I. MANAJEMEN DATA
Kasus:
Berikut adalah data survei yang akan dimasukan datanya:
Dua langkah yang harus dilakukan, yaitu mengisi bagian Variabel View dan Data View:
1. Mengisi Variabel View
Buka program SPSS
Aktifkan variabel view (ada di kiri bawah).
Pada tampilan variabel view akan terlihat kata Name, Type, Width, Decimals, Labels,
Values, Column Width, Alignment, Measures.
Dari kasus, masukkan lima variabel yaitu: nama (string), umur (numerik), pendidikan
(kategori ordinal), kerja (kategori nominal), dan Hb (numerik).
Untuk keseragaman beri kode tertinggi untuk faktor yang berisiko. Misal: kode 0 untuk
yang kerja dan kode 1 untuk yang tidak bekerja.
Klik heading column (nama variabel) yang akan dihapus isi-isi selnya. Misalkan akan
dihapus variabel bbibu. Klik heading bbibu seperti tampilan sbb.
Klik disini
7. Menyisipkan Kolom
Pindahkan penunjuk sel pada kolom yang akan disisipi.
Klik kanan... insert variabel...
Akan terlihat sbb.
8. Menyisipkan Baris
Pindahkan penunjuk sel pada kolom yang akan disisipi.
Klik kanan... insert variabel...
I.3. Modifikasi Data
Sebelum data dianalisis, seringkali tidak semua data yang telah dimasukan dapat
langsung dilakukan analisis. Beberapa data perlu dilakukan modifikasi. Misalnya untuk
keperluan analisis kita perlu mengelompokkan berat badan bayi menjadi berat badan bayi
normal (≥ 2500 gram) dan berat badan bayi rendah (< 2500 gram). Berikut akan diuraikan
beberapa jenis modifikasi data yang dapat dilakukan oleh SPSS.
1. Mengelompokan Data
# perintah: RECODE
Kasus:
Anda ingin mengkategorikan umur responden menjadi tiga kelompok, yaitu responden
yang berumur < 20 tahun, 20-30 tahun, dan > 30 tahun (dalam hal ini Anda mengubah
variabel numerik menjadi variabel ordinal).
Langkah:
1. Buka file ASI.sav
2. Aktifkan data view
3. Lakukan langkah-langkah sbb:
Transform → Recorde → Into Diffrent Variabels
Masukkan variabel umur ke dalam Input Variabel
Ketik umur_1 ke dalam Output Variabel
Ketik ‘klasfikasi umur’ ke dalam label
Klik kotak change
Logikanya adalah:
Semua data < 20 tahun diubah menjadi kode 1
Semua data 20 – 30 tahun diubah menjadi kode 2
Semua data > 30 tahun diubah menjadi kode 3
Oleh karena itu, isilah Old Value dan New Value sebagai berikut:
Old Value: range lowest through 19, New Value: 1, klik Add.
Old Value: range 20 through 30, New Value: 2, klik Add.
Old Value: 31 through highest, New Value:3, klik Add.
2. Mengubah Kode
# perintah: RECODE
Bila Anda menggunakan data sekunder seringkali menggunakan kode yang berbeda
dengan kode yang seharusnya dapat dianalisis. Misal: kode untuk tingkat pendidikan,
seharusnya kode tertinggi adalah kode untuk faktor yang berisiko. Namun, pada data
mentah-nya kode terketik 1=SD, 2=SMP, 3=SMU, 4=PT. Jika hal tersebut terjadi maka
Anda perlu mengubah kode. Langkahnya:
Oleh karena itu, isilah Old Value dan New Value sebagai berikut:
Old Value: 1, New Value: 4, klik Add.
Old Value: 2, New Value: 3, klik Add.
Old Value: 3, New Value:2, klik Add.
Old Value: 4, New Value:1, klik Add.
Proses telah selesai, klik kotal Continue
Klik OK
Variabel baru (edu) akan berada diujung paling kanan. Berikut adalah hasilnya:
Kasus:
Anda ingin membuat variabel baru berat badan bayi dalam bentuk satuan kilogram.
Langkah-langkah:
Transform → Compute Variables
Ketik bayi_kg (nama variabel baru) pada kotak Target Variable
Pada kotak Numeric Expression: isi rumus yang akan digunakan untuk
menghitung nilai baru pada Target Variables. Ketiklah rumus: bbayi/1000 seperti
terlihat digambar.
Kasus: Anda ingin membuat variabel baru ibu yang berisiko tinggi dan rendah saat
melahirkan bayi dengan berat lahir rendah. Kriterianya adalah sbb. Risiko tinggi bila
responden berumur > 30 thn dan berat badan < 50 kg. Risiko Rendah selain kondisi
tersebut.
Langkah-langkah:
1. Buat variabel baru (risk) yang semuanya berisi 0 (risiko rendah)
Transform → Compute
Target Variable: ketik risk
Numeric Expression: ketik 0
Klik OK, terlihat di Data View variabel risk sudah terbentuk dengan semua selnya
berisi angka nol (0).
2. Membuat kondisi risiko tinggi (kode 1) untuk umur > 30 thn dan bb < 50 kg
Transform → Compute
Target Variable: tetap berisi risk
Numeric Expression: hapus angka nol (0) dan gantilah dengan angka 1.
Klik If → include if case satisfies condition
Ketik: umur > 30 & bbibu < 50
Klik continue
Proses selesai, klik OK, klik OK
Kasus:
Anda ingin menganalisis ibu yang menyusui ASI eksklusif saja.
Langkah-langkah:
Data → Select Cases → If Condition is Satisfied
Klik If
Sorotlah dan pindahkan ke kotak disebelah kanan dan tuliskan kondisinya yaitu
‘eksklu=0’
Keterangan: ibu yang menyusui eksklusif kodenya=0
Klik Continue
Pada bagian Output (bawah) klik filtered (artinya data yang tidak dianalisis hanya
ditandai dengan pencoretan nomor kasus).
Proses selesai, klik OK.
Nomor yang dicoret artinya dikeluarkan dari data sedangkan yang tidak dicoret
merupakan data yang akan dianalisis (ibu yang menyusui eksklusif).
II. STATISTIK DESKRIPTIF (UNIVARIAT)
Pada deskripsi variabel kategori dibuat tabel distribusi frekuensi untuk mengetahui
karakteristik data variabel kategori.
Kasus:
Ingin diketahui distribusi frekuensi variabel didik dan kerja dalam bentuk tabel dan grafik.
Langkah:
Analyze → Descriptive Statistics → Frequencies
Masukkan variabel didik dan kerja ke dalam kotak Variable(s)
Aktifkan Display Frequency Tables
Klik Continue. Proses selesai, klik Ok.
Pada deskripsi variabel dengan skala numerik dibuat deskripsi statistik (central
tendency) untuk mengetahui karakteristik data yang dimiliki.
Kasus:
Ingin mengetahui deskripsi variabel body mass index (BMI) berdasarkan ukuran pemusatan
dan ukuran penyebarannya serta penyajiannya dalam bentuk histogram.
Langkah-Langkah:
1. Buka file des_numerik
2. Lakukan:
Analyze → Descriptive Statistics → Frequencies
Masukkan BMI ke dalam kotak Variables
Pilihan Display Frequency Tables dinonaktifkan
Klik kotak Statistics. Pilih mean, median, modus pada Central Tendency (sebagai
ukuran pemusatan), pilih Std deviation, Variance, Minimum, Maksimum pada
Dispersion, pilih Skweness dan Kurtosis pada Distribution (sebagai ukuran
penyebaran).
Klik Continue, lalu aktifkan Chart pilih Histogram pada Chart Type dan aktifkan kotak
With Normal Curve
Proses selesai, klik Continue, klik OK
Output SPSS
Statistics
Pemilihan penyajian data dan uji hipotesis yang dipakai tergantung dari normal
tidaknya distribusi data. Oleh karena itu, perlu dilakukan uji normalitas apakah suatu data
memiliki distribusi normal atau tidak.
Bila data berdistribusi normal, maka dianjurkan untuk menggunakan mean dan
standar deviasi. Sedangkan bila data tidak berdistribusi normal maka dianjurkan
menggunakan median dan minimum-maksimum sebagai pasangan ukuran pemusatan dan
penyebaran.
Untuk uji hipotesis, jika distribusi data normal maka digunakan uji parametrik.
Sedangkan jika distribusi data tidak normal maka menggunakan uji non parametrik.
Kasus:
Ingin diketahui variabel umur responden apakah berdistribusi normal atau tidak.
Langkah-langkah:
Buka file: uji_norm
Analyze → Descriptive Statistics → Explore
Masukkan variabel umur ke dalam Dependent List
Output:
Descriptives
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
umur responden .108 299 .000 .975 299 .000
a. Lilliefors Significance Correction
II.4. Mentrasformasi Data Tidak Normal
Jika data Anda tidak normal maka dilakukan upaya mentransformasi data (mencoba
untuk menormalkan data). Transformasi dilakukan dengan menggunakan fungsi log, akar,
akar kuadrat.
Kasus:
Data di atas ternyata berdistribusi tidak normal. Lakukanlah transformasi data.
Langkah-Langkah:
Transform → Compute
Ketik tran-age ke dalam kotak Target Variable
Cari pilihan LG10 pada pilihan Functions, kalau sudah ditemukan pindahkan ke kotak
Numeric Expression dengan mengklik tanda panah.
Pindahkan variabel umur ke spasi [ ] dengan mengklik tanda panah.
Proses selesai, klik OK
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
tran_age .079 299 .000 .991 299 .064
a. Lilliefors Significance Correction
III. UJI HIPOTESIS VARIABEL KATEGORI-NUMERIK DUA KELOMPOK
Kategori
Mann Whitney Kruskal- Wallis Wilcoxon Friedman Spearman
Sommers
Gamma
Kasus:
Ingin diketahui bagaimana hubungan perilaku menyusui dengan kadar Hb (gunakan Hb1).
Pertanyaan penelitian: “apakah ada perbedaan kadar Hb antara ibu yang menyusui eksklusif
dengan ibu yang tidak menyusui eksklusif?”.
Output:
Descriptives
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
status menyusui asi Statistic df Sig. Statistic df Sig.
kadar hb pengukuran tdk EKSKLUSIVE .205 24 .010 .915 24 .045
pertama EKSKLUSIVE .139 26 .200* .965 26 .504
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Interpretasi:
Interpretasi:
a. Menguji varians
Pada kotak Levene’s Test (nama uji varians), nilai sig = 0,790. Karena nilai p > 0,05
maka varians kedua kelompok sama. Ingat syarat uji t tidak berpasangan: varians
data boleh sama, boleh juga tidak sama.
b. Karena varians data sama, maka untuk melihat hasil uji t memakai hasil pada baris
pertama (equal variances assumed).
c. Angka significancy pada baris pertama 0,717 dengan perbedaan rerata (mean
diffrence) sebesar 0,1439.
d. Nilai 95% adalah antara -0,6505 s.d. 0,9384.
e. Karena nilai P > 0,05 maka diambil kesimpulan “tidak terdapat perbedaan rerata
kadar Hb yang bermakna antara kelompok ibu yang menyusui asi eksklusif dan yang
tidak menyusui asi eksklusif.”
Interpretasi 95%:
“kita percaya 95% bahwa jika pengukuran dilakukan pada populasi, maka perbedaan
kadar Hb antara kelompok ibu yang menyusui eksklusif dengan ibu yang tidak
menyusui eksklusif adalah antara -0,6505 s.d. 0,9384.”
Kasus:
Ingin diketahui pengaruh terapi sulih testoteron terhadap perubahan body mass index (BMI).
Pertanyaan penelitian: “apakah terdapat perbedaan rerata body mass index (BMI) sebelum
dan sesudah satu bulan penyuntikan testoteron?”
Langkah-Langkah:
1. Memeriksa syarat uji t berpasangan.
a. Distribusi data harus normal (wajib)
b. Varians data tidak perlu diuji karena kelompk data berpasangan.
2. Jika memenuhi syarat (data berdistribusi normal), maka dipilih uji t berpasangan.
3. Jika tidak memenuhi syarat (data tidak berdistribusi normal), lakukan terlebih dahulu
transformasi data.
Descriptives
Interpretasi:
a. Bagian pertama adalah statistik deskriptif untuk variabel BMI berdasarkan masing-
masing kelompok data.
b. Pada test normalitas karena jumlah sampel kecil ≤ 50 dianjurkan untuk memamaki
shapiro wilk.
c. Hasil test of normality shapiro wilk diperoleh hasil nilai kemaknaan untuk kedua
kelompok data adalah > 0,05. Dengan demikian dapat diambil kesimpulan bahwa
distribusi kedua kelompok data adalah normal.
N Correlation Sig.
Pair Bodi mass index
1 sebelum penyuntikan
testosteron & Body mass 50 .148 .306
index setelah penyuntikan
testosterone
Paired Differences
95% Confidence
Interval of the
Std. Error Difference
Mean Std. Deviation Mean Lower Upper t df Sig. (2-tailed)
Pair Bodi mass index
1 sebelum penyuntikan
testosteron - Body mass -5.6040 1.0880 .1539 -5.9132 -5.2948 -36.423 49 .000
index setelah penyuntikan
testosterone
Interpretasi:
IV.1. ANOVA
Kasus:
Ingin diketahui apakah ada perbedaan kadar gula darah antara kelompok ekonomi rendah,
sedang, dan tinggi.
Langkah-Langkah:
1. Syarat ANOVA tidak berpasangan:
a. Distribusi data harus normal (wajib)
b. Varians data harus sama (wajib)
2. Jika memenuhi syarat maka dipilih uji ANOVA
3. Jika tidak memenuhi syarat, maka diupayakan untuk melakukan transformasi data
supaya distribusi menjadi normal dan varians data sama.
4. Jika pentransformasian data tidak berhasil maka dipilih uji alternatifnya yaitu uji
Kruskal Wallis.
5. Jika pada uji ANOVA menghasilkan nilai p < 0,05 maka dilanjutkan dengan melakukan
analisis Post Hoc.
Output:
Descriptives
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
tingkat ekonomi Statistic df Sig. Statistic df Sig.
kadar gula darah tinggi .088 100 .055 .984 100 .247
sedang .085 100 .071 .981 100 .151
rendah .083 100 .083 .981 100 .161
a. Lilliefors Significance Correction
Interpretasi:
a. Bagian pertama adalah statistik deskriptif untuk variabel kadar gula darah
berdasarkan masing-masing kelompok.
b. Pada bagian Test of Normality, terlihat bahwa nilai Significancy untuk masing-masing
kelompok > 0,05, maka ketiga kelompook data adalah normal.
ANOVA
Interpretasi:
a. Significancy Test Homogeineity of Variances menunjukkan angka 0,000 (p<0,05).
Artinya paling tidak terdapat dua kelompok yang mempunyai varians data yang
berbeda secara bermakna.
b. Karena varians data tidak sama, maka hasil uji ANOVA pada tabel berikutnya tidak
valid. Ingat syarat ANOVA.
c. Lakukan transformasi data agar varians data sama.
Output:
Nilai slope dan nilai power adalah panduan bagi kita untuk menentukan jenis transformasi.
Berikut adalah panduan jenis transformasi berdasarkan slope dan power.
Karena nilai slope dan power yang qta peroleh adalah 1,429 dan -0,429 maka menurut tabel
di atas, bentuk anjuran transformasi yang terbaik adalah dengan 1/sqr root
Transformasi Data
Transform → Compute
Ketik trn_gula pada Target Variabel
Pindahkan sqrt dari kotak Function ke kotak Numeric Expression dengan mengklik
tanda panah.
Tampak ada kolom berkedip
Masukkan variabel gula ke dalam kolom berkedip dengan mengklik tanda panah
sehingga tampil ekspresi sebagai berikut: sqrt(gula).
Lalu ketik 1/ sebelum sqrt(gula) sehingga tertulis: 1/SQRT(gula) yang berarti 1/square
root.
Output
Test of Homogeneity of Variances
trn_gula
Levene
Statistic df1 df2 Sig.
1.962 2 297 .142
Interpretasi:
Menilai Varians
Pada uji varians, diperoleh nilai p=0,142. Karena nilai p>0,05 maka dapat diambil
kesimpulan bahwa tidak ada perbedaan varians antar kelompok data yang
dibandingkan dengan kata lain varians data adalah sama.
Uji ANOVA
Setelah dilakukan uji varians terhadap variabel trn_gula, kemudian dapat dilakukan
uji ANOVA.
Analyze → Compare Means → One way ANOVA
Masukkan variabel trn_gula ke dalam Dependent List (diisi dengan variabel numerik)
Masukkan variabel class ke dalam Factor List (diisi dengan variabel kategorik)
Aktifkan kotak Option
Pilih Descriptive
Klik Continue.
Aktifkan kotak Post Hoc
Pilih Tukey pada kotak Equal Variances Assumed
Klik Continue. Klik OK.
Output:
Descriptives
ANOVA
trn_gula
Sum of
Squares df Mean Square F Sig.
Between Groups .005 2 .002 106.526 .000
Within Groups .007 297 .000
Total .012 299
Multiple Comparisons
Mean
Difference 95% Confidence Interval
(I) tingkat ekonomi (J) tingkat ekonomi (I-J) Std. Error Sig. Lower Bound Upper Bound
tinggi sedang -.00778* .00068 .000 -.0094 -.0062
rendah -.00930* .00068 .000 -.0109 -.0077
sedang tinggi .00778* .00068 .000 .0062 .0094
rendah -.00151 .00068 .070 -.0031 .0001
rendah tinggi .00930* .00068 .000 .0077 .0109
sedang .00151 .00068 .070 -.0001 .0031
*. The mean difference is significant at the .05 level.
Interpretasi:
Dari hasil uji ANOVA diperoleh rata-rata kadar gula darah dan standar deviasi masing-
masing kelompok. Rata-rata kadar gula darah pada mereka dengan tingkat ekonomi tinggi
adalah 273,9 dengan standar deviasi 45,7. Pada mereka yang tingakt ekonomi sedang rata-
rata kadar gula darahnya adalah 213,5 dengan standar deviasi 26,7. Pada mereka yang
tingkat ekonomi rendah rata-rata kadar gula darahnya adalah 204,8 dengan standar deviasi
27,5.
Pada hasil uji ANOVA dapat diketahui pada kolom “F”dan “Sig.” Terlihat p=0,000
(kalau desimalnya 0 maka penulisan menjadi 0,0001). Artinya paling tidak terdapat
perbedaan kadar gula darah yang bermakna pada kedua kelompok.
Pada bagian Multiple Comparison berguna untuk menelusuri lebih lanjut kelompok
mana saja yang berbeda secara bermakna. Untuk mengetahui kelompok mana saja yang
berbeda bermakna dapat dilihat dari kolom Sig. Ternyata kelompok yang berbeda bermakna
adalah kelompok tingkat ekonomi tinggi dengan sedang, kelompok tingkat ekonomi tinggi
dengan rendah.
Uji repeated ANOVA berada dalam lingkup General Linear Model. General Linear Model
Repeated Measures (GLM – RM) adalah suatu analisis yang diterapkan untuk situasi dimana
pengukuran dilakukan berulang-ulang pada subyek yang sama. Uji ini mirip dengan uji t
untuk data yang berpasangan (paired t-test). Jika pada uji t hanya dua data (sebelum dan
sesudah), maka pada uji GLM-RM ini pengujian bisa dilakukan pada lebih dari dua pasangan
data. Jadi analisis GLM-RM bertujuan untuk mengetahui apakah ada perbedaan yang
bermakna pada pasangan data yang diukur berulang-ulang (Santoso, S, 2000).
Kasus:
Ingin diketahui pengaruh metoda latihan pada penderita arthritis terhadap fungsi lutut.
Sebelum pelatihan diukur fungsi lutut berdasarkan waktu yang diperlukan untuk naik tangga
(dalam detik). Anda ingin melihat perbandingan fungsi lutut sebelum pelatihan, empat
minggu setelah pelatihan, dan enam minggu setelah pelatihan.
Langkah-Langkah:
1. Syarat ANOVA tidak berpasangan:
a. Distribusi data harus normal (wajib)
b. Varians data harus sama (wajib)
2. Jika memenuhi syarat maka dipilih uji repeated ANOVA
3. Jika tidak memenuhi syarat, maka diupayakan untuk melakukan transformasi data
supaya distribusi menjadi normal dan varians data sama.
4. Jika pentransformasian data tidak berhasil maka dipilih uji alternatifnya yaitu uji
Friedman.
5. Jika pada uji repeated ANOVA menghasilkan nilai p < 0,05 maka dilanjutkan dengan
melakukan analisis Post Hoc.
Output:
Descriptives
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Detik kecepatan naik
.093 35 .200* .973 35 .544
turun tangga (awal)
Detik kecepatan naik
.108 35 .200* .971 35 .469
turun tangga (minggu 4)
Detik kecepatan naik
.093 35 .200* .959 35 .218
turun tangga (minggu 6)
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Interpretasi:
a. Bagian pertama adalah statistik deskriptif untuk variabel fungsi lutut. Ingat prinsip
bahwa Anda harus mempelajari deskripsi variabel sebelum melangkah pada proses
selanjutnya.
b. Pada bagian Test of Normality (Shapiro-Wilk), terlihat bahwa nilai Significancy untuk
semua variabel adalah >0,05. Kesimpulannya distribusi data pada ketiga pengukuran tsb
adalah normal.
Klik Contrast. Klik Contrasts, bila ingin melihat perbedaan mean. Terdapat berbagai
macam jenis contras, yang sering dipakai adalah:
simpel (melihat perbedaan masing-masing mean dengan mean satu level sebagai
pembanding –first atau last-),
difference (melihat perbedaan satu level lebih tinggi dengan rata-rata level
sebelumnya, level-2 vs level-1, level-3 vs previous (mean level-1 dan 2), level-4 vs
previous (mean level-1 sd 3),
deviation (melihat perbedaan masing-masing mean level dengan mean total), dan
repeated (melihat perbedaan mean antar level yg berdekatan –level1 dengan level2,
level2 dengan level3, dst).
Measure: MEASURE_1
a
Epsilon
Approx. Greenhous
Within Subjects Effect Mauchly's W Chi-Square df Sig. e-Geisser Huynh-Feldt Lower-bound
waktu .500 22.848 2 .000 .667 .684 .500
Tests the null hypothesis that the error covariance matrix of the orthonormalized transformed dependent variables is
proportional to an identity matrix.
a. May be used to adjust the degrees of freedom for the averaged tests of significance. Corrected tests are displayed in
the Tests of Within-Subjects Effects table.
b.
Design: Intercept
Within Subjects Design: waktu
Interpretasi:
Untuk melakukan interpretasi terhadap uji repeated ANOVA, yang pertama kali dilakukan
adalah melihat pemenuhan asumsi sphericity.
Asumsi utama dalam analisis GLM-RM yang harus dipenuhi adalah sphericity, yang
diharapkan signifikansinya lebih besar dari alpha, yaitu gagal menolak Ho bahwa matriks = 1.
Pada tabel Mauchly’s test of Spherictiy terlihat nilai p-value = 0,000. Berarti asumsinya tidak
terpenuhi. Untuk itu, dalam interpretasi hasil GLM-RM perlu dilihat faktor koreksi untuk
degree of freedom (df) dari nilai Epsilon, dimana Nilai df koreksi = Nilai df sebelum koreksi *
Epsilon. Hasil koreksi df terlihat pada tabel Tests of Within-Subjects Effects.
Pada baris Sphericity Assumed, df yang dipakai adalah df yang asli (tidak dikoreksi), uji ini
dipakai jika asumsi sphericity nya terpenuhi. Pada Greenhouse-Geiser, telah dilakukan
koreksi terhadap df-nya menjadi 1,334. Hasil koreksi df ini digunakan untuk analisis
selanjutnya. Semua hasil test, baik df dikoreksi ataupun tidak memperlihatkan hasil uji yang
hampir sama.
Hasil uji asumsi Sphericity (yang df-nya sudah dikoreksi) diperlihatkan dari tabel Within-
Subjek Effect, dengan simpulan yang sama, yakni asumsi Sphericity tidak terpenuhi.
Measure: MEASURE_1
Type III Sum
Source of Squares df Mean Square F Sig.
waktu Sphericity Assumed 5367.048 2 2683.524 88.153 .000
Greenhouse-Geisser 5367.048 1.334 4024.230 88.153 .000
Huynh-Feldt 5367.048 1.368 3924.037 88.153 .000
Lower-bound 5367.048 1.000 5367.048 88.153 .000
Error(waktu) Sphericity Assumed 2070.034 68 30.442
Greenhouse-Geisser 2070.034 45.345 45.651
Huynh-Feldt 2070.034 46.503 44.514
Lower-bound 2070.034 34.000 60.883
Oleh karena asumsi Sphericity tidak terpenuhi maka digunakan multivariate test. (SPSS
Intermediate, 1999)
Multivariate Testsb
Interpretasi:
- Pengaruh dari Pelatihan terhadap fungsi lutut
- Dari keempat test statistik, Pillai’s Test, Wilk’s Lambda, Hotelling’s Trace dan Roy’s Largest
Root, untuk kinerja menunjukkan signifikansi yang sama (p-value = 0,000). Artinya secara
umum memang ada perbedaan fungsi lutut menurut waktu (antara sebelum dengan
sesudah pelatihan). Minimal salah satu fungsi lutut (waktu1 s/d waktu6) berbeda dengan
lainnya. Untuk bagian mana yang berbeda tidak terlihat dari uji multivariat, harus dilihat
tabel Test Within-Subjects Contrasts.
Measure: MEASURE_1
Type III Sum
Source waktu of Squares df Mean Square F Sig.
waktu Level 2 vs. Level 1 4622.542 1 4622.542 76.212 .000
Level 3 vs. Level 1 10342.363 1 10342.363 105.248 .000
Error(waktu) Level 2 vs. Level 1 2062.216 34 60.653
Level 3 vs. Level 1 3341.058 34 98.266
Interpretasi:
Perhatikan kolom sig waktu. Sesuai dengan uji contrast yang kita pilih yaitu metode
simple, yang membandingkan setiap waktu dengan waktu1 (pre-test). Untuk semua
perbandingan pengukuran diperoleh p value ≤ 0,05. Artinya perbedaan fungsi lutut sudah
mulai terlihat sejak bulan pertama setelah pelatihan apabila dibandingkan dengan fungsi
lutut sebelum pelatihan.
Kasus:
Ingin mengetahui hubungan antara jenis pekerjaan dengan perilaku menyusui ibu.
Pertanyaan penelitiaan: “apakah ada perbedaan proporsi kejadian menyusui eksklusif antara
ibu yang bekerja dengan ibu yang tidak bekerja?”
Langkah Jawaban
1 Menentukan variabel yang akan dihubungkan Variabel yang akan dihubungkan
adalah pekerjaan ibu (kategori)
dengan perilaku menyusui (kategori)
2 Menentukan jenis hipotesis Komparatif
3 Menentukan skala variabel Kategori – kategori
4 Menentukan pasangan/tidak berpasangan Tidak Berpasangan
5 Menentukan jenis tabel B x K 2x2
Kesimpulan:
Jenis tabel pada soal ini 2 x 2. Uji yang digunakan adalah uji chi square bila memenuhi syarat.
Bila tidak memenuhi syarat uji Chi square digunakan uji alternatifnya yaitu uji Fisher.
Langkah-Langkah:
Analyze → Descriptive Statistics → Crosstabs
Masukkan variabel pekerjaan ke dalam Rows (variabel bebas)
Masukkan variabel status menyusui ke dalam Column (variabel terikat)
Aktifkan kotak statistics, lalu pilih chi square dan klik risk
Klik continue
Aktifkan kotak cell, lalu pilih Observed (untuk menampilkan nilai observed) pada
bagian counts.
Pilih Row pada bagian percentages
Klik Continue
Klik OK
Output:
status pekerjaan ibu * status menyusui asi Crosstabulation
Risk Estimate
95% Confidence
Interval
Value Lower Upper
Odds Ratio for status
pekerjaan ibu 5.464 1.627 18.357
(KERJA / tidak kerja)
For cohort status
menyusui asi = tdk 2.429 1.226 4.811
EKSKLUSIVE
For cohort status
menyusui asi = .444 .239 .827
EKSKLUSIVE
N of Valid Cases 50
Interpretasi:
Berdasarkan output di atas tertampil tabel silang antara pekerjaan dengan pola
menyusui dengan angka masing-masing selnya. Angka yang paling atas adalah jumlah kasus
masing-masing sel. Angka kedua adalah persentase menurut baris1 .
Sebanyak 18 (72%) ibu yang tidak bekerja dapat menyusui bayinya secara eksklusif.
Sedangkan diantara ibu yang bekerja, ada 8 (32%) ibu yang dapat menyusui bayinya secara
eksklusif.
Hasil uji chi square dapat dilihat pada kotak chi square test. Nilai mana yang akan
digunakan? (pearson, continuity corresction, likelihood, atau fisher).
Aturan yang berlaku pada chi square sbb.
a. Bila pada tabel 2x2 dijumpai expected (harapan) < 5, maka yang digunakan adalah
Fisher Exact.
b. Bila pada tabel 2x2 tidak dijumpai expected < 5, maka uji yang dipakai bisa Contiuity
correction atau pearson chi square.
c. Bila tabelnya 2x2 atau lebih, misalnya 3x2, 3x3 dsb, maka digunakan uji pearson chi
square
1
Karena merupakan hasil penelitian dengan desain cross sectional sehingga persen yang ditampilkan adalah persen baris,
namun bila jenis penelitiannya case control angka persen yang digunakan adalah persen kolom.
Untuk mengetahui nilai expected (E) kurang dari 5 dapat dilihat pada footnote b dibawah
kotak chi square.
Tabel 2x2 ini layak untuk diuji dengan chi square karena tidak ada nilai expected yang
kurang dari lima2. Nilai yang dipakai adalah nilai Pearson Chi Square. Pada kolom asymp.sig
(2-sided) nilai p = 0,005. Artinya terdapat hubungan antara status pekerjaan dengan perilaku
menyusui eksklusif.
Uji chi square tidak dapat digunakan untuk mengetahui derajat kekuatan/kekuatan
hubungan dua variabel, oleh karena itu digunakan nilai odss ratio (OR) atau relatif risk (RR).
Hasil di atas nilai OR terdapat pada baris Odds Ratio yaitu 5,464 sbb. Ibu yang tidak bekerja
mempunyai peluang 5,46 kali untuk menyusui eksklusif dibandingkan dengan ibu yang
bekerja. Pada perintah crosstab nilai OR yang keluar bila tabel silang 2x2. Jika tabel silang
selain 2x2 maka OR dapat diperoleh dengan hasil regresi logistik dengan cara membuat
dummy variable.
CATATAN :
Untuk desain cross sectionsl presentasi baris
Untuk desain case control presentasi kolom
Row independen
Coloumn depnden
2
Syarat uji chi square: 1). tidak ada nilai observed yang bernilai nol, 2). Sel yang mempunyai nilai expected
kurang dari lima, maksimal 20% dari jumlah sel.