuti sebuah distribusi teoritis tertentu ataukah tidak.
Pada faktanya “Goodness of Fit Test” digunakan untuk membandingkan dua distribusi data, yakni
yang teoritis (frekuensi harapan) dan yang sesuai kenyataan (frekuensi observasi). Uji ini hampir
sama dengan uji Binomial, hanya jika pada binomial hanya ada dua kemungkinan jawaban, pada
uji Goodness of Fit ada lebih dari dua kemungkinan.
Contohnya, ingin mengetahui apakah distribusi frekwensi jenis pendidikan perawat menunjukan
distribusi sama atau tidak (homogenity).
Buka file chi square2 SPSS. Bukan menu Analyze, pilih sub menu Nonparametric Test, lalu
pilihan chi square …
9
Bab 5. Tabulasi data silang
Update: 19 April, 2017
Pendidikan Terakhir Test Statistics
Observed N Expected N Residual Pendidikan
D III 90 44.7 45.3 Terakhir
S1 31 44.7 -13.7 Chi-Square 72.642a
S2 13 44.7 -31.7 df 2
Total 134 Asymp. Sig. .000
Observed Expected
0-E (0-E)2 (𝟎 − 𝑬)𝟐
N N
𝑬
D III 90 44.7 45.3 2052.09 45.91
S1 31 44.7 -13.7 187.69 4.20
S2 13 44.7 -31.7 1004.89 22.48
Total 134
72.59
Mean=134/3=44,7
Table x2= df 2 dg 5%= 5.99
Significant different
Analysis:
1. Dari tabel pendidikan terlihat bahwa pendidikan D3 ada 90 responden, S1 ada 31 dan S2 ada
13.
2. Dari tabel tabbel pendidikan menunjukan nilai EXPECTED, adalah nilai rata-rata dari jumlah
sample di bagi 3 kategori pendidikan yaitu 44,7
3. Nilai RESIDUAL menunjukan selisih nilai observed dengan nilai expected yang bervariasi.
10
Bab 5. Tabulasi data silang
Update: 19 April, 2017
Proses pengambilan keputusan:
a. HIPOTESIS:
Ho: p1=p2=p3=1/3
NB: Ho menyatakan seharusnya distribusi sampel responden mengikuti distribusi teoritis, yaitu
semua pendidikan sama merata atau homogenitas.
Keputusan:
11
Bab 5. Tabulasi data silang
Update: 19 April, 2017
12
Bab 5. Tabulasi data silang
Update: 19 April, 2017
13
Bab 5. Tabulasi data silang
Update: 19 April, 2017
Tambahan: Table 2 x 2 juga digunakan untuk menganalisis suatu sebab akibat, dan uji
panapisan (Screening Test).
Cohort Study
Cohort Study: membanding kejadian suatu penyakit dengan jenis paparan dalam waktu tertentu.
Bila kejadian sudah lampau maka disebut retrospective study, bila kejadian akan di amati yang
akan datang maka disebut prospective study.
Cohort Study is that the investigator identifies subjects at a point in time when they do not have
the outcome of interest and compares the incidence of the outcome of interest among groups of
exposed and unexposed (or less exposed) subjects.
Penelitian suatu kejadian bila kejadian sudah lampau maka disebut retrospective study, bila
kejadian akan di amanti yang akan datang maka disebut prospective study.
Misalnya:
1. CASES: Diketahui penderita peny paru paru, yang terpapar debu ada 42, yang tidak
terpapar debur 8, total penderita peny paru paru adalah 8+42=50
2. CONTROL: Diketahui yang sehat, terpapar debu ada 15, yang tidak terpapar debu ada 25,
total orang yang sehat adalah 25+15=40
14
Bab 5. Tabulasi data silang
Update: 19 April, 2017
Kedua kelompok tersebut diperlukan untuk menguji tingkat resiko paparan debu terhadap
timbulnya penyakit paru paru.
Penyakit paru-paru
Ya Tidak
Ya 42 15 57
Paparan debu
Tidak 8 25 33
50 40
Kejadian penyakit paru ada 50 kasus, dimana yang terpapar debu memiliki resiko terjadinya
penyakit paru-paru 3 kali daripada yang tidak terpapar debu.
Case Control
Case control atau Odds ratio: adalah suatu studi untuk melihat probabilitas suatu
kejadian/inciden akibat suatu paparan tertentu.
Odd ratio is a ratio of the probability of an event occurring to the probability of an event not
occurring among groups of exposed and unexposed (or less exposed) subjects.
Odds = P/(1-P)
15
Bab 5. Tabulasi data silang
Update: 19 April, 2017
Interpretation Odd ratio=OR:
Penyakit paru-paru
Ya Tidak
Ya 42 15 57
Paparan debu
Tidak 8 25 33
50 40
Atau:
Probabilitas kejadian penyakit paru-paru meningkat 8 kali pada penderita yang terpapar oleh debu.
Screening Diseases
Tanpa suatu penapisan, diagnosa penyakit hanya bisa dilakukan dengan melihat perkembangan
tanda dan gejala penyakit. Frekwensi suatu penyakit akan di mulai pada fase tanda dan gejala
maupun tanpa gejala yang bisa di diagnosa dengan melakukan penapisan diagnostik.
Uji validitas adalah tingkat kemampuan pemeriksaan diagnostik secara akurat pada penderita
maupun yang tidak menderita suatu penyakit, misal nya pemeriksaan Xray pada kasus penderita
dengan keluhan batuk batuk lebih dari 3 minggu. Nilai validitas bisa disebut true sensitive bila
16
Bab 5. Tabulasi data silang
Update: 19 April, 2017
hasil pemeriksaan menyatakan positif pada penderita, sedang nilai specific bila hasil pemeriksaan
pada orang sehat dinyantakan true negative.
Test validity is the ability of a screening test to accurately identify diseased and non-disease
individuals. An ideal screening test is exquisitely sensitive (high probability of detecting disease)
and extremely specific (high probability that those without the disease will screen negative).
However, there is rarely a clean distinction between "normal" and "abnormal."
Interpretasi:
17
Bab 5. Tabulasi data silang
Update: 19 April, 2017
Predictive Screening
Keberhasilan suatu penapisan (screening test) dengan alat diagnostik, harus mempertimbangkan
nilai prediktif positif dan nilai prediktif negatif dengan cara melakukan perhitungan kontingensi
table 2 x 2.
When evaluating the feasibility or the success of a screening program, one should also consider
the positive and negative predictive values. These are also computed from the same 2 x 2
contingency table, but the perspective is entirely different.
Interpretasi:
Prevalensi curiga penyakit paru-paru, 50 orang dari total populasi 90 orang, maka
prevalensi rate curiga peny paru-paru = 50/90= 0.556 = 55,6%
Prevalensi positif infeksi paru-paru: 42 orang dari sejumlah orang yang diperiksa 90
orang, maka prevalensi rate: 42/90=0.467=46,7%.
Predictive positive: orang sakit di diagnostik dengan Xray menunjukan 42 orang positive
pada 57 orang yang sakit, maka indikasi predictive positive = 42 / 57 = 0,767 = 76,6%.
Pada penderita keluhan batuk-batuk lebih dari 3 minggu, prediksi terdiagnosa infeksi paru
paru dengan pemeriksaan Xray di perkirakan 76,6%.
Predictive negative: orang sehat di diagnostik dengan Xray menunjukan negative
sebanyak 25 orang dari 33 orang yang sehat , maka indikasi preeictive ngative = 25 / 33
= 0,7576=75,76%. Pada orang sehat dilakukan pemeriksaan Xay di prediksi / di
perkirakan 75,76% bebas dari diagnosa infeksi paru-paru.
18
Bab 5. Tabulasi data silang
Update: 19 April, 2017
Uji Normalitas Data Pada Variabel Kontinyu
Pendahuluan
Distribusi data adalah gambaran bentuk dan luasnya sebaran data yang terkumpul. Bentuk
distribusi data mudah di lihat pada histogram grafik batang. Bentuk sebaran data bisa simetrik
atau tidak simetrik, sebaran distribusi data bisa berbentuk unimodal, bimodal, uniform. Umumnya
distribusi data di kelompokan dalam dua bentuk yaitu distribusi data normal dan tidak normal.
Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang paling banyak
digunakan dalam berbagai analisis statistika. Distribusi normal baku adalah distribusi normal yang
memiliki rata-rata nol dan simpangan baku satu. Distribusi ini juga dijuluki kurva lonceng (bell
curve) karena grafik fungsi kepekatan probabilitasnya mirip dengan bentuk lonceng. Distribusi
normal juga banyak digunakan dalam pengujian hipotesis mengasumsikan normalitas suatu data.
Karakteristik data distribusi normal adalah (1) memiliki bentuk simetrik terhadap nilai rata-rata,
(2) memiliki kemiringan/skew grafis seimbang antara kiri dan kanan, (3) memiliki
keruncingan/Kurtosis. Untuk mengetahui distribusi data, bisa dilakukan dengan pengujian
normalitas distribusi data dengan SPSS.
Uji distribusi normal atau uji normalitas data adalah alat uji untuk mengukur apakah data yang
terkumpul atau yang kita memiliki distribusi normal atau tidak, sehingga dapat dipakai dalam
statistik parametrik (statistik inferensial).
Distribusi Normal ditunjukan dengan gambaran kurva berbentuk bel, simetris, dan simetris
terhadap sumbu yang melalui nilai rata-rata.
1. Untuk mengetahui apakah data empirik yang kita dapatkan dari lapangan itu sesuai dengan
distribusi teoritik.
2. Untuk menentukan jenis distribusi data, apakah berdistribusi normal atau tidak.
3. Untuk menentukan jenis uji komparatif atau uji perbedaan, apakah dengan cara uji
parametrik atau uji non parametrik.
Untuk mengetahui bentuk distribusi data dapat digunakan grafik distribusi dan analisis statistik.
Penggunaan grafik distribusi merupakan cara yang paling gampang dan sederhana. Cara ini
dilakukan karena bentuk data yang terdistribusi secara normal akan mengikuti pola distribusi
normal di mana bentuk grafiknya mengikuti bentuk lonceng (atau bentuk gunung). Sedangkan
analisis statistik menggunakan analisis keruncingan dan kemencengan kurva dengan
menggunakan indikator keruncingan dan kemencengan.
Jika nilai ̅
X = Mo = Me, maka kecenderungan kurvanya akan terbentuk simetris (distribusi
normal),
̅ ≠ Mo ≠ Me, maka ada 2 (dua) kemungkinan yang dapat terjadi pada kurvanya,
Jika nilai X
bisa condong ke kiri (positif) atau bisa juga condong ke kanan (negatif) keadan ini disebut
distribusi tidak normal.
Kurtosis/keruncingan suatu kurva adalah derajat kepuncakan suatu distribusi, biasanya diambil
relatif terhadap distribusi normal. Ukuran keruncingan adalah suatu besaran yang digunakan
untuk menentukan apakah sekumpulan data derajat kepuncakan leptokutik (lancip), normal atau
platikurtik (tumpul). Tingkat keruncingan suatu kurva (kurtosis) memiliki 3 jenis, yaitu:
Prosedur:
Hasilnya:
Dari gambar tabel diatas diketahui:
Z score Skewness (derajat simetris) = 0,250 / 0,209 = 1,196 dan Z score Kurtosis (kemiringan) =
0.549 / 0,416 = 1,319 dengan Sig KS 0,00. Keduanya berada di antara interval -2 dan 2 termasuk
data berdistribusi tidak normal, maka dapat dilakukan pengujian perbedaan rata-rata dengan uji
non-parametrik.
Uji Independensi pada Data Interval Berpasangan
Oleh Sobur Setiaman
Tujuan:
Setelah mempelajari bab ini, anda harus mampu menguji dua sampel berpasangan:
Paired T Test
Tes t atau Uji t adalah uji statistik yang digunakan untuk menguji kebenaran atau kepalsuan
hipotesis nol.
Uji t pertama kali dikembangkan oleh William Seely Gosset pada 1915.Awalnya ia menggunakan
nama samaran Student, dan huruf t yang terdapat dalam istilah Uji “t “ dari huruf terakhir nama
beliau. Uji t disebut juga dengan nama Student t.
Uji T adalah alat analisis data untuk menguji satu populasi atau dua populasi dengan cara
membandingkan dua mean (rata-rata) untuk menentukan apakah perbedaan rata-rata tersebut
perbedaan nyata atau karena kebetulan.
Paired t-test (disebut pasangan-sampel t-test di SPSS) membandingkan sarana antara dua
kelompok yang terkait pada terus menerus, dimana variabel dependen yang sama. Misalnya,
apakah ada perbedaan rata-rata kepatuhan cuci tangan sebelum dan sesudah memeriksa pasien
pada perawat? (yaitu, variabel dependennya adalah "mencuci tangan", dan dua kelompok yang di
amati adalah kepatuhan cuci tangan "sebelum" dan "setelah" memeriksa pasien).
2,59−2,91 −0,320
t= = = −𝟐𝟔𝟏
0,001227 0,001227
Jika variabel dependen Anda dikotomis, sebaiknya menggunakan Uji McNemar. Namun, sebelum
kami perkenalkan prosedur ini, perlu dipahami asumsi yang berbeda bahwa data nya harus
memenuhi syarat agar hasil t-test dependent memberikan hasil yang valid.
o Assumsi #1: dependent variable diukur dengan skala continuous (interval or ratio
level). Misalnya ukuran berat badan dalam kg.
Tujuan: untuk menguji perbedaan rata-rata dua sampel berpasangan dimana kedua data tersebut
berdistribusi normal.
Contoh: apakah ada perbedaan rata-rata mencuci tangan sebelum dan sesudah memeriksa pasien
pada perawat?
Prosedur:
1. Siapkan variabel mencuci tangan sebelum memeriksa pasien dan variabel mencuci tangan
setelah memeriksa pasien.
a. Variabel independen: Sebelum periksa pasien..
b. Variabel depeden: Sesudah periksa pasien.
c. Hasil uji normalitas kedua variabel menunjukan berdistribusi normal.
2. Hipotesa:
a. Ho: Tidak ada perbedaan rata-rata kepatuhan mencuci tangan sebelum dan sesudah
memeriksa pasien.
b. Ha: Ada perbedaan rata-rata kepatuhan mencuci tangan sebelum dan sesudah
memeriksa pasien.
3. Alpha 5%.
4. Analyze, compare mean, Paired-sample T test.
5. Masukan variabel sebelum periksa pada kotak variabel 1.
6. Masukan variabel setelah periksa pada kotak variabel 2.
7. Tekan OK, lihat hasilnya pada out put.
8. Bila hasil T test menunjukan angka:
Nilai rata-rata kepatuhan cuci tangan sebelum memeriksa pasien menunjukan 2,59 dan setelah
memeriksa pasien menunjukan 2,91. Sedangkan hasil uji T test menunjukan nilai 0,002 (<0,05)
indikasi signifikan, maka dapat disimpulkan bahwa ada perbedaan rata-rata kepatuhan cuci
tangan sebelum dan sesudah memeriksa pasien pada perawat. Dengan kata lain bisa dikatakan
bahwa kepatuhan cuci tangan setelah memeriksa pasien lebih baik daripada sebelum memeriksa
pasien.
Wilcoxon Test (2 related sample test) untuk menguji dua kelompok yang berdata numerik.
Misalnya variabel nilai skor sikap terhadap nilai skor mencuci tangan dengan sabun.
Kriteria bila nilai significant Wilcoxon < 0,05 menunjukan significant different.
Prosedur:
1. Siapkan variabel skor sikap dan variabel skor kepatuhan cuci tangan dengan sabun.
a. Variabel independen: Skor sikap.
b. Variabel depeden: skor kepatuhan
c. Hasil uji normalitas kedua variabel menunjukan tidak berdistribusi normal.
2. Hipotesa:
a. Ho: Tidak ada perbedaan rata-rata kepatuhan pada berbagai jenis kelamin.
b. Ha: Ada perbedaan rata-rata kepatuhan pada berbagai jenis kelamin.
3. Alpha 5%.
4. Analyze, Nonparametric Test, Two-Related- samplest t test.
5. Masukan variabel dependant : skor patuh ke Kotak variable 1.
6. Masukan variabel independent : skor cuci tangan ke Kotak variable2.
7. Pilih type test: Wicoxon.
Pada modul ini akan di bahas dua jenis uji independensi yaitu:
Menguji independensi 2 sample variabel nominal dikotomi terhadap variabel kotinyu yaitu:
1. Uji T bila variabel kontinyu berdistribusi normal.
2. Uji Man Whitney U, bila variabel kontinyu tidak berdistribusi normal.
Menguji independensi 2 sample variabel ordinal atau nominal lebih dua kategori terhadap
variabel kontinyu yaitu:
3. Uji one way ANOVA, bila variabel kontinyu berdistribusi normal.
4. Uji Kurskal Wallis H, bila variabel kontinyu tidak berdistribusi normal.
T Test
Tes t atau Uji t adalah uji statistik yang digunakan untuk menguji kebenaran atau kepalsuan
hipotesis nol.
Uji t pertama kali dikembangkan oleh William Seely Gosset pada 1915.Awalnya ia menggunakan
nama samaran Student, dan huruf t yang terdapat dalam istilah Uji “t “ dari huruf terakhir nama
beliau. Uji t disebut juga dengan nama Student t.
Uji T adalah alat analisis data untuk menguji satu populasi atau dua populasi dengan cara
membandingkan dua mean (rata-rata) untuk menentukan apakah perbedaan rata-rata tersebut
perbedaan nyata atau karena kebetulan.
Tujuan:
1. Untuk menguji perbedaan rata-rata pada dua sampel independen dengan data dependen
berdistribusi normal.
2. Untuk menguji hubungan antara data nominal dengan data kontinyu.
Persyaratan:
1. Independen variabel berbentuk data nominal misalnya jenis kelamin.
1
2. Dependen variabel berbentuk data kontinyu dan berdistribusi normal misalnya data hasil
pengukuran kepatuhan cuci tangan.
3. Data dependen harus berdistibusi normal.
2
Contoh penghitungan dengan SPSS: Apakah ada perbedaan rata-rata kepatuhan cuci tangan pada
perawat laki-laki dan perempuan?
Prosedur:
1. Siapkan variabel jenis kelamin dan variabel kepatuhan.
a. Variabel independensi: jenis kelamin: berkategori dua saja.
b. Hasil uji normalitas variabel dependen: kepatuhan menunjukan berdistribusi
normal.
2. Hipotesa:
a. Ho: Tidak ada perbedaan rata-rata kepatuhan pada berbagai jenis kelamin.
b. Ha: Ada perbedaan rata-rata kepatuhan pada berbagai jenis kelamin.
3. Alpha 5%.
4. Analyze, Compare mean, Independent samplest t test.
5. Masukan variabel patuh ke Kotak test variable.
6. Masukan variabel jenis kelamin ke Kotak Group Variable.
3
7. Tekan define groups. Karena jenis kelamin hanya dua group yaitu laki-laki dan
perempuan, maka di kotak group 1 ketiklah angka 1, dan di kotak group 2, ketik angka 2.
8. Tekan continue, dan tekan OK. Lihat out put.
9. Bila hasil signifikan pada Levene’s Test for equality of variance menunjukan angka:
a. Kurang dari 0,05 = kedua variance tidak sama (Equal variances not assumed) / not
homogeny.
b. Lebih dari 0,05 = kedua variance sama (Equal variances assumed) / homogeny.
10. Bila hasil T test menunjukan angka:
a. Kurang dari 0,05 = significant.
b. Lebih dari 0,05 = not significant.
4
Karena hasil uji Levene’s: pada f test yang di baca adalah pada baris equal variance assumed F=
0,108 dg nilai sig 0,744. 0,744 (p>0,05)=”equal variance”, lalu kita lihat pada baris “Equal
variance” sig. (2 tailed) menunjukan t=-0892 dengan sig 0,376 (p>0,05) = no significant.
Maka dapat disimpulkan bahwa tidak ada perbedaan rata-rata kepatuhan cuci tangan antara
perawat yang jenis kelamin laki-laki dan jenis kelamin perempuan. Atau dengan kata lain jenis
kelamin tidak mempengaruhi terhadap kepatuhan cuci tangan pada perawat tersebut.
Defendant misalnya menguji perbedaan skor sikap apakah di pengaruhi oleh varibel independent
5
Prosedur:
1. Siapkan variabel jenis kelamin dan variabel kepatuhan.
a. Variabel independensi: jenis kelamin: berkategori dua saja.
b. Hasil uji normalitas variabel dependen: kepatuhan menunjukan tidak berdistribusi
normal.
2. Hipotesa:
a. Ho: Tidak ada perbedaan rata-rata kepatuhan pada berbagai jenis kelamin.
b. Ha: Ada perbedaan rata-rata kepatuhan pada berbagai jenis kelamin.
3. Alpha 5%.
4. Analyze, Nonparametric Test, Two-independent- samplest t test.
5. Masukan variabel dependant patuh ke Kotak test variable.
6. Masukan variabel jenis kelamin ke Kotak Group Variable.
7. Tekan define groups. Karena jenis kelamin hanya dua group yaitu laki-laki dan
perempuan, maka di kotak group 1 ketiklah angka 1, dan di kotak group 2, ketik angka 2.
8. Pilih type test: Mann-whitney U.
6
Maka hasilnya adalah:
Kesimpulan: tidak signifikan berbeda sikap perawat laki-laki dan perempuan sama walupun
Analisis satu arah varians (ANOVA) untuk menguji independensi variabel ordinal terhadap
variabel terhadap variabel kontinyu/numerik.
Misalnya, Anda bisa menggunakan ANOVA satu arah untuk memahami apakah tingkat
pendidikan perawat mempengaruhi terhadap kepatuhan cuci tangan.
CATATAN: Jika desain studi Anda tidak hanya melibatkan satu variabel dependen dan satu
variabel independen, tetapi juga variabel ketiga (dikenal sebagai "kovariat") yang ingin Anda
"kontrol statistik", Anda mungkin perlu untuk melakukan ANCOVA (analisis kovarians), yang
dapat dianggap sebagai perpanjangan dari satu arah ANOVA.
7
Karena uji ANOVA sering diikuti dengan tes post-hoc, kami tunjukkan bagaimana melaksanakan
ini menggunakan SPSS Statistik.
Tujuan:
1. Digunakan untuk menguji perbedaan rata-rata lebih dua kelompok.
2. Untuk menguji hubungan antara data ordinal dengan data numerik (ratio atau interval).
Persyaratan:
1. Data independen berbentuk data ordinal misalnya tingkat pendidikan.
2. Data independent memiliki varian kelompok homogen.
3. Data dependen variabel berbentuk data numerik dan berdistribusi normal misalnya data
hasil pengukuran kepatuhan cuci tangan.
4. Data dependen harus berdistibusi normal.
Contohnya: Apakah pendidikan perawat jenjang Akper, S1 dan S2 Kep dapat mempengaruhi
kepatuhan cuci tangan?
Prosedur:
1. Siapkan dua variabel tingkat pendidikan dan variabel kepatuhan.
a. Variabel independensi: pendidikan: berkategori lebih dari dua.
b. Hasil uji normalitas variabel dependen: keptuhan menunjukan berdistribusi normal.
2. Hipotesa:
a. Ho: Tidak ada perbedaan rata-rata kepatuhan pada berbagai jenis pendidikan.
8
b. Ha: Ada perbedaan rata-rata kepatuhan pada berbagai jenis pendidikan.
3. Alpha 5%.
4. Pilih menu Analyze, compare means, One way ANOVA.
5. Masukan variabel kepatuhan ke dalam kotak Dependent list.
6. Masukan variabel pendidikan ke dalam kotak factor.
7. Tekan Option, centang Statistics Descriptive and Homogenity of variance, lalu tekan
continue.
8. Tekan Post Hoc, lalu centang Tukey, lalu tekan continue.
9. Bila hasil signifikan pada Levene’s Test for homogeneity test menunjukan angka:
a. Kurang dari 0,05 maka kedua variance tidak sama (tidak homogen), lanjutkan
dengan uji Kurskal Wallis H.
b. Lebih dari 0,05 maka kedua variance sama (homogen), uji ANOVA bisa
dilanjutkan.
10. Bila hasil ANOVA test menunjukan angka:
a. Kurang dari 0,05 maka ada perbedaan (Significant).
b. Lebih dari 0,05 maka tidak ada perbedaan (not significant).
9
Hasil uji ANOVA satu arah terdiri dari:
1. Uji deskriptif, menjelaskan distribusi nilai rata-rata dependen variabel terhadap independent
variabel.
2. Uji Homogenitas, menunjukan ada tidaknya homogenitas atau ekualitas varian data. Bila nilai
significance lebih dari 5% ( Sig > 0.05) indikasi adanya homogenitas pada varian tersebut. Bila
hasil uji homogentias menunjukan tidak homogen, maka uji selanjutnya tidak bisa dilakukan
dengan ANOVA.
3. Uji ANOVA, bila nilai significance < 5% (Sig.< 0.05) indikasi signifikan.
4. Multiple comparison dengan Tukey Test, untuk melihat perbandingan antar kategori, yang
mana saja yang signifikan.
10
Patuh
Tukey HSD
1 2
D III 90 24.4889
S2 13 25.4615
S1 31 25.9032
Sig. 1.000 0.198
11
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 24.939.
b. The group sizes are unequal. The harmonic mean of the
group sizes is used. Type I error levels are not guaranteed.
Kesimpulan:
1. Hasil significant homogeneity test menunjukan angka 0,115 (>0,05) artinya data homogen,
maka uji ANOVA bisa dilakukan.
2. Hasil significant ANOVA test menunjukan angka 0,000 (<0,05) artinya signifikan berbeda
dengan kata lain tingkat pendidikan mempengaruhi kepatuhan cuci tangan.
12
Kurskal Wallis H Test
Kurskal Wallis H Test (K independent sample test) untuk menguji independensi variabel
ordinal terhadap variabel terhadap variabel kontinyu/numerik yang berdistribusi tidak
normal. Misal variabel jenis tingkat pendidikan terhadap variabel sikap.
Variabel independent Variabel dependent
(Skala Ordinal) (Skala Kontinyu)
Kriteria bila nilai significant Kurskal Wallis H < 0,05 menunjukan significant different.
Prosedur:
1. Siapkan variabel tingkat pendidikan dan variabel kepatuhan.
a. Variabel independensi: pendidikan berkategori lebih dari dua.
b. Hasil uji normalitas variabel dependen: keptuhan menunjukan tidak berdistribusi
normal.
2. Hipotesa:
a. Ho: Tidak ada perbedaan rata-rata kepatuhan pada berbagai jenis pendidikan.
b. Ha: Ada perbedaan rata-rata kepatuhan pada berbagai jenis pendidikan.
3. Alpha 5%.
4. Analyze, Nonparametric Test, Test for several Indefendent samplest t test.
5. Masukan variabel dependant sikap ke Kotak test variable.
6. Masukan variabel tingkat pendidikan ke Kotak Group Variable.
7. Tekan define groups. Karena jenis kelamin hanya dua group yaitu laki-laki dan
perempuan, maka di kotak group 1 ketiklah angka 1, dan di kotak group 3, ketik angka 3.
KArene ada 3 tingkat pendidikan yaitu 1 SPK, 2 D3 dan 3 S1.
8. Pilih type test: Kurskal Wallis H.
9. Tekan continue, dan tekan OK. Lihat out put.
13
Hasilnya:
14
Hasil: asymp sig 0,609 lebih besar dari 5%.
Kesimpulan: Tidak significant different. Tingkat pendidikan tidak mempengaruhi nilai sikap
pada perawat tersebut walaupun pendidikan D3 lebih tinggi nilainya.
15
Uji Independensi pada Data Ordinal dengan Data Interval dengan Oneway
ANOVA
Analisis satu arah varians (ANOVA) untuk menguji independensi variabel ordinal terhadap
variabel interval.
Misalnya, Anda bisa menggunakan ANOVA satu arah untuk memahami apakah tingkat
pendidikan perawat mempengaruhi terhadap skor kepatuhan cuci tangan.
CATATAN: Jika desain studi Anda tidak hanya melibatkan satu variabel dependen dan satu
variabel independen, tetapi juga variabel ketiga (dikenal sebagai "kovariat") yang ingin Anda
"kontrol statistik", Anda mungkin perlu untuk melakukan ANCOVA (analisis kovarians), yang
dapat dianggap sebagai perpanjangan dari satu arah ANOVA.
Karena uji ANOVA sering diikuti dengan tes post-hoc, kami tunjukkan bagaimana melaksanakan
ini menggunakan SPSS Statistik.
Tujuan:
1. Digunakan untuk menguji perbedaan rata-rata lebih dua kelompok ordinal.
2. Untuk menguji hubungan antara data ordinal dengan data numerik (ratio atau interval).
1
Persyaratan:
1. Data independen berbentuk data ordinal misalnya tingkat pendidikan.
2. Data independent memiliki varian kelompok homogen.
3. Data dependen variabel berbentuk data numerik dan berdistribusi normal misalnya data
hasil pengukuran kepatuhan cuci tangan.
4. Data dependen harus berdistibusi normal.
Contohnya: Apakah pendidikan perawat jenjang Akper, S1 dan S2 Kep dapat mempengaruhi
kepatuhan cuci tangan?
Diploma S1 S2
Sample Size n1 n2 n3
Mean
SD s1 s2 s3
SE Se1 Se2 Se3
Diploma S1 S2 Total
Sample Size 90 31 13
Mean 24.48 25.90 25.46
SD 0.90 0.79 1.13
SE 0.95 0.14 0.31
2
Prosedur manual:
1. The hypothesa:
H0: μ1 = μ2 = μ3 ... = μk
H1: Means tidak sama .
3. Calculate:
4. Table of probability values for the F distribution df1 = k-1, df2=N-k.
5. Alpha: 5%
Degrees of
Source of
Sums of Squares (SS) Freedom Mean Squares (MS) F
Variation
(df)
Between
k-1
Treatments
Error (or
N-k
Residual)
Total N-1
Diploma S1 S2 Total
Sample Size 90 31 13 134.00
Mean 24.49 25.90 25.46 75.85
SD 0.909 0.79 1.13 2.82
SSB=90(24,49-25.28)2+31(25,90-25,28)2+13(25.46-25,28)2
SSB=90(0,63)+31(0,38)+13(0,03)
SSB=56,97+11,87+0,40
SSB=69,25 / (3-1)=69,25/2=34,62
3
Sums of Degrees of
Means Squares
Source of Squares Freedom
F
Variation
(MS)
(SS) (df)
Between Group 69,25 3-1 = 2 69,25/2 = 34,62
Error (or 34,62 / 0,812 = 31,077
106,42 134-2 = 133 106,42/133 = 0,812
Residual)
Significant
Prosedur SPSS:
1. Siapkan dua variabel tingkat pendidikan dan variabel kepatuhan.
a. Variabel independensi: pendidikan: berkategori lebih dari dua.
b. Hasil uji normalitas variabel dependen: kepatuhan menunjukan berdistribusi
normal.
2. Hipotesa:
a. Ho: Tidak ada perbedaan rata-rata kepatuhan pada berbagai jenis pendidikan.
b. Ha: Ada perbedaan rata-rata kepatuhan pada berbagai jenis pendidikan.
3. Alpha 5%.
4. Pilih menu Analyze, compare means, One way ANOVA.
5. Masukan variabel kepatuhan ke dalam kotak Dependent list.
6. Masukan variabel pendidikan ke dalam kotak factor.
7. Tekan Option, centang Statistics Descriptive and Homogenity of variance, lalu tekan
continue.
8. Tekan Post Hoc, lalu centang Tukey, lalu tekan continue.
9. Bila hasil signifikan pada Levene’s Test for homogeneity test menunjukan angka:
a. Kurang dari 0,05 maka kedua variance tidak sama (tidak homogen), lanjutkan
dengan uji Kurskal Wallis H.
b. Lebih dari 0,05 maka kedua variance sama (homogen), uji ANOVA bisa
dilanjutkan.
10. Bila hasil ANOVA test menunjukan angka:
a. Kurang dari 0,05 maka ada perbedaan (Significant).
b. Lebih dari 0,05 maka tidak ada perbedaan (not significant).
4
Hasil uji ANOVA satu arah terdiri dari:
1. Uji deskriptif, menjelaskan distribusi nilai rata-rata dependen variabel terhadap independent
variabel.
2. Uji Homogenitas, menunjukan ada tidaknya homogenitas atau ekualitas varian data.
5
a. Bila nilai significance lebih dari 5% ( Sig > 0.05) indikasi adanya homogenitas pada
varian tersebut.
b. Bila hasil uji homogentias menunjukan homogen, maka uji selanjutnya adalah ANOVA.
3. Uji ANOVA, bila nilai significance < 5% (Sig.< 0.05) indikasi signifikan.
4. Multiple comparison dengan Tukey Test, untuk melihat perbandingan antar kategori, yang
mana saja yang signifikan.
6
Patuh
Tukey HSD
1 2
D III 90 24.4889
S2 13 25.4615
S1 31 25.9032
Sig. 1.000 0.198
7
Kesimpulan:
1. Hasil significant homogeneity test menunjukan angka 0,115 (>0,05) artinya data homogen,
maka uji ANOVA bisa dilakukan.
2. Hasil significant ANOVA test menunjukan angka 0,000 (<0,05) artinya signifikan berbeda
dengan kata lain tingkat pendidikan mempengaruhi kepatuhan cuci tangan.
Kriteria bila nilai significant Kurskal Wallis H < 0,05 menunjukan significant different.
Prosedur:
1. Siapkan variabel tingkat pendidikan dan variabel kepatuhan.
a. Variabel independensi: pendidikan berkategori lebih dari dua.
b. Hasil uji normalitas variabel dependen: keptuhan menunjukan tidak berdistribusi
normal.
2. Hipotesa:
a. Ho: Tidak ada perbedaan rata-rata kepatuhan pada berbagai jenis pendidikan.
b. Ha: Ada perbedaan rata-rata kepatuhan pada berbagai jenis pendidikan.
3. Alpha 5%.
4. Analyze, Nonparametric Test, Test for several Indefendent samplest t test.
5. Masukan variabel dependant sikap ke Kotak test variable.
8
6. Masukan variabel tingkat pendidikan ke Kotak Group Variable.
7. Tekan define groups. Karena jenis kelamin hanya dua group yaitu laki-laki dan
perempuan, maka di kotak group 1 ketiklah angka 1, dan di kotak group 3, ketik angka 3.
KArene ada 3 tingkat pendidikan yaitu 1 SPK, 2 D3 dan 3 S1.
8. Pilih type test: Kurskal Wallis H.
9. Tekan continue, dan tekan OK. Lihat out put.
Hasilnya:
9
Hasil: asymp sig 0,609 lebih besar dari 5%.
Kesimpulan: Tidak significant different. Tingkat pendidikan tidak mempengaruhi nilai sikap
pada perawat tersebut walaupun yang berpendidikan D3 lebih tinggi nilainya.
10
11
12
13
14
15
Uji korelasi pada Dua Data Interval
Oleh: Sobur Setiaman
Tujuan pembelajaran:
Uji distribusi normal atau uji normalitas adalah uji untuk mengukur apakah data kita memiliki
distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial).
Tujuannya uji normalitas adalah untuk mengetahui apakah data empirik yang kita dapatkan dari
lapangan itu sesuai dengan distribusi teoritik.
1. Histogram.
2. Uji Kolmogorov Smirnov:
a. Nilai significant, bila lebih dari 5%, dikatakan berdistribusi normal.
b. Nilai skewness atau kurtosis di bagi dengan nilai Standard Error, tidak lebih dari
1,95 (5%), atau 2,58 (1%).
1
Bab 7. Uji korelasi pada data interval
Update: 23/04/2017
Cara melakukan uji distribusi normal dengan SPSS:
1. Tujuanya adalah mengidentifikasi distribusi data atau uji normalitas data melalui Uji
Kolmogorov-Smirnov.
2. Tekan analyze, tekan descriptive statistics, tekan Explore.
3. Masukkan variabel yang hendak di uji pada kotak Dependen.
4. Tekan tombol Plots.
5. Beri tanda Normality Plot With Test.
6. Beri tanda Factor levels together pada boxplots.
7. Tekan continue and tekan OK
8. Keputusan:
a. Bila nilai probabilitas > 0,05 menunjukan bahwa data berdistribusi normal.
b. Bilai nilai probabilitas < 0,05 menunjukan bahwa data tidak berdistribusi normal
2
Bab 7. Uji korelasi pada data interval
Update: 23/04/2017
Hasil analysis
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
SSikap .128 134 .000 .968 134 .003
TPatuh .213 134 .000 .906 134 .000
a. Lilliefors Significance Correction
Nilai significant dari hasil uji Kolmogorov-Smirnov 0,00 (P< 0,05), ini menunjukan kedua data
tersebut tidak berdistribusi normal, maka alat uji korelasi yang akan dipakai adalah Spearman
Rank.
3
Bab 7. Uji korelasi pada data interval
Update: 23/04/2017
4
Bab 7. Uji korelasi pada data interval
Update: 23/04/2017
Uji Korelasi
Tujuan uji korelasi adalah adalah untuk mengetahui apakah ada hubungan antara dua variabel atau
tidak?
Misal nya apakah ada hubungan antara sikap terhadap kepatuhan cuci tangan pada perawat. Maka
di perlukan dua variabel yaitu variabel sikap dan kepatuhan. Hasil pengukuran sikap dan
kepatuhan dalam bentuk nilai namerik, sebelum dilakukan uji korelasi dilakukan dulu uji
normalitas data.
Asumsi peneliti terhadap sikap dan kepatuhan dinyatakan dalam hypothesis sebagai berikut?
1. H0 : Tidak ada hubungan antara sikap dan kepatuhan cuci tangan pada perawat.
2. Ha : Ada hubungan antara sikap dan kepatuhan cuci tangan pada perawat.
Dasar pengambilan keputusannya adalah dengan dasar probabilitas (sig) adalah sebagai berikut:
1. Uji Korelasi dengan Pearson Product Moment, bila data yang di akan uji berdistribusi
normal.
2. Uji Spearman Rank, bila data yang di akan uji tidak berdistribusi normal.
3. Uji Kendalls, sebagai alternative non parametric test.
5
Bab 7. Uji korelasi pada data interval
Update: 23/04/2017
Pearson product-moment Test
Pearson product-moment correlation coefficient (Pearson’s correlation) adalah alat ukur kekuatan
dan arah asosiasi dua varaibel berskala interval dimana kedua variabel tersebut berdistribusi
normal dengan asumsi dimana kedua variabel tersebut:
Tabel Interpretasi arah asosiasi dua varibel berdasarkan hasil uji dengan Pearson's correlation
coefficient
Coefficient, r
Strength of Association Positive Negative
Kecil (Small) 0.1 to 0.3 -0.1 to -0.3
Sedang (Medium) 0.3 to 0.5 -0.3 to -0.5
Besar (Large) 0.5 to 1.0 -0.5 to -1.0
Kekuatan asosiasi dua variabel yang diuji dengan Pearson correlation coefficient (r) bisa jadi +1
atau -1 tergantung dari hasil yang didapa apakah hubungannya positif atau negative. Nilai r antara
+1 dan -1 (contohnya r = 0.8 atau -0.4) indikasi adanya arah hubungan yang bervariasi diantara
garis lurus (liner), lebih mendekat kea rah nol menunjukan arah garis lurus lebih baik.
6
Bab 7. Uji korelasi pada data interval
Update: 23/04/2017
Identifikasi linearity pada scatterplot:
7
Bab 7. Uji korelasi pada data interval
Update: 23/04/2017
Identifikasi homoscedasticity:
Pearson correlation tidak bisa mengenal adanya hubungan sebab akibat (cannot determine a cause-
and-effect relationship).
8
Bab 7. Uji korelasi pada data interval
Update: 23/04/2017
Hasil uji korelasi r -0,52 menunjukan besarnya asosiasi sebesar 52% kearah negatif, dengan
signifikan probabilitas 0,065 bandingkan dengan nilai alpha ( 0,05) bila kurang dari itu maka
menunjukan adanya significant association.
Pearson analysis
Hasil belajar
No Subject 𝑋2 𝑌2 XY
X Y
1 A 8.7 90 75.69 8100 783
2 B 7.9 74 62.41 5476 584.6
3 C 6.5 70 42.25 4900 455
4 D 5.6 40 31.36 1600 224
5 E 6.2 50 38.44 2500 310
6 F 7.5 74 56.25 5476 555
7 G 6.3 60 39.69 3600 378
8 H 6.5 60 42.25 3600 390
9 I 7.5 76 56.25 5776 570
10 J 8.5 80 72.25 6400 680
11 K 6.5 90 42.25 8100 585
12 L 8.7 80 75.69 6400 696
13 M 7.9 72 62.41 5184 568.8
14 N 7.7 70 59.29 4900 539
15 O 5.6 50 31.36 2500 280
107.6 1036 787.84 74512 7598.4
9
Bab 7. Uji korelasi pada data interval
Update: 23/04/2017
Correlationsb
X Y
10
Bab 7. Uji korelasi pada data interval
Update: 23/04/2017
Spearman Rank Test
Alt uji ini umumnya digunakan bila kedua atau salah satu variabel data yang akan di uji tidak
berdistribusi normal atau dengan mengikuti asumsi sebagai berikut:
o Assumsi #1: Kedua variabel data ber skala ordinal, interval atau ratio.
o Contoh variabel ber skala ordinal berjenis skala Likert (e.g., a 7-point scale from "sangat
setuju" sampai "sangat tidak setujutrongly disagree").
o Contoh ranking kategri suatu prudk yang di tawarkan: "Kurang bagus", sampai "Bagus
Sekali).
o Contoh varibel berskala interval/ratio (pengukuran IQ, pengukuran waktu tempuh,
pengukuran berat badan).
o Assumsi #2: hubungan kedua data menunjukan monotonic relationship. Bisa dilihat dari diagram
Scaterplot waktu melakukan uji normnality test:
6 ∑ 𝐷2 6 ∑ 𝐷2
𝑟𝑠 = 1 − ( 2 )=1- 3
𝑛 𝑛 −1 𝑛
11
Bab 7. Uji korelasi pada data interval
Update: 23/04/2017
Hasil belajar
No Subject
X Y
1 A 8.7 90
2 B 7.9 74
3 C 6.5 70
4 D 5.6 40
5 E 6.2 50
6 F 7.5 74
7 G 6.3 60
8 H 6.5 60
9 I 7.5 76
10 J 8.5 80
11 K 6.5 90
12 L 8.7 80
13 M 7.9 72
14 N 7.7 70
15 O 5.6 50
107.6 1036
732
𝑟𝑠 = 1 − = 1 − 0,21785 = −0,782
3360
R=-0,91
Correlations
X Y
N 15 15
Spearman's rho
Correlation Coefficient .789** 1.000
N 15 15
Hasil hitung=0,782=0,78=0,8
13
Bab 7. Uji korelasi pada data interval
Update: 23/04/2017
14
Bab 7. Uji korelasi pada data interval
Update: 23/04/2017
Contoh: Apakah bagaimana hubungan antara sikap dan kepatuhan cuci tangan pada perawat?
1. Kedua data variabel berbentuk namerik (in terval atau rasio). Contoh variabel skor sikap
dan skor kepatuhan.
2. Tekan analyze, pilih correlate, pilih bivariate.
3. Masukan kedua variabel data yang akan di uji pada box variables.
a. Beri tanda Pearson bila data yg di uji berdistribusi normal pada pilihan correlation
coefficient, tekan ok.
b. Beri tanda Spearman bila data yg di uji tidak berdistribusi normal pada pilihan
correlation coefficient, tekan ok.
4. Lihat hasilnya.
Tingkat kepercayaan 0,05. Hasil uji Spearman’s rho, nilai koefisensi korelasi sebesar 0,659 nilai
probabilitas dilihat pada tulisan sig. (2tailed) sebesar 0,00 adalah signifikan.
15
Bab 7. Uji korelasi pada data interval
Update: 23/04/2017
Kesimpulan: Ada hubungan antara sikap dan kepatuhan cuci tangan pada perawat, dengan kata
lain sikap perawat mempengaruhi kepatuhan perawat terhadap praktek cuci tangan.
Kesimpulan:
1. Tingkat kepercayaan 0,05. Hasil uji Pearson, nilai korelasi sebesar 0,868 dengan nilai
probabilitas dilihat pada tulisan sig. (2tailed) sebesar 0,00 adalah signifikan.
2. Ada hubungan bermakna antara sikap dan kepatuhan cuci tangan pada perawat, dengan
kata lain sikap perawat mempengaruhi kepatuhan cuci tangan pada perawat.
16
Bab 7. Uji korelasi pada data interval
Update: 23/04/2017
Uji Regresi Linier Data Interval
Oleh: Sobur Setiaman
Tujuan
Regresi pertama-tama dipergunakan sebagai konsep statistik pada tahun 1877 oleh Sir Francis Galton
yang melakukan studi tentang “kecenderungan” tinggi badan anak. Hasil studi tersebut merupakan suatu
kesimpulan bahwa kecenderungan tinggi badan anak yang lahir adalah menurun (regress) mengarah pada
tinggi badan rata-rata penduduk.
Analisis Regresi (regression analysis) merupakan suatu teknik untuk membangun persamaan garis lurus
dan persamaan garis lurus tersebut digunakan dalam membuat perkiraan (prediction) besarnya
hubungan sebab-akibat antara satu independent variabel dengan dependent variabel yang lain.
1
Thursday, 27 July, 2017
Dalam analisis regresi dikenal 2 jenis variabel yaitu:
1. Variabel Respon disebut juga variabel dependen (variabel terikat) yaitu variabel yang
keberadaannya dipengaruhi atau terikat oleh variabel lainnya dan dinotasikan dengan variabel Y .
2. Variabel Prediktor disebut juga dengan variabel independen (variabel bebas) yaitu variabel
yang bebas (tidak dipengaruhi oleh variabel lainnya) dan dinotasikan dengan variabel X.
Untuk mempelajari hubungan-hubungan tegak lurus (linearity) antara variabel bebas dengan variabel
terikat, maka regresi linier terdiri dari dua bentuk, yaitu:
1. Analisis regresi sederhana (simple analysis regression) dipergunakan untuk mengetahui pengaruh
antara variabel bebas (variable independent atau variable factor) dan variabel tak bebas (variabel
dependent atau varaibel response).
2. Analisis regresi berganda (Multiple analysis regresion) dipergunakan untuk mengetahui pengaruh
beberapa variabel bebas (variable independent atau variable factor) dan variabel tak bebas (variabel
dependent atau varaibel response). Variabel facror nya lebih dari satu, masimal hanya 4 yang bisa
dihitung oleh SPSS.
1. Uji signifikan
a. Uji signifikan serentak: Uji F. Uji F merupakan alat uji Goodness of Fit atau disebut uji
kelayakan atau uji signifikansi, untuk pengujian hipotesis kompatibilitas, atau
merupakan pengujian hipotesis dalam menentukan apakah suatu himpunan frekuensi yang
diharapkan sama dengan frekuensi yang diperoleh dari suatu distribusi. (F Test used for
confirmed two variable had equal variance or had homogeneity).
b. Uji significant parsial: Uji t dalam regresi linier dimaksudkan untuk menjelaskan
perilaku atau dampak variabel individu dalam mempengaruhi variabel terikatnya. Uji t
yang dimaksud ini adalah uji koefisien korelasi. (To determine the Impact of variable
factor to the variable response).
2. Koefisien korelasi (R) adalah alat statistik yang dapat digunakan untuk memprediksi derajat
korelasi antara variabel X dengan variabel Y. Hasil uji korelasi di bandingkan dengan tabel derajat
koefisien korelasi.
2
Thursday, 27 July, 2017
Tabel tingkatan Koefisien Korelasi berikut:
3. Koefisien determinan (r2 atau r square) adalah alat statistik yang digunakan untuk memprediksi
besarnya korelasi antara variabel X dengan variabel Y. hasilnya kali 100%, makan akan diketahui
berapa persen pengaruhi variabel X terhadap variabel Y.
4. Persamaan model regresi linier untuk memprediksi variabel respons, dinyatakan dalam rumusan
sebagai berikut:
Keterangan:
Y = a + bX Y = Variabel dependen
X = Variabel-variabel independen
a= konstanta Y intercept
b = konstanta-prediktor
Persamaan model regresi sebaiknya dilakukan di akhir analisis karena interpretasi terhadap
persamaan regresi akan lebih akurat jika telah diketahui signifikansinya. Menentukan koefisien
persamaan a dan b dapat dengan menggunakan metode kuadrat terkecil, yaitu cara yang dipakai
untuk menentukan koefisien persamaan dan dari jumlah pangkat dua (kuadrat) antara titik-titik
dengan garis regresi yang dicari yang terkecil.
Y=a+bX
n( xy ) x y ( y)( x 2 ) ( x)( XY )
b a
n( x 2 ) ( x ) 2
2
n( x 2 ) x
3
Thursday, 27 July, 2017
Nilai b dapat positif (+) dapat negartif (-)
b : positif Y b : negatif Y
Y = a + bX Y = a - bX
X X
Sebagai contoh:
Dijelaskan hawa hubungan persamaan Y = a + b(x) diatas, dimana 'a' sebagai “Y-intercept” dan 'b'
sebagai garis persamaan dari konstanta prekdtor. Dengan persamaan garis diatas bisa kita prediksi
berat badan dalam BMI berdasdarkan persamaan garis diatas. Diketahui nilai intercept 80, dan nilai garis
persamaan 2, bila tinggi badan 70 inch sebagai variabel X, maka berat badan diprediksi sebesar 220
lbs.
4
Thursday, 27 July, 2017
4. Untuk memprediksi pengaruh variabel X terhadap Y (Regression linearity function).
Estimasi model atau dikenal dengan uji asumsi klasik, yang dilakukan secara sekaligus dengan pengujian
asumsi klasik (linieritas, korelasi, heteroskedastisitas dan normalitas) pada waktu melakukan uji regresi
linier.
Sebelum melakukan uji regresi linier, harus diketahui beberapa asumsi sebelum melakukan uji regresi
logistik:
o Assums #1: variabel yang di uji berukuran kontinyu ( skala interval atau ratio). Contohnya skore
IQ, dan ukuran berat badan.
o Assumsi #2: kedua variabel yang akan diuji memiliki hubungan yang linier pada grafik PP Plot
(linear relationship).
o Assumsi #3: tidak ada data yang diluar garis (no significant outliers).
5
Thursday, 27 July, 2017
o
o Assumsi #6: nilai residual (errors) menunjukan garis linier berdistribusi normal. Lihat histogram
(superimposed normal curve) atau Normal P-P Plot.
Jadi uji asumsi yang harus di lakukan sebelum uji regresi linier adalah sebagai berikut:
6
Thursday, 27 July, 2017
Uji Kelayakan/Signifikansi (Goodness of fit)
Goodness of Fit atau disebut uji kelayakan atau uji signifikansi, pengujian hipotesis kompatibilitas,
merupakan pengujian hipotesis untuk menentukan apakah suatu himpunan frekuensi yang diharapkan
sama dengan frekuensi yang diperoleh dari suatu distribusi. (F Test used for confirmed two variable had
equal variance or homogeny)
Sebelum melakukan penapisran hasil uji regresi linier, variabel yang di uji, harus di lihat hasil uji
kelayakan dengan pada uji F (ANOVA) untuk mengetahui layak tidaknya di tapsirkan pada regresi linier.
Contoh hasil uji ANOVA antara variabel sikap dan kepatuhan yang memiliki bentuk data interval:
Sikap Patuh
n
X y XY X2
1 31 49 1519 961
2 29 49 1421 841
3 32 50 1600 1024
4 30 50 1500 900
5 30 50 1500 900
6 31 51 1581 961
7 30 51 1530 900
8 31 51 1581 961
9 31 51 1581 961
10 33 52 1716 1089
11 29 52 1508 841
12 31 52 1612 961
13 31 52 1612 961
14 31 52 1612 961
15 31 53 1643 961
16 30 53 1590 900
17 32 53 1696 1024
18 32 53 1696 1024
19 32 54 1728 1024
20 33 54 1782 1089
X 620 y 1032 XY 32008 X2 19244
620 1032 32008 19244
7
Thursday, 27 July, 2017
UJI ANOVA DENGAN EXCEL
Significance
df SS MS F F
Regression 1 10.667 10.667 5.975 0.025
Residual 18 32.133 1.785
Total 19 42.8
Total 42.800 19
Hasil uji signifikansi serentak: Korelasi variant varibel sikap terhadap variabel kepatuhan cuci tangan
sebesar F=5,975 dg P <0,05 (P value 0,025) menunjukan significant Goodness of fit atau layak/signifikan
untuk digunakan dalam menapsirkan regresi linier.
Hasil uji signifikan tunggal: Koefisien korelasi variabel sikap terhadap variabel kepatuhan cuci tangan
sebesar T=2,444 dg P <0,05 (P value 0,025) menunjukan significant adanya korelasi antara variabel sikap
dan kepatuhan, dengan kata lain sikap mempengaruhi kepatuhan cuci tangan.
8
Thursday, 27 July, 2017
Koefisien korelasi adalah derajat hubungan linier antara dua variabel atau lebih dari data hasil
pengamatan. Dua variabel dikatakan berkorelasi apabila perubahan dalam satu variabel diikuti oleh
perubahan variabel lain, baik yang searah maupun tidak. Kefisien korelasi dinyatakan dengan symbol
“r”.
Berdasarkan hubungan antar variabel yang satu dengan variabel lainnya dinyatakan dengan koefisien
korelasi yang disimbolkan dengan ”r”. Besarnya korelasi berkisar antara -1<r<1.
Jika dua variabel berkorelasi negative maka nilai koefisien korelasinya akanmendekati -1, jika dua
variabel tidak berkorelasi maka nilai koefisien korelasinya akan mendekati 0, sedangkan jika dua variabel
berkorelasi positif maka nilai koefisien korelasinya akan mendekati 1.
Hasil uji regresi linier pada variabel sikap dan kepatuhan cuci tangan sebesar R 0,49 ini mengindikasikan
adanya korelasi arah positif pada tingkatan sedang.
Koefisien determinant adalah untuk mengetahui proporsi keragaman total dalam variabel tak bebas yang
dapat dijelaskan atau diterangkan oleh variabel – variabel bebas yang ada di dalam model persamaan
regresi linier berganda secara bersama-sama.
9
Thursday, 27 July, 2017
Hasil uji regresi linier pada variabel sikap dan kepatuhan cuci tangan sebesar r2 0,249 ini memprediksi
bahwa sikap mempengaruhi kepatuhan cuci tangqn sebesar 24,9% sisanya yaitu (100%-24,9%=75,1%
dipengaruhi oleh faktor lainnya).
Keterangan:
Y = a + bX Y = Variabel dependen
X = Variabel-variabel independen
a= konstanta Y intercept
b = konstanta-prediktor
Dijelaskan hawa hubungan persamaan Y = a + b(x) diatas, dimana 'a' sebagai “Y-intercept” dan 'b'
sebagai garis persamaan dari konstanta prekdtor. Dengan persamaan garis diatas bisa kita prediksi skor
kepatuhan cuci tangan berdasarkan persamaan garis diatas. Diketahui nilai intercept 30.933, dan nilai
garis persamaan X sebesar 0.667, bila nilai sikap sebesar 5, maka kepatuhan cuci tangan akan
meningkat sebesar Y=30,933 + 0,667 (5)=30,933+3,335=34,268.
10
Thursday, 27 July, 2017
Tahapan Analysis Regresi Linier Sederhana dengan SPSS
11
Thursday, 27 July, 2017
12
Thursday, 27 July, 2017
13
Thursday, 27 July, 2017
HASIL UJI REGRESI ANALISIS DENGAN EXCEL DAN SPSS
Sikap Patuh
n
X y XY X2
1 31 49 1519 961
2 29 49 1421 841
3 32 50 1600 1024
4 30 50 1500 900
5 30 50 1500 900
6 31 51 1581 961
7 30 51 1530 900
8 31 51 1581 961
9 31 51 1581 961
10 33 52 1716 1089
11 29 52 1508 841
12 31 52 1612 961
13 31 52 1612 961
14 31 52 1612 961
15 31 53 1643 961
16 30 53 1590 900
17 32 53 1696 1024
18 32 53 1696 1024
19 32 54 1728 1024
20 33 54 1782 1089
X Y XY X2
620 1032 32008 19244
n
n n
n xi yi xi yi
b i 1 i 1 i 1 =(20 𝑥 32008)−(620 𝑥 1032) = 640160−639840 = 320 = 0.667
2 (20 𝑥 19244)−(6202 ) 384880−384400 480
2
n n
n xi xi
i 1 i 1
14
Thursday, 27 July, 2017
( y1 )( x 2 ) ( xi )( XY )
(1032 𝑥 19244)−(620 𝑥 32008) 19859808−19844960 14848
a i 1 i 1
= = = = 30.933
n( x ) ( x )
2 2 (20 𝑥 19244)−6202 384880−384400 480
Y=a+bX y= 30.933+0.667 x
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.499
R Square 0.249
Adjusted R Square 0.2075
Standard Error 1.3362
Observations 20
15
Thursday, 27 July, 2017
SPSS Analysis
Model Summaryb
ANOVAb
Total 42.800 19
Coefficientsa
Lower
Model B Std. Error Beta t Sig. Bound Upper Bound
Y=a+bX y= 30.933+0.667 x
16
Thursday, 27 July, 2017
Hasil Uji Linieritas dan Heteroskedastisis
Sebelum memberikan interpretasi pada hasil regresi, dilakukan pengujian asumsi normalitas sebagai
syarat regresi:
1. Apabila berdistribusi normal maka analisis parametrik seperti analisis regresi dapat dilanjutkan,
2. Apabila tidak tidak berdistribusi normal maka digunakan statistik non parametrik untuk
menguji hipotesis.
Pengujian normalitas ini menggunakan diagram histogram dan grafik p p-plot untuk memprediksi apakah
data berdistribusi normal atau tidak.
Hasil Uji Linieritas Grafis dan ANOVA
17
Thursday, 27 July, 2017
Scatterplot di atas terlihat bahwa menyebar merata ke kanan dan kekiri bagian kurva normal, dan
membentuk kurva normal, sehingga dapat disimpulkan linieritas “variabel kepatuhan” memenuhi
asumsi homoskedastisitas.
Grafik pp-plot juga menunjukkan sebaran data menyebar rata. Dari tampilan di atas terlihat bahwa data
data menyebar di luar garis diagonal dan mengikuti arah garis diagonal, sehingga dapat dinyatakan
linieritas.
Analisis satu arah varians (ANOVA) untuk menguji signifikansi / linearity variabel ordinal terhadap
variabel terhadap variabel kontinyu/numerik. Seberapa besar signifikan hubungan sikap terhadap
kepatuhan cuci tangan pada perawat disbanding dengan tingkat kepercayaan:
1. Ho: Kepatuhan cuci tangan tidak linier sikap.
2. Ha: Kepatuhan cuci tangan linier dengan sikap.
Keputusan:
Jika probabilitas > 0,05 maka tidak signifikan / not linearity.
Jika probabilitas < 0,05 maka signifikan / linearity.
Dari hasil uji signifikansi ANOVA terlihat bahwa nilai probabilitas adalah sebesar 0,025 < 0,05, P< 0,05
“significant of related or linearity ”. Kepatuhan cuci tangan linier dipengaruhi oleh sikap sehingga
hipotesis no (Ho) di tolak.
Model Summaryb
18
Thursday, 27 July, 2017
Uji Durbin merupakan alat uji ada tidanya autokorelasi di dalam model regresi linear, apabila data
merupakan data time series atau runtut waktu. Sebab yang dimaksud dengan autokorelasi sebenarnya
adalah: sebuah nilai pada sampel atau observasi tertentu sangat dipengaruhi oleh nilai observasi
sebelumnya. Hasil uji Durbin Watson digunakan untuk melihat adanya autokorelasi antara variabel-
varaibel yang diuji.
Autokorelasi terjadi apabila adanya korelasi antara observasi ke-i dengan observasi ke-i-1. Contohnya
yaitu: misalkan sampel ke-20, nilainya dipengaruhi oleh sampel ke-19. Sampel ke-19, nilainya
dipengaruhi oleh sampel ke-18, dan seterusnya. Coba kita perhatikan pada contoh tersebut, yaitu ada nilai
selisih antara nilai observasi ke-18 dengan ke-19, nilai observasi ke-19 dengan ke-20, dan seterusnya.
Uji Durbin watson akan menghasilkan nilai Durbin Watson (DW) yang nantinya akan dibandingkan
dengan dua (2) nilai Durbin Watson Tabel, yaitu Durbin Upper (DU) dan Durbin Lower DL). Dikatakan
tidak terdapat autokorelasi jika nilai DW > DU dan (4-DW) > DU atau bisa dinotasikan juga sebagai
berikut: (4-DW) > DU < DW.
Bila hasil uji Durbin Watson dengan angka 0.598 harus dibandungkan dengan dengan table Durban
Watson dengan cara melihat berapa jumlah varaibel actor yang diuji dan melihat berapa sample yang di
uji.
Hasil uji Durbin Watson kurang dari angka table 1,20, menunjukan terdapat autokorelasi positif.
19
Thursday, 27 July, 2017
Hasil uji Koefisien (Uji t)
Coefficientsa
Lower
Model B Std. Error Beta t Sig. Bound Upper Bound
Uji t dalam regresi linier dimaksudkan untuk menjelaskan perilaku variabel bebas dalam mempengaruhi
variabel terikatnya. Uji t yang dimaksud ini adalah uji koefisien.
Nilai signifikan/probalitas t pada skor sikap menunjukan angka 0,0025 dengan tingkat kepercayaan 5%
ini artinya “significant” di tulis p<0,05 atau dengan kata lain bahwa variabel sikap mempengaruhi variabel
kepatuhan cuci tangan karena nilainya dibawah 5%.
20
Thursday, 27 July, 2017
Hasil Uji Prediksi Koefisien Korelasi dan determinant
Model Summaryb
Setelah uji t menunjukan significant, maka selanjutnya adalah membaca model regresi linier sebagai
berikut:
1. Prediksi koefisien korelasi (R) antara sikap dengan kepatuhan cuci tangan adalah sebesar 0,499
Nilai koefisien korelasi R = 0,499 (49%) menunjukan koefisiensi kea rah positif dan berada di
tingkatan sedang.
2. Prediksi koefisiensi Determinat (R2) menunjukan angka 0,249
Nilai 0,249 x 100%=24,9% ini menunjukan bahwa diprediksi bahwa proporsi sikap
mempengaruhi kepatuhan cuci tangan sebesar 24,9%, sisanya di pengaruhi oleh faktor lain yang
harus di teliti (100%-24,9%= 75,1% dipengaruhi oleh factor lain yang belum bisa ketahui).
Coefficientsa
Lower Upper
Model B Std. Error Beta t Sig. Bound Bound
Dijelaskan hawa hubungan persamaan Y = a + b(x) diatas, dimana 'a' sebagai “Y-intercept” dan 'b'
sebagai garis persamaan dari konstanta prekdtor. Dengan persamaan garis diatas bisa kita prediksi skor
kepatuhan cuci tangan berdasarkan persamaan garis diatas. Diketahui nilai intercept 30.933, dan nilai
21
Thursday, 27 July, 2017
garis persamaan X sebesar 0.667, bila nilai sikap sebesar 5, maka kepatuhan cuci tangan akan
meningkat sebesar Y=30,933 + 0,667 (5)=30,933+3,335=34,268.
Persamaan model regresi tidak aplikatif pada variabel data yang berasal dari data berskala Likert karena
Skala Likert pada umumnya hanya memiliki 5 tingkatan tidak ada jawaban nol. Pergeseran hanya di lima
tingkatan.
22
Thursday, 27 July, 2017
23
Thursday, 27 July, 2017
24
Thursday, 27 July, 2017
Uji Regresi Logistik Sederhana
(Studi kasus pengaruh sikap terhadap tingkat kepatuhan cuci
tangan pada perawat)
Tujuan
Pendahuluan
Analisa regresi digunakan untuk menentukan sebab akibat antara satu variabel dengan variabel
lainya. Variabel X atau disebut juga variabel independent sebagai variabel predictor, dan variabel
Y atau disebut juga variabel dependent sebagai variabel response.
Regresi logistik dalam statistika digunakan untuk memprediksi besarnya probabilitas kejadian
suatu peristiwa dengan mencocokkan data pada fungsi logit kurva logistik. Metode ini merupakan
model linier umum yang digunakan untuk regresi binomial (nominal).
Hasil akhir uji logistic regression menggunakan kode 0 atau 1, dimana angka 1 mengindikasinya
adanya probabilitas, sedangkan angka 0 mengindikasikan tidak adanya probabilitas. Jadi kedua
variabel yang akan di uji harus memiliki dua kategori.
Regresi logistik merupakan regresi non linier dimana model yang ditentukan akan mengikuti pola
kurva seperti gambar di bawah ini.
𝑌
Odds=In( ), 𝑎𝑛𝑑 𝑌 = 𝑎 + 𝑏𝑋
1−𝑌
Contoh1:
Hasil uji logistik regresi sikap terhadap kepatuhan cuci tangan pada perawat. Outcome kategori
sikap menggunakan kode 0=sikap negatif, dan kode 1 = sikap positif. Outcome Kategori kepatuhan
menggunakan kode 0=tidak patuh, dan kode 1= patuh. Nilai konstanta a=1,253 sedangkan nilai
konstanta b=-0,943 dari hasil perhitungan logistik regresi digambara bawah ini:
𝑌
Odds Ratio=In( ) dan 𝑌 = 𝑎 + 𝑏𝑋
1−𝑌
𝑦 = 1,253 + −0,943 𝑋
Kategori sikap negatif menggunakan kode 0, sedangkan sikap positif menggunakan angka 1.
Contoh 2:
Hasil uji logistik regresi antara variabel Obesity (BMI>30) dengan variabel kejainan penyakit
cardiovaskuler. Data dikumpulkan pada responden pada usia 35 sampai 65 tahun yang tidak
mengalami penyakit kardiovaskuler, setelah 10 tahun di pantai mulailah timbul gejala penyakit
kardiovaskuler. Hasil uji epidemiology, kejadian penyakit kardiovaskuler pada obesity sebesar
RR = 1.78, dan odds ratio was OR =1.93.
Independent Regression
Chi-square P-value
Variable Coefficient
Obesity b 0.658 9.87 0.0017
Intercept a -2.367 307.38 0.0001
Indikator Obesity adalah sebagai berikut: kode 1=obese dan kode 0=not obese. Log odds incident
CVD adalah sebesar 0.658 kali lebih tinggi pada seseorang yang tidak obesity. Sedangkan bila kita
hitung antilog 0.658 adalah sebesar 1.93 ini menunjukan prediksi kejadian penyakit CVD 1.93
kali lebih tinggi dari seseorang yang tidak obesity. Assosiasi antara obesity dan keajdian penyakit
CVD sebesar (p=0.0017) mengindikasikan signifikan.
𝑌
Odds=In( ) = −2,367 + 0,658𝑋
1−𝑌
Disimpulkan: bahwa penderita CVA dengan obesity memiliki resiko lebih tinggi daripada
dengan yang tidak obesity.
Model log-linier merupakan pengembangan dari analisis tabulasi silang dua arah atau lebih
dimana terdapat hubungan antara dua atau lebih variabel kategori yang dianalisis menggunakan
logaritme alami terhadap setiap isi sel dalam tabel.
Seperti analisis regresi pada umumnya, metode ini menggunakan beberapa variabel prediktor, baik
numerik maupun kategori. Misalnya, probabilitas menderita serangan jantung pada waktu tertentu
dapat diprediksi dari informasi usia, jenis kelamin, dan indeks massa tubuh. Regresi logistik juga
digunakan secara luas pada bidang kedokteran dan ilmu sosial, maupun pemasaran seperti prediksi
kecenderungan pelanggan untuk membeli suatu produk atau berhenti berlangganan.
Regresi logistik multinomial (nominal dan ordinal) merupakan salah satu pendekatan pemodelan
yang dapat digunakan untuk mendeskripsikan hubungan beberapa variabel kovariat X dengan
suatu variabel respon multinomial (polytomous). Model regresi logistik nominal digunakan ketika
tidak ada urutan di antara kategori respon ordinal.
Sebelum melakukan uji regresi logistik, variabel yang akan di uji memenuhi asumsi dibawah ini:
1. Assumsi #1: dependent variable berukuran skala nominal dichotomous. Misalnya jenis
kelamin: laki-laki dan perempuan. Status kesehatan: sakit dan sehat.
2. Assumsi #2: independent variable memiliki dua atau lebih variabel, baik berskala
continuous (i.e., an interval or ratio variable) atau categorical (ordinal atau nominal
variable).
3. Assumsi #3: independence of observations
Uji Hosmer and Lemeshow ini digunakan untuk menguji ada tidaknya keadaan
multikolinearitas sebagai alat uji goodness for fit to test, untuk menguji parameter
model, dan mengetahui kelayakan melakukan logistik regresi, bilamana hasil uji khi-
Contoh, uji regresi logistik untuk memprediksi perilaku predictor: jenis kelamin, tingkat
pendidikan, pengalaman kerja dan sikap terhadap tingkat kepatuhan cuci tangan pada
perawat.
1. Variabel dependen – Tingkat Kepatuhan dengan jawaban patuh dan kurang patuh.
2. Variabel prediktor – Jenis kelamin (laki dan perempuan), Tingkat pendidikan (D3, dan S1),
Pengalaman kerja, Sikap.
Bila pendidikan perawat tinggi, jenis kelamin laki-laki, pengalaman kerja tinggi, dan sikap
positif maka kepatuhan cuci tangan akan baik/patuh.
Harapan kepatuhan cuci tangan bila nilai 0 adalah rendah/tidak patuh bila nilai 1 artinya
baik/patuh.
Contohnya:
Memahami interaksi antara jenis kelamin dan tingkat pendidikan perawat terhadap tingkat
kepatuhan cuci tangan.
Jenis Kelamin
Tingkat Kepatuhan
cuci tangan
Pendidikan
7. Pada aera –Change Contrast– , rubah Reference Category: dari Last option ke First option.
Lalu tekan , dan tekan . Maka akan kembali ke dialog box Logistic
Regression.
8. Tekan akan muncul dialog box Logistic Regression: Options:
9. Pada –Statistics and Plots– area di centang:
a. Classification plots,
b. Hosmer-Lemeshow goodness-of-fit,
c. Casewise listing of residuals,
d. CI for exp(B): 95%.
e. Pada area –Display– centang At last step.
10. Tekan , maka akan kembali ke dialog Logistic Regression lalu tekan .
Lihat hasil di output.
11
Kesimpulan:
1,253 1,253
Odd Ratio 0 Sikap negatif= 1−1,253 = −0,253 = −4,9526=-495,26% artinya yang memiliki
sikap negatif probabilitas kepatuhan cuci tangan hanya sebesar -495,257% (probabilitas
negatif).
𝑌 0,69
Odd Ratio 1 Sikap positif = 1−(1,253±0,943) = 1−0,69 = 0,4493 = 44,93%, artinya yang
memiliki sikap positif, maka probabilitas kepatuhan cuci tangan, hanya sebesar 44,93%.
13
Pengantar
MANOVA sebagai perkembangan dari analysis data dengan uji dua arah ANOVA. Pada dua arah
ANOVA yang di analysis adalah dua variabel yaitu DV= “dependent variable” yang berskala
kontinyu (interval atau rasio) dan IV= “independent variable”, dimana IV merupakan skala
nominal atau ordinal lebih dari dua kategori.
UJI ONE-WAY MANOVA adalah perkembangan analysis data dua jalan (two-way ANOVA) pada
situasi dimana variabel dependent yang akan di uji lebih dari satu variabel atau dengan kata lain
menguji hubungan antara satu IV =”independent variable” diujikan terhadap dua
DV=”Dependent variable”, apakah ada efek atau dampak atau pengaruhnya maka MANOVA
adalah satu jalan untuk menganalysis ketiga variabel tersebut.
1
Thursday, 27 July, 2017
Contoh, apakah intervensi pelatihan cuci tangan mempengaruhi sikap dan kepatuhan cuci tangan
pada perawat maka variabel yang harus di analysis adalah sebagai berikut:
1. IV yang berskala kategorik (nominal atau ordinal) hanya satu yaitu: pelatihan yang terdiri
dari “Ikut pelatihan” dan “tidak ikut pelatihan”.
2. DV yang berskala kontinyu (interval atau rasio) terdiri dari dua yaitu:
a. Variabel Skor sikap
b. Variabel Skor kepatuhan
Sikap
Pelatihan
Kepatuhan
ONE WAY MANOVA bisa dilakukan bila variabel yang akan di analysa memenuhi persyaratan
berbagai asumsi dibawah ini.
Asumsi-asumsi
o Assumsi #1: dua atau dependent variables dengan skala ukur interval or ratio level.
o Assumsi #2: independent variables terdiri dari 2 atau kategorik.
o Assumsi #3: independence of observations, tidak ada relationship di masing-masing grup
pengamatan.
o Assumsi #4: cukup besarnya sample.
o Assumsi #5: tidak ada outliers.(boxplots dan Mahalanobis distance).
o Assumsi #6: multivariate normality. (Shapiro-Wilk test of normality)
2
Thursday, 27 July, 2017
o Assumption #7: linear relationship pada dependent variables dan kombinasi dg
independent variables. (scatterplot matrix)
o Assumption #8: homogeneity (using Box's M Test of Equality of Covariance
Matrices.)
o Assumption #9: Tidak ada multicollinearity.
Prosedur analysis multivariate dengan UJI MANOVA dua jalan (twoway ANOVA) pada situasi
dimana varaibel yang di uji lebih dari sat.
Langkah langkah:
1. Tujuan: menguji dampak pelatihan cuci tangan terhadap sikap dan kepatuhan cuci
tangan. Variabel yang di teliti adalah:
a. Variabel Sikap, Variabel kepatuhan sebagai “DV” skala kotinyu.
b. Variabel pelatihan di bagi dalam dua kelompok, Ikut dan Tidak ikut sebagai “IV”
skala nominal dua kategori.
2. Alat uji: MANOVA 1 way
3. Hipotesa:
a. Ho: Pelatihan tidak mempengaruhi sikap dan kepatuhan perawat terhadap cuci
tangan.
b. Ha: Pelatihan tidak mempengaruhi sikap dan kepatuhan perawat terhadap cuci
tangan
4. Alpha: 5%
5. Pilih analyze, GLM, multivariate
6. Masukan vareiabel sikap dan kepatuhan ke dalam dependent variabel.
7. Masukan variabel pelatihan ke dalam Fixed factor variabel.
8. Klik Plot masukan variabel pelatihan ke dalam Horizontal Axis lalu Plot Add tekan
continue.
3
Thursday, 27 July, 2017
9. Klik Post hoc, masukan factor variabel Pendidikan ke dalam box Post Hoc Test, lalu
centang pilih Turkey Test. Tekan continue.
10. Klik Option, lalu masukan factor pendidikan ke dalam display mean dan centang pilih
a. Descriptive statistics
b. Estimates of effect size
c. Observed
d. Homogeneity test
11. Klik continue dan tekan OK.
Lihat hasilnya:
Box's M 1.382
F .449
df1 3
df2 51561.453
Sig. .718
4
Thursday, 27 July, 2017
Levene's Test of Equality of Error Variancesa
Homogeneity test – levene’s test sikap sig 0,377 dan kepatuhan sig 0,466 keduanya
memiliki karakter signifikansi (P>0,05), maka kedua variabel menunjukan homogen.
Maka selanjutnya bisa dilakukan analisa MANCOVA.
Tests of Between-Subjects Effects
Source Dependent Type III Sum df Mean F Sig. Partial Noncent. Observ
Variable of Squares Square Eta Parameter ed
Squared Powerc
Estimates of effect
Pada table Tests of Between-Subjects Effects menunjukan dampak pelatihan terhadap
sikap cuci tangan sebesar F 67,2% Sig. 0,414 (P>0,05) tidak significant. Dampak
pelatihan cuci tangan terhadap kepatuhan cuci tangan, sebesar F 2,6% sig. 0,0872 (p>
0,05) tidak signifikan.
5
Thursday, 27 July, 2017
Multivariate Testsa
Pillai's Trace .998 36292.712b 2.000 131.000 .000 .998 72585.425 1.000
Wilks' Lambda .002 36292.712b 2.000 131.000 .000 .998 72585.425 1.000
Intercept
Hotelling's Trace 554.087 36292.712b 2.000 131.000 .000 .998 72585.425 1.000
Roy's Largest Root 554.087 36292.712b 2.000 131.000 .000 .998 72585.425 1.000
Pillai's Trace .005 .341b 2.000 131.000 .712 .005 .682 .104
Wilks' Lambda .995 .341b 2.000 131.000 .712 .005 .682 .104
Pelatihan
Hotelling's Trace .005 .341b 2.000 131.000 .712 .005 .682 .104
Roy's Largest Root .005 .341b 2.000 131.000 .712 .005 .682 .104
Pada table Multivariate Tests Multivariate test dg Wilks’ Lambda: dampak pelatihan cuci
tangan terhadap sikap dan kepatuhan cuci tangan sebesar F 34,1% Sig 0,712 (P>0,05),
tidak significant. Kedua variabel independent tidak dipengaruhi oleh variabel pelatihan.
Kesimpulan:
6
Thursday, 27 July, 2017
Kesimpulan:
7
Thursday, 27 July, 2017
Uji Multivariat: ANOVA 2 Faktor
(studi kasus pengaruh jenis kelamin dan
tingkat pendidikan terhadap kepatuhan
cuci tangan pada perawat)
Oleh Sobur Setiaman
Tujuan
Pengantar
Two-way ANOVA atau lebih di kenal dengan analysis 2 faktor adalah metoda analisis 2 faktor
atau 2 variabel terhadap terhadap nilai rata-rata variabel dependent.
Tujuan analysis 2 faktor adalah untuk memahami interaksi antara dua variabel independent
sebagai variabel factor, terhadap dependent variabel yang berskala interval / scale.
Metode Tukey digunakan dalam ANOVA untuk membuat interval kepercayaan untuk semua
perbedaan berpasangan antara tingkat faktor sambil mengontrol tingkat kesalahan ke tingkat yang
Anda tentukan.
1
Update: 25/07/2017
Hal ini penting untuk mempertimbangkan tingkat kesalahan ketika membuat beberapa
perbandingan karena peluang Anda untuk membuat kesalahan tipe I untuk serangkaian
perbandingan lebih besar dari tingkat kesalahan untuk setiap satu perbandingan saja.
Untuk mengatasi tingkat kesalahan ini lebih tinggi, metode Tukey akan menyesuaikan tingkat
kepercayaan untuk setiap interval individu sehingga mengakibatkan tingkat kepercayaan yang
simultan adalah sama dengan nilai yang Anda tentukan.
Contohnya:
Memahami interaksi antara jenis kelamin dan tingkat pendidikan perawat terhadap kepatuhan cuci
tangan.
Jenis Kelamin
Skor Kepatuhan
cuci tangan
Pendidikan
2
Update: 25/07/2017
Sebelum melakukan uji 2 faktor ini, harus melewati beberapa asumsi sebagai berikut:
1. Tujuan: menganalisa interaksi antara variabel jenis kelamin dan tingkat pendidikan
terhadap kepatuhan cuci tangan pada perawat.
1. Varibel jenis kelamin (Skala nominal):
o 1. Laki-laki
o 2 perempuan
2. Variabel tingkat pendidikan (Skala ordinal):
o 1. D3
o 2. S1
o 3. S2
3. Variabel dependent: skor kepatuhan berskala interval/scale.
4. Click Analyze > General Linear Model > Univariate
3
Update: 25/07/2017
Univariate dialog:
dependent variable, Skore kepatuhan , into the Dependent Variable: Jenis kelamin dan
Pendidikan dim asukan ke dalam box Fixed Factor(s)
4
Update: 25/07/2017
Jenis kelamin dari box Factors: masukan ke Horizontal Axis: Pendidikan , masukan
Tukey test digunakan untuk menguji homogenitas. LSD (Least Square difference)
juga digunakan untuk menguji homogenitas.
5
Update: 25/07/2017
Masukan JK, Pend dan JK*Pend dari box Factor(s) and Factor Interactions: ke dalam box Display
Means for: di box –Display– , pilih centang Descriptive Statistics . Lalu tekan dan tekan
maka akan keluar output report.
1. Descriptive statistics
2. ANOVA between-subjects effects
3. Tukey post hoc tests (multiple comparisons)
4. Plot of the results
6
Update: 25/07/2017
Descriptive statistics
Analisa deskriptif variable factors: Pada tabel deskriptif menggambarkan nilai rata-rata dan
standar deviasi masing-masing kategori.
7
Update: 25/07/2017
Levene's Test of Equality of Error Variancesa
Tests the null hypothesis that the error variance of the dependent variable is
equal across groups.
Homogenity test variabel dependent: Pada table Levene’s Test, digunakan untuk menganalisa
ekualitas/homogenitas data variabel dependen yaitu variabel kepatuhan, pada hasil uji signifikasi
menunjukan angka 0,070 (0,7% > 0,5%) ini mengindikasikan bahwa data kepatuhan bersifat equal
atau homogen.
Plot results
The plot nilai rata-rata kepatuhan kombinasi terhadap variabel pendidikan dan jenis kelamin.
Garis tingkat pendidikan tidak paralel, menunjukan adanya interaksi yang signifikan dengan jenis
kelamin dan pendidikan terakhir.
8
Update: 25/07/2017
Signifikansi pada two-way ANOVA
2 way ANOVA – menganalysis dua variabel independent terhadap variabel dependent, apakan ada
interaksi signifikan atau tidak, akan ditunjukan oleh Tests of Between-Subjects Effects. Tests of
Between-Subjects Effects akan menggambarkan dampak jenis kelamin dan tingkat pendidikan
terhadap rata-rata kepatuhan cuci tangan. Pada test ini akan di identifikasi variabel manakah yang
memberikan dampak/interaksi secara signifikan.
Analisa interaksi (Effect): Interaksi antara "JK", "Pend" dan "JK*Pend" dalam kotak akan
menunjukan tingkat signifikansi interaksi di ketiga variabel tersebut:
Interaksi antara Jenis kelamin dengan kepatuhan (F=9,742) sig.0,002 (p=0,05) indikasi
signifikan.
Interaksi antara pendidikan dengan kepatuhan (F=19,553) sig. 000 (p=0,05) indikasi
signifikan.
Interaksi jenis kelamin dan pendidikan terhadap kepatuhan (3,693) sig. 0,028 indikasi
signifikan.
9
Update: 25/07/2017
Post hoc tests
Tukey‟s HSD (Honestly Significant Difference) test dirancang untuk melakukan perbandingan
mean antar kelompok pada semua tingkat signifikansi tes. Tes ini jauh lebih kuat dibandingkan
Scheffe‟s test, namun tidak dapat digunakan untuk menguji perbandingan yang bersifat kompleks.
Pada bagian ini, yang akan kita cari adalah grup/subset mana saja yang mempunyai perbedaan
mean yang tidak signifikan.
TPatuh
Tukey HSD
1 2
D III 90 24.4889
S2 13 25.4615
S1 31 25.9032
Sig. 1.000 .181
Analisa post hoc test: Terlihat bahwa sampel terbagi ke dalam 2 subset, yang menunjukkan bahwa
ada 2 level pendidikan yaitu S2 dan S1 memiliki mean kepatuhan yang tidak terlalu berbeda secara
nyata. Mean dari pendidikan DIII berbeda secara signifikan dengan pendidikan S1 dan S2. Namun
dari informasi diatas, terlihat bahwa rata-rata kepatuhan cuci tangan padaa perawat dengan
pendidikan DIII tergolong lebih rendah, jauh dibawah rata-rata kepatuhan pendidikan S1 dan S2.
10
Update: 25/07/2017
Multiple Comparisons
Perbandingan interaksi: Interaksi kepatuhan cuci tangan pada perawat yang berpendidikan S1
dengan S2 (p < 0,283) tidak signifikan, sedangkan interaksi kepatuhan antara pendidikan S1
dengan DIII dan S2 dengan DIII (p=0,05) mengindikasikan adanya signifikan.
Kesimpulannya
Tabel Analysis Multivariat
Variabel Jenis Kelamin, pendidikan dan Kepatuhansample(n=134)
11
Update: 25/07/2017
Hasi uji 2 way ANOVA menunjukan Interaksi variabel jenis kelamin dan pendidikan terhadap
kepatuhan (3,693) sig. 0,028 (p=0,05) signifikan, tapi interaksi yang berpendidikan S1 dengan S2
terhadap kepatuhan (p > 0,283) tidak signifikan.
12
Update: 25/07/2017
DAFTAR PUSTAKA
1. Cara Menghitung Uji Validitas Dan Uji Reliabilitas Instrumen Skripsi Kuantitatif dengan
SPSS. Diakses dari http://devamelodica.com/cara-menghitung-uji-validitas-dan-uji-
reliabilitas-instrumen-skripsi-kuantitatif-dengan-spss/
2. UJI VALIDITAS KUISIONER. Diakses dari
http://duwiconsultant.blogspot.com/2011/11/uji-validitas-kuisioner.html
3. Uji validitas dan Uji Reliabilitas. Diakses dari
http://elearning.gunadarma.ac.id/docmodul/diklat_kursus_spss/d.Bab_II_Uji_Validitas_d
an_Uji_Reliabilitas.pdf
4. VALIDITAS DAN RELIABILITAS. Diakses dari
http://merlitafutriana0.blogspot.com/p/validitas-dan-reliabilitas.html
5. ANALISIS UJI VALIDASI DAN RELIABILITAS INSTRUMEN KUESIONER. Diakses
dari http://www.slideshare.net/rachmatstatistika/uji-validitas-dan-reliabilitas
6. Korelasi Product Moment. Diakses dari
http://elemetafor.Weebly.com/uploads/1/1/7/8/11788213/tugas_statistik_pendidikan_sadr
iadi.docx
acakadut.blogspot.com/2012/05/normal-0-false-false-false-in-x-none-x.html
http://www.academia.edu/5170798/Uji_Validitas_Dan_Reliabilitas