Modul Keperawatan Biostat

2015
3333
MODUL PRAKTIKUM
BIOSTATISTIK
POLTEKKES KEMENKES PONTIANAK

JURUSAN KEPERAWATAN SINGKAWANG
KATA PENGANTAR
Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa karena atas
karunia dan rahmat-Nya kami dapat menyelesaikan modul praktik keperawatan
yag berjudul “Modul Praktikum Biostatistik.”
Kami berharap modul praktik keperawatan ini dapat memotivasi para
mahasiswa/i lain dalam mata kuliah ini. Kami menyadari bahwa modul praktik
keperawatan kami masih terdapat banyak kekurangan. Oleh karena itu, kami
sangat mengharapkan masukan-masukan yang bersifat membangun, yaitu berupa
kritikan dan saran yang konstruktif demi memperbaiki dan penyempurnaan
pembuatan modul praktik keperawatan kami selanjutnya. Akhir kata kami
ucapkan terima kasih.
Singkawang, 16 Januari 2015

PENDAHULUAN
DEKSRIPSI SINGKAT, RELEVANSI, TUJUAN PEMBELAJARAN,
PETUNJUK BELAJAR
A. DESKRIPSI SINGKAT
Selamat mempelajari dan berlatih keterampilan keperawatan anak yang
menyenangkan dengan membaca modul praktikum di laboratorium yang
merupakan kelanjutan dari materi asuhan keperawatan pemenuhan kebutuhan
dasar manusia yang telah anda pelajari di kelas. Metode yang digunakan dalam
praktikum ini demonstrasi da simulasi serta praktek langsung dengan
menggunakan phantom atau teman sendiri.
Keperawatan anak merupakan unsur-unsur yang dibutuhkan oleh manusia
dalam mempertahankan keseimbangan fisiologi maupun psikologi.
B. RELEVANSI
Latihan keterampilan di laboratorium keperawatan merupakan bahan
kegiatan belajar mengajar mata kuliah keterampilan keperawatan klinik yang
terdiri dari teori dan praktikum di laboratorium sebelum mahasiswa turun ke
tatanan praktek baik Rumah Sakit Maupun Puskesmas.
C. TUJUAN PEMBELAJARAN
1. Tujuan pembuatan modul praktik agar mahasiswa dapat terarah dalam
praktikum biostatistik
2. Tujuan praktikum laboratorium mahasiswa dapat :
a. Terampil dalam memasang infus bayi
b. Terampil dalam merawat tali pusar
c. Terampil dalam memandikan bayi
d. Terampil dalam merawat bayi dan inkubator
D. PETUNJUK BELAJAR
Latihan keterampilan dilaboratorium keperawatan dapat dilakukan berkali
kali sesuai dengan waktu yag tersedia 16 jam, kemudian anda dapat mencoba
sendiri dengan membaca pedoman praktikum, kemudian diskusi dengan teman
dan meminta bantuan teman menilai keterampilan dengan menggunakan
penilaian penampilan, bila ada kesulitan silahkan anda menghubungi
pembimbing anda untuk mensimulasikan tindakan yang akan dipelajari. Bila ada
sudah merasa mampu silahkan mempersiapkan diri untuk mengikuti ujian
praktikum. Selamat berlatih semoga bermanfaat buat kita dan klien yang
membutuhkan.
ANALISA DATA
Deskriptif Inferensial
/Induktif/Analitik
Jika Data Berbentuk

Pengujian Hipotesis
Numerik maka ukuran
Assosiatif
yang digunakan :
Komparatif
1.Tedensi Sentral (Mean,
Median dan Modus)
2.Dispersi (Range, Mean
Deviation, Variance,
Standart Deviation)
Jika Data Berbentuk
Katagorik maka ukuran
yang digunakan :
Presentase atau Proporsi.
Kegiatan Belajar 1
ANALISA DATA UNIVARIAT (PENELITIAN DESKRIPTIF)
Pada analisis univariat ada dua jenis data yang harus diperhatikan yaitu
apakah data tersebut merupakan jenis data katagori atau data
numeric. Jika data tersebut katagorik maka pengukuran yang
digunakan jumlah atau frekuensi tiap variable (n) dan presentase tiap
variable (%) yang umumnya disajikan dalam bentuk table atau grafik.
A. Contoh Penyajian data katagorik dalam bentuk tabel

Variabel n %
Jenis kelamin
Laki-laki 51 42,5
Perempuan 69 57,5
Perilaku seksual remaja
Ringan 82 68,3
Berat 38 31,7
Hubungan dengan orangtua
Tinggi 49 40,8
Rendah 71 59,2
Pengetahuan agama
Tinggi 96 80,0
Rendah 24 20,0
Perilaku teman sebaya
Tinggi 68 56,7
Rendah 52 43,3
Jika data dengan jenis numeric maka pengukuran yang lazim digunakan
adalah ukuran pemusatan dan ukuran penyebaran. Ukuran pemusatan
yaitu mean, median dan modus. Sedangkan ukuran penyebaran terdiri
dari standar deviasi, varians, koefisien varians, interkuartil, range
maksimum dan minimum. Bila data berdistribusi normal maka mean
dapatdigunakan sebagai ukuran pemusatan dan standar deviasi sebagai
ukuran penyebaran. Bila data tidak berdistribusi normal maka ukuran
yang digunakan median sebagai ukuran pemusatan dan minimum –
maksimum sebagai ukuran penyebaran. Data dengan jenis data numerik
umumnya disajikan dalam bentuk tabel distribusi frekuensi dan grafik
(histogram dan plots).
B. Contoh Analisa data dengan jenis data Katagorik
Suatu penelitian deskriptif yang berjudul “Gambaran Pengetahuan Remaja

Tentang Bahaya Merokok”. Jumlah responden 20 orang. Skor nilai yang
diperoleh responden
R1= 12, R2= 8, R3= 13, R4= 11, R5= 10, R6= 9, R7= 15, R8= 14, R9= 7, R10= 6,
R11= 12, R12= 11, R13= 12, R14= 13, R15= 14, R16= 10, R17= 8, R18= 10,
R19= 5, R20= 8.
Keterangan : R = Responden
: Dikatakan baik apabila nilai > 76, Dikatakan cukup apabila nilai
56 – 76
& Dikatakan kurang apabila nilai < 56.
Pertanyaan :
a. Hitunglah jumlah responden yang berkategori baik, cukup, dan kurang (data
kategori)
b. Hitunglah masing – masing prosentase dari masing – masing kategori
Jawaban :
Penyelesaian Analisa data adalah sebagai berikut:
Rumus untuk menghitung skor pengetahuan setiap responden adalah :
𝐱
S = 𝐧 x 100
Keterangan : S = skor nilai

x = jumlah soal yang benar
n = jumlah total skor
Rumus untuk mencari kategori (baik,cukup & kurang) dalam persen
adalah :
𝐅
P = 𝐍 x 100%
Keterangan : P = Presentasi
F = Frekuensi
N = Jumlah total responden
Kategori ada 3 :
a. Baik
Dikatakan baik apabila nilai > 76
b. Cukup
Dikatakan cukup apabila nilai 56 – 76
c. Kurang
Dikatakan kurang apabila nilai < 56
12
a. SR1 = 15 X 100 = 80
8
SR2 = 15 X 100 = 53,33
13
SR3 = 15 X 100 = 86,67
11
SR4 = 15 X 100 = 73,33
10
SR5 = 15 X 100 = 66,67
9
SR6 = 15 X 100 = 60
15
SR7 = 15 X 100 = 100
14
SR8 = 15 X 100 = 93,33
7
SR9 = 15 X 100 = 46,67
6
SR10 = 15 X 100 = 40
12
SR11 = 15 X 100 = 80
11
SR12 = 15 X 100 = 73,33
12
SR13 = 15 X 100 = 80
13
SR14 = 15 X 100 = 86,63
14
SR15 = 15 X 100 = 93,33
10
SR16 = 15 X 100 = 66,67
8
SR17 = 15 X 100 = 53,33
10
SR18 = 15 X 100 = 66,67
5
SR19 = 15 X 100 = 33,33
8
SR20 = 15 X 100 = 53,33
Jadi jumlah yang berkategori baik, cukup dan kurang adalah :

Baik =8
Cukup = 6
Kurang= 6
b. Prosentase sesuai kategori
8
1) Baik : P = 20 X 100 % = 40%
6
2) Cukup : P = 20 X 100 % = 30%
6
3) Kurang: P = 20 X 100 % = 30%
1. Dalam suatu penelitian deskriptif yang berjudul “Gambaran Pengetahuan Ibu

Dalam Penanggulangan DHF Di Rumah”. Pada instrumen
penelitianmenggunakan skala likert terdapat 4 item: Sangat setuju (SS) = 4,
Setuju (S)= 3, Tidak Setuju (TS)= 2, Sangat Tidak Setuju (STS)= 1.
Jumlah soal ada 10 sedangkan jumlah responden ada 20.
Kategori
Responden Sangat Setuju Tidak Setuju Sangat Tidak
Setuju (S)
(SS) (TS) Setuju (STS)
Responden 1 4 4 3 0
Responden 2 5 3 2 0
Responden 3 3 2 4 1
Responden 4 6 3 0 1
Responden 5 5 3 1 1
Responden 6 5 3 0 2
Responden 7 8 2 0 0
Responden 8 4 3 3 0
Responden 9 7 3 0 0
Responden 10 4 2 2 2
Pertanyaan :
a. Hitunglah masing – masing skor beserta kategorinya
b. Hitunglah prosentase dari masing – masing kategori
Jawaban :
a. Skor masing – masing responden
Jumlah soal 10, total skor = 40
(SS x 4) + (S x 3) + (TS x 2) + (STS x 1)
Dari keterangan diatas didapat skor nilai masing-masing responden :
SR1 = 16 + 12 + 6
34 SR13 = 28 + 6 + 1
= 40 X 100 = 85
35
SR2 = 20 + 9 + 4 = 40 X 100 = 87,5
33 SR14 = 12 + 9 + 4 + 2
= 40 X 100 = 82,5
27
SR3 = 12 + 6 + 4 = 40 X 100 = 67,5
26 SR15 = 24 + 9 + 2
= 40 X 100 = 65
35
SR4 = 24 + 9 + 1 = 40 X 100 = 87,5
34
= 40 X 100 = 85 SR16 = 20 + 9 + 2
31
SR5 = 20 + 9 + 1 = 40 X 100 = 77,5
32
= 40 X 100 = 80 SR17 = 32 + 3 + 2
37
SR6 = 20 + 9 + 2 = 40 X 100 = 92,5
31
= 40 X 100 = 77,5 SR18 = 24 + 6 + 4
34
SR7 = 32 + 6 = 40 X 100 = 85
38
= X 100 = 95 SR19 = 28 + 6 + 1
40
35
SR8 = 16 + 9 + 6 = 40 X 100 = 87,5
31
= 40 X 100 = 77,5 SR20 = 28 + 6 + 2
36
SR9 = 28 + 9 = 40 X 100 = 90
37
= 40 X 100 = 92,5
Jumlah responden sesuai kategori
SR10 = 16 + 6 + 4 + 2
28 Baik = 17
= 40 X 100 = 70
Cukup = 3
Kurang= 0
SR11 = 20 + 9 + 4
c. Prosentase sesuai kategori
33
= 40 X 100 = 82,5 17
1) Baik : P = 20 X 100 % = 85%
SR12 = 32 + 6 3
38
4) Cukup : P = 20 X 100 % = 15%
= 40 X 100 = 95
5) Kurang : 0%
SOAL - SOAL LATIHAN
1. Dalam suatu penelitian deskriftif yang bejudul gambaran pengetahuan ibu tentang
pemberian ASI. Jumlah responden ada 10. Pada instrumen pengetahuan terdapat
10 soal dan ada 3 kategori, yaitu Baik = jika skor > 76, Cukup = jika skor 56 - 76,
Kurang = jika skor < 56.
Nilai responden sebagai berikut :
a) R1 = 9
b) R2 = 8
c) R3 = 6
d) R4 = 5
e) R5 = 7
f) R6 = 9
g) R7 = 8
h) R8 = 5
i) R9 = 6
j) R10 = 4
A. Hitunglah responden yang berkategori Baik, Cukup, Kurang !
B. Hitunglah masing – masing prosentase dari masing – masing kategori !
2. Dalam suatu penelitian deskriftif yang berjudul gambaran gambaran pengetahuan siswa SMA
tentang seks bebas, jumlah responden 10 orang pada instrumen penelitian menggunakan
skala likert terdapat 4 item Sangat setuju (SS) jika skor = 4, setuju (S) jika skor = 3, tidak
setuju (TS) jika skor = 2, sangat tidak setuju (STS) jika skor = 1.
Ada 3 kategori yaitu : baik jika skor = >76 , cukup jika skor = 56-76 , kurang jika skor = <56.
Jumlah soal 10.
Berikut skor responden :
a) R1 SS = 5 S=3 TS= 1 STS = 1
b) R2 SS = 6 S=2 TS = 2 STS = 0
c) R3 SS = 3 S= 2 TS = 2 STS = 2
d) R4 SS = 5 S=2 TS = 2 STS = 1
e) R5 SS = 6 S=3 TS = 1 STS = 0
f) R6 SS = 1 S=3 TS = 3 STS = 3
g) R7 SS = 5 S=1 TS = 3 STS = 1
h) R8 SS = 2 S=3 TS = 3 STS = 2
i) R9 SS = 5 S=3 TS = 1 STS = 1
j) R10 SS = 2 S=6 TS = 1 STS = 1
A. Hitunglah skor beserta kategori !

B. Hitunglah % masing – masing kategori !
C. Contoh Penyajian data dengan jenis data Numerik
Variabel Rerata Median Simpangan Minimum Maksimum
Baku
Usia 35,2 36,1 11,2 16 67
Lama Hari 12,1 10 7,33 18 61

dirawat
D. Contoh Analisa data dengan jenis data Numerik

Data hasil Nilai atau Skore Ujian Akhir Semester Mahasiswa Keperawatan Mata kuliah
Keperawatan Anak
22 62 79 31 47 74 50 61 82 41
80 77 81 95 38 63 92 85 50 76
54 11 64 75 78 23 80 98 81 67
35 60 83 48 68 70 88 65 74 44
72 78 89 76 84 58 84 90 18 79
35 68 19 82 66 74 65 80 85 72
Mean
Interval Nilai Tengah
Frekuensi fX
Kelas (X)
8-20 14 3 42
21-33 27 3 81
34-46 40 5 200
47-59 53 6 318
60-72 66 14 924
73-85 79 19 1501
86-98 92 10 920
Σf = 60 fX 3986 ΣfX = 3986

X   66,43
f 60
MEDIAN
 n 
 -F
Med  L 0  c  2 
 f 
 
 
L 0  batas bawah kelas median
F  jumlah frekuensi semua kelas sebelum
kelas yang mengandung median
f  frekuensi kelas median
Interval Kelas Frekuensi
8-20 3
21-33 3
34-46 5
47-59 6
60-72 14
73-85 19
86-98 10
Σf = 60
Letak median ada pada data ke 30, yaitu pada interval 60-72, sehingga :
L0 = 59,5
F = 17
f = 14
 60 
 - 17 
Med  59,5  13  2   71,57
Modus  14 
 
 
Untuk data berkelompok
 b1 
Mod  L 0  c  
 b1  b 2 
L 0  batas bawah kelas modus
b1  selisih antara frekuensi kelas modus dengan
frekuensi tepat satu kelas sebelum kelas modus
b 2  selisih antara frekuensi kelas modus dengan
frekuensi tepat satu kelas sesudah kelas modus
8-20 3
21-33 3
34-46 5
47-59 6
60-72 14
73-85 19
86-98 10
Σf = 60
Data yang paling sering muncul adalah pada interval 73-85, sehingga :
L0 = 72,5 (batas bawah kls Mo)
 5 
b1 = 19-14 = 5 Mod  72,5  13    77,14
59
b2 = 19-10 = 9
Interval
X f
Kelas
8-20 14 3 52,43 157,29

21-33 27 3 39,43 118,29
34-46 40 5 26,43 132,15
47-59 53 6 13,43 80,58
60-72 66 14 0,43 6,02
73-85 79 19 12,57 238,83
86-98 92 10 25,47 254,7
Σf = 60 987,86
SIMPANGAN RATA-RATA
987,86
SR   16,46
60
VARIANSI & STANDARD DEVIASI
Interval Kelas X F X-X X - X  2


f X-X 
2
8-20 14 3 52,43 2748,9 8246,7

21-33 27 3 39,43 1554,7 4664,1
34-46 40 5 26,43 698,54 3492,7
47-59 53 6 13,43 180,36 1082,1
60-72 66 14 0,43 0,184 2,5886
73-85 79 19 12,57 158,00 3002
86-98 92 10 25,47 648,72 6487,2
Σf = 60 26977,38
26977,38
S2   457,24
60 - 1
S  457,24  21,38
SOAL
1.Data dibawah ini merupakan skore tingkat pengetahuan responden tentang penyakit
jantung koroner sebanyak 60 responden di rumah sakit Abdul Aziz Singkawang. Susunlah
data di bawah ini dalam bentuk tabel distribusi frekuensi :
70 60 79 32 57 74 52 23 82 76
77 80 89 95 41 65 92 85 55 36
52 10 64 75 78 25 80 98 67 81
64 71 83 54 41 72 88 62 74 43
60 78 81 76 84 48 84 90 15 79
34 67 17 82 69 74 63 61 85 80
2.Hitunglah tendensi sentral (ukuran pemusatan data) : mean, median beserta

modus (mode) pada data dibawah ini !
8-20 3
21-33 3
34-46 5
47-59 6
60-72 14
73-85 23
86-98 6
3. Hitunglah mean deviasi pada data dibawah ini !
Interval Kelas X F X-X f X-X
8-20 14 3 51,57 154,71

21-33 27 3 38,57 115,71
34-46 40 5 25,57 127,85
47-59 53 6 12,57 75,42
60-72 66 14 0,43 6,02
73-85 79 23 13,43 308,89
86-98 92 6 26,43 158,58
Σf = 60 947,18
ANALISA DATA BIVARIAT (PENELITIAN ANALITIS)

Penelitian adalah Kegiatan pengumpulan, pengolahan, analisis, dan penyajian data yang
dilakukan secara sistematis dan objektif untuk memecahkan suatu persoalan atau menguji
suatu hipotesis untuk mengembangkan prinsip-prinsip umum.
PENELITIAN
HIPOTESIS PENELITIAN ( SECARA STATISTIK &

SECARA TEORITIS)
HARUS DIUJI PERNYATAAN SECARA STATISTIK

HIPOTESIS TERSEBUT
UJI STATISTIK
Hipotesis secara statistic adalah sebagai suatu metode ilmiah yang dapat digunakan
sebagai alat bantu dalam mengambil keputusan, mengadakan analisis data hasil
penelitian dan lain - lain.
A. JENIS HIPOTESIS
Ada 2 jenis hipotesis yaitu pertama hipotesis komparatif (perbedaan) yaitu beda
proporsi atau beda mean. Kedua hipotesis korelatif / assosiatif (hubungan).
1. CONTOH HIPOTESIS KOMPARATIF

(UJI BEDA PROPORSI) – (DATA KATAGORIK/NONPARAMETRIK)
Hipotesis null : Tidak terdapat perbedaan status gizi anak dibina posyandu dengan anak
yang tidak dibina oleh posyandu.
Variabel status gizi, kategori terdiri dari: baik, cukup dan kurang
Hipotesis Altrernatif : ada perbedaan tingkat prestasi mahasiswa akbid yang tidur di
asrama dan di luar asrama
Variabel tingkat prestasi, kategori = baik, cukup dan kurang
2. CONTOH HIPOTESIS KOMPARATIF

(UJI BEDA MEAN) – (DATA NUMERIK/PARAMETRIK)
Hipotesis Alternatif : ada perbedaan berat badan bayi pada ibu merokok dan tidak
merokok.
Hipotesis Null : tidak ada perbedaan skor depresi dengan skor ansietas (hipotesis nol)
3. CONTOH HIPOTESIS ASSOSIATIF

Hipotesis Alternatif : Ada hubungan antara pengetahuan dengan perawatan payudara
Hipotesis Null : Tidak ada hubungan antara pengetahuan dengan perawatan payudara
B. UJI STATISTIK
1. uji beda
uji beda proporsi nonparametrik (data katagorik)
uji beda mean parametrik (data numerik)
2. uji assosiatif/uji korelasi
nonparametrik (data katagorik)
parametrik (data numerik)
C. CONTOH JUDUL PENELITIAN
contoh uji beda proporsi (non parametrik)

“perbedaan status pekerjaan ibu dengan kejadian diare”
status pekerjaan =
1. bekerja
2. tidak bekerja
(variabel independent)
kejadian diare =
1.diare
2. tidak diare
(variabel dependent)
• contoh uji beda mean (parametrik)

• perbedaan berat badan bayi pada ibu merokok dan tidak merokok
berat badan bayi = rasio
variabel independent
merokok , tidak merokok = nominal

variabel dependent
• perbedaan skor depresi dengan skor ansietas

• skor depresi = rasio (numerik)
variabel independent
• skor ansietas = interval (numerik)

variabel dependent
KESIMPULAN
• uji non parametrik : menggunakan data katagorik

• uji parametrik : menggunakan data numerik
Nominal
(mann Whitney)
Ordinal
Beda (Chi Square)
Ordinal /Nominal
2 kelompok (Wilcoxon)
Nominal
Sama (Mc Nemar)
Nominal
Katagorik (Khai Kuadrat)
Ordinal/Nominal
Beda
(Kruskall Wallis)
Lebih dari 2 Nominal
kelompok (Cochran)
Sama Ordinal/Nominal
l
(Friedman)
(Independent
Distribusi T- Test) Beda
Normal
(Dependent T-
2 Test) Sama
kelompok (Mann Whitney)
Distribusi Beda
Tdk
(Wilxocon)
Normal
Sama
Numerik
(anova) Beda
Distribusi (Repeated
Normal measure anova)
Lbh dr 2 Sama
kelompok (Krusskalll Wallis)
Distribusi Beda
Tdk (Friedman)
Normal
Sama
Nominal
Uji koefisien
kontingensi
Ordinal
Spearman Rank
Uji Korelasi
Interval
Product Moment
( r Pearson)
Rasio
Product Moment
( r Pearson )
Namun Untuk lebih memudahkan menganalisa variable independen dan variable

dependen boleh menggunakan chai square jika data katagori dengan katagori
JENIS PENELITIAN
Kuantitatif Kualitatif
Fenomenologi
Graunded
Observasional Eksprementa Pra Ekspremental One Shot
l
One Group Etnografi
Deskriftif Analik Asosiasi
1 .Sensus 1. Case Kontrol Korelasi Statik Group Historis
2. Survey Matching Unmatching Nasted Komparas Quasy Ekspremental Time Series Kasus
case i Design
3. Lap Kasus 2. Cross Sectional Ex : Intervensi Equivalent Time Filosofi
4. Studi Kasus 3. Cohort Komunitas Sample Design
Kritik sosial
Pemakaian
Kondom
Non Retrospektif(historis) Prospektif Equivalent
epidemiologis Material Sample
Design
( kebelakang ) ( kdpn) Separate Protest
Epidemiologis Post Test Design
Separate Pretest
Post Test Sample
Group Design
Ekspremental Randomize Pre
Sungguhan And Test
Solomon four
Grup Design
Randomize Post
Test Only Control
STATISTIK NON PARAMETRIK
Metode statistic nonparametric disebut metode bebas sebaran data

(distribution free) karena model uji statistiknya tidak menetapkan syarat-
syarat tertentu bentuk distribusi parameter populasinya. Artinya metode
statistic non parametric ini tidak menetapkan syarat bahwa observasi-
observasinya harus ditarik dari populasi yang berdistribusi normal. Jadi,
pada bentuk apapun, tipe data apapun, jumlah data berapun, prosedur non
parametric bisa digunakan. Metode nonparametric dapat dipakai untuk
inferensi pada data dengan distribusi normal ataupun tidak normal, pada
data nominal, ordinal, interval dan rasio, pada data berjumlah 10 ataupun
seratus. Cocok untuk data yang tidak memenuhi asumsi statistika parametrik
atau yang berjenis kualitatif
Hasil pemikiran para pakar untuk menciptakan metode-metode
statistic non parametric,ternyata dapat menunjukkan hasil yang cukup baik,
tidak berbeda jauh dengan hasil yang diperoleh dengan metode statistic
parametric.
Metode statistic nonparametric ternyata mempunyai kelebihan-
kelebihan bila dibandingkan dengan statistic parametric, disamping
kekurangan-kekurangannya. Walaupun statistic nonparametric jauh lebih
mudah karena tidak mengutamakan persyaratan seperti statistic parametric,
namun statistic parametric tetap harus diutamakan
25
TES PENGGUNAAN FUNGSI
Chi Square Menggunakan data nominal Tes independensi variable

untuk menguji independensi satu
sampel atau dua sampel atau
lebih dari 2 sampel
Codran Q Untuk menguji hubungan lebih Membantu pada data yang memberikan jawaban 2 kategori
dari 2 sampel pada skala nominal
Uji Tanda Untuk menguji hubungan 2 Tes yang baik untuk data berjenjang (rangking)
sampel pada skala ordinal
Uji median - Pada satu sampel untuk melihat - Untuk melihat kesimetrisan distribusi
randomisasi pada data dari - Tes independensi variable
populasi
- untuk menguji independensi
lebih dari 2 sampel pada skala
26
ordinal
Uji Mann-Whitney Untuk menguji independensi 2 Analog pada independensi 2 sampel t-Test
U sampel pada skala ordinal
Uji Kruskal- Untuk menguji independensi Alternatif dari uji One-Way ANOVA di mana asumsi distribusi
Wallis lebih dari 2 sampel pada skala normal tidak digunakan
ordinal
Uji Fiedman Uji menguji hubungan lebih dari Alternatif dari uji Two-Way ANOVA dimana asumsi distribusi
2 sampel pada skala ordinal normal tidak digunakan
Uji Kolmogorov- Untuk menguji independensi dari Uji ini lebih powerful dibanding uji chi-square atau uji Mann-
Smirnov satu sampel atau 2 sampel pada Whitney
skala ordinal.
27
PEDOMAN PENGGUNAAN STATISTIKA DESKRIPTIF DAN INDUKTIF.
TUJUAN
PENELITIAN
EKSPLORASI
UJI HIPOTESIS
DESKRIPTIF
STATISTIK NOMINAL INTERVAL

DESKRIPTIF ORDINAL RASIO
STATISTIK
NONPARAMETRIK
DISTRIBUSI DISTRIBUSI
TIDAK NORMAL NORMAL
STATISTIK
PARAMETRIK
28
STATISTIK PARAMETRIK
Statistika parametrik adalah prosedur yang pengujian yang
dilakukan berlandaskan distribusi. Salah satu karakteristiknya penggunaan
prosedur ini melibatkan asumsi-asumsi tertentu. Contoh dari statistik
parametrik adalah analisis regresi, analisis korelasi, analisis varians.
Statistika yang digunakan untuk mengolah data parametrik, yaitu
data hasil mengukur atau menimbang, sehingga data itu berbentuk kontinu,
dengan menggunakan skala pengukuran interval dan rasio.Penggunaan
statistika parametrik dilakukan dengan asumsi: data berdistribusi normal,
dan varians kelompok-kelompok data homogin.Statistika Parametrik yang
paling banyak digunakan dalam statistika deskriptif adalah: rata-rata,
median, modus, simpangan baku, skor baku, analisis regresi dan korelasi,
dan analisis kausal komparatif. Statistika Parametrik yang paling banyak
digunakan dalam statistika inferensial adalah: statistik t, statistik z, dan
statistik F.
Ruang Lingkup Statistik

Statistika Deskriptif
Statistika
Statistika Parametrik
Statistika Inferensial
Statistika Nonparametrik
Secara umum statistic parametric digunakan untuk :

. Data dalam jumlah besar, biasanya diatas 30
. Distribusi data adalah normal atau dapat dianggap normal. Pada
beberapa metode tertentu, seperti uji t atau uji F (A N O V A), ada
persyaratan tambahan, yakni kesamaan varians diantara kelompok-
kelompok data.
. Data bertipe interval atau rasio
Jika salah satu asumsi diatas tidak terpenuhi, seperti jika data cukup
banyak namun tidak berdistribusi normal, atau tipe data adalah
nominal atau ordinal, maka metode statistic nonparametric dapat
digunakan.
Dengan demikian metode parametric secara umum lebih kuat
dibandingkan nonparametric.
Uji Statitstik Parametrik  Didasarkan pada asumsi
normalitas. Bahwa data dalam populasi terdistribusi secara normal.
Kemaknaan hasil analisis dengan Statistik Parametrik sangat ditentukan
oleh Validitas asumsi ini. Skala pengukuran untuk Statistik Parametrik
adalah Skala interrval dan Skala Ratio. Parameter Statistik yang digunakan
dalam Statistik Parametrik adalah Nilai Mean () dan Standar Deviasi ().
30
PENGGUNAAN UJI STATISTIK
JENIS UJI STATISTIK STATISTIK PARAMETRIK STATISTIK NON-PARAMETRIK
Menentukan Perbedaan
Satu Kelompok Uji Z atau Uji t Sign Test
Dua Kelompok: Paired t-test Wilcoxon Signed Rank Test

Berpasangan
Tdk.Berpasangan Unpaired t-test (Independent t- 1Wilcoxon Rank Sum Test

test) 2Mann Whitney Test
Lebih Dari Dua Kel. ANOVA Test Kruskal Walls Tes
Menentukan Hubungan Pearson Correlation Coeffisient Sperman Rank Correlation Coeffisient

Dua Variabel Kontinue
Latihan
1. Sebutkan Cara Pengambilan Sampel dengan random...?
2. Aplikasikan bagaimana pengambilan sampel dengan mengunakan sistematik
random sampling..?
3. Suatu penelitian dilakukan di rumah sakit A untuk mengetahui hubungan antara
paritas ibu bersalin dengan tekanan darah.. dalam kasus ini diduga ibu yang
mempunyai paritas banyak lebih memungkinkan terjadi tekanan darah yang lebih
tinggi.
No Paritas Tekanan darah
1 3 120
2 4 120
3 2 120
4 1 110
5 3 130
6 4 140
7 6 140
8 7 160
9 4 140
10 7 180
11 5 130
12 4 130
13 5 140
14 3 120
15 4 130
Ujilah data tersebut dengan uji korelasi pearson.

4. Suatu penelitian dilakukan di rumah sakit Sayang Ibu untuk mengetahui risiko
pengunaan alat kontrasepsi terhadap kejadian ca servic. Berdasarkan hasil
penelitian diperoleh data sebagai berikut:
No Kontrasepsi Ca servic
1 Ya Ya
2 Tidak Tidak
3 Ya Tidak
4 Ya Ya
5 Tidak Ya
6 Tidak Ya
7 Ya Tidak
8 Tidak Ya
9 Ya Ya
10 Tidak Ya
11 Ya Ya
12 Tidak Tidak
13 Tidak Ya
14 Ya Tidak
15 Tidak Ya
16 Tidak Tidak
17 Tidak Tidak
Berdasarkan hasil penelitian tersebut diatas, apakah peluang ibu yang

mengunakan kontrasepsi lebih besar terjadi ca servic....?
SELAMAT BERLATIH DI RUMAH
SPSS FOR WINDOWS
SPSS merupakan kependekan dari Statistical Program for Social

Science. SPSS adalah salah satu dari sekian banyak program aplikasi komputer untuk
menganalisis data statistik. Selain SPSS program aplikasi yang telah banyak beredar
adalah Minitab, Microstat, SAS, STATA, EPI-info dll. SPSS banyak membantu
memecahkan berbagai permasalahan statistik ilmu-ilmu sosial. Namun demikian
fleksibilitas yang dimilikinya menyebabkan berbagai problem analisis data diluar ilmu
sosial dapat juga diatasi, Misalnya dibidang kedokteran, biologi dan pertanian.
Keunggulan SPSS :
1. Kemudahan pengopersian. Perintah-perintah yang diperlukan ditampilkan dalam bentuk
menu dan kotak-kotak dialog yang mudah sekali dioperasikan.
2. Fasilitas analisis lebih lengkap.
3. Kemudahan perintah dan sub perintah analisis.
4. Menyajikan hasil analisis
5. Menampilkan grafik hasil analisis.
33
Salah satu kelemahan SPSS for windows adalah data harus dimasukkan dalam master
tabel (tidak langsung dari kuisioner).
SPSS for windows membagi ruang kerjanya dalam 6 windows utama yaitu :
1. SPSS data Editor.
2. Output Window
3. Syntax Window
4. Chart Carousel
5. Chart Editor
6. Help Windows.
I. MEMPERSIAPKAN DATA
Data yang dapat dibaca oleh SPSS adalah data dengan tipe *.sav(SPSS),
*.Xls(exel),*dbf (data base), *. W (lutos) .
Mendefinisikan Variabel
1. Pilih sembarang sel dimana variabel akan didefinisikan.
2. Klik data pilih Define variabel atau sel tersebut diklik 2x atau pilih variable view.
Aturan pemberian nama variabel :

1. Maksimum 8 karakter
2. Tidak boleh ada spasi kosong
3. Karakter pertama harus berupa huruf atau karakter
4. Kakarter terakhir tidak boleh berupa titik.
5. Huruf besar dan huruf kecil dianggap sama
6. Hindari istilah-istilah yang biasa digunakan SPSS seperti ALL, AND, BY, EQ, GE, GT,
LE, LT, NE, NOT, OR, TO, WITH.
A. Type
Ada 8 tipe variabel :
1. Numeric. 5. Date
2. Comma. 6. Dolar
3. Dot. 7. Custom currency
4. Scientihic notation. 8. String
Date adalah tipe alphanumeric dan String adalah tipe alphabet, sedangkan yang lain
adalah tipe numeric.
Width
Untuk menentukan jumlah karakter yang dibutuhkan dalam pengisian data
Decimals
34
Untuk menentukan jumlah angka dibelakang koma
B. Label
Label digunakan untuk menentukan label variabel. Contoh label variabel SEX adalah
“Jenis Kelamin”.
Value
Value digunakan untuk menentukan harga dari variabel tersebut(bila diperlukan). Pada
kotak value label terdapat 2 kotak isian dan 3 tombol pendukung yang digunakan untuk
pendefinisian label variabel berbentuk kategori. Dengan cara sebagai berikut :
1. Pada kotak value isi dengan angka 1.
2. Pada kotak value label, isi dengan “laki-laki”
3. Tekan tombol Add.
4. Pada kotak value isi dengan angka 2.
5. Pada kotak value label, isi dengan “perempuan”
6. Tekan tombol Add.
7. Tekan continue.
35
Gambar 1. Kotak dialog
Define label
Missing Value
Missing value adalah harga yang hilang adalah suatu istilah yang digunakan
oleh SPSS untuk mendeklarasikan data yang hilang/tidak lengkap. Hal ini diperhatikan
karena data yang hilang akan sangat berpengaruh pada hasil pengolahan maupun
analisis dari keseluruhan data.
 No missing values, bila variabel tersebut tidak mengandung missing value.

 Discreate missing value, bila variabel tersebut mengandung 1, 2 atau 3 buah missing
value.
 Range of missing value, bila variabel tersebut mengandung missing value berupa interval
suatu bilangan.
 Range plus one discrete missing value. Bila variabel tersebut mengandung missing value
berupa interval suatu bilangan dan sebuah harga missing sebagai alternatif lain.
36
Gambar 2. Kotak dialog Define
Missing Value
C. Column Format
Berguna untuk menentukan lebar kolom variabel dan untuk menentukan jenis peratannya.
Align
Digunakan untuk menentukan letak data. Pada Align terdapat 3 pilihan yatiu left, right
dan center.
Measure
Digunakan untuk menentukan skala data
Pemasukan Data
Sebelum memasukkan data anda harus membuat variable di Variable View. Berikut adalah contoh
pembuatan variable.
Mengisi data
Setelah variabel dibuat data dapat diisi sesuai dengan variable view yang telah dibuat. Pengisian
data dilakukan di Data View
Tabel 2. Contoh Data
37
Menyimpan File Data
1. klik Save data atau Save As, beri nama dan masukkan ke directory.
Menyisipkan Data
1. Menyisipkan variabel (kolom) :
a. Pindahkan penunjuk sel pada kolom yang akan disisipi
b. Klik data : Insert variabel.
2. Menyisipkan kasus (baris):
a. Pindahkan penunjuk sel pada baris yang akan disisipi
b. Klik data : Insert case.
Pengurutan
Kasus dapat diurutkan berdasarkan satu atau beberapa variabel. Pilih perintah Sort Cases pada
menu Data.
Pindahkan satu variabel kekotak sort by, maka variabel tersebut akan dijadikan dasar pengurutan
data. Pda kotak sort order, anda dapat menentukan model pengurutannya, yakni ascending (dari
kecil ke besar) atau descending (dari besar ke kecil).
38
Gambar 3. Kotak dialog Sort Cases
Selesksi Case
Dengan perintah seleksi case anda dapat menentukan (memilih) case-case yang akan
diikutsertakan dalam analisis selanjutnya.
Terdapat 5 pilihan untuk menentukan dasar penyeleksian kasus
 All cases. Seluruh kasus pada file kerja akan diikutsertakan dalam analisis data selanjutnya dalam
analisis data selanjutnya.
 If condition is satisfied. Digunakan untuk memilih case-case yang memenuhi kondisi logika
tertentu. Tekanlah tombol If… untuk menentukan kondisi logika tersebut.
 Random sample of cases. Digunakan bila anda hendak menggunakan case-case random untuk
pemrosesan data (menentukan sampel data random dari populasi). Tekanlah tombol Sample …
untuk menentukan ukuran sampel data tersebut.
Ada dua pilihan pada kotak dialog ini :
 Aproximatly_ % of all case. Untuk menentukan presentase case yang akan diproses dari seluruh
case pada file data anda. Masukkan bilangan antara 1 s/d 99 pada kotak yang tersedia.
 Exactly_case from the first_case. Untuk menentukan proporsi sampel yang akan digunakan.
Masukkan bilangan pada dua buah kotak yang tersedia dimana isi pada kotak yang pertama harus
lebih kecil dari isi kotak yang kedua. Pilihan ini akan menghasilkan sebuah variabel baru yang
oleh SPSS diberi nama FILTER $.
 Based on time or case range. Digunakan bila anda hendak memproses case-case yang berada
dalam interval tertentu. Tekanlah tombol Range … untuk menentukan batas interval tersebut
 Use filter variable. Digunakan bila anda hendak menggunakan vaue-value dari variabel-variabel
numerik yang tersedia pada kotak listing variabel untuk mengontrol case filter. Pindahkan saaaalah
satu variabel numerik tersebut ke kotak yang tersedia untuk dijadikan variabel filter. Case-case
dimana pada vaaariabel filternya berharga 0 tidak akan diikiutsertakan dalam analisis.
39
Gambar 5. Kotak dialog Select Cases
Berikut contoh penggunaan If condition is satisfied. Tekanlah tombol If… untuk
menentukan kondisi logika tertentu. Pada kotak dialog gambar 6. Anda dapat mengcopykan nama
variabel ke kotak ekspresi, menentukan angka dan operator dari calculator pad dan mengcopy
fungsi dari daftar fungsi. Bila anda menggunakan konstantang string, maka anda harus
menuliskannya dalam tanda petik. Pilihan ini akan menghasilkan sebuah variabel baru yang oleh
SPSS diberi nama FILTER $.
Gambar 6. Kotak dialog Select Cases : If
Merge Files
Perintah merge files digunakan untuk menggabungkan 2 atau beberapa buah file ke dalam
1 file.Terdapat dua pilihan dalam perintah ini yaitu :
1. Add cases. Penggabungan file untuk penambahan cases.
40
Perintah yang digunakan adalah sebagai berikut :
a. Pilih salah satu file yang akan digabungkan kasusnya.
b. Klik Add cases kemudian pilih file yang lain yang akan digabungkan tersebut.
c. Tekan continue.
d. Tekan OK.
Kasus-kasus file kedua otomatis akan berada setelah kasus pertama, kemudian simpanlah dengan
nama file yang lain.
2. Add variables. Penggabungan file untuk penambahan variable. Dalam penggabungan ini harus
ada satu variabel yang berada dikedua file tersebut. Variabel ini disebut variabel kunci.
Perintah yang digunakan adalah sebagai berikut :
a. Urutkan kasus dengan perintah sort cases pada variabel kunci yang berada dikedua file tersebut,
kemudian disimpan.
b. Kemudian bukalan salah satu file yang akan digabung.
c. Klik Add variables, kemudian pilihlah file yang akan digabungkan.
d. Tekan continue.
e. Pilih Match cases on key variables in sorted file.
f. Pindahkan variabel kunci kedalam kotak key variables.
g. Kilik OK.
h. Simpanlah dengan nama file lain.
II. TRANSFORMASI DATA
Perintah Compute
Perintah compute digunakan untuk melakukan perhitungan terhadap nilai-nilai dari variabel-
variabel yang sudah ada maupun untuk variabel baru pada file kerja. Perhitungan nilai-nilai
tersebut diberlakukan untuk seluruh case maupun case-case yang memenuhi kondisi logika
tertentu saja. Kotak Target Variable digunakan untuk mengisikan nama variabel target. Dengan
menekan Type dan Label anda dapat membuat type dan label sesuai dengan keinginan anda.
Kotak Numeric Expression digunakan untuk menyusun ekspresi yang akan digunakan untuk
transformasi variabel target.
Gambar 1. Kotak Dialog :Compute Variable
41
Mencari umur
Umur dapat dicari dengan cara sebagai berikut :
1. Pilih compute
2. Tuliskan umur pada target variable
3. Pilih CTIMEDAY dari menu function kemudian masukkan kekotak numeric expression.
4. Masukkan variable tanggal pengukuran dikurangkan tanggal lahir dalam CTIMEDAY
5. Jika umur dihitung dalam tahun dibagi 365.
6. Jika umur dihitung dalam bulan dibagi 30
Contoh kotak dialog perhitungan umur
Menghitung nilai IMT

Dari informasi BB dan Tinggi badan dapat dihitung IMT. Rumus IMT adalah BB/TB2
Langkah-langkah :
1. Pilih Compute
2. Jadikan ‘IMT’ sebagai Target Variabel
42
3. Ketiklah rumus IMT yaitu bb/((tb/100*tb/100)) atau bb/(tb/100)**2 pada kotak Numeric
Expression
4. Tekan OK
Hasilnya adalah terbentuknya variabel baru yang bernama IMT yang nilainya sesuai
dengan rumus diatas.
Contoh kotak dialog menghitung IMT
Perintah Recode
Perintah Recode digunakan untuk memodifikasi atau mengganti nilai-nilai dari
variabel –variabel yang didaftar menjadi nilai-nilai dengan harga baru. Pada perintah
Recode ada 2 pilihan yaitu :
1. Into Same Variables. Yakni recode untuk variabel-variabel yang sudah ada (variabel
lama). Variabel lama akan hilang. Penggunaan ini tidak disarankan.
2. Into Different Variables. Yakni recode dengan membentuk variabel-variabel baru.
Recode Dengan Membentuk Variabel Baru

Perintah yang digunakan adalah Into Different Variables.
Anda harus mengisi nama variabel yang akan diubah kedalam kotak Input Variable-
>Output variable. Sedangkan nama variabel baru diketik dikotak Output Variable
kemudian klik Change.
43
Tombol If…
Digunakan untuk menentukan kondisi logika bilamana penggantian nilai-nilai diharuskan
memenuhi kondisi logika tertentu. Contoh modifikasi nilai-nilai baru antara laki-laki dan
perempuan berbeda maka gunakanlah tombol if SEX = 1 jika yang dibuat nilai-nilai untuk laki-
laki. If SEX=2 jika yang dibuat nilai-nilai untuk perempuan
Tombol Old and New Values

Digunakan untuk menentukan nilai-niali yang diganti dengan nilai-nilai baru. Contoh tombol
old and New Value.
Pada kotak Old Value anda bisa menentukan nilai-nilai lama yang akan diganti dengan
memilih 7 pilihan yaitu :
1. individu. Untuk menghitung cacah value yang berharga sama dengan harga yang anda
definisikan.
2. System missing. Untuk menghitung cacah value yang berupa system missing value.
44
3. System-User missing. Fungsinya sama dengan sistem missing.
4. Range dengan interval. Untuk menghitung cacah value yang berharga lebih besar atau
sama dengan awal interval dan lebih kecil atau sama dengan akhir interval.
5. Range lebih kecil atau sama dengan . Untuk menghitung cacah value yang berharga
lebih kecil atau sama dengan harga yang anda definisikan.
6. Range lebih besar atau sama dengan . Untuk menghitung cacah value yang berharga
lebih besar atau sama dengan harga yang anda definisikan.
7. All other value digunakan untuk menentukan nilai-nilai selain nilai yang telah ditentukan
sebelumnya. (else).
Pada kotak New Value terdapat 2 pilihan :
o Value. Untuk mengganti nilai lama yang telah ditentukan dengan nilai baru kemudian
diisikan ditak yang tersedia.
o System missing. Untuk mengganti nilai-nilai lama yang telah ditentukan dengan sisitem
missing.
Tombol Change dan Remove untuk menyunting ketentuan-ketentuan yang telah
disusun.
Contoh penggunaan recode into deferent variable; Variabel lama umur dibuat variable
baru kelompok umur dengan nilai sebagai berikut :
Kel. umur Kode kel umur Label
 17 1 Anak
 17 2 Remaja
Tahapan yang dilakukan adalah :
1. Pilih transform, recode into deferent variable
2. Pada kotak numeric variable masukkan variable umur
3. Paada kotak output variable ketik kel_um kemudian klik change
4. tekan old and new variabel
5. untuk membuat kode baru untuk nilai  17 (16,99) gunakan pilihan old value nomor 5
yaitu Range lebih kecil atau sama dengan. Pada New value pilih value kemudian ketik
1dan klik add.
6. untuk membuat kode baru untuk nilai  17 (17,00) gunakan pilihan old value nomor 6
yaitu Range lebih besar atau sama dengan . Pada New value pilih value kemudian
ketik 2 dan klik add.
D. III. Statistik Deskriptive

Tabel Distribusi Frequensi
45
Tabel distribusi frekuensi digunakan untuk mendeskripsikan data kategori dari variable-
variabel yang didaftar,.
Contoh buatlah table distribusi frekuensi jenis kelamin dari data tabel 2.
cacah persentase terhadap semua case, cacah presentase valid (tanpa nilai missing) dan presentase
komulatif. Prosedur ini sebaiknya digunakan untuk data berskala nominal dan ordinal.
Tombol Statistics.. digunakan untuk menampilkan deskripsi statistik univariat. Namun
karena frekuensi ini penggunaannya untuk data nominal dan ordinal sebaiknya tombol ini
tidak digunakan.
Contoh : Ingin diketahui distribusi frekuensi jenis kelamin
Gambar 3. Kotak dialog Frequencies
Frequencies
Statistics
jenis k elamin
N Valid 20
Missing 0
jenis kelamin
Cumulative
Frequency Percent Valid Percent Percent
Valid laki-laki 10 50.0 50.0 50.0
perempuan 10 50.0 50.0 100.0
Total 20 100.0 100.0
DESCRIPTIVES
Prosedur Descriptives digunakan untuk menampilkan deskripsi statistik univariat dari
variabel numerik (data skala rasio dan interval). Contoh menghitung nilai minimum, maksimum,
rata-rata dan standar deviasi umur
Gambar 4. Kotak dialog Descriptives
46
Descriptives
De scriptive Statistics
N Minimum Maximum Mean St d. Deviation

umur responden 20 29.54 34.78 32.7358 1.66861
Valid N (lis twis e) 20
EXPLORE
Prosedur Explore mempunyai fungsi sama dengan deskriptive. Namun pada explore
terdapat prosedur tambahan yaitu :
- Tampilan diagram Boxplot dan normal Probability Plot
- Uji kenormalan data.
Langkah-langkah :
1. Pilih menu Analiyze
2. Pilih Descriptiuves
3. Pilih explore
4. Pilih variable yang akan diexplore
5. Pilih statistik jika diinginkan tambahan nilai statistik
6. Pilih plot klik normality plot with test
47
Gambar 5. Kotak dialog Explore
Gambar 6 Kotak dialog Statistik
Gambar 7 Kotak doalog Plot
Statistik deskriptif meliputi : Mean, Median, Varian, Standar deviasi, Range, Nilai
minimum, nilai maksimum, interquartil range, skewness dan kurtosis. Conviden Interval
(CI) 95% artinya kita percaya 95% bahwa nilai populasi berada pada selang tersebut
48
Hasil output Explore dari umur adalah sebagai berikut :
Explore
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
UMUR(TH) 45 100.0% 0 .0% 45 100.0%
De scriptives
St atist ic St d. Error
UMUR(TH) Mean 42.07 .75
95% Confidenc e Lower Bound 40.55
Int erval for Mean Upper Bound
43.58
5% Trimmed Mean 42.15

Median 43.00
Variance 25.427
St d. Deviation 5.04
Minimum 32
Maximum 50
Range 18
Int erquartile Range 8.00
Sk ewness -.463 .354
Kurtos is -.877 .695
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
UMUR(TH) .138 45 .031 .928 45 .012
a. Lilliefors Significance Correction
UMUR(TH)
UMUR(TH) Stem-and-Leaf Plot
Frequency Stem & Leaf
6.00 3 . 234444
7.00 3 . 5567889
15.00 4 . 001122233344444
15.00 4 . 555566667777889
2.00 5 . 00
49
Stem width: 10
Each leaf: 1 case(s)
Normal Q-Q Plot of UMUR(TH)

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

.3
.2
.1
.0
-.1
Dev from Normal
-.2
-.3
-.4
-.5
30 40 50 60
Observed Value
60
50
40
30
N= 45
UMUR(TH)
Dari hasil output terlihat nilai-nilai statistik, uji kenormalan. Uji kenormalan data dilakukan
dengan uji kolmogorov Smirnov . Hasil uji tersebut menunjukkan nilai p sebesar 0,031. hal ini
50
berarti data umur tidak menyebar normal. Data menyebar normal jika nilai p dari uji kolmogorov
lebih besar dari 0,05. Dari gambar Q-Q plot dan box plot terihat bahwa penyebaran data tidak
normal.
CROSSTAB
Prosudr crosstabs digunakan untuk menampilkan tabulasi silang . Prosedur ini digunakan
untuk deskripsi statistik bivariat dan pengujian dari 2 variabel khususnya variable yang
berbentuk kategori.
Kotak Rows : untuk mendaftar variable-variabel yang casenya akan ditampilkan secara
baris.
Kotak columns: Untuk mendaftar variable-variabel yang casenya akan ditampilkan secara
kolom.
Kotak layers: Untuk mendaftar variabe-variabel kontrol.
Gambar 8 Kotak dialog Crosstab
Gambar 9. Kotak dialog Statistics
51
Tombol statistics.
Chi square digunakan untuk uji hipotesis apakah variable baris dan kolom idependen
atau tidak. Pilihan ini tidak dapat digunakan bilamana terdapat sel yang nilai expectednya
lebih kecil 1 atau lebih dari 20% sel mempunyai nilai expected lebih kecil 5.
Pilihan check box

 Contingency coefficient. Untuk pengukuran asosiasi lanjutan dari chi square
 Cramer’s V. untuk pengukuran asosiasi lanjutan dari chi square terutama table 2X2.
Khusus table 2 x 2 akan selalu muncul tes Fisher. Pilihan ini digunakan bilamana
terdapat sel yang nilai expectednya lebih kecil 1 atau lebih dari 20% sel mempunyai nilai
expected lebih kecil 5.
Gambar 10. Kotak dialog Cell Display
52
Tombol Cells
Digunakan untuk menentukan isi sel.
Hasil output table 2 x 2.
Crosstabs
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
jenis kelamin *
61 100.0% 0 .0% 61 100.0%
kejadian infeks i HepB
jenis kelamin * kejadian infeksi HepB Crosstabulation
kejadian infeks i HepB

tidak ya Total
jenis kelamin wanita Count 4 17 21
% within jenis kelamin 19.0% 81.0% 100.0%
Pria Count 23 17 40
Total Count 27 34 61
53
Chi-Square Tests
As ymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 8.253b 1 .004
Continuity Correctiona 6.768 1 .009
Likelihood Ratio 8.760 1 .003
Fis her's Exact Test .006 .004
Linear-by-Linear
8.118 1 .004
As sociation
N of Valid Cases 61
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count les s than 5. The minimum expected count is
9.30.
Symmetric Measures
Value Approx. Sig.

Nominal by Nominal Contingency Coefficient .345 .004
N of Valid Cases 61
a. Not as suming the null hypothes is.
b. Us ing the asymptotic s tandard error ass uming the null hypothes is.
Dari hasil uji chi square ternyata tidak ada sel yang nilai harapannya kurang dari 5 sehingga
yang digunakan adalah hasil pearson chi square, terlihat nilai p=0,004. Dapat disimpulkan bahwa
ada hubungan antara jenis kelamin dengan kejadian infeksi hepatitis B. Jika nilai harapan yang
kurang dari 5 lebih dari 20 % maka uji yang digunakan adalah uji Fisher exact. Nilai coefficien
kontingensi sebesar 0,345, hal ini menunjukkan nilai korelasi antara jenis kelamin dengan kejadian
hepatitis B sebesar 0,345.
BAB IV
PEMBUATAN GRAFIK
BAR CHARTS
Digunakan untuk menghasilkan grafik berjenis batang (bar) dengan 3 macam tipe yang
tersedia yaitu Simple, Cluster dan Stacked.
54
o Simple. Menghasilkan bar tunggal untuk masing-masing kategori, case atau variabel
pada kategori axis. Contoh pilihan Simple : untuk melihat distribusi frekuensi jenis
kelamin
akan muncul output sebagai berikut :
60
50
40
30
20
10
Percent
0
laki-laki perempuan
jenis kelamin
55
o Clustered. Menghasilkan grup bar untuk masing-masing kategori case atau variabel
pada kategori axis. Contoh untuk melihat distribusi frekuensi jenis kelamin dan kelompok
BB.
Outputnya sebagai berikut :
120
100
80
60
40
kelompok bb
20
Percent
<=50
0 >50
laki-laki perempuan
jenis kelamin
o Stacked menghasilkan chart bar tertumpuk yang merupakan hasil pembagian chart
tunggal kedalam segmen-segmen yang ditumpuk diatas segmen lainnya. Contoh untuk
melihat distribusi frekuensi jenis kelamin dan kelompok BB
56
160
140
120
100
80
60
40
kelompok bb
Percent
20 >50
0 <=50
laki-laki perem puan
jenis kelamin
LINE CHART
Digunakan untuk menghasilkan gambar berbentuk berjenis garis dengan 3 macam type
yang tersedia yaitu simple, multiple dan Drop line.
Contoh :
57
14
12
10
2
Count
0
Missing <=50 51-60 >=61
kelompok bb2
PIE CHART
Digunakan untuk menghasilkan gambar pie sederhana atau pie komposit dari file data
pilih salah satu alternatif pada kotak :

 Summaries for groups of cases. Menghasilkan sebuah bagian untuk masing-
masing kategori dari variable kategori. Pilihan ini merupakan default. Contoh:
58
perempuan
48.9%
laki-laki
51.1%
SCATTERPLOT
Digunakan untuk menghasilkan scaterplot sederhana.
Simple menghasilkan plot yang menunjukkan distribusi bersama dua variable. Pilihan ini
merupakan default.
Contoh : Hubungan antara kecukupan energi dan IMT. Tebaran titik-titik dapat ditarik
garis lurus dengan cara :
1. Gambar diklik 2 kali, kemudian pilih chart
2. Pilih option
3. Pilih fit line
4. Pilih total
Hal ini dipakai untuk melihat gambaran korelasi 2 buah variabel
59
26
24
22
20
18
IMT
16
80 90 100 110 120
kecukupan kalori
HISTOGRAM
Digunakan untuk menghasilkan histogram yang menunjukkan distribusi dari nilai.
Contoh : Histogram dari IMT
1 Std. Dev = 2.15

Mean = 21.8
0 N = 20.00
17.0 18.0 19.0 20.0 21.0 22.0 23.0 24.0 25.0
IMT
60
BAB VI
PROSEDUR COMPARE MEAN
A. MEANS
Prosedur means digunakan untuk menampilkan statistik mean, standar deviasi dan
beberapa nilai statistik yang lain menurut kategori tertentu dari variabel lain..
Gambar 1. Kotak dialog means
Kotak dependent list. Untuk mendaftar satu atau beberapa variable numeric yang akan
dicari nilai mena-nya.
Kotak independent list. Untuk mendaftar satu atau beberapa variable yang akan
digunakan sebagai dasar pengelompokan .
Tombol Options
Untuk menentukan macam statistik lainya yaitu means, standart deviasi, varians dan Sum.
Outputnya sebagai berikut :
Report
umur responden
jenis kelamin Mean N Std. Deviation Sum Variance
laki-laki 32.5452 10 1.78791 325.45 3.197
perempuan 32.9263 10 1.61262 329.26 2.601
Total 32.7358 20 1.66861 654.72 2.784
B. INDEPENDENT-SAMPLES T TEST
Prosedur ini digunakan untuk menguji beda dua rata-rata pada dua sample independent.
Kotak Test variable(s). Untuk mendaftar satu atau beberapa variable numeric yang
akan diuji.
Kotak grouping variables. Untuk mendaftar satu variable yang akan dijadikan sebagai
variable grup. Variabel ini akan dikelompokkan kedalam dua grup.
Gambar 3. Kotak dialog Independent Samples T test
61
Gambar 4. Kotak dialog define Group
Tombol Define Groups

Digunakan untuk mengelompokkan variable grup menjadi 2 kelompok independent.
Contoh. Ingin diketahui apakah rata-rata persen lemak tubuh laki-laki berbeda dengan
rata-rata persen lemak tubuh perempuan.
T-Test
Group Statistics
Std. Std. Error

jenis kelamin N Mean Deviation Mean
% lemak tubuh laki-laki 23 14.0652 4.3007 .8968
perempuan 22 16.2364 3.0199 .6438
62
Independent Samples Test
Levene's Test for

Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Sig. Mean Std. Error Difference
F Sig. t df (2-tailed) Difference Difference Lower Upper
% lemak tubuh Equal variances
.964 .332 -1.952 43 .058 -2.1711 1.1125 -4.4147 7.243E-02
assumed
Equal variances
-1.967 39.524 .056 -2.1711 1.1039 -4.4031 6.085E-02
not assumed
Pada tabel grup statistik terlihat bahwa rata-rata persen lemak tubuh perempuan lebih tinggi
daripada laki-laki.
Pada table independent sample test terdapat levene’s test for quality of variance. Levene test ini
dugunakan untuk menguji apakah varians kedua grup sama atau tidak. Ho-nya adalah varians
kedua kelompok sama. Dari hasil uji levene diketahui nilai p= 0,332 sehingga varians pada dua
kelompok sama. Sehingga yang dibaca adalah nilai-nilai pada baris equal varianc assumed. Dari
hasil diatas terlihat nilai t=-1,952 dengan nilai p=0,058. dapat disimpulkan tidak ada perbedaan
antara persen lemak tubuh laki-laki dan perempuan.
C. PAIRED SAMPELS T TEST

Prosedur ini digunakan untuk menguji beda rata-rata dua sample berpasangan
(dependent) .
Gambar 5. Kotak dialog Paired Samples T Test
Kotak paired variable(s). Untuk mendaftar beberapa pasangan variable numeric yang
akan diuji.
63
Contoh. Ingin diketahui apakah rata-rata nilai pengetahuan gizi sebelum diberi
penyuluhan berbeda dengan rata-rata nilai pengetahuan gizi sesudah diberi
penyuluhan.
T-Test
Paired Samples Statistics
Std. Std. Error

Mean N Deviation Mean
Pair nilai pengetahuan
52.36 45 9.48 1.41
1 gizi awal
nilai pengetahuan
57.44 45 9.15 1.36
gizi akhir
Paired Samples Correlations
N Correlation Sig.
Pair nilai pengetahuan gizi
1 awal & nilai 45 .943 .000
pengetahuan gizi akhir
Pa ired Sa mples Test
Paired Differences
95% Confidence
Interval of the
Std. Std. Error Difference Sig.
Mean Deviation Mean Lower Upper t df (2-tailed)
Pair nilai pengetahuan gizi
1 awal - nilai -5.09 3.17 .47 -6.04 -4.14 -10.775 44 .000
pengetahuan gizi akhir
Dari output diatas terlihat bahwa rata-rata nilai pengetahuan gizi awal adalah 52,36 dan
akhir adalah 57,44. Dari table paired terlihat nilai tsebesar –10,775 dan p=0,00, sehingga
dapat disimpulkan ada perbedaan nilai pengetahuan gizi awal dan akhir.
D. ONE WAY ANOVA
ANOVA atau Analysis of variance digunakan untuk mebuji perbedaan rata-raat lebih
dari dua kelompok. One way anova digunakan untuk analisis disain eksperimen acak
lengkap.
Gambar 6. Kotak dialog One Way ANOVA
64
Kotak dependent list. Untuk mendaftar satu atau beberapa variable numeric yang akan
diuji.
Kotak faktor. Untuk mendaftar satu variable yang akan dijadikan sebagai variable
faktor. Variabel ini akan mengelompokkan niali-nilai variable kedalam beberapa grup
sample independen.
Tombol Post Hoc …

Digunakan untuk menampilkan uji banding ganda antar mean.
Contoh. Ingin diketahui apakah ada pengaruh penambahan tepung wortel terhadap kadar
karoten roti. Tepung wortel yang ditambahkan adalah 10 %(1), 20%(2) dan 30%. (3)
Gambar 7. Kotak dialog Post Hoc Multiple Comparisons
65
Oneway
Descriptives
kadar karoten
95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
10% 5 30.5220 3.34264 1.49488 26.3716 34.6724 25.54 34.45
20% 5 33.8820 1.17840 .52700 32.4188 35.3452 32.34 35.50
30% 5 38.8880 3.85664 1.72474 34.0993 43.6767 34.40 44.43
Total 15 34.4307 4.52749 1.16899 31.9234 36.9379 25.54 44.43
Test of Homogeneity of Variances
kadar karoten
Levene
Statistic df1 df2 Sig.
1.698 2 12 .224
ANOV A
kadar karoten
Sum of
Squares df Mean Square F Sig.
Between Groups 177.233 2 88.616 9.690 .003
W ithin Groups 109.742 12 9.145
Total 286.975 14
Post Hoc Tests
66
Multiple Comparisons
Dependent Variable: kadar karoten
Mean
(I) penambahan (J) penambahan Difference 95% Confidenc e Interval
tepung wortel tepung wortel (I-J) Std. Error Sig. Lower Bound Upper Bound
Tukey HSD 10% 20% -3.3600 1.91261 .225 -8.4626 1.7426
30% -8.3660* 1.91261 .002 -13.4686 -3.2634
20% 10% 3.3600 1.91261 .225 -1.7426 8.4626
30% -5.0060 1.91261 .055 -10.1086 .0966
30% 10% 8.3660* 1.91261 .002 3.2634 13.4686
20% 5.0060 1.91261 .055 -.0966 10.1086
LSD 10% 20% -3.3600 1.91261 .104 -7.5272 .8072
30% -8.3660* 1.91261 .001 -12.5332 -4.1988
20% 10% 3.3600 1.91261 .104 -.8072 7.5272
30% -5.0060* 1.91261 .022 -9.1732 -.8388
30% 10% 8.3660* 1.91261 .001 4.1988 12.5332
20% 5.0060* 1.91261 .022 .8388 9.1732
*. The mean differenc e is significant at the .05 level.
Homogeneous Subsets
kadar karoten
penambahan Subset for alpha = .05

tepung wortel N 1 2
Tukey HSD a 10% 5 30.5220
20% 5 33.8820 33.8820
30% 5 38.8880
Sig. .225 .055
Duncana 10% 5 30.5220
20% 5 33.8820
30% 5 38.8880
Sig. .104 1.000
Means for groups in homogeneous s ubs ets are displayed.
a. Us es Harmonic Mean Sample Size = 5.000.
Dari output terlihat deskripsi nilai kadar karoten roti meliputi nilai rata-rata, standar
deviasi, standar error, minimum dan maksimum. Uji homogenitas menunjukkan nilai p =
0,224, sehingga antar kelompok homogen, jadi dapat dilanjutkan dengan uji ANOVA.
Dari uji ANOVA diperoleh nilai p= 0,03 dapat disimpulkan ada pengaruh pemberian
tepung wortel terhadap kadar karoten roti. Setelah dilakukan uji banding ganda dengan
uji LSD, Tukey maupun Duncan ternyata yang berbeda adalah penambahan wortel 10%
& 30% serta 20% &30%.
67
PROSEDUR CORRELATE
BIVARIAT CORRELATE
Prosedur korelasi bivariat atau korelasi digunakan untuk menghasilkan matrik korelasi
product moment Pearson dari 2 variabel numerik.
Gambar 1. Kotak dialog Bivariat correlate
Kotak variables berfungsi untuk mendaftar pasangan variable yang akan dihitung koefisien
korelasinya.
Terdapat 3 check box pada correlate coefficients.

 Pearson : Untuk menampilkan koefisien korelasi yang dihitung dengan metode Pearson.
(otomatis).
 Kendall’stau-b : untuk menampilkan koefisien korelasi non parametrik Kendall, (data skala
ordinal).
 Spearman. untuk menampilkan koefisien korelasi pearson versi non parametrik (data skala
ordinal).
68
Test of Significant.
 Two tailed (uji 2 arah), jika dalam hipotesis arahnya belum jelas
 One tailed (uji 1 arah), jika dalam hipotesis arahnya sudah jelas.
Contoh :
Ingin diketahui apakah ada hubungan antara berat badan dengan persen lemak tubuh pada data
gizi1.
Correlations
Correlations
Berat % lemak
Badan(KG) tubuh
Berat Badan(KG) Pearson Correlation 1.000 -.005
Sig. (2-tailed) . .976
N 45 45
% lemak tubuh Pearson Correlation -.005 1.000
Sig. (2-tailed) .976 .
N 45 45
Correlations
Berat % lemak
Badan(KG) tubuh
Berat Badan(KG) Pearson Correlation 1.000 -.005
Sig. (1-tailed) . .488
N 45 45
% lemak tubuh Pearson Correlation -.005 1.000
Sig. (1-tailed) .488 .
N 45 45
Dari hasil output diatas terlihat nilai korelasi (r) = -0,005 nilai p untuk 2 arah 0,976 dan nilai p
untuk 1 arah 0,488. Nilai r kecil sekali dan nilai p besar, sehingga tidak ada hubungan antara BB
dan persen lemak tubuh.
Korelasi Spearman
Jika data tidak berdistribusi normal uji yang digunakan adalah Spearman.
Contoh : data sama dengan diatas
69
Correlations
Berat % lemak
Badan(KG) tubuh
Spearman's rho Berat Badan(KG) Correlation Coefficient 1,000 -,113
Sig. (2-tailed) , ,460
N 45 45
% lemak tubuh Correlation Coefficient -,113 1,000
Sig. (2-tailed) ,460 ,
N 45 45
Dari hasil output diatas terlihat nilai spearman rho = -0,113 nilai p untuk 2 arah 0,46, sehingga
tidak ada hubungan antara BB dan persen lemak tubuh.
PARTIAL CORRELATIONS
Prosedur partial correlations (korelasi parsial) digunakan untuk menghitung koefisien korelasi
parsial yang mendeskripsikan hubungan antar 2 variabel dengan efek kontrol untuk variable lain.
X Y
70
Kotak variables berfungsi untuk mendaftar pasangan variable yang akan dihitung koefisien
korelasinya.
Kotak controlling for, berfungsi untuk mendaftar satu atau beberapa variable yang akan dikontrol
efeknya dari korelasi variable-variabel yang didaftar pada kotak variables..
Test of Significant.
 Two tailed (uji 2 arah), jika dalam hipotesis arahnya belum jelas
 One tailed (uji 1 arah), jika dalam hipotesis arahnya sudah jelas.
Gambar 2. Kotak dialog Bivariat correlate
Contoh : Apakah ada hubungan antara nilai matematika(X2) dengan tes statistik(Y),
setelah dikontrol dengan skor kecerdasan(X1)
P A R T I A L C O R R E L A T I O N C O E F F I C I E N T S
Controlling for.. X1
Y X2
Y 1.0000 .5552
( 0) ( 9)
P= . P= .076
71
X2 .5552 1.0000
( 9) ( 0)
P= .076 P= .
(Coefficient / (D.F.) / 2-tailed Significance)

" . " is printed if a coefficient cannot be computed
Kesimpulan terima Ho  Tidak ada hubungan antara nilai matematika dengan tes
statistik, setelah dikontrol dengan skor kecerdasan
P A R T I A L C O R R E L A T I O N C O E F F I C I E N T S
Controlling for.. X1
X2 Y
X2 1.0000 .5552
( 0) ( 9)
P= . P= .038
Y .5552 1.0000
( 9) ( 0)
P= .038 P= .
(Coefficient / (D.F.) / 1-tailed Significance)

" . " is printed if a coefficient cannot be computed
Kesimpulan tolak Ho  Semakin tinggi nilai matematika semakin tinggi nilai statistik
setelah dikontrol dengan skor kecerdasan.
PROSEDUR REGRESI LINIER GANDA
72
Prosedur regresi linier ganda digunakan untuk membuat model linier untuk
prediksi variable dependent yang bersifat kontinyu dari variable independent yang bersifat
kontinyu dan atau kategorikal. Anda dapat menggunakan metode enter untuk
mengikutsertakan semua variable predictor pada model regresi ganda atau dengan metode
stepwise untuk seleksi variable predictor. Diagnose residual seperti deteksi kasus
influensial, outlier dan pelanggaran terhadap asumsi model juga tersedia.
Untuk menjalankan prosedur regresi linier ganda dari menu pilihlah
Statistics
Regression
Linier
Kotak dialog Linier Regression akan tampak seperti pada gambar 1.
Gambar1. Kotak dialog Linier Regression
Pada kotak dialog anda harus mengisikan :

Dependent. Pilihlah variable dependen yang bersifaf kontinyu.
Independent(s). Pilihlah satu atau lebih variable independen.
Method. Metode pemilihan variable independen untuk model regresi linier. Anda dapat
memilih satu dari alternatif berikut :
Enter. Semua variable pada satu blok dimasukkan kedalam model pada satu langkah.
73
Stepwise. Variabel pada tiap langkah diperiksan untuk menentukan variable tersebut
diikutsertakan dalam model.
Remove. Pengeluaran variable secara paksa. Variabel pada satu blok dikeluarkan pada
saatu langkah.
Backward. Eliminasi variable secara backward. Variabel pada satu blok dimasukkan
pada model pada satu langkah dan dicoba dikeluarkan dari model dengan criteria
pengeluaran tertentu.
Forward. Pemilihan variable secara forward, Variabel pada stu blok dimasukkan pada
model dengan criteria pemasukkan tertentu.
Statistik pada regresi linier.

Untuk mengontrol hasil uji statistik dan estimasi, klik statistics pada kotak dialog Linier
Regression. Kotak dialog Linier Regrssion Statistics terlihat pada gambar 2
Gambar 2 Kotak dialog Linier Regression Statistics
Estimaties Menampilkan koefisien regresi dan pengukuran lain yang berkaitan. Statistik ini akan
selalu ada pada keluaran regresi linier. Untuk variable yang ada pada persamaan regresi, statistik
yang ditampilkan adalah koefisien regresi B, standar error B, koefisien terstandarisasi beta, nilai t
untuk B dan nilai p untuk B. Untuk variable yang tidak termasuk pada persamaan regresi, statistik
yang ditampilkan adalah beta jika variabel tersebut dimasukkan dalam model regresi, nilai t untuk
beta, nilai p, korelasi parsial dengan variable dependent dengan dikontrol variable lain dalam
model.
Confidence interval. Menampilkan 95 % CI untuk setiap koefisien regresi yang tidak
terstandarisasi.
Covariance matrix. Matriks varian-kovarian untuk koefisien regresi yang tidak terstandarisasi.
Anda dapat minta satu atau lebih statistik dibawah ini :

Descrptives. Rata-rata, SD dan matriks korelasi dari variable
74
Model fit. R , R2 dan adjusted R2 beserta standar error. Juga ditampilkan table ANOVA dengan
derajat kebebasan, sums of square, means squares, nilai F dan nilai p.
Block summary. Ringkasan statistik untuk setiap langkah pemodelan
Durbin Watson. Uji statstik Durbin Watson untuk melihat korelasi serial.
Collinierity diagnostics. Uji statistik untuk melihat ada tidaknya kolinierity antara variable
independent. Ditampilkan perhitungan Variance Inflation Factor (VIF), eigen value, condition
index dan tolerance.
Linier Regression Plot
Untuk memperoleh scatterplot untuk variable yang ada pada model regresi, klik pada plot ..pada
kotak dialog Linear Regression. Kotak dialog terlihat pada gambar 3.
Gambar 3 Kotak dialog Linier Regression Plot.
Variabel dependen, residual dan prediksi akan tampil pada daftar variable :
 *ZPRED. Nilai prediksi terstandarisasi.
 *ZREDID. Residual terstandariasasi
 *DRESID. Deleted residual
 *ADJPRED. Nilai prediksi adjusted
 *SRESID. Residual studentized
 *SDRESID. Studentized deleted residual
Pilihlan satu variable untuk sumbu Y dan satu variable untuk sumbu X. Jika memerlukan plot klik
polt. Ada scater plot untuk standardized residual plot.
 Histogram. Histogram dari residual terstandarisasi dengan gambaran kurva normal.
 Normal probability plot. Normal probability plot dari residual terstandarisasi.
 Casewise plot. Plot dari kasus yang ada :
Outliers outside n std. Deviations. Plot hanya kasus-kasus yang nilai absolutnya lebih besar dari
n standar deviasi.
75
All cases. Plot dari semua kasus yang ada.
Hasil analisis regresi linier ganda :Hubungan indek depresi dengan umur, jenis kelamin, indek
masalah pekerjaan dan indek masalah keluarga adalah sebagai berikut:
Regression
Mean St d. Deviation N
indek depresi 130.69 62.51 39
umur 35.15 9.50 39
jenis k elamin 1.59 .50 39
indek mas alah pek erjaan 76.59 7.26 39
indek mas alah keluarga 29.69 27.29 39
Corre lations
indek indek
masalah masalah
indek depresi umur jenis k elamin pekerjaan keluarga
Pearson Correlation indek depresi 1.000 -.244 -.364 -.003 -.531
umur -.244 1.000 .197 .080 -.065
jenis k elamin -.364 .197 1.000 .127 .058
indek mas alah pek erjaan -.003 .080 .127 1.000 .005
indek mas alah keluarga -.531 -.065 .058 .005 1.000
Sig. (1-tailed) indek depresi . .067 .011 .493 .000
umur .067 . .114 .314 .346
jenis k elamin .011 .114 . .221 .362
indek mas alah pek erjaan .493 .314 .221 . .487
indek mas alah keluarga .000 .346 .362 .487 .
N indek depresi 39 39 39 39 39
umur 39 39 39 39 39
jenis k elamin 39 39 39 39 39
indek mas alah pek erjaan 39 39 39 39 39
indek mas alah keluarga 39 39 39 39 39
76
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 indek
masalah
keluarga,
indek
masalah . Enter
pekerjaan,
umur,
jenis a
kelamin
a. All requested variables entered.
b. Dependent Variable: indek depresi
Mode l Summaryb
Adjust ed St d. Error of Durbin-W

Model R R Square R Square the Es timate ats on
1 .666a .444 .378 49.29 1.416
a. Predic tors : (Const ant), indek mas alah keluarga, indek masalah
pekerjaan, umur, jenis kelamin
b. Dependent Variable: indek depres i
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regres sion 65868.193 4 16467.048 6.779 .000a
Residual 82596.114 34 2429.297
Total 148464.3 38
a. Predictors: (Constant), indek masalah keluarga, indek masalah pekerjaan, umur,
jenis kelamin
b. Dependent Variable: indek depresi
77
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts 95% Confidence Interval for B Collinearity Statistics
Model B Std. Error Beta t Sig. Lower Bound Upper Bound Tolerance VIF
1 (Constant) 241.189 88.831 2.715 .010 60.662 421.716
umur -1.481 .863 -.225 -1.717 .095 -3.234 .272 .952 1.050
jenis kelamin -37.122 16.516 -.296 -2.248 .031 -70.686 -3.558 .944 1.060
indek masalah pekerjaan .477 1.111 .055 .430 .670 -1.781 2.736 .981 1.020
indek masalah keluarga -1.212 .294 -.529 -4.116 .000 -1.810 -.614 .990 1.010
a. Dependent Variable: indek depresi
Coefficient Correlations a
indek indek
masalah masalah
Model keluarga pekerjaan umur jenis kelamin
1 Correlations indek masalah keluarga 1.000 -.002 .079 -.072
indek masalah pekerjaan -.002 1.000 -.057 -.113
umur .079 -.057 1.000 -.194
jenis kelamin -.072 -.113 -.194 1.000
Covariances indek masalah keluarga 8.669E-02 -7.423E-04 1.997E-02 -.350
indek masalah pekerjaan -7.423E-04 1.235 -5.45E-02 -2.075
umur 1.997E-02 -5.449E-02 .744 -2.759
jenis kelamin -.350 -2.075 -2.759 272.773
Collinearity Diagnosticsa
Variance Proportions
indek indek
Condition masalah masalah
Model Dimension Eigenvalue Index (Constant) umur jenis kelamin pekerjaan keluarga
1 1 4.490 1.000 .00 .00 .00 .00 .01
2 .398 3.360 .00 .01 .01 .00 .96
3 6.460E-02 8.337 .00 .21 .92 .00 .00
4 4.284E-02 10.238 .04 .77 .07 .05 .03
5 4.299E-03 32.321 .96 .01 .00 .95 .00
78
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N

Predicted Value 18.14 189.42 130.69 41.63 39
Residual -92.02 112.67 2.33E-14 46.62 39
Std. Predicted Value -2.703 1.411 .000 1.000 39
Std. Residual -1.867 2.286 .000 .946 39
Charts
Normal P-P Plot of Regression Standardized Residual

Dependent Variable: indek depresi
1.00
.75
Expected Cum Prob
.50
.25
0.00
0.00 .25 .50 .75 1.00
Observed Cum Prob
Scatterplot
Dependent Variable: indek depresi
2
-1
-2
-3
-2 -1 0 1 2 3
Regression Standardized Residual
79
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts 95% Confidence Interval for B Collinearity Statistics
Model B Std. Error Beta t Sig. Lower Bound Upper Bound Tolerance VIF
1 (Constant) 241.189 88.831 2.715 .010 60.662 421.716
umur -1.481 .863 -.225 -1.717 .095 -3.234 .272 .952 1.050
jenis kelamin -37.122 16.516 -.296 -2.248 .031 -70.686 -3.558 .944 1.060
indek masalah pekerjaan .477 1.111 .055 .430 .670 -1.781 2.736 .981 1.020
indek masalah keluarga -1.212 .294 -.529 -4.116 .000 -1.810 -.614 .990 1.010
Ada hubungan antara indek depresi dengan jenis kelamin (p=0,031) dan indek masalah keluarga
(p=0,000)
Indek depresi = 241,189 -37,122 * jenis kelamin -1,212 indek masalah keluarga
STATISTIK NON PARAMETRIK
Prosedur ini digunakan untuk data yang tidak berdistribusi normal dan distribusi
data tidak diketahui. Uji statistic yang ada dalam statistic non parametrik adalah : chi
square, Binomial, Runs, 1 Sampel K-S, 2 Independent Samples, K Independent
Samples, 2 Relaated Samples dan K Related Samples.
Penjelasan uji-uji statistic non parametric.
1. One samples K-S
1 Sampel K-S digunakan untuk mengetahui distribusi data, yang sering digunkan
adalah uji kolmogorof smirnov yaitu untuk mengetahui kenormalan data. Dalam layar
akan muncul gambar sebagai berikut :
Contoh untuk menguji kenormalan data berat badan dan persen lemak tubuh.
80
Contoh untuk menguji kenormalan data berat badan dan persen lemak tubuh.
One-Sample Kolmogorov-Smirnov Test
Berat % lemak
Badan(KG) tubuh
N 45 45
Normal Parameters a,b Mean 54,8422 15,1278
Std. Deviation 7,9690 3,8479
Most Extreme Absolute ,127 ,076
Differences Positive ,102 ,076
Negative -,127 -,042
Kolmogorov-Smirnov Z ,854 ,509
As ymp. Sig. (2-tailed) ,459 ,958
a. Test distribution is Normal.
b. Calculated from data.
Dari output diatas diketahui bahwa data berat badan berdistribusi normal (p=0,459) dan
data persen lemak tubuh juga normal (p=0,958). Namun untuk uji kenormorlan sebaiknya
menggunakan uji kolmogorov smirnov yang dikoreksi lilifors atau Sapiro wilk.
2.Tw
oindependentSamples
2 Independent Sampels, digunakan untuk mengetahui perbedaan data dari 2 sampel

yang bebas. Uji yang sering digunkaan adalah uji Man Witney. Dalam laayar akan
muncul gambar sebagai berikut.
81
Contoh : apakah ada perbedaan nilai pengetahuan gizi setelah diberi penyuluhan
antara laki-laki dan perempuan. Nilai pengetahuan gizi setelah diberi penyuluhan
berdistribusi tidak normal.
NPar Tests
Mann-Whitney Test
Ranks
jenis kelamin N Mean Rank Sum of Ranks

nilai pengetahuan laki-laki 23 13,11 301,50
gizi akhir perempuan 22 33,34 733,50
Total 45
Test Statisticsa
nilai
pengetahuan
gizi akhir
Mann-Whitney U 25,500
Wilcoxon W 301,500
Z -5,176
As ymp. Sig. (2-tailed) ,000
a. Grouping Variable: jenis kelamin
Dari output diatas dapat disimpulkan ada perbedaan nilai pengetahuan gizi setelah
diberi penyuluhan antara laki-laki dan perempuan (p=0,00).
3. K Independent Samples
82
K Independent Sampels, digunakan untuk mengetahui perbedaan data dari 3 atau
lebih sampel yang bebas. Uji yang sering digunkaan adalah Kruskal Walis. Pada layar
Contoh :
Apakah ada perbedaan pH nata yang diberi konsentrasi mikroba yang berbeda (0%,
10%, 20% dan 30%). Data pH tidak berdistribusi normal.
NPar Tests
Kruskal-Wallis Test
Ra nks
konsentras i bakteri N Mean Rank

PH 0% 8 28,50
10% 8 13,88
20% 8 4,50
30% 8 19,13
Total 32
Test Statisticsa,b
PH
Chi-Square 27,490
df 3
As ymp. Sig. ,000
a. Kruskal Wallis Tes t
b. Grouping Variable: konsentrasi bakteri
83
Dari output diatas dapat disimpulkan ada perbedaan pH nata pada konsentrasi mikroba
yang berbeda (p=0,000).
4. Two related Samples
2 Related Samples, digunakan untuk mengetahui perbedaan data dari 2 sampel yang
terikat. Uji yang sering digunakan adalah Wilcoxon dan Mc Nemar.
4.1. Wilcoxon
Wilcoxon digunakan untuk menguji kemaknaan perbedaan median 2 set pengamatan

berpasangan dari 2 sampel berhubungan berskala ordinal. Pada layar akan muncul
gambar sebagai berikut :
Contoh ;
Apakah pemberian captopril & diuretika efektif menurunkan tensi diastolic
NPar Tests
N Mean St d. Deviation Minimum Maximum

Tensi dias tolik sebelum
10 170.20 12.22 140 180
diberi capt opril & diuretika
Tensi dias tolik ses udah
10 149.80 16.87 133 182
Wilcoxon Signed Ranks Test
84
Ra nks
N Mean Rank Sum of Ranks

Tensi dias tolik ses udah Negative Rank s 7a 5.71 40.00
diberi capt opril & diuretika Positive Ranks 2b 2.50 5.00
- Tens i diastolik sebelum Ties
1c
Total 10
a. Tensi dias tolik ses udah diberi capt opril & diuretika < Tensi dias tolik sebelum
b. Tensi dias tolik ses udah diberi capt opril & diuretika > Tensi dias tolik sebelum
c. Tensi dias tolik sebelum diberi capt opril & diuretika = Tensi dias tolik sesudah
Test Statisticsb
Tensi
diastol ik
sesudah
diberi
captopril &
diuretika -
Tensi
diastol ik
sebelum
diberi
captopril &
diuretika
Z -2.077a
As ymp. Sig. (2-tailed) .038
a. Based on positi ve ranks .
b. Wi lcoxon Signed Ranks Test
Kesimpulan : pemberian captopril & diuretic efektif meenurunkan tekanan darah

(p=0,038).
4.2. Uji Mc Nemar
Uji Mc Nemar digunakan untuk menguji perbedaan dua set pengamatan

berpasangan atau dua sample berhubungan berskala nominal (dikotom) . pada laayar
85
Contoh :
Apakah ada pengaruh pemakaian estrogen thd Ca_endometrium. Sebagai kasus adalah
penderita Ca endometrium sebanyak 10 orang dan control dengan matcing diambil 10 orang yang
tidak menderita Ca_endometrium. Hasilnya sebagai berikut :
KASUS & KONTROL
KONTROL
KASUS 0 1
0 2 1
1 4 3
Test Statisticsb
KASUS &
KONTROL
N 10
Exact Sig. (2-tailed) ,375a
a. Binomial distribution us ed.
b. McNemar Test
Dari hasil diatas ternyata p = 0,375 sehinggaa dapat disimpulkan tidak ada pengaruh
pemakaian estrogen terhadap kejadian Ca_endometrium.
5. K Related Sampel
K Related Samples, digunakan untuk mengetahui perbedaan data dari 2 atau lebih
sampel yang terikat. Uji yang sering digunakan adalah Friedman. Pada layer akan
muncul gamba semabai berikut :
86
Contoh : Apakah Jenis metode terapi stress berpengaruh thd penurunan tingkat stress yg
dikontrol oleh beban stress. Diambil subyek sebanyak 4 orang diberi 3 jenis metode yang
berbeda yaitu A, B dan C. Dari output diperoleh hasil sebagai berikut :
NPar Tests
Friedman Test
Ranks
Mean Rank
A 1,00
B 2,25
C 2,75
Test Statisticsa
N 4
Chi-Square 6,500
df 2
As ymp. Sig. ,039
a. Friedman Test
Dari hasil diatas diperoleh nilai p= 0,039 sehingga dapat disimpulkan Jenis metode terapi
stress berpengaruh thd penurunan tingkat stress yg dikontrol oleh beban stress
87

Modul Keperawatan Biostat

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul Keperawatan Biostat

Diunggah oleh

Hak Cipta:

Format Tersedia

2015

POLTEKKES KEMENKES PONTIANAK

Singkawang, 16 Januari 2015

Jika Data Berbentuk

A. Contoh Penyajian data katagorik dalam bentuk tabel

B. Contoh Analisa data dengan jenis data Katagorik

Suatu penelitian deskriptif yang berjudul “Gambaran Pengetahuan Remaja

Keterangan : S = skor nilai

Jadi jumlah yang berkategori baik, cukup dan kurang adalah :

1. Dalam suatu penelitian deskriptif yang berjudul “Gambaran Pengetahuan Ibu

A. Hitunglah skor beserta kategori !

Usia 35,2 36,1 11,2 16 67

Lama Hari 12,1 10 7,33 18 61

D. Contoh Analisa data dengan jenis data Numerik

Σf = 60 fX 3986 ΣfX = 3986

Interval Kelas Frekuensi

Untuk data berkelompok

Interval Kelas Frekuensi

8-20 14 3 52,43 157,29

Interval Kelas X F X-X X - X  2

8-20 14 3 52,43 2748,9 8246,7

2.Hitunglah tendensi sentral (ukuran pemusatan data) : mean, median beserta

Interval Kelas Frekuensi

Interval Kelas X F X-X f X-X

8-20 14 3 51,57 154,71

ANALISA DATA BIVARIAT (PENELITIAN ANALITIS)

HIPOTESIS PENELITIAN ( SECARA STATISTIK &

HARUS DIUJI PERNYATAAN SECARA STATISTIK

1. CONTOH HIPOTESIS KOMPARATIF

2. CONTOH HIPOTESIS KOMPARATIF

3. CONTOH HIPOTESIS ASSOSIATIF

contoh uji beda proporsi (non parametrik)

• contoh uji beda mean (parametrik)

merokok , tidak merokok = nominal

• perbedaan skor depresi dengan skor ansietas

• skor ansietas = interval (numerik)

• uji non parametrik : menggunakan data katagorik

Namun Untuk lebih memudahkan menganalisa variable independen dan variable

Metode statistic nonparametric disebut metode bebas sebaran data

Chi Square Menggunakan data nominal Tes independensi variable

STATISTIK NOMINAL INTERVAL

Ruang Lingkup Statistik

Secara umum statistic parametric digunakan untuk :

JENIS UJI STATISTIK STATISTIK PARAMETRIK STATISTIK NON-PARAMETRIK

Satu Kelompok Uji Z atau Uji t Sign Test

Dua Kelompok: Paired t-test Wilcoxon Signed Rank Test

Tdk.Berpasangan Unpaired t-test (Independent t- 1Wilcoxon Rank Sum Test

Lebih Dari Dua Kel. ANOVA Test Kruskal Walls Tes

Menentukan Hubungan Pearson Correlation Coeffisient Sperman Rank Correlation Coeffisient

Ujilah data tersebut dengan uji korelasi pearson.

Berdasarkan hasil penelitian tersebut diatas, apakah peluang ibu yang

SPSS merupakan kependekan dari Statistical Program for Social

Aturan pemberian nama variabel :

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

II. TRANSFORMASI DATA

Gambar 1. Kotak Dialog :Compute Variable

Contoh kotak dialog perhitungan umur

Menghitung nilai IMT

Recode Dengan Membentuk Variabel Baru

Tombol Old and New Values

D. III. Statistik Deskriptive

Gambar 3. Kotak dialog Frequencies

N Minimum Maximum Mean St d. Deviation