2016

[PELATIHAN ANALISA DATA

DENGAN SPSS]
Universitas Muhammadiyah, Jakarta .
 ANALISIS DATA
Deskriptif, Bivariat, dan Multivariat dengan menggunakan SPSS

I. MANAJEMEN DATA

I.1. Entry Data

Pada bagian ini, dipelajari cara memasukan data nominal, ordinal, dan numerik serta
variabel dengan tipe String.

Kasus:
Berikut adalah data survei yang akan dimasukan datanya:

No. Nama Umur Pendidika Kerja Hb

n
1 Wati 23 SD kerja 10.1
2 Nana 24 PT kerja 9.8
3 Tina 34 PT tidak kerja 11.1
4 Sari 35 SMU kerja 10.2
5 Yani 19 SMU tidak kerja 10.4
6 Mery 24 SMP tidak kerja 11.2
7 Yeyen 22 SD tidak kerja 12.5
8 Nila 19 SD kerja 11.4
9 Rahma 26 SMU kerja 13.2
10 Lala 25 PT tidak kerja 9.2

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.

Name : Kata yang mewakili nama variabel. Biasanya diisi dengan

kata yang mudah diingat yang berkaitan dengan nama
variabelnya. Misalnya: “edu” untuk variabel tingkat
pendidikan responden.
Type : Tipe data yang akan dimasukkan. Pilihan yang paling umum
adalah numeric (karena semua proses uji dalam SPSS bisa
dilakukan dalam bentuk numeric) dan string (kalau data
yang dimasukkan adalah huruf/kata/kalimat).
Witdh : Jumlah digit yang akan dimasukkan.
Decimals : Jumlah digit dibelakang titik.
Labels : Penjelasan rinci dari kolom name. Misalnya: dalam kolom
name diketik edu, labels-nya adalah “tingkat pendidikan
 terakhir yang ibu tempuh”
Values : Kode jika variabel merupakan variabel kategorik (nominal
dan ordinal). Misalnya kode 1 untuk kategori PT, kode 12
untuk kategori SMU, kode 3 untuk kategori SMP, kode 4
untuk kategori SD.
Column Width : Lebar kolom.
Alignment : Pilihan tampilan variabel (rapat kiri, kanan, atau tengah).
Measures : Skala pengukuran variabel (nominal, ordinal, scale).

Dari kasus, masukkan lima variabel yaitu: nama (string), umur (numerik), pendidikan
(kategori ordinal), kerja (kategori nominal), dan Hb (numerik).

a. Pengisian variabel view untuk variabel nama

Name : Isi dengan mengetik nama

Type : Isi dengan mengaktifkan pilihan string
Witdh : Isi dengan 15 (untuk keseragaman). Pemilihan lebar kolom
tergantung dari beberapa karakter nama terpanjang.
Decimals : Tidak aktif
Labels : Isi dengan nama responden
Values : Tidak diisi
Column Width : 15 (untuk keseragaman)
Alignment : Terserah
Measures : Tidak aktif

b. Pengisian variabel view untuk variabel umur

Name : Isi dengan mengetik age

Type : Isi dengan mengaktifkan pilihan numeric
Witdh : Terserah
Decimals : Pilih 0
Labels : Isi dengan umur responden
Values : Tidak diisi
Column Width : Terserah
Alignment : Terserah
Measures : Pilih scale

c. Pengisian variabel view untuk variabel pendidikan

Name : Isi dengan mengetik edu

Type : Isi dengan mengaktifkan pilihan numeric
Witdh : Terserah
Decimals : Pilih 0
Labels : Isi dengan tingkat pendidikan terakhir responden/ibu
Values : Klik kotak kecil berwarna abu-abu pada sisi kanan kolom
values, akan terlihat tampilan sbb.

 Ketik 1 pada kotak Value

 Ketik PT pada kotak Value Label
 Klik Add
 Ketik 2 pada kotak Value
 Ketik SMU pada kotak Value Label
 Klik Add
 Ketik 3 pada kotak Value
 Ketik SMP pada kotak Value Label
 Klik Add
 Ketik 4 pada kotak Value
 Ketik SD pada kotak Value Label
 Klik Add
 Proses telah selesai.
Akan terlihat tampilan sebagai berikut:
  Klik OK
 Column Width terserah Anda
 Alignment terserah Anda
 Measures pilihlah Ordinal

d. Pengisian variabel view untuk variabel kerja

Name : Isi dengan mengetik kerja

Type : Isi dengan mengaktifkan pilihan numeric
Witdh : Terserah
Decimals : Pilih 0
Labels : Isi dengan pekerjaan responden/ibu
Values : Klik kotak kecil berwarna abu-abu pada sisi kanan kolom
values.

 Ketik 0 pada kotak Value

 Ketik kerja pada kotak Value Label
 Klik Add
 Ketik 1 pada kotak Value
 Ketik tidak kerja pada kotak Value Label
 Klik Add
 Proses telah selesai.
Akan terlihat tampilan sebagai berikut:
  Klik OK
 Column Width terserah Anda
 Alignment terserah Anda
 Measures pilihlah Nominal

e. Pengisian variabel view untuk variabel hb

Name : Isi dengan mengetik hb

Type : Isi dengan mengaktifkan pilihan numeric
Witdh : Terserah
Decimals : Isi dengan 1 (artinya satu desimal di belakang koma)
Labels : Isi dengan kadar hb dalam mmHg
Values : Tidak diisi (karena variabel hb tidak mempunyai kategori)
Column Width : Terserah
Alignment : Terserah
Measures : Pilih scale

Untuk keseragaman beri kode tertinggi untuk faktor yang berisiko. Misal: kode 0 untuk
yang kerja dan kode 1 untuk yang tidak bekerja.

2. Mengisi Data View

Aktifkan data view, lalu isilah dengan data pada kasus yang diberikan. Jika sudah selesai
simpan file dengan nama: entry_lat (file → save as → entry_lat).

I.2. Mengedit Data

1. Menghapus Isi Sel
 Klik sel yang akan dihapus isinya
 Klik tombol delete pada keyboard atau klik kanan → clear

2. Menghapus Isi Sel Satu Kolom (menghapus variabel)

 Klik heading column (nama variabel) yang akan dihapus isi-isi selnya. Misalkan akan
dihapus variabel bbibu. Klik heading bbibu seperti tampilan sbb.

Klik disini

 Klik kanan, clear

3. Menghapus Baris (Menghapus Case/Responden)

 Klik baris yang akan dihapus. Misalkan responden nomor 5 akan dihapus.
 Klik disini

 Klik kanan, clear

4. Mengkopi Isi Sel

 Pilih sel (sejumlah sel dengan menyorot) yang akan dikopi isinya.
 Tekan ctrl + C
 Pindahkan penunjuk sel ke sel yang akan dituju
 Tekan ctrl + V

5. Mengkopi Isi Satu Column

 Klik heading kolom yang akan dikopi isinya
 ctrl + C
 Klik heading kolom yang akan dituju
 ctrl + V

6. Mengcopy Isi Satu Baris

 Klik nomor case yang akan dikopi
 ctrl + C
 Klik nomor case yang akan dituju atau dipindahkan
 ctrl + V

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

Pengelompokan biasanya digunakan untuk mengubah variabel numerik menjadi

variabel kategorik. Pengelompokan dapat dilakukan pada variabel yang sama atau ke
variabel baru yang berbeda. Dianjurkan: jika melakukan pengelopmpokan sebaiknya
membuat variabel baru sehingga variabel awal masih ada.

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

 Klik kotak Old and New Values

 Isilah kotak Old Value dan kotak New Value (selajutnya ikuti logika berfikir)

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.

 Proses telah selesai, klik kotal Continue

 Klik OK
Variabel baru (umur_1) akan berada diujung paling kanan. Berikut adalah hasilnya:
 Selanjutnya, lakukanlah pengisian Variable View untuk variabel umur_1.

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:

1. Buat dahulu distribusi frekuensinya: Analyze → Descriptive Statistics → Frequencies

2. Lakukan langkah-langkah sbb:
 Transform → Recorde → Into Diffrent Variabels
 Masukkan variabel didik ke dalam Input Variabel
 Ketik edu ke dalam Output Variabel
 Ketik ‘tingkat pendidikan terakhir ibu ubah kode’ ke dalam label
 Klik kotak change
Anda akan mengubah kode:
1 menjadi 4
2 menjadi 3
3 menjadi 2
4 menjadi 1

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:

 Lakukan untuk pengecekkan data dengan cara: Analyze → Descriptive Statistics

→ Frequencies.
 Selanjutnya, lakukanlah pengisian Variable View untuk variabel edu.

3. Membuat Variabel Baru Hasil Perhitungan

#perintah: COMPUTE
 Pada SPSS dapat dilakukan pembuatan variabel baru hasil dari perhitungan matematika
(penjumlahan, pengurangan, pembagian, perkalian, dll).

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.

 Proses selesai, klik OK.

4. Membuat Variabel Baru dengan Syarat

#perintah: IF

Dalam pembuatan variabel baru seringkali dihasilkan dari kondisi beberapa

variabel yang ada.

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

Selanjutnya lakukan pengecekkan data dan pengisian variabel view.

5. Memilih Sebagian Data

#perintah: SELECT CASES
 Pada kondisi tertentu, Anda hanya menginginkan menganalisis data dari kelompok
tertentu saja. Misalkan Anda mempunyai data seluruh DKI tetapi hanya ingin
mengetahui distribusi aktifitas pada Ibu hamil yang tinggal di Jakarta Selatan.

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)

II.1. Deskripsi Variabel Kategori (masih file ASI)

“Know your data!”

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.

II.2. Deskripsi Variabel Numerik (file ASI)

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

Body mass index

N Valid 50
Missing 0
Mean 18.390
Median 18.500
Mode 18.5
Std. Deviation .7723
Variance .596
Skewness .013
Std. Error of Skewness .337
Kurtosis -.437
Std. Error of Kurtosis .662
Minimum 17.0
Maximum 20.0
II.3. Normalitas Data

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.

Tabel 2.1. Metode Uji Normalitas Data

Metoda Parameter Kriteria Keterangan
Deskriptif Rasio skewness Nilai rasio skewness -2 Skewness / SE skew
s.d. 2
Rasio kurtosis Nilai rasio kurtosis -2 Kurtosis / SE kurtosis
s.d. 2
Histogram Simetris, tidak miring
kiri maupun kanan,
tidak terlalu tinggi atau
terlalu rendah
 Box plot Simetris, median tepat
di tengah, tidak ada
outlier atau nilai
ekstrim
Normal Q Q plots Data menyebar
disekitar garis
Analitis Kolmogorov Smirnov Nilai kemaknaan (p) > Untuk sampel besar >
0,05 50
Shapiro Wilk Nilai kemaknaan (p) > Untuk sampel kecil ≤
0,05 50

Langkah-langkah:
 Buka file: uji_norm
 Analyze → Descriptive Statistics → Explore
 Masukkan variabel umur ke dalam Dependent List

 Pilih Both pada Display

 Biarkan kotak Statistics sesuai default SPSS.
 Aktifkan kotak Plots, klik Factors Levels Together pada Boxplots (untuk menampilkan
boxplot). Klik Histogram pada Descriptive (untuk menampilkan histogram), dan
Normality Plots with Test (untuk menampilkan plot dan uji normalitas).
  Proses telah selesai, klik Continue, klik OK

Output:

Descriptives

Statistic Std. Error

umur responden Mean 39.8428 .33507
95% Confidence Lower Bound 39.1834
Interval for Mean Upper Bound
40.5022

5% Trimmed Mean 39.6436

Median 39.0000
Variance 33.569
Std. Deviation 5.79389
Minimum 25.00
Maximum 60.00
Range 35.00
Interquartile Range 8.00
Skewness .569 .141
Kurtosis .429 .281

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

Lihat pada Data View, terdapat variabel baru bernama tran_age.

Lakukan uji normalitas kembali pada variabel baru tran_age.

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

Tabel 3.1. Panduan Sederhana Uji Hipotesis

Skala Jenis Hipotesis

Komparatif Korelatif
Tidak Berpasangan Berpasangan
(kelompok berbeda) cth:urban (kelompok sama)
dgn rural Ada pre n post test (before
after)
Numerik 2 klp >2 klp 2 klp >2klp
Uji t tidak One way Uji t Repeated Pearson
berpasangan Anova berpasangan ANOVA

Kategori
Mann Whitney Kruskal- Wallis Wilcoxon Friedman Spearman
Sommers
Gamma

Kategori Chi Square McNemar, Cochran, Marginal Koefisien

Fisher Homogeneity, Wilcoxon, kontingensi,
Kolmogorov-Smirnov Friedman Lambda
(tabel B x K)
*lihat lampiran untuk memahami istilah

III.1. Uji T Tidak Berpasangan

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?”.

Pemilihan Uji Hipotesis:

Tabel 3.2. Langkah-langkah Pemilihan Uji Hipotesis

Langkah Jawaban
1 Menentukan variabel yang akan dihubungkan Variabel yang akan dihubungkan
adalah perilaku menyusui (kategori)
dengan kadar Hb (numerik)
2 Menentukan jenis hipotesis Komparatif
Langkah Jawaban
3 Menentukan skala variabel Kategori – numerik
4 Menentukan pasangan/tidak berpasangan Tidak berpasangan
5 Menentukan jumlah kelompok Dua kelompok
Kesimpulan:
Uji yang digunakan asalah uji t tidak berpasangan jika memenuhi syarat. Jika tidak memenuhi
syarat digunakan uji alternatifnya, yaitu uji Mann Whitney.
Langkah-langkah:
1. Memeriksa syarat uji t tidak berpasangan:
a. Data harus berdistribusi normal (wajib)
b. Varians data boleh sama, boleh juga tidak sama (>0,05 varaians data sama, <0,05
beda)
2. Jika memenuhi syarat (data berdistribusi normal), maka dipilih uji t tidak berpasangan.
3. Jika tidak memenuhi syarat (data tidak berdistribusi normal), lakukan terlebih dahulu
transformasi data.

Uji Normalitas Data

 Buka file: ASI
 Lakukan uji normalitas untuk kadar Hb1 kelompok ibu yang menyusui eksklusif dan
kadar Hb1 kelompok ibu yang tidak menyusui eksklusif.
 Prosesnya sama dengan uji normalitas data. Perbedaannya memasukkan variabel
“eksklu” ke dalam Factor List.

Output:
 Descriptives

status menyusui asi Statistic Std. Error

kadar hb pengukuran tdk EKSKLUSIVE Mean 10.421 .3003
pertama 95% Confidence Lower Bound 9.800
Interval for Mean Upper Bound
11.042

5% Trimmed Mean 10.440

Median 10.200
Variance 2.164
Std. Deviation 1.4712
Minimum 7.2
Maximum 13.2
Range 6.0
Interquartile Range 1.1
Skewness .128 .472
Kurtosis .744 .918
EKSKLUSIVE Mean 10.277 .2594
95% Confidence Lower Bound 9.743
Interval for Mean Upper Bound
10.811

5% Trimmed Mean 10.274

Median 10.200
Variance 1.750
Std. Deviation 1.3228
Minimum 7.4
Maximum 13.2
Range 5.8
Interquartile Range 1.6
Skewness -.042 .456
Kurtosis .334 .887

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:

a. Bagian pertama adalah statistik deskriptif untuk variabel kadar Hb berdasarkan

masing-masing kelompok.
b. Untuk menguji apakah data berdistribusi normal atau tidak digunakan uji
Kolmogorov Smirnov. Jika P > 0,05 berarti data berdistribusi normal. Uji hipotesis
yang digunakan yaitu Uji T tidak berpasangan.
Uji T Tidak Berpasangan:

 Buka file: ASI

 Analyze → Compare Means → Independent Sample t
 Masukkan Hb1 ke dalam kotak Test Variable
 Masukkan eksklu ke dalam Grouping Variable

 Aktifkan kotak Define Group

 Ketik angka 0 untuk kotak group 1 (sebagai kode tidak eksklusif)
 Ketik angka 1 untuk kotak group 2 (sebagai kode eksklusif)
Output:

Independent Samples Test

Levene's Test for

Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed) Difference Difference Lower Upper
kadar hb pengukuran Equal variances
.072 .790 .364 48 .717 .1439 .3951 -.6505 .9384
pertama assumed
Equal variances
.363 46.376 .719 .1439 .3968 -.6547 .9425
not assumed

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.”

III.2. Uji T Berpasangan

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?”

Pemilihan Uji Hipotesis:

Tabel 3.3. Langkah-langkah Pemilihan Uji Hipotesis

Langkah Jawaban
1 Menentukan variabel yang akan dihubungkan Variabel yang akan dihubungkan
adalah BMI (numerik) dengan waktu
pengukuran (kategorik)
2 Menentukan jenis hipotesis Komparatif
3 Menentukan skala variabel Kategori – numerik
4 Menentukan pasangan/tidak berpasangan Berpasangan
5 Menentukan jumlah kelompok Dua kelompok
 Kesimpulan:
Uji yang digunakan asalah uji t berpasangan jika memenuhi syarat. Jika tidak memenuhi
syarat digunakan uji alternatifnya, yaitu uji Wilcoxon.

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.

Uji Normalitas Data

 Buka file: ttest_paired
 Lakukan uji normalitas untuk skor BMI sebelum dan setelah satu bulan penyuntikan.

Descriptives

Statistic Std. Error

Body mass index setelah Mean 23.994 .1257
penyuntikan testosterone 95% Confidence Lower Bound 23.741
Interval for Mean Upper Bound
24.247

5% Trimmed Mean 23.993

Median 24.000
Variance .790
Std. Deviation .8888
Minimum 22.0
Maximum 26.0
Range 4.0
Interquartile Range 1.1
Skewness -.067 .337
Kurtosis -.386 .662
Bodi mass index Mean 18.390 .1092
sebelum penyuntikan 95% Confidence Lower Bound 18.171
testosteron Interval for Mean Upper Bound
18.609

5% Trimmed Mean 18.383

Median 18.500
Variance .596
Std. Deviation .7723
Minimum 17.0
Maximum 20.0
Range 3.0
Interquartile Range 1.0
Skewness .013 .337
Kurtosis -.437 .662
 Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Body mass index setelah
.123 50 .058 .983 50 .695
penyuntikan testosterone
Bodi mass index
sebelum penyuntikan .123 50 .055 .965 50 .143
testosteron
a. Lilliefors Significance Correction

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.

Uji T Test Berpasangan

 Analyze → Compare Means → Paired sample t
 Masukkan bmipre dan bmipost ke dalam kotak Paired Variables.

 Proses selesai. Klik Continue. Klik OK.

Output:

Paired Samples Correlations

N Correlation Sig.
Pair Bodi mass index
1 sebelum penyuntikan
testosteron & Body mass 50 .148 .306
index setelah penyuntikan
testosterone

Paired Samples Test

Paired Differences
95% Confidence
Interval of the
Std. Error Difference
Mean Std. Deviation Mean Lower Upper t df Sig. (2-tailed)
Pair 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:

a. Bagian Paired Samples Statistics menggambaran deskripsi masing-masing variabel.

b. Tabel ke-2 menggambarkan hasil uji t berpasangan. Lihat kolom sig. (2tailed).
Diperoleh nilai signifikansi 0,000 (p< 0,05). Artinya terdapat perbedaan rerata BMI
yang bermakna sebelum dan sesudah satu bulan penyuntikkan testosteron”. Nilai
95% CI adalah antara -5,91 s.d. -5,29.
Interpretasi 95%:
“kita percaya 95% bahwa jika pengukuran dilakukan pada populasi, selisih BMI
sebelum dan sesudah penyuntikan dalah antara 5,91 s.d. -5,29.”

IV. UJI HIPOTESIS VARIABEL KATEGORI-NUMERIK LEBIH DARI DUA

KELOMPOK

IV.1. ANOVA

Kasus:
Ingin diketahui apakah ada perbedaan kadar gula darah antara kelompok ekonomi rendah,
sedang, dan tinggi.

Pemilihan Uji Hipotesis:

Tabel 4.1. Langkah-langkah Pemilihan Uji Hipotesis

Langkah Jawaban
1 Menentukan variabel yang akan dihubungkan Variabel yang akan dihubungkan
adalah kadar gula darah (numerik)
 dengan status ekonomi (kategorik)
2 Menentukan jenis hipotesis Komparatif
3 Menentukan skala variabel Kategori – numerik
4 Menentukan pasangan/tidak berpasangan Tidak Berpasangan
5 Menentukan jumlah kelompok Tiga kelompok
Kesimpulan:
Uji yang digunakan adalah ANOVA jika memenuhi syarat. Jika tidak memenuhi syarat
digunakan uji alternatifnya, yaitu uji Kruskal Wallis.

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.

Uji Normalitas Data:

 Buka file: anova
 Lakukan uji normalitas untuk data kadar gula darah kelompok ekonomi rendah,
sedang, dan tinggi.
 Masukkan variabel gula ke dalam kotak Dependent List
 Masukkan variabel class ke dalam kotak Factor List

Output:
 Descriptives

tingkat ekonomi Statistic Std. Error

kadar gula darah tinggi Mean 273.9870 4.57410
95% Confidence Lower Bound 264.9110
Interval for Mean Upper Bound
283.0630

5% Trimmed Mean 273.2500

Median 270.0000
Variance 2092.242
Std. Deviation 45.74104
Minimum 180.00
Maximum 388.80
Range 208.80
Interquartile Range 67.50
Skewness .145 .241
Kurtosis -.348 .478
sedang Mean 213.5012 2.67061
95% Confidence Lower Bound 208.2021
Interval for Mean Upper Bound
218.8003

5% Trimmed Mean 213.4969

Median 210.0000
Variance 713.215
Std. Deviation 26.70609
Minimum 158.40
Maximum 280.00
Range 121.60
Interquartile Range 40.00
Skewness .138 .241
Kurtosis -.506 .478
rendah Mean 204.8306 2.75434
95% Confidence Lower Bound 199.3654
Interval for Mean Upper Bound
210.2958

5% Trimmed Mean 204.9433

Median 201.6000
Variance 758.641
Std. Deviation 27.54344
Minimum 142.56
Maximum 260.00
Range 117.44
Interquartile Range 49.32
Skewness .007 .241
Kurtosis -.672 .478

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.

Uji Varians Data:

 Analyze → Compare Means → One-way ANOVA
 Masukkan variabel gula ke dalam Dependent List
 Masukkan variabel obat ke dalam Factor List

 Aktifkan kotak Options

 Pilih Homogeneity of Variance (untuk menguji varians data)

 Klik Continue. Klik OK.
Output:

Test of Homogeneity of Variances

kadar gula darah

Levene
Statistic df1 df2 Sig.
19.480 2 297 .000

ANOVA

kadar gula darah

Sum of
Squares df Mean Square F Sig.
Between Groups 283877.3 2 141938.649 119.474 .000
Within Groups 352845.8 297 1188.033
Total 636723.1 299

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.

Mencari Bentuk Transformasi Data

 Analyze → Descriptive Statistics → Explore
 Masukkan variabel gula ke dalam Dependent List
 Masukkan variabel class ke dalam Factor List
 Pilih Plots pada kotak Display List
  Pilih Power Estimation (untuk mencari bentuk transformasi terbaik)
 Klik Continue. Klik OK

Output:

Nilai slope dan nilai power adalah panduan bagi kita untuk menentukan jenis transformasi.
Berikut adalah panduan jenis transformasi berdasarkan slope dan power.

Tabel 4.2. Panduan Mencari Bentuk Transformasi

Slope Power Bentuk Transformasi
-1 2 Square (kuadrat)
0 1 Tidak perlu trenaformasi
 Slope Power Bentuk Transformasi
0,5 0,5 Square root (akar)
1 0 Logaritma
1,5 -0,5 1/sqr root
2 -1 Reciprocal (1/n)

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.

 Proses selesai. Klik OK

Melakukan Uji Varians untuk Variabel Hasil Transformasi
 Analyze → Compare Means → One way ANOVA
 Masukkan variabel trn_gula ke dalam Dependent List
 Masukkan variabel class ke dalam Factor List
 Aktifkan kotak Option
 Pilih Homogeneity of Variance (untuk menguji varians data)
 Klik Continue. Klik OK

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

kadar gula darah

95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
tinggi 100 273.9870 45.74104 4.57410 264.9110 283.0630 180.00 388.80
sedang 100 213.5012 26.70609 2.67061 208.2021 218.8003 158.40 280.00
rendah 100 204.8306 27.54344 2.75434 199.3654 210.2958 142.56 260.00
Total 300 230.7729 46.14660 2.66428 225.5298 236.0160 142.56 388.80

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

Dependent Variable: trn_gula

Tukey HSD

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.

IV.2. Uji Repeated ANOVA

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.

Pemilihan Uji Hipotesis:

 Tabel 4.2. Langkah-langkah Pemilihan Uji Hipotesis
Langkah Jawaban
1 Menentukan variabel yang akan dihubungkan Variabel yang akan dihubungkan
adalah fungsi lutut (numerik) dengan
waktu pengukuran (kategorik)
2 Menentukan jenis hipotesis Komparatif
3 Menentukan skala variabel Kategori – numerik
4 Menentukan pasangan/tidak berpasangan Berpasangan
5 Menentukan jumlah kelompok >2 kelompok
Kesimpulan:
Uji yang digunakan adalah uji repeated ANOVA jika memenuhi syarat. Jika tidak memenuhi
syarat digunakan uji alternatifnya, yaitu uji Friedman.

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.

Uji Normalitas Data

 Buka file: anova_rpt
 Lakukan uji normalitas

Output:
 Descriptives

Statistic Std. Error

Detik kecepatan naik Mean 37.7023 2.24478
turun tangga (awal) 95% Confidence Lower Bound 33.1404
Interval for Mean Upper Bound
42.2642

5% Trimmed Mean 37.6140

Median 38.5000
Variance 176.366
Std. Deviation 13.28027
Minimum 13.73
Maximum 64.01
Range 50.28
Interquartile Range 18.45
Skewness -.074 .398
Kurtosis -.765 .778
Detik kecepatan naik Mean 26.2100 1.35535
turun tangga (minggu 4) 95% Confidence Lower Bound 23.4556
Interval for Mean Upper Bound
28.9644

5% Trimmed Mean 25.9833

Median 26.1900
Variance 64.294
Std. Deviation 8.01835
Minimum 12.85
Maximum 44.74
Range 31.89
Interquartile Range 10.08
Skewness .188 .398
Kurtosis -.252 .778
Detik kecepatan naik Mean 20.5123 1.00499
turun tangga (minggu 6) 95% Confidence Lower Bound 18.4699
Interval for Mean Upper Bound
22.5547

5% Trimmed Mean 20.5226

Median 20.4700
Variance 35.350
Std. Deviation 5.94560
Minimum 10.07
Maximum 30.52
Range 20.45
Interquartile Range 10.75
Skewness .029 .398
Kurtosis -1.014 .778

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.

Uji Repeated ANOVA

 Analyze → General Linear Model → Repeated Measure
 Masukkan waktu pada kolom Within Subject Factor Name (bisa juga pada kolom ini
dibiarkan default SPSS dengan kata factor 1).
 Ketikan angka “3” ke dalam Number of Levels (untuk menunjukkan bahwa
pengukuran dilakukan tiga kali).
 Klik kota Add.

 Klik kotak Define

 Masukkan variabel dtk_sct1, dtk_sct4, dtk_sct6 ke dalam Within Subject Variable.
 Klik Option. Pindahkan variable waktu ke dalam Display Means For.

 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).

 Proses telah selesai. Klik Continue. Klik OK.

Output:

Mauchly's Test of Sphericityb

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.

Uji efek within subject, dilakukan dengan Mauchly’s Test of

Sphericity.
Konsep dari uji sphericity ini adalah kesepadanan hubungan
tingkat variabel pada setiap pasangan didalam subyek. Atau
dengan perkataan lain, setiap pasangan dari level variabel within
subject membutuhkan korelasi yang sepadan. Misalnya dalam
suatu studi longitudinal yang melakukan pengukuran tinggi badan
setiap tahun pada anak-anak usia 5 tahun sampai mereka berusia 10
tahun. Jika covarians-nya sama (homogeneity of covarians), maka
korelasi hasil pengukuran (skor) pada variabel dependen antara anak
berusia 5 dan 6 tahun kira-kira sama dengan korelasi skor anak usia 5
dan 7 tahun atau 5 dan 8 tahun atau 6 dan 10 tahun dan seterusnya.
Pada kenyataannya asumsi ini hampir tidak dapat dipenuhi. Apapun
yang diukur dalam jarak waktu yang berdekatan korelasinya akan
lebih kuat dibandingkan dengan yang diukur pada jarak waktu yang
lebih jauh. Misalnya korelasi skor pengukuran antara anak berusia 5
dan 6 tahun akan lebih kuat daripada korelasi skor pengukuran antara
anak berusia 5 dan 10 tahun.
Ketika asumsi ini tidak terpenuhi, beberapa alternatif dapat
digunakan. Salah satunya dengan melihat signifikansi test yang telah
di “adjusted” untuk pelanggaran asumsi ini. Pada perangkat lunak
program SPSS, nilai yang telah di “adjusted” ini disebut dengan
epsilon. Terdapat 3 (tiga) nilai epsilon, yaitu : Green-Geisser, Huyn-
Fieldt dan Lower Bound.

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.

Tests of Within-Subjects Effects

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

Effect Value F Hypothesis df Error df Sig.

waktu Pillai's Trace .756 51.209a 2.000 33.000 .000
Wilks' Lambda .244 51.209a 2.000 33.000 .000
Hotelling's Trace 3.104 51.209a 2.000 33.000 .000
Roy's Largest Root 3.104 51.209a 2.000 33.000 .000
a. Exact statistic
b.
Design: Intercept
Within Subjects Design: waktu

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.

Tests of 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.

V. UJI HIPOTESIS VARIABEL KATEGORI (TABEL B X K)

V.5. Uji Chi Square

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?”

Pemilihan Uji Hipotesis:

Tabel 5.1.. Langkah-langkah Pemilihan Uji Hipotesis

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

status menyusui asi

tdk
EKSKLUSIVE EKSKLUSIVE Total
status pekerjaan KERJA Count 17 8 25
ibu % within status
68.0% 32.0% 100.0%
pekerjaan ibu
tidak kerja Count 7 18 25
% within status
28.0% 72.0% 100.0%
pekerjaan ibu
Total Count 24 26 50
% within status
48.0% 52.0% 100.0%
pekerjaan ibu
 Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 8.013b 1 .005
Continuity Correctiona 6.490 1 .011
Likelihood Ratio 8.244 1 .004
Fisher's Exact Test .010 .005
Linear-by-Linear
7.853 1 .005
Association
N of Valid Cases 50
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count less than 5. The minimum expected count is 12.
00.

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

Persen baris : baca per kolom

Persen kolom : vaca per baris

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.