Modul Paduan Praktikum SPSS

FK - UPR
Statistik Deskriptif dan Statistik Inferensial
Penyusun:
Djenta Saha, SKp. MARS, PhD.
 I. STATISTIK DESKRIPTIF
A. Data Kategorik {Skala Nominal dan Ordinal}

Data Deskriptif [Terlampir]. Langkah langkah:

a. klik Analyze ; klik Descriptive Statistics; klik Frequencies

b. Sorot variable Pendidikan ; Pekerjaan; Jumlah anak; ASI eksklusif dan BBLR pindahkan satu persatu
ke kotak Variabel [s]
c. Klik OK, Hasil SPSS sebagai berikut:

Statistics

tingkat berat badan

pendidikan pekerjaan bayi lahir
responden responden jumlah anak ASI Eksklusif rendah [BBLR}
N Valid 50 50 50 50 50

Missing 0 0 0 0 0

tingkat pendidikan responden

Cumulative
Frequency Percent Valid Percent Percent

Valid SD 13 26.0 26.0 26.0

SMP 8 16.0 16.0 42.0

SMA 16 32.0 32.0 74.0

PT 13 26.0 26.0 100.0

Total 50 100.0 100.0

pekerjaan responden

Cumulative
Frequency Percent Valid Percent Percent

Valid tidak kerja 25 50.0 50.0 50.0

kerja 25 50.0 50.0 100.0

Total 50 100.0 100.0

Jumlah Anak
 Cumulative
Frequency Percent Valid Percent Percent

Valid 1 13 26.0 26.0 26.0

2 13 26.0 26.0 52.0

3 12 24.0 24.0 76.0

4 12 24.0 24.0 100.0

Total 50 100.0 100.0

ASI Eksklusif

Cumulative
Frequency Percent Valid Percent Percent

Valid ya 26 52.0 52.0 52.0

tidak 24 48.0 48.0 100.0

Total 50 100.0 100.0

berat badan bayi lahir rendah [BBLR}

Cumulative
Frequency Percent Valid Percent Percent

Valid 0 8 16.0 16.0 16.0

1 42 84.0 84.0 100.0

Total 50 100.0 100.0

Penyajian dan Interpretasi

Tabel 1.

Distribusi Responden Menurut Variabel Pendidikan; Pekerjaan; Jumlah Anak; ASI Eksklusif dan BBLR

Variabel Frekuensi Persentase

[n = 50] [%]

1. Pendidikan
 SD 13 26
 SMP 8 16
 SMA 16 32
 PT 13 26
2. Pekerjaan
 Bekerja 25 50
 Tidak bekerja 25 50
3. Jumlah Anak
 Anak 1 13 26
 Anak 2 13 26
 Anak 3 12 24
12 24
 Anak 4
4. ASI Eksklusif
26 52
 Ya
24 48
 Tidak
5. BBLR
8 16
 Ya
42 84
 Tidak

Interpretasi: dari hasil analisis didapat bahwa tingkat pendidikan responden tertinggi SMA sebanyak 16 orang [32%]
terendah SMP 8 orang [16%] sedangkan SD dan PT masing masing 13 orang [26%]. Variable pekerjaan masing masing 25
orang [50%] yang bekerja dan 25 orang [50%] yang tidak bekerja. dari jumlah anak anak 1 dan anak 2 masing masing 13
responden [26%] sedangkan anak 3 dan anak 4 masing masing 12 responden [24%]. Dari variable ASI Eksklusif didapat 26
orang [52%] yang memberi ASI Eksklusif dan 24 orang [48%] yang tidak memberi ASI Eksklusif. Ada 8 orang yang bayinya
BBLR [16%] dan 42 orang [84%] yang bayinya tidak BBLR.

B. Data Numerik [Skala Interval dan Skala Rasio]

Data Deskriptif [Lampiran]. Langkah langkah

a. klik Analyze; Klik Deskriptive Statistics; klik Frequencies

b. Sorot variable: umur ibu, Hb pengukuran 1; Hb pengukuran 2 dan berat bayi pindahkan satu
persatu ke kotak Variabel[s]
c. Klik Statistics, pada kotak Central Tendency klik Mean, Median, Mode dan pada kotak
Dispersion klik Standard Deviasi; Minimum; Maximum; Variance, Range.
 d. Klik Continue, Klik OK. Hasil SPSS sebagai berikut:

Statistics

umur ibu dalam hb pengukuran hb pengukuran berat badan

tahun 1 ke 2 bayi [gram]

N Valid 50 50 50 50

Missing 0 0 0 0
Mean 25.10 11.012 10.680 3180.00
Median 24.00 10.750 10.100 3300.00
Mode 19 10.2a 9.8a 2800a
Std. Deviation 4.850 1.1745 1.0014 585.540
Variance 23.520 1.379 1.003 342857.143
Range 16 4.0 3.2 2000
Minimum 19 9.2 9.1 2100
Maximum 35 13.2 12.3 4100

a. Multiple modes exist. The smallest value is shown

Penyajian dan interpretasi

Tabel 2.
Distribusi Responden menurut variable
Umur ibu, Hb pengukuran 1, Hb pengukuran 2, dan Berat Bayi

Variable Mean SD Median Mode Variance Min. Max. Range

Umur ibu 25.1 4.85 24 19 23.52 19 35 16

Hb1 11.01 1.17 10.75 10.2 1.37 4.0 13.2 4.0
Hb2 10.68 1.00 10.10 9.8 1.00 3.2 12.3 3.2
Berat Bayi 3180 585.54 3300 2800 342857.14 2100 4100 2000

Dari hasil analisis didapat rata rata umur ibu = 25.1 tahun; SD = 4.85, umur termuda 19 tahun dan tertua 35 tahun. Rata
rata Hb pada pengukuran pertama = 11.01 gr% dengan SD = 1.17 gr%, Hb terendah 4 gr% dan tertinggi 13.2 gr %. Rata
rata Hb pada pengukuran ke 2 = 10.8 gr% dengan SD = 1.00; Hb minimum = 3.2 gr%, Hb maximum 12.3 gr%. Rata-rata
berat bayi = 3180 gr; dengan SD = 585.54 gr; berat bayi terendah = 2100 gr dan berat bayi tertinggi = 4100 gr.

II. Statistik Inferensial

A. Statistik Non Parametrik: Analisis Bivariat

Uji Chi-Square/Uji Kai-Kuadrat

Chi-square digunakan bila skala variable independent dan variable dependent kategorikal. Misal hubungan merokok
[kategori merokok & tidak merokok] dengan BBLR [kategori BBLR & tidak BBLR]

Data BBLR - 189 [Lampiran]. Langkah-langkah:

a. Klik Analyze; klik Descriptive Statistic; klik Crosstabs

b. pada kotak Row[s] diisi independent variable yaitu merokok dan pada kotak Collumn diisi variable
dependent yaitu BBLR;
c. Klik option Statistics; klik Chi- Square; klik Risk; klik Continue;
d. pada option Cells; klik Expected; pada bagian Percentages klik Row
e. Klik Continue; klik OK. Hasil SPSS sebagai berikut:

Case Processing Summary

Cases

Valid Missing Total

N Percent N Percent N Percent

apakah ibu perokok[perokok

pasif] * berat bayi baru lahir 189 100.0% 0 0.0% 189 100.0%
[, 2500 gr]

apakah ibu perokok[perokok pasif] * berat bayi baru lahir [, 2500 gr] Crosstabulation

berat bayi baru lahir [, 2500 gr]

tidak ya BBLR Total

apakah ibu perokok[perokok tidak Count 90 29 119

pasif] Expected Count 81.9 37.1 119.0

% within apakah ibu

75.6% 24.4% 100.0%
perokok[perokok pasif]

ya Count 40 30 70
Expected Count 48.1 21.9 70.0

% within apakah ibu

57.1% 42.9% 100.0%
perokok[perokok pasif]
Total Count 130 59 189

Expected Count 130.0 59.0 189.0

% within apakah ibu

68.8% 31.2% 100.0%
perokok[perokok pasif]
 Chi-Square Tests

Asymp. Sig. (2- Exact Sig. (2- Exact Sig. (1-

Value df sided) sided) sided)

Pearson Chi-Square 7.016a 1 .008

Continuity Correctionb 6.181 1 .013
Likelihood Ratio 6.902 1 .009
Fisher's Exact Test .010 .007
Linear-by-Linear Association 6.978 1 .008
N of Valid Cases 189

a. 0 cells (0.0%) have expected count less than 5. The minimum expected count is 21.85.
b. Computed only for a 2x2 table

Risk Estimate

95% Confidence Interval

Value Lower Upper

Odds Ratio for apakah ibu

perokok[perokok pasif] 2.328 1.237 4.378
(tidak / ya)
For cohort berat bayi baru
1.324 1.055 1.661
lahir [, 2500 gr] = tidak
For cohort berat bayi baru
.569 .375 .862
lahir [, 2500 gr] = ya BBLR
N of Valid Cases 189

Penyajian dan Interpretasi

Tabel 3
Distribusi Responden menurut Kejadian BBLR dan Kebiasaan Merokok Waktu Hamil

Kebiasaan BBLR Total OR p-

Merokok Tidak BBLR BBLR [95% CI] value

n % n % n %

Tidak merokok 90 75.6 29 24.4 119 100 2.328 0.013

Merokok 40 57.1 30 42.9 70 100 [95% CI: 1.237 –4.378]

Jumlah 130 68.8 59 31.2 189 100

Interpretasi: dari hasil analisis hubungan kebiasaan merokok dengan kejadian BBLR diperoleh bahwa ada sebanyak 29
[24.4%] ibu yang tidak merokok bayinya mengalami BBLR, sedangkan diantara ibu yang merokok terdapat 30 [42.9%] ibu
yang mengalami bayinya BBLR. Hasil uji statistik didapat nilai p value 0.013, maka dapat disimpulkan ada perbedaan
proporsi kejadian BBLR antara ibu yang merokok dengan ibu yang tidak merokok [ada hubungan yang signifikan antara
kebiasaan merokok dengan kejadian BBLR]. Dari hasil analisis diperoleh OR = 2.328 yang artinya ibu yang merokok
mempunyai resiko 2, 3 kali bayinya mengalami BBLR dibandingkan dengan ibu yang tidak merokok.

Catatan:

1. Bila table 2 X 2 tidak ada nilai Expected kurang dari 5 maka uji yang dibaca “ Continue Correction”
2. Bila table 2 X 2 ada nilai Expected kurang dari 5 maka uji yang dibaca adalah “Fisher’s Exact test’
3. Bila table lebih dari 2 X 2 misal 2 X 3 atau 3 X 3 maka uji yang digunakan “Pearson Chi Square”

Uji Mann Whitney

Merupakan uji alternative dari uji Independent T test, bila persyaratan normalitas data tidak terpenuhi.
Contoh: Hubungan antara merokok dan berat ibu sebelum hamil [BBibu1]

Data BBLR 189 [terlampir]. Langkah –langkah:

1. Uji normalitas data [Klik Analyze; pilih Descriptive Statistics; pilih Explore; pindahkan BBibu1 ke kotak
Dependent List; klik Plots; Pilih Normality plots with tests, klik Continue; Klik OK hasil uji normalitas data yang
dibaca Kolmogorov- Smirnov

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

berat ibu sebelum hamil .162 189 .000 .892 189 .000

a. Lilliefors Significance Correction

2. Klik Analyze; pilih Nonparametric Test; pilih Legacy Dialogs; pilih 2 Independent Samples Tests
3. Pindahkan variable dependent [BB ibu 1] ke kotak Test Variable List
4. Pindahkan Variable independent [merokok] ke Grouping Variable
5. klik Define Groups untuk Group 1 isi 0 dan Group 2 diisi 1
6. ditest type pilih Mann Whitney; kemudian klik Option; pilih Descriptive
7. klik Continue; klik OK, hasil SPSS untuk Mann-Whitney sebagai berikut:

Descriptive Statistics

N Mean Std. Deviation Minimum Maximum

berat ibu sebelum hamil 189 58.39 13.765 36 112

apakah ibu perokok[perokok
189 .37 .484 0 1
pasif]
 Ranks

apakah ibu perokok[perokok

pasif] N Mean Rank Sum of Ranks

berat ibu sebelum hamil tidak 119 99.40 11828.50

ya 70 87.52 6126.50

Total 189

Statisticsa

berat ibu sebelum

hamil

Mann-Whitney U 3641.500
Wilcoxon W 6126.500
Z -1.444
Asymp. Sig. (2-tailed) .149

a. Grouping Variable: apakah ibu perokok [perokok pasif]

Penyajian dan Interpretasi

Tabel 4
Distribusi Rata Rata berat badan ibu sebelum hamil menurut kejadian merokok

Kejadian Merokok Median n P-value U Z r

Tidak Merokok 55.83 119 0.149 3641.50 1.444 0.692

Merokok 54.00 70

Mann-Whitney Test digunakan untuk menganalisa hubungan merokok dengan berat badan ibu sebelum hamil [BBibu 1].
Hasil test menunjukan tidak ada perbedaan yang signifikan berat badan ibu sebelum hamil antara ibu yang merokok [Md
=54, n = 70] dan ibu yang tidak merokok [Md= 55.83; n= 119]. p value 0.149; U = 3641.50; Z = 1.444 dan r [effect size] =
0.692. Catatan: untuk mendapatkan r [effect size] = Z/ V N [akar N]; [N = total sampel]

Uji Wilcoxon [Wilcoxon Signed Rank Test]

Merupakan uji alternative Dependent T test/Paired T test [subjek yang sama diukur 2 kali]. Contoh: Hubungan berat ibu
sebelum hamil dengan berat ibu sesudah melahirkan.

Data BBLR 189 [terlampir]. Langkah langkah:

1. Uji kenormalan data: klik Analyze; klik Descriptive, klik Explore;

2. Klik Plots; klik Normality Plots with test; klik Continue; klik OK. Hasil test normality data sebagai berikut:
 Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

berat ibu sebelum hamil .162 189 .000 .892 189 .000

a. Lilliefors Significance Correction

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

berat ibu sesudah

.178 189 .000 .905 189 .000
melahirkan

a. Lilliefors Significance Correction

Hasil Kolmogorov-Smirnov sig. = 0.001 [berat ibu sebelum hamil] dan sig. = 0.001 [ berat ibu sesudah melahirkan] < 0.05
berarti data tidak terdistribusi secara normal, sehingga uji Dependent T tests tidak bisa digunakan sebagai alternative
digunakan uji Wilcoxon.
3. Klik Analyze ; pilih Nonparametric Test ; pilih Legacy Dialog; klik 2 related Samples
4. Pindahkan BBibu1 dan BBibu2 ke kotak Test Pairs; pada Test Type pilih Wilcoxon
5. Klik Option; pilih Quartile; klik Continue; klik OK. Hasil SPSS sebagai berikut:

Descriptive Statistics

Percentiles

N 25th 50th (Median) 75th

berat ibu sebelum hamil 189 50.00 54.00 63.00

berat ibu sesudah
189 51.00 57.00 65.00
melahirkan

Ranks

N Mean Rank Sum of Ranks

berat ibu sesudah Negative Ranks 18a 52.36 942.50

melahirkan - berat ibu Positive Ranks 146b 86.22 12587.50
sebelum hamil Ties 25c

Total 189

a. berat ibu sesudah melahirkan < berat ibu sebelum hamil

b. berat ibu sesudah melahirkan > berat ibu sebelum hamil
c. berat ibu sesudah melahirkan = berat ibu sebelum hamil
 Test Statisticsa

berat ibu
sesudah
melahirkan -
berat ibu
sebelum hamil

Z -9.645b
Asymp. Sig. (2-tailed) .000

a. Wilcoxon Signed Ranks Test

b. Based on negative ranks.

Penyajian dan Interpretasi

Tabel 5
Distribusi rata rata berat ibu sebelum hamil dan sesudah melahirkan

Berat ibu Median n P value Z

Sebelum hamil 54 30 0.001 - 9.645
Sesudah melahirkan 57 30

Interpretasi: Wilcoxon test digunakan untuk melihat hubungan berat ibu sebelum hamil dan berat ibu sesudah
melahirkan. Hasil test menunjukan ada perbedaan yang signifikan antara berat badan ibu sebelum hamil [Md =54, n =
30] dan berat ibu sesudah melahirkan [Md= 57; n= 30]; Z = - 9.645; p value = 0.001.

Uji Kruskal Wallis

Merupakan uji alternative dari uji ANOVA.

Data Bayi 50 [terlampir]. Langkah langkah:

1. Klik Analyze; pilih Nonparametric test, pilih Legacy Dialogs; kemudian pilih K independent Samples
2. Klik dependent variable [Hb1] pindahkan kekotak Test Variable List
3. Klik independent variable [anakkat – anak kategorikal] pindahkan ke kotak Grouping variable
4. Klik Define range pada kotak minimum tulis 1 dan kotak maksimum tulis 3
5. Klik Continue, pada bagian Test Type pastikan Kruskal-Wallis dicontreng, klik Continue; klik OK hasil SPSS sebagai
berikut:
 Ranks

anak
kategorikal N Mean Rank

hb pengukuran 1 anak 1 11 29.32

anak 2 15 21.97

anak >2 24 25.96

Total 50

Test Statisticsa,b

hb pengukuran 1

Chi-Square 1.710
df 2
Asymp. Sig. .425

a. Kruskal Wallis Test

b. Grouping Variable: anak kategorikal

Report
hb pengukuran 1

anak kategorikal N Median

anak 1 11 11.200
anak 2 15 10.200
anak >2 24 11.150
Total 50 10.750

Penyajian dan Interpretasi

Grafik 1. Boxplot hubungan Hb ibu pengukuran 1 dengan jumlah anak.

Kruskal-Wallis test digunakan dalam penelitian ini sebagai alternative dari Anova test. Analisis pendahuluan mengenai uji
normalitas data didapat data tidak terdistribusi normal. Hasil analisis Kruskal- Wallis menunjukan tidak ada perbedaan
yang signifikan dalam kadarHb untuk 3 kelompok anak [kelompok anak jumlah 1, n = 11; kelompok jumlah anak 2, n =
15; kelompok anak jumlah >2, n=24], X2 [2, n = 50] = 1.710; p = 0.425. Pada kelompok jumlah anak 1 didapat median
tertinggi yaitu [Md = 11.20] dibandingkan dengan 2 kelompok lainya; kelompok anak >2 [Md = 11.15], kelompok jumlah
anak 2 [Md = 10.20] .

Korelasi Spearman
Merupakan uji alternative dari uji Korelasi Pearson. Data 50 bayi [terlampir]. Langkah langkah:

1. klik Analyze; pilih Correlate; pilih Bivariate

2. sirot Hb1 dan Hb2 pindahkan ke kotak Variabel; klik Spearman; klik OK; hasil SPSS sebagai berikut:

Correlations

hb hb pengukuran
pengukuran 1 ke 2

Spearman's rho hb pengukuran 1 Correlation

1.000 .537**
Coefficient

Sig. (2-tailed) . .000

N 50 50

hb pengukuran ke 2 Correlation
.537** 1.000
Coefficient

Sig. (2-tailed) .000 .

N 50 50

**. Correlation is significant at the 0.01 level (2-tailed).

Penyajian dan Presentasi

Grafik.2. Hubungan antara Hb pengukuran 1 dan Hb pengukuran ke 2

Dari hasil analisis korelasi Spearman didapat hubungan Hb pengukuran 1 dan Hb pengukuran ke 2 menunjukan
hubungan sedang/medium. [r= 0.537] dengan p = 0.001; N = 50.

Statistik Parametrik: Analisis Bivariat

Independent T- test
Independent T test digunakan untuk membandingkan/membedakan mean dua kelompok [variabl independent kategorik
dan dependen numerik]. Misal: Hubungan antara hypertensi pada ibu dengan berat bayi baru lahir.

Syarat:

1. Distribusi data harus normal

2. Kedua kelompok independent
3. Variable yang dihubungkan hanya 2 kelompok

Data BBLR 189 {terlampir}. Langkah:

1. Uji kenormalan data: klik Analyze; klik Descriptive, klik Explore;

2. Klik Plots; klik Normality Plots with test; klik Continue; klik OK. Hasil test normality data sebagai berikut:

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

apakah ibu hypertensi Statistic df Sig. Statistic df Sig.

berat badan bayi [gr] tidak .038 175 .200* .993 175 .576

ya .185 14 .200* .933 14 .340

*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction

Hasil Kolmogorov-Smirnov {bila sampel > dari 40, bila sampel 40 yang dibaca hasil Shapiro-Wilk} sig. = 0.200 berarti data
terdistribusi secara normal, uji T test bisa digunakan.

3. Klik Analyze; klik Compare Means; pilih Independent T test

4. Klik Dependent variable [Berat Bayi] masukan ke kotak Test Variabel[s]
5. klik Hypertensi masukan ke kotak Grouping Variabel[s]
6. klik Define Group isi kode Hypertensi kedalam ke 2 kotak, ketik 0 pada group 1 dan 1 pada group 2
7. Klik Continue; klik OK. Hasil SPSS sebagai berikut:

Group Statistics

apakah ibu hypertensi N Mean Std. Deviation Std. Error Mean

berat badan bayi [gr] tidak 175 2983.55 724.460 54.764

ya 14 2528.36 844.061 225.585

 Independent Samples Test

Levene's Test for

Equality of
Variances t-test for Equality of Means

Sig. (2- Mean

F Sig. t df tailed) Difference

berat badan bayi [gr] Equal variances

.148 .701 2.235 187 .027 455.191
assumed

Equal variances
1.961 14.574 .069 455.191
not assumed

Penyajian dan Interpretasi

Tabel 8
Distribusi rata rata berat bayi menurut kejadian hypertensi

Kejadian hypertensi Mean SD SE P value N

Tidak hypertensi 2983.55 724.46 54.764 0.027 175
Hypertensi 2528.36 844.06 225.585 14

Interpretasi: dari hasil penelitian didapat rata rata berat bayi ibu yang tidak mengalami hypertensi [N = 175] adalah
2983.55 gr dengan standar deviasi 724.46 dan standard error 54.764, sedangkan ibu yang mengalami hypertensi [N = 14]
rata rata berat bayinya adalah 2528.36 gr dengan Standar Deviasi 844.06 dan standar error 225.585. Hasil uji statistik
didapat nilai p value= 0.027 berarti pada alpha 5% terlihat ada perbedaan yang signifikan rata rata berat bayi antara ibu
yang mengalami hypertensi dan ibu yang tidak hypertensi.

Dependent T- test/Paired T test

Untuk menguji perbedaan mean antara 2 kelompok data dependen [subjek yang sama diukur 2 kali]. Contoh: Hubungan
Hb sebelum perlakuan dengan Hb sesudah perlakuan.

Persyaratan: Data harus normal, kedua kelompok harus sama dan variable yang diukur kategorik dan numerik [hanya 2
kelompok]

Data: Dependent T test [terlampir]. Langkah-langkah:

1. Uji kenormalan data: klik Analyze; klik Descriptive, klik Explore;

2. Klik Plots; klik Normality Plots with test; klik Continue; klik OK. Hasil test normality data sebagai
berikut:
 Case Processing Summary

Cases

Valid Missing Total

N Percent N Percent N Percent

Hb responden sebelum
30 100.0% 0 0.0% 30 100.0%
perlakuan

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

Hb responden sebelum
.121 30 .200* .944 30 .116
perlakuan

*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction

Case Processing Summary

Cases

Valid Missing Total

N Percent N Percent N Percent

Hb responden sesudah
30 100.0% 0 0.0% 30 100.0%
perlakuan

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

Hb responden sesudah
.123 30 .200* .949 30 .159
perlakuan

*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction

Hasil Kolmogorov-Smirnov {bila sampel > dari 40, bila sampel kurang dari 40 yang dibaca hasil Shapiro-Wilk} sig. = 0.116
[Hb sebelum perlakuan] dan sig. = 0.159 [Hb sesudah perlakuan] > 0.05 berarti data terdistribusi secara normal, sehingga
uji Dependent T tests bisa digunakan.
3. Klik Analyze, pilih Compare Means; pilih Paired Samples T test
4. Klik variable Hb1 pindahkan ke kotak Paired Variables; klik Hb2 pidahkan ke kotak Paired Variables; klik
OK. Hasil SPSS sebagai berikut:
 Paired Samples Statistics

Mean N Std. Deviation Std. Error Mean

Pair 1 Hb responden sebelum

11.030 30 .9903 .1808
perlakuan

Hb responden sesudah
12.867 30 .8293 .1514
perlakuan

Paired Samples Correlations

N Correlation Sig.

Pair 1 Hb responden sebelum

perlakuan & Hb responden 30 .686 .000
sesudah perlakuan

Paired Samples Test

Paired Differences

95% Confidence
Interval of the

Std. Std. Error Difference Sig. (2-

Mean Deviation Mean Lower Upper t df tailed)

Pair 1 Hb responden sebelum

perlakuan - Hb -
-1.8367 .7365 .1345 -1.5617 -13.659 29 .000
responden sesudah 2.1117
perlakuan

Penyajian dan Interpretasi

Table 9
Distribusi rata rata Hb sebelum perlakuan dan sesudah perlakuan

Variable Mean SD SE P value N

Hb sebelum perlakuan 11.03 .990 .180 0.001 30

Hb sesudah perlakuan 12.87 .829 .1514

Interpretasi:
Dari hasil penelitian didapat bahwa rata rata Hb sebelum perlakuan adalah 11.03 gr% dengan SD = 0.990; dan SE = 0.180.
Setelah perlakuan mean Hb = 12.87 gr% dengan SD = .829 dan SE = .151. Hasil uji statistik didapat nilai p = 0.001 maka
dapat disimpulkan ada perbedaan yang signifikan antara Hb ibu sebelum perlakuan dan Hb sesudah perlakuan.
ANOVA [Analysis of Variance}
Tujuanya untuk menguji perbedaan mean pada kelompok lebih dari 2. Contoh: tingkat pendidikan [3 kategori] dengan
berat bayi [numerik].

Data BBLR 189 [terlampir]. Langkah;

1. Uji kenormalan data: klik Analyze; klik Descriptive, klik Explore;

2. Klik Plots; klik Normality Plots with test; klik Continue; klik OK. Hasil test normality data sebagai berikut:

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

berat badan bayi [gr] .037 189 .200* .994 189 .607

*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction

Hasil Kolmogorov-Smirnov sig. = 0.200, > 0.05 berarti data terdistribusi secara normal, sehingga uji ANOVA bisa
digunakan.
3. Klik Analyze; pilih Compare Mean; kemudian pilih One Way ANOVA
4. pada kotak Dependent List isi variable numerik [dependent variable; berat bayi] dan pada kotak Factor List isi
variable kategorik [Independen variable: pendidikan ibu]
5. Klik Option pilih Descriptive, Klik Continue; klik Post Hoc; klik Tukey; klik Continue; klik OK. Hasil SPSS sebagai
berikut:
Descriptives
berat badan bayi [gram]

95% Confidence
Interval for Mean

Std. Std. Lower Upper Minimu Maxim

N Mean Deviation Error Bound Bound m um

SD 13 3000.00 365.148 101.274 2779.34 3220.66 2500 3500

SMP 8 3887.50 241.646 85.435 3685.48 4089.52 3600 4100
SMA 16 3068.75 546.161 136.540 2777.72 3359.78 2400 4000
PT 13 3061.54 677.666 187.951 2652.03 3471.05 2100 3900
Total 50 3180.00 585.540 82.808 3013.59 3346.41 2100 4100
 ANOVA
berat badan bayi [gram]

Sum of Squares df Mean Square F Sig.

Between Groups 4806105.769 3 1602035.256 6.144 .001

Within Groups 11993894.231 46 260736.831
Total 16800000.000 49

Multiple Comparisons
Dependent Variable: berat badan bayi [gram]
Tukey HSD

95% Confidence

(J) tingkat Mean Interval

(I) tingkat pendidikan pendidikan Difference (I- Lower Upper

responden responden J) Std. Error Sig. Bound Bound

SD SMP -887.500* 229.453 .002 -1499.11 -275.89

SMA -68.750 190.664 .984 -576.96 439.46

PT -61.538 200.283 .990 -595.39 472.32

SMP SD 887.500* 229.453 .002 275.89 1499.11
SMA 818.750* 221.107 .003 229.39 1408.11
PT 825.962* 229.453 .004 214.35 1437.57
SMA SD 68.750 190.664 .984 -439.46 576.96
SMP -818.750* 221.107 .003 -1408.11 -229.39
PT 7.212 190.664 1.000 -501.00 515.43
PT SD 61.538 200.283 .990 -472.32 595.39

SMP -825.962* 229.453 .004 -1437.57 -214.35

SMA -7.212 190.664 1.000 -515.43 501.00

*. The mean difference is significant at the 0.05 level.

berat badan bayi [gram]

Tukey HSDa,b

tingkat pendidikan Subset for alpha = 0.05

responden N 1 2

SD 13 3000.00
PT 13 3061.54
SMA 16 3068.75
SMP 8 3887.50
Sig. .988 1.000
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 11.718.
b. The group sizes are unequal. The harmonic mean of the group
sizes is used. Type I error levels are not guaranteed.

Penyajian dan Interpretasi

Tabel 10.
Distribusi rata rata berat bayi berdasarkan pendidikan ibu
Variabel Mean SD 95% CI N P value
Pendidikan ibu
1. SD 3000.00 365.14 2779.34 – 3220.66 13 0.001
2. SMP 3887.50 241.64 3685.48 – 4089.52 8
3. SMA 3068.75 546.16 2777.72 – 3369.78 16
4. PT 3061.00 677.66 2652.03 – 3471.05 13

One way between group analysis of variance [ANOVA] digunakan dalam penelitian ini untuk melihat hubungan antara
independen variable dan dependen variable. Independen variable adalah pendidikan yg terdiri atas 4 kategori [SD, SMP,
SMA dan PT], dependen variable adalah berat badan bayi [numerik]. Hasil analisis statistik F [3, 50] = 6.144; p = 0.001.
Perbandingan post hoc menggunakan Tukey test mengindikasikan bahwa pendidikan SD [M = 3000; SD = 365.14]
berbeda bermakna dengan pendidikan SMP [M = 3887.50; SD= 241.64]; Pendidikan SMP berbeda bermakna dengan
SMA [M = 3068.75; SD = 546.16] dan dengan PT [M=3061, SD = 677.66]. Pendidikan SMA berbeda bermakna dengan
pendidikan SMP. Pendidikan PT berbeda bermakna dengan pendidikan SMP.

Korelasi Pearson
Untuk mengetahui hubungan antara dua variable yang berjenis numerik misal berat ibu sebelum hamil [BBibu 1] dengan
berat bayi [bayi]. Data BBLR 189 [terlampir]. Langkah langkah:

a. Uji kenormalan data: klik Analyze; klik Descriptive, klik Explore;

b. Klik Plots; klik Normality Plots with test; klik Continue; klik OK. Hasil test normality data sebagai berikut:

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

berat badan bayi [gr] .037 189 .200* .994 189 .607

*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction
Hasil Kolmogorov-Smirnov {bila sampel > dari 40, bila sampel 40 yang dibaca hasil Shapiro-Wilk} sig. = 0.200 berarti data
terdistribusi secara normal, uji Pearson Product Moment test bisa digunakan.
c. klik Analyze; pilih Correlate; pilih Bivariate Correlation
d. sorot BBibu1 dan Bbayi pindahkan ke kotak Variables
e. Klik OK. Hasil SPSS Correlation sebagai berikut:

Correlations

berat ibu berat badan

sebelum hamil bayi [gr]

berat ibu sebelum hamil Pearson Correlation 1 .181*

Sig. (2-tailed) .013

N 189 189
berat badan bayi [gr] Pearson Correlation .181* 1

Sig. (2-tailed) .013

N 189 189

*. Correlation is significant at the 0.05 level (2-tailed).

Penyajian dan Interpretasi

Grafik 2. Scatterplot berat ibu sebelum hamil dan berat bayi

Interpretasi: analisis korelasi digunakan untuk melihat hubungan antara berat ibu sebelum hamil dengan berat bayi hasil
analisis menunjukan hubungan yang lemah [r = 0.181]. Hasil uji statistik menunjukan adanya hubungan yang signifikan
antara berat ibu sebelum hamil dengan berat bayi [p= 0.013]
Analisis Multivariat
Analisis Multivariat adalah teknik pengembangan/perluasan dari analisis Bivariat, kalau Bivariat melihat
hubungan/keterkaitan antara 2 variabel, maka teknik multivariate bertujuan melihat atau mempelajari hubungan
beberapa variable independent dengan satu atau beberapa variable dependen [umumnya 1 variabel dependen].
Contoh; kejadian BBLR tidak mungkin dipengaruhi 1 faktor saja/status gizi tapi juga anemia, penyakit lain yang diderita
ibu, atau social ekonomi rumah tangga. Berikut garis besar beerapa analisis statistik yang digunakan untuk analisis
multivariate.

Varibel Independen Variabel Dependen Jenis Uji

Numerik & Kategorik Numerik Uji Regresi Linier
Numerik & Kategorik Kategorik Uji Regresi Logistik
Kategorik Numerik MANOVA

Multiple Logistik Regresi

Regresi logistic digunakan untuk mempelajari satu atau beberapa variable independent dengan satu variable dependen
yang bersifat dikotomus [binary] yaitu hanya memiliki dua nilai misal hidup/mati; sakit/sehat; hypertensi/tidak
hipertensi; merokok/tidak merokok dsb. Pada regresi logistic variable independennya bisa numerik atau kategorikal.
Regresi logistic dapat digunakan pada data dengan rancangan case control, Kohort maupun Cross sectional.Regresi
logistic terbagi 2:

1. Regresi Logistik sederhana [bila ingin mempelajari satu variable independen dengan satu variable dependen
dikotomus]
2. Regresi Logistik Ganda: beberapa variable independen dengan satu variable dependen dikotomus.

Kerangka konsep

Independent variable Dependent variable

umur
Hypertensi BBLR
Rokok

Data BBLR 189 {terlampir}. Langkah:

1. Analisis Bivariat antara umur dengan BBLR:

a. Klik Analyze; pilih Regression; klik Binary Logistik; pada kotak Dependent isi dependen variable yaitu BBLR,
dan pada kotak Independent isis variable independent yaitu Umur.
b. Klik Options pilih CI for Exp {B]; klik continue; klik OK. Hasil SPSS sebagai berikut:
 Omnibus Tests of Model Coefficients

Chi-square df Sig.

Step 1 Step 3.001 1 .083

Block 3.001 1 .083

Model 3.001 1 .083

Model Summary

Cox & Snell R Nagelkerke R

Step -2 Log likelihood Square Square

1 219.445a .077 .109

a. Estimation terminated at iteration number 4 because

parameter estimates changed by less than .001

Variables in the Equation

95% C.I.for
EXP(B)

B S.E. Wald df Sig. Exp(B) Lower Upper

Step 1a umur -.053 .032 2.857 1 .091 .948 .891 1.009

Constant
.435 .733 .352 1 .553 1.545

a. Variable(s) entered on step 1: umur.

Classification Tablea

Predicted

berat bayi baru lahir [,

2500 gr] Percentage
Observed tidak ya BBLR Correct

Step 1 berat bayi baru lahir [, 2500 tidak 125 5 96.2

gr] ya BBLR 50 9 15.3

Overall Percentage 70.9

a. The cut value is .500

Variables in the Equation

95% C.I.for
EXP(B)

B S.E. Wald df Sig. Exp(B) Lower Upper

Step 1a umur -.057 .033 2.952 1 .086 .945 .885 1.008

rokok(1) .755 .333 5.149 1 .023 2.128 1.108 4.087

ht(1) 1.349 .600 5.062 1 .024 3.855 1.190 12.492

Constant .098 .774 .016 1 .899 1.103

a. Variable(s) entered on step 1: umur, rokok, ht.

Penyajian dan interpretasi

Table 10
Regresi Logistik hubungan antara umur ibu dan berat ibu sebelum hamil terhadap berat bayi

Variable B S.E. Wald df p Odds 95% CI for

Ratio Odds Ratio
lower upper
Umur - 0.057 0.033 2.952 1 0.086 0.945 0.885 1.008
Rokok 0.755 0.333 5.149 1 0.023 2.128 1.108 4.087
Hypertensi 1.349 0.600 5.062 1 0.024 3.855 1.190 12.492
Constant 0.098 0.774 0.016 1 0.899 1.103

Interpretasi: analisis regresi logistic digunakan dalam penelitian ini untuk melihat hubungan antara umur ibu, kebiasaan
merokok dan hypertensi terhadap berat bayi. Ada nilai signifikan yaitu rokok dan hypertensi mempengaruhi berat bayi.
Model regresi logistic menjelaskan antara 7.7% [Cox and Snell Square] dan 11% [Nagelkerke R Square] dari 70.9%,
berarti variable rook dan hypertensi mempengaruhi secara bersama sama terhadap berat bayi sebesar 70.9% dan
sisanya 29.1% dipengaruhi variable lain selain rokok dan hypertensi. Seperti rokok mempengaruhi secara [sendiri]
terhadap berat bayi dengan Odds Rasio sebesar 2.128 dan hypertensi secara individu mempengaruhi berat bayi dengan
Odds Rasio = 3.855 dan merupakan variable yang paling kuat pengaruhnya.

Multiple Linear Regresi

Multiple Linear Regresi digunakan untuk mempelajari satu atau beberapa variable independent dengan satu variable
dependen yang bersifat numerik.

Variabel Independen
 Umur
berat bayi
BBibu1

Data BBLR 189 [terlampir]. Langkah:

a. Klik Analyze; pilih Regression;m pilih Linear

b. Masukan Dependent variable [berat bayi] ke kotak Dependent; dan masukan umur ibu [umur] dan berat ibu
sebelum hamil [BBibu1] kedalam kotak Independent[s]
c. Klik Statistics; klik Covariance Matrix; kemudian klik Durbin-Watson; klik Continue
d. Klik Plots; masukan SRESID ke kotak Y; kemudian masukan ZPRED ke kotak X
e. Klik Histogram; kemudian klik Normal Probability plot; kemudian klik Continue; klik OK Hasil SPSS sebagai
berikut:

Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson

1 .192a .037 .026 731.277 .099

a. Predictors: (Constant), berat ibu sebelum hamil, umur ibu dalam tahun
b. Dependent Variable: berat badan bayi [gr]

ANOVAa

Mean
Model Sum of Squares df Square F Sig.

1 Regression 1901913.87
3803827.756 2 3.557 .030b
8

Residual 99466372.826 186 534765.445

Total 103270200.582 188

a. Dependent Variable: berat badan bayi [gr]

b. Predictors: (Constant), berat ibu sebelum hamil, umur ibu dalam tahun

Coefficientsa

Standardize
Unstandardized d
Coefficients Coefficients Collinearity Statistics

Toleran
Model B Std. Error Beta t Sig. ce VIF
1 (Constant) 2207.699 304.259 7.256 .000
 umur ibu dalam
8.966 10.217 .064 .878 .381 .968 1.033
tahun

berat ibu sebelum

9.143 3.938 .170 2.322 .021 .968 1.033
hamil

a. Dependent Variable: berat badan bayi [gr]

Penyajian dan Interpretasi:

Grafik 3. Scatterplot umur ibu, BBibu dan berat bayi

Interpretasi: hasil analisis multivariate didapat bahwa variable independen yang berhubungan signifikan terhadap berat
bayi adalah berat ibu sebelum hamil [BBibu1]. R square menunjukan nilai 0.037 antinya model regresi yang diperoleh
dapat menjelaskan 3.7% variasi variable berat bayi. Hasil uji F menunjukan p = 0.03 berarti pada alpha 5% dapat
dinyatakan model regresi fit [cocok] dapat memprediksi variable berat bayi. Dari hasil yang didapat maka persamaan
regresi adalah:
Berat bayi =2207.69 + 8.966 umur + 9.143 BBibu1.

Setiap umur ibu bertambah 1 tahun berat bayi bertambah 8.966 gram sesudah dikontrol berat ibu sebelum hamil
[BBibu1]. Setiap berat ibu bertambah 1 kg berat bayi naik sebesar 9.143 gram setelah dikontrol umur ibu. Hasil
Coefisient Beta menunjukan variable berat ibu berpengaruh terhadap berat bayi [0.170] dibandingkan dengan variable
umur ibu [0.064].
MANOVA
Merupakan perluasan dari ANOVA digunakan bila variable independen lebih dari 1. Manova membandingkan grup dan
perbedaan mean diantara grup pada kombinasi dependent variable terjadi by chance. Ada 7 asumsi untuk MANOVA
yaitu

1. Sample size
2. Normality
3. Outliers
4. Linearity
5. Homogeneity and singularity
6. Multicollinearity dan Singularity
7. Homogeneity of variance-covariance matrices

Tidak ada alternative test dari Non-parametrik untuk MANOVA. Data MANOVA [terlampir]. Langkah –langkah:

Between-Subjects Factors

Value Label N

metode pengajaran 1 metode A 10

2 metode B 10

3 metode C 10

Descriptive Statistics

metode pengajaran Mean Std. Deviation N

nilai konsep metode A 5.80 1.619 10

metode B 4.80 1.033 10

metode C 6.80 1.135 10

Total 5.80 1.495 30

nilai komputasi metode A 7.60 .966 10

metode B 6.90 .994 10

metode C 6.70 1.160 10

Total 7.07 1.081 30

Box's Test of Equality of Covariance Matricesa

Box's M 5.774
F .859
df1 6
df2 18168.923
Sig. .524
Tests the null hypothesis that the observed covariance
matrices of the dependent variables are equal across groups.

a. Design: Intercept + metode

Multivariate Testsa

Hypothesis Partial Eta

Effect Value F df Error df Sig. Squared

Intercept Pillai's Trace .988 1053.030b 2.000 26.000 .000 .988

Wilks' Lambda .012 1053.030b 2.000 26.000 .000 .988

Hotelling's Trace 81.002 1053.030b 2.000 26.000 .000 .988

Roy's Largest Root 81.002 1053.030b 2.000 26.000 .000 .988

metode Pillai's Trace .437 3.770 4.000 54.000 .009 .218

Wilks' Lambda .603 3.743b 4.000 52.000 .009 .224

Hotelling's Trace .593 3.708 4.000 50.000 .010 .229

Roy's Largest Root .447 6.032c 2.000 27.000 .007 .309

a. Design: Intercept + metode

b. Exact statistic
c. The statistic is an upper bound on F that yields a lower bound on the significance level.

Levene's Test of Equality of Error Variancesa

F df1 df2 Sig.

nilai konsep .940 2 27 .403

nilai komputasi .420 2 27 .661

Tests the null hypothesis that the error variance of the dependent
variable is equal across groups.
a. Design: Intercept + metode

Tests of Between-Subjects Effects

Dependent Type III Sum Mean Partial Eta

Source Variable of Squares df Square F Sig. Squared

Corrected nilai konsep 20.000a 2 10.000 6.027 .007 .309

Model nilai komputasi 4.467b 2 2.233 2.051 .148 .132
Intercept nilai konsep 1009.200 1 1009.200 608.223 .000 .957
nilai komputasi 1498.133 1 1498.133 1375.837 .000 .981
metode nilai konsep 20.000 2 10.000 6.027 .007 .309
nilai komputasi 4.467 2 2.233 2.051 .148 .132
Error nilai konsep 44.800 27 1.659
nilai komputasi 29.400 27 1.089
 Total nilai konsep 1074.000 30
nilai komputasi 1532.000 30
Corrected nilai konsep 64.800 29
Total nilai komputasi 33.867 29

a. R Squared = .309 (Adjusted R Squared = .257)

b. R Squared = .132 (Adjusted R Squared = .068)

metode pengajaran

Dependent 95% Confidence Interval

Variable metode pengajaran Mean Std. Error Lower Bound Upper Bound

nilai konsep metode A 5.800 .407 4.964 6.636

metode B 4.800 .407 3.964 5.636

metode C 6.800 .407 5.964 7.636

nilai metode A 7.600 .330 6.923 8.277
komputasi metode B 6.900 .330 6.223 7.577

metode C 6.700 .330 6.023 7.377

Penyajian dan Interpretasi

Grafik 3. Boxplot metode mengajar dan nilai konsep dan komputasi

Interpretasi: one way between-groups multivariate analysis of variance [MANOVA] digunakan untuk menganalisa
perbedaan metode mengajar terhadap nilai hasil belajar. Dua dependen variable yaitu nilai konsep dan komputasi.
Independen variable adalah metode mengajar. Analisis awal dilakukan terhadap asumsi untuk memeriksa normalitas
data, linearity, univariate dan multivariate outliers, homogeneity of variance-covariance matrices, dan multicollinearity,
tidak didapat masalah yang serius. Hasil terdapat perbedaan yang signifikan antar ketiga metode mengajar terhadap
nilai konsep dan nilai komputasi, F [4, 52] =3.74; p = 0.009. Wilk Lambda = 0.603; Partial Eta Square =0.224. Ketika hasil
dari dependen variable diperiksa secara terpisah menggunakan Bonferroni pada alpha level = 0.017 adalah nilai konsep;
F [2, 30] = 6.027; p = 0.007, partial eta squared = 0.309. Memperhatikan mean skor mengindikasikan; metode mengajar
C sedikit lebih tinggi [M = 6.8; SD 0.407] dibandingkan dengan metode A [M = 5.8; SD = 0.407] dan metode B [M = 4.8;
SD = 0.407]