Modul 2 Biostatistik

MODUL II
ANALISI BIVARIAT

Setelah di ketahui karakteristik masing-masing variabel dapat diteruskan analisis lebih

lanjut pada analisi univariat misalnya ada dua variabel jenis pembayaran berobat dan
kepuasan pasien, kita hanya melakukan pendeskripsian sindiri-sendiri untuk variabel jenis
pembayaran dan kepuasan pasien. Untuk variabel pembayaran akan diketahui berapa persen
yang berobat dengan biaya sendiri dan berapa persen yang dibiayai askes. Begitu juga untuk
variabel kepuasan pasien, akan diketahui berapa persen yang puas dan berapa persen yang
tidak puas

Apabila diinginkan analisis hubungan antara dua variabel, dalam contoh diatas berarti
kita ingin mengetahui hubungan jenis pembayaran dengan kepuasan pasien maka analisis
dilanjutkan pada tingkat bivariat. Pada analisis bivariat kita dapat mengetahui apakah ada
perbedaan kepuasan pasien antara pasien dengan membayar sendiri dengan pasien psien
dengan biaya askes.kegunaan analisis bivariat bisa untuk mengetahui apakah ada hubungan
yang signifikan antara dua variabel, atau bisa juga digunakan untuk mengetahui apakah ada
perbedaan yang signifikan antara dua atau lebih kelompok (sampel)

A. Perbedaan Substansi/Klinis dan Perbedaan Statistik

Perlu di pahami/disadari bagi peneliti bahwa berbeda bermakna/signifikan secara
statistik tidak berarti (belum tentu) bahwa perbedaan tersebut juga bermakna dipandang
dari segi substansi/klinis. Seperti di ketahui bahwa semakin besar sampel yang di analisis
akan semakin besar menghasilkan kemungkinan berbeda bermakna. Dengan sampel
besar perbedaa-perbedaan sangat kecil yanag sedikit atau bahkan tidak mempunyai
manfaat secara substansi/klonis dapat berubah menjadi bermakna secara statistik. Oleh
karena itu kalau kita melakukan analisis jangan hanya dilihat dari aspek statistik semata,
namun harus juga dinilai/dilihat kegunaannya dari segi klinis/substansi
Sebagai contoh : ada studi eksperimen yang akan menguji dua obat (katakan obat A dan
Obat B) untuk emngetahui pengaruhnya terhadap penurunan tekanan darah.kemudian
obat A dan B diujicobakan pada dua kelompok relawan penderita hipertensi. Hasil
eksperimen didapatkan bahwa rata-rata penurunan tekanan darah setelah minum obat A
adalah 40 mmHg dan pada kelompok yang minum obat B rata-rata penurunannya 39
mmHg. Kemudian dilakukan uji statistik dan hasilnya signifikan/bermakna (P-value <
alpha), apa yang dapat disimpulkan dari temuan ini? Secara stastistik memang terjadi
perbedaan bermakna, namun secara substansi tidak mempunyai perbedaan yang berarti
oleh karena perbedaan mean penurunan tekanan darah antara obat A dan obat B hanya 1
mmHg dengan hasil ini dapat di simpulkan bahwa sebenarmya antara obat A dan B tidak
ada perbedaan (sama saja) kasiatnya.

anri_ule@yahoo.com
 Modul 2 Biostatistik

B. Uji Hipotesis
Pengujian hipotesis dapat di gunakan untuk membantu pengambilan keputusan
tentang apakah suatu hipotesis yang diajukan, seperti perbedaan atau keputusan
hubungan, cukup meyakinkan untuk ditolak atau tidak ditolah. Keyakinan ini didasarkan
pada besarnya peluang untuk memperoleh hubungan tersebut secara kebetulan (by
chance), semakin kecil peluang tersebut (peluang adanya by chance), semakin besar
keyakinan bahwa hubungan tersebut memang ada
Sebagai contoh : Seorang peneliti masalah imunisasi dimintaa untuk memutuskan
berdasarkan bukti-bukti hasil percobaan, apakah suatu vaksin baru lebih baik dari pada
yang sekarang beredar di pasaran. Untuk menjawab pertanyaan ini maka perlu dilakukan
pengujian hipotesis. Dengan pengujian hipotesis akan diperoleh satu kesimpulan secara
probalistik apakah vaksin baru tersebut lebih baik dari yang sekarang beredar di pasaran
atau malah sebaliknya
Prinsip uji hipotesis adalah melakukan perbandingan antara nilai sampel (data
hasil penelitian) dengan nilai hipotesis (nilai populasi) yang di ajukan. Peluang untuk di
terima atau di tolaknya suatu hipotesis tergantung besar kecilnya perbedaan antara nilai
sampel dengan nilai hipotesis. Bila perbedaan sebaliknya bila perbedaan tersebut cukup
besar, maka peluang untuk menolak hipotesis besar pula, sebaliknya bila perbedaan
tersebut kecil maka peluang untuk menolak hipotesis menjadi kecil, jadi semakin besar
perbedaan antara nilai sampel dengan nilai hipotesis, makin besar peluang untuk
menolak hipotesis.
Kesimpulan yang di dapat dari hasil pengujian hipotesis ada dua kemungkinan
yaitu menolak hiptesis dan menerima hipotesis (gagal menolak hipotesis) perlu di
pahami bahwa arti menerima hipotesis sebetulnya kurng tepat, yang tepat adalah gagal
menolak hipotesis. Dalam uji hipotesis bila kesimpulan nya menerima hipotesis, bukan
berarti bahwa kita telah membuktikan hipotesis tersebut benar, karena benar atau
tidaknya suatu hipotesis hanya dapat dibuktikan dengan mengadakan observasi pada
seluruh populasi dan hal ini sangat sulit bahkan tidak mungkin untuk dilakukan.
Kiata coba analogi proses persidangan kriminal di pengadilan, seperti dalam sidang
pengadilan, kegagalan membuktikan kesalahan tertuduh bukan berarti si tertuduh tidak
bersalah atau si tertuduh benar. Pengadilan meutuskan bahwa si tertuduh tidak dapat
dibuktikan bersalah, bukan memutuskan tidak bersalah. Dari urian tersebut sangatlah
jelas bahwa istilah yang tepat dalam kesimpulan uji hipotesis adalah gagal menilai
hipotesis dan bukan menerima hipotesis

1. Hipotesis
Hipotesis berasala dari kata hypo dan thesis. Hupo artinya sement hipotes berarti
pernyataan yang perlu diuji kebenarannya. Untuk ara/lemah kebenarannya dan thesis
artinya pernyataan/teori. Dengan demikian hipotesis beraarti pernyataan yang perlu
diuji kebenarannya. Untuk menguji kebenaran sebuah hipotesis digunkan pengujian
yang disebut pengujian hipotesis.
Dlampengujian hipotesis dijumpai dua jenis hipotesis yaitu hipotesis nol (Ho)dan
hipotesis alternatif (Ha), berikut akan di uraikan lebih jelas tentang masing-masing
hipotesis tersebut

anri_ule@yahoo.com
 Modul 2 Biostatistik

a. Hipotesis Nol (Ho)

Hipotesis yang menyatakan tidak ada perbedaan suatu kejadian antara kedua
kelompok atau hipotesis yang menyatakan tidak ada hubungan antara variabel
satu dengan variabel lainnya
Contoh :
1) Tidaka ada perbedaan berat badan bayi antara mereka yang dilahirkan
dari ibu yang meroko dengan mereka yang dilahirkan dari ibu yang tidak
meroko
2) Tiak ada hubungan antara merokok dengan berat badan bayi

b. Hipotesis Alternatif (Ha)

Hipotesis yang menyatakan ada perbedaan suatu kejadian antara kedua
kelompok atau hipotesis yang menyatakan ada hubungan antara variabel satu
dengan variabel lainnya
Contoh :
1) Ada perbedaan berat badan bayi antara mereka yang di lahirkan dari ibu
yang merokok dengan mereka yang di lahirkan dari ibu yang tidak
merokok
2) Ada hubungan antara merokok dengan berat badan bayi

2. Arah dan bentuk hipotesis

Bentuk hipotesis alternatif akan menentukan arah uji statistik apakah satu
arah (one tall) atau dua arah (two tall)
a. One tall (satu sisi) bilahipotesis alternatifnya menyatakan adanya perbedaan dan
ada pernyataan yang mengatakan hal satu lebih tinggi/rendah dari hal lain
Contoh : berat badan bayi dari ibu yang merokok lebih kecil dibanding berat
badan bayi dari ibu tidak merokok
b. Two tall (dua sisi) merupakan hipotesis alternatif yang hanya menyatakan
perbedaan tanpa melihat apakah ahal sati lebih tinggi/rendah dari hal lain.
c. Contoh : berat badan bayi dari ibu yang merorkok berbeda dibandingkan berat
badan bayi dari ibu tidak merorokok atau dengan kata lain : ada perbedaan berat
badan bayi antara mereka yang dilahirkan dari ibu yang merokok dibandingkan
dari ibu yang tidak merokok.
Contoh penulisan hipotesis
Suatu penelitian ingin mengetahui hubungan antara jenis kelamin dengan
tekanan darah, maka hipotesisnya sbb
Ho : A =
Tidak ada perbedaan mean tekanan darah antara laki-laki dan perempuan atau
tidak ada hubungan antara jenis kelamin dengan tekanan darah.
Ho :
Ada perbedaan mean tekanan darah antara laki-laki dan perempuan atau ada
hubungan antara jenis kelamin dengan tekanan darah

anri_ule@yahoo.com
 Modul 2 Biostatistik

3. Menentukan tingkat kemaknaan

Tingkat kemaknaan merupakan kesalahan tipe I suatu uji yang biasanya diberi notasi
“ ” seperti sudah diketahui bahwa ujuan dari pengujian hipotesis adalah untuk
membuat suatu pertimbangan tentang perbedaan antara nilai sampel dengan keadaan
populasi sebagai suatu hipotesis. langkah selanjutnya setelah kriteria/batasan yang di
gunakan untuk memutuskan apakah hipotesis nol ditolak atau gagal ditolak yang
disebut dengan tingkat kemaknaan (Level Of Significance). Tingkat kemaknaan atau
sering disebut dengan nilai ” merupakan nilai yang menunjukan besarnya peluang
salah dalam menolak hipotesis nol. Dengan kata-kata yang lain yang lebih sederhana
nila “ ” merupakan nilai batas maksimal kesalahan menolak Ho. Bilakita menolak
Ho berarti menyatakan adanya perbedaan/hubungan
Menialai nilai “ ” (alpha) tergantung tujuan dan kondisi penelitian. Nilai “ ”
(alpha) yang sering di gunakan adalah 10 %, 5 %, atau 1 % untuk bidang kesehatan
masyarakat biasanya digunakan nilai “ ” (alpha) sebesar 5 %. Sedangkan untuk
pengujian obat-obatan digunakan batas toleransi kesalahan yang lebih kecil misalnya
1 % karena mengandung resiko yang fatal misalkan seorang peneliti yang akan
menentukan apakah suatu obat bius berkhasiat akan menentukan nilai “ ” (alpha)
yang kecil sekali.peneliti tersebut tidak akan mau mengambil resiko bahwa tidak
keberhasilan obat bius besar karena akan berhubungan dengan nyawa seserang yang
akan dibius

4. Pemilihan Jenis Uji Parametrik atau Non Parametrik

Dalam pengujian hipotesis sangat berhubungan dengan distribusi data ppulasi
yang akan diuji. Biaal distribusi data populasi yang akan diuji berbentuk
normal/simetris, maka proses pengujian dapat di gunakan dengan pendekatan uji
statistik parametrik. Sedangkan bial distribusidata populasinya tidak normal
atautidak diketahui distribusinya maka dapat di gunakan pendekatan uji statistik non
parametrik. Kenormalan suatu distribusi data dapat juga di lihta dari jenis
variabelnya, bila variabelnya berjenis numerik/kuantitatif biasanya disribusi datanya
mendekati nirmal/simetris, sehingga dapat digunakan uji statistik parametrik. Bila
jenis variabelnya kategorik (kualitatif) maka bentuk distribusinya tidak normla
sehingga uji non parametris dapat di gunakan penentuan jenis uji juga ditentukan
oleh jumlah data yang dianalisis bila jumlah data kecil (< 30) cenderung digunakan
uji non parametris

5. Penentuan Uji Statistik Yang Sesuai

Ada beragam jenis uji statistik yang dapat digunakan. Setiap uji statistik mempunyai
persayaratan tertentu yang hrus di penuhi. Oleh karena itu harus di gunakan uji
statistik yang tepat sesuai dengan data yang diuji. Jenis uji statistik sangat
tergantung dari
1) Jenis variabel yang akan dianalisis
2) Jenis data apakah dependen atau independen
3) Jenis distribusi data populasinya apakah mengikuti distribusi normal atau tidak

anri_ule@yahoo.com
 Modul 2 Biostatistik

Sebagai gambaran jenis uji statistik untuk mengetahui perbedaan mean akan
≤berbeda dengan uji statistik untuk mengetahui perbedaan proporsi/persentase. Uji
beda mean menggunakan uji t atau inova sedangkan uji untuk mengetahui perbedaan
proporsi digunakan uji khi-kuadrat

6. Menentukan batasan atau tingkat kemaknaan (Level Of Significance)

Batasan/tingkat memaknaan sering juga di sebut dengan nilai “ ” penggunaan nilai
alpha tergantung tujuan penelitia yang di lakukan untuk bidang kesehatan
masyarakat biasanya menggunakan nilai alpha 5%

7. Keputusan Uji Statistik

Seperti yang sudah di jelaskan di atas bahwa hasil pengujian statistik akan
menghasilkan dua kemungkinan keputusan yaitu menolak hipotesis nol (Ho) dan
gagal menolak hipotesis nol.
a Bial nilai p ≤ α maka keptusannya adalah Ho ditolak
b Bila nilai p ≥ α maka keputusannya adalah Ho gagal ditolak

Berikut Adalah Berbagai Uji Statistik Yang Dapat Di Gunakan Untuk

Analisis Bivariat
Variabel I Variabel II Jenis Uji Statistik yang
Digunakan
 Chi-Square
Kategorik Kategorik  Fisher Exact

 Uji T
Kategorik Numerik  Anova
 Korelasi
Numerik Kategorik  Regresi

anri_ule@yahoo.com
 Modul 2 Biostatistik

ANALISIS HUBUNGAN
KATEGORIK DENGAN KATEGORIK

A. Uji Chi-Square (kai-kuadrat)

Seringkali dalam suatu penelitian kita temui data yang tidak dapat dinyatakan
dalam bentuk angka-angka pengukuran (data numerik). Sebaliknya justru yang kita
jumpai adalah data hasil dari meghitung jumlah pengamatan yang di klasifikasikan
atas beberapa kategori. Data seperti ini di sebut data kategorik (kualitatif), misalnya
jenis kelamin yang mempunyai kategori laki-laki dan perempuan, status merokok
yang mempunyai kategori : peroko berat, peroko ringan dan tidak perokok. Dalam
penelitian kesehatan seringkali penelitian perlu melakukan analisis hubungan variabel
kategorik dengan variabel kategorik. Analisis ini bertujuan untk menguji perbedaan
proporsi dua atau lebih kelompok sampel. Uji statistik yang di gunakan
untukmenjawab kasus tersebut adalah uji kai-kuadrat (chi-Square)

B. Lebih Elompok mana yang memiliki resiko Odds Ratio (OR) dan
Resiko Relatif (RR)
Hasil uji chi-Square hanya dapat menyimpulkan ada tidaknya perbedaan proporsi
antara kelompok atau dengan kata lain kita hanya dapat menyimpulkan ada / tidaknya
hubungan dua variabel kategorik. Dengan demikian uji Chi-Square tidak dapat
menjelaskan derajat hubungan dalam hal ini uji Chi-Square tidak dapat mengetahui
kelompok mana yang memiliki resiko lebih besar dibanding kelompok lain.
Dalam bidang kesehatan untuk emngetahui derajat hubungan di kenal ukuran resiko
relatif (RR) dan Odds Rasio (OR). Resiko relatif memandingkan resiko pada
kelompok terekspose denga kelompok tidak terekspose. Sedangkan Odds Rasio
membandingkan Odds pada kelompok terekspose dengan Odds kelompok tidak
terekspose. Ukuran RR pada umumnya digunakan pada desain Kohort sedangkan
ukuran OR biasanya digunakan pada desain kasus kontrol atau potong lintang (Cross
Sectional)

anri_ule@yahoo.com
 Modul 2 Biostatistik

KASUS
UJI CHI-SQUARE

Suatu penelitian ingin mengetahui hubungan pengetahuan dengan prilaku ibu

yang mempunyai bayi 0-2 bulan dalam mengimunisasikan bcg wilayah kerja
puskesmas dtp ........ kecamatan ........kabupaten ...........
Adapun data hasil penelitian variabel pengetahuan sebelumnya di sajikan dalam
microsoft excel dengan jumlah 20 pertanyaan dan 65 responden di jumlahkan dulu
totalnya, hasil pertsentasenya dan kategorinya
1. Jumlahkan totalnya dengan memblok dari pertanyan 1 sampai 20 selanjutnya klik
tanda ∑ Auto sum

Auto SUm

Rumus
menjumlahkan

2. Mebuat persentase dalam microsoft excel masukan rumus persentase tersebut

setelah selesai “ENTER”

anri_ule@yahoo.com
 Modul 2 Biostatistik

=V6/20*100

3. Membuat kategori pengetahuan pada microsoft excel masukan rumus dibawah

tersebut setelah selesai “ENTER”

=IF W6<60;”kurang”;IF(W6>75;”baik”;”cukup”))

4. Data imunisasi karena datanya numerik di rubah dahulu ke data kategorik

Data data
Data
kategorik
numerik

anri_ule@yahoo.com
 Modul 2 Biostatistik

5. Selanjutnya buka program SPSS

Masukan data pengetahuan dan data imunisasi yang sudah di rubah dari data
numerik ke data kategorik ke SPSS ke kolom “data view”

Data View

6. Selanjutnya buka sebelah kana data view yaitu “variabel view “ selanjutnya di
kolom nama dan label di berinama variabel d

Ketik
variabelnya

Variebel View

anri_ule@yahoo.com
 Modul 2 Biostatistik

7. Selanjutnya masukan kategori pengetahuan pada values bisa dilihat tampilannya

di bawah ini

5. None

4. Ketik
coding

3. Ketik
kstegori di
lsbel 1. OK

2. Klik Add

8. Selanjutnya buka “Analyze” kemudian pilih “Descriptive Statistic” lalu pilihn

“crostab” sesaat akan muncul menu Crisstabs, pada menu crostab ada dua kotak
yang harus di isi pada kotak “ Row (s)” diisi variabel independen dalam contoh ini
variabel pengetahuan sedangkan pada kotak “colum (s)” diisi variabel
dependennya dalam conto ini variabel imunisasi

1. Analyze
2. Descriptive
Statistic
3. crostab

Masukan variabel
pengetahuan

Masukan variabel
imunisasi

anri_ule@yahoo.com
 Modul 2 Biostatistik

9. Klik option ” Statistics, klik pilih “Chi-Square” dan klik pilih “Risk” selanjutnya
klik “Continue”

1. Klik Statistics

4. Centang Chi-Square

3. Centang Risk

2. Klik Continue

10. Klik option “ Cells” di bagian “Percentages” dan Klik “ Row dan Total ”, Klik
“Continue”, selanjutnya OK

1. Cells

4. Centang Row
s
3. Centang Total
s

2. Klik Continue

anri_ule@yahoo.com
 Modul 2 Biostatistik

pengetahuan * imunisasi Crosstabulation

imunisasi

melakukan tidak melakukan

imunisasi imunisasi Total

pengetahuan baik Count 9 14 23

% within pengetahuan 39.1% 60.9% 100.0%

cukup Count 21 14 35

% within pengetahuan 60.0% 40.0% 100.0%

kurang Count 4 3 7

% within pengetahuan 57.1% 42.9% 100.0%

Total Count 34 31 65

% within pengetahuan 52.3% 47.7% 100.0%

Pada hasil di atas di tampilkan tabel silang antara pengetahuan dengan imunisasi
dengan angka masing-masing selnya, angka yang paling atas adalah kasus masing-
masing sel, angka kedua adalah persentase menurut baris (data yang kita analisis
berasal dari penelitian Cross Sectional sehingga persen yang di tampilkan adalah
angka sehingga menimbulkan pertanyaan, “persentase baris, namun bila jenis
penelitiannya Case Control angka persetase yang di gunakan adalah persentase
kolom
Dari data di atas maka interpretasinya
Ada banyak 21 (60.0%) ibu yang pengetahuannya cukup melakukan
imunisasi sedangkan diantara ibu yang berpengetahuan kurang ada 4 (57.1%)
yang melakukan imunisasi

Chi-Square Tests

Asymp. Sig. (2-

Value df sided)
a
Pearson Chi-Square 2.497 2 .287

Likelihood Ratio 2.510 2 .285

Linear-by-Linear Association 1.719 1 .190

N of Valid Cases 65

a. 2 cells (33.3%) have expected count less than 5. The minimum

expected count is 3.34.

anri_ule@yahoo.com
 Modul 2 Biostatistik

Hasil uji Chi-Square dapat di lihat pada kotak “Chi-Square Test” dari print out
muncul dengan beberapa bentuk/angka sehingga menimbulkan pertanyaan “
angka yang mana yang kita pakai ? apakah pearson, Continulty Correction,
Likelihood atau Fisher

Aturan yang berlaku pada Chi-Square adalah sbb

a. Bila pada 2 x 2 di jumpai nilai Expected (harapan) krang dari 5 maka yang
di gunakan adalah “Fisher’s Exact Test:
b. Bila tebal 2 x 2 dan tidak ada nilai E < 5 maka uji yang di pakai sebaiknya
“Continuity Correction (a)”
c. Bila tabelnya lebih dari 2 x 2 misalnya 3 x 2 , 3 x 3 dsb maka digunakan uji “
Pearson Chi-Square”
d. Uji “ Likellhood Ratio” dan “Linear-By –Linear Assclation” biasanya
digunakan untuk keperluan lebih spesifik, misalnya analisis stratifikasi pada
bidang epidemiologi dan juga untuk mengetahui hubungan liniear dua
variabel kategorik, sehingga kedua jenis ini jarang di gunakan

Untuk mengetahui adanya nilai E kurang dari 5 dapat dilihat pada footnote b
dibawah kotak Chi-Square Test dan tertulis diatas nilanya 0 cell (0 %) berarti
pada tabel linga di atas tidak ditemukan ada nilai E < 5

Uji Chi-Square hanya dapat di gunakan untuk mengetahui ada/tidaknya

hubungan dua variabel sehingga uji ini tidak dapat di gunakan untuk mengetahui
derajat/kekuatan hubungan dua variabel

Pada perintah Crosstab nilai OR akan keluar bila tabel silang 2 x 2, bila tebel
silang lebih dari 2 x 2, misalnya 3 x 2 , 4 x 2 dsb maka nilai OR dapat di peroleh
dengan analisis regresi logistik sederhana dengan cara membuat “ Dummy
vareiabel

Symmetric Measures

Value Approx. Sig.

Nominal by Nominal Contingency Coefficient .192 .287

N of Valid Cases 65

Hasil dari tabel contingensi ke eratan hubungannya sangat rendah dengan nilai
0.192Tabel 3.1

Analogi Tafsiran Koefesien Korelasi

C/Cmaks Derajat Hubungan
0,000 – 0,199 Sangat rendah
0,200 – 0,399 Rendah
0,400 – 0,599 Sedang
0,600 – 0,799 Tinggi
0,800 – 1,000 Sangat tinggi

anri_ule@yahoo.com
 Modul 2 Biostatistik

Penyajian dan Interpretasi dilaporan penelitian

Tabel.....
Hubungan Pengetahuan Dengan Prilaku Ibu yang mempunyai bayi 0-2 Bulan
dalam Mengimunisasikan BCG Wilayah Kerja Puskesmas DTP ........
Kecamatan ........Kabupaten ...........
Prilaku Ibu
Tidak Total
Melakukan p- C
Pengetahuan Melakukan
Imunisasi value
Imunisasi
f % f % f %
Baik 9 39.1 14 60.9 29 100
0.287 0,912
Cukup 21 60.0 14 40.0 35 100
Kurang 4 57.1 3 42.9 7 100
34 44.6 31 47.7 65 100

Hasil analisis hubungan anatara pengetahuan ibu yang mempunyai bayi 0-2

bulan dalam mengimunisasikan BCG diperoleh bahwa sebanyak 21 (60.0%) ibu

yang berpengetahuan cukup melakukan imunisasi BCG sedangkan diantara ibu

yang pengetahuannya kurang 3 (42.9%) tidak melakukan imunisasi BCG. Hasil uji

statistik diperoleh tidak ada hubungan antara pengetahuan dan prilaku ibu yang

mempunyai bayi 0-2 bulan dalam mengimunisasikan BCG karena didapatkan nilai

p-value (0.287) > dari nilai alpha (0.05) atau H0 gagal di tolak dan ke eratan

hubungan pengetahuan dengan prilaku ibu yang mempunyai bayi 0-2 bulan dalam

mengimunisasikan BCG dapat di lihat dari nilai Coeficien Contingensi yaitu 0.912

yang mempunyai arti sedang.

anri_ule@yahoo.com
 Modul 2 Biostatistik

ANALISIS HUBUNGAN
KATEGORIK DENGAN NUMERIK

A. Uji T

Dibidang kesehatan sering kali harus menarik kesimpulan apakah parameter dua
populasi berbeda atau tidak misalnya apakah ada perbedaan tekanan darah penduduk
dewasa orang kota dengan orang desa atau apakah ada perbedaan berat badan antara
sebelum mengikuti program diet degan sesudahnya.uji statistik yang mebandngkan mean
dua kelompk data ini disebut uji beda dua mean

Sebelum kita melakukan uji statistik dua kelompok data kita perlu mengatahui
apakah dua kelompok data tersebut berasal dari dua kelompok yang independen atau
berasal dari dua kelompok dependen, dikatakan independen bila data kelompok yang
satu tidak tergantung dari kelompok kedua. Misalnya membandingkan mean tekanan
darah sistolik orang desa dengan orang kota. Tekanan darah orang kota independen
(tidak tergantung ) dengan orang kota. Dilain pihak kedua kelompok data di katakan
dependen bila kelompok data yang di bandingkan datanya saling mempunyai
ketergantungan misalnya data berat badan sebelum dan sesudah mengikuti program diet
berasal dari orang yang sama (data sesudah dependen tergantung dengan data sebelum)

Berdasarkan karakteristik data tersebut maka uji beda dua mean dibagi dalam dua
kelompok yaitu uji beda mean independen (uji T Independen) dan uji beda mean
dependen (uji T dependen)

a. Uji beda dua mean dependen

Tujuan untuk mengetahui perbedaan mean dua kelompok data independen syarat yang
harus di penuhi

a. Data distribusi normal/simetris

b. Kedua kelompok data independen
c. Variabel yang di hubungkan berbentuk numerik dan kategorik

anri_ule@yahoo.com
 Modul 2 Biostatistik

Uji T Dependen dan Uji T dependen

1. Uji T Dependen

Contoh : kita akan melakukan uji hubungan prilaku menyusui dengan kadar Hb
(misalnya gunakan variabel Hb1) apakah adal perbedaan kadar Hb antara ibu yang
menyusui eklusif dengan yang menyusui tidak eklusif , caranya yaitu

1. Aktifkan/ buka program SPSS

2. Dari menu utama SPSS, pilih menu “ Analyze”, kemudian pilih sub menu “ compare
Means”, lalu pilih “ Independen-Samples T Test”
3. Pada layar tampak kotak yang di dalamnya ada kotak “ tes variabel (s) dan
“GroupingVariabel” keterangan : kotak test varibles tempat memasukan variabel
numeriknya, sedangkan kotak Grouping Variabel untuk memmasukan variabel
kategoriknya, ingat jangan sampai terbalik
4. Klik Hb1 dan masukkan ke kotak “Test variabel”
5. Klik variabel ekslusif dan masukan ke kotak Grouping Varibael

6. Klik „define Group” kemudian dilayar nampak kotak isian. Anda diminta mengisi
kode variabel” menyusui” kedalam kedua kotak

anri_ule@yahoo.com
 Modul 2 Biostatistik

Pada contoh ini kita tahu bahwa “0” kode untuk yang tidak ekslusif dan kode “1”
untuk yang eklusif, jadi ketiklah 0 pada Grouping 1 dan 1 pada gouping 2

7. Klik”continue”
8. Klik “OK” hasilnya seperti di bawah ini

T-Test

Group Statistics
Menyus
ui
Secara
Eksklusi
f N Mean Std. Deviation Std. Error Mean
Kadar Hb Ibu Pengukuran Tidak 24 10.421 1.4712 .3003
Pertama
Ya 26 10.277 1.3231 .2595

Independent Samples Test

Levene's Test
for Equality of
Variances t-test for Equality of Means
95% Confidence
Interval of the
Sig. Mean Difference
(2- Differen Std. Error
F Sig. t df tailed) ce Difference Lower Upper
Kadar Hb Equal
Ibu variances .071 .791 .363 48 .718 .1435 .3952 -.6510 .9381
Pengukur assumed
an
Equal
Pertama
variances
.362 46.380 .719 .1435 .3969 -.6552 .9422
not
assumed

anri_ule@yahoo.com
 Modul 2 Biostatistik

Pada tampilan di atas dapat di lihat nilai rata-rata standar deviasi dan standar
eror kadar Hb ibu untuk masing-masing kelompok. Rata –rata kadar Hb ibu yang
menyusui eklusif adalah 10,277 gr% dengan standar deviasi 1322 gr% sedangkan
untuk ibu yang menyusui non eklusif rata-rata kadar Hb –nya adalah 10,471 gr%
dengan standar deviasi 1,471 gr%
Hasil uji T dapat di lihat pada tabel bawah SPSS akan menampilkan dua uji T
yaitu Uji T dengan asumsi varian kedua kelompok sama (equal Variance Assumed)
dan uji T dengan asumsi varian kedua kelompok tidak sama
(equal Variance not assumed). Untuk evene test, nilai uji mana yang kita pakai dapaat
di lihat uji kesamaan varian melalui uji levene. Lihat nilai p levene test, nilai p <
alpha (0,05) maka varian berbeda dan bila nilai p >alpha (0,05) maka varian sama
(equal)
Pada levene di atas menghasilkan nilai p = 0,790 sehingga dapat di simpulkan
bahwa pada alpha 5% didapat tidak perbedaan varian (varian kedua kelompok sama).
Selanjutnya di cari p value uji t pada bagian varian sanma (equal variances) di kolom
sig (2 tailed) yaitu sebesar p=0,718 artinya tidak ada perbedaan yang signipikan rata-
rata kadar hb antara ibu yang menyusui eklusif dengan ibu yang menyusui non eklusif

Penyajian dan interpretasi di laporan penelitian

Seperti pada analisis frint out di atas tidak boleh di copy dan di sajikan di laporan
penelitian . pada laporan penelitian kita harus membuat tabel baru untuk menyajikan
hasil print out analisi di atas.

Tabel ......
Distribusi rata-rata kadar Hb responden menurut prilaku menyusui
di....tahun....

Menyusui Mean SD SE P- Value

Eklusif 10,277 1,322 0,259
Non Eklusif 10,421 1,471 0,300 0,717

Dilihat dari tabel ......bahwa rata –rata kadar Hb ibu yang menyusui eklusif
adalah 10,277 gr% dengan standar deviasi 1322 gr% sedangkan untuk ibu yang
menyusui non eklusif rata-rata kadar Hb –nya adalah 10,471 gr% dengan standar
deviasi 1,471 gr%.Hasil uji statistik didapatkan nilai p=0,717, berarti pada alpha 5 %
terlihat tidak ada perbedaan yang signifikan rata-rata kadar Hb antar ibu yang
mempunyai secara eklusif dengan non eklusif

anri_ule@yahoo.com
 Modul 2 Biostatistik

2. Uji T Dependen
uji T dependen seringkali disebut Uji T paried / related atau pasangan. uji T dependen
sering digunakan pada analisi data penelitian eksperimen. seperti sudah dijelaskan di
sepan bahwa disebut kedua sampel bersifat dependen kalau kedua kelompok sampel
yang dibandingkan mempunyai subyek yang sama. dengan kata lain disebut dependen
bila rsponden di ukur dua kali.diteliti dua kali, sering ornag mengetakan pre dan post,
misalnya kita ingin membandingkan berat badan antara sebelum dan sesudah
mengikuti program diet
untuk contoh ini akan dilakukan uji beda rata-rata kadar Hb antara kadar Hb
pengukuran pertama dengan kadar Hb pengukuran kedua ingin di ketahui apakah ada
perbedaan kadar Hb antara pengukuran pertama dengan pengukuran kedua.disini
dilihat sampelnya dependen karena orangnya sama diukur dua kali, adapun
langkahnya
1. aktifkan program SPSS
2. dari menu status SPSS pilih Menu “Analye” kemudian pilih sub menu “Compare
Means “ lalu pilih “ Paried-Sampel T Test

3. Klik Hb1 pindahkan ke kotak variabel 1

4. klik Hb2 pindahkan ke kotak variabel 2
5. klik tanda panah sehingga kedua variabel masuk kotak sebelah kanan
6. klik OK hasilnya seperti di bawah ini

anri_ule@yahoo.com
 Modul 2 Biostatistik

T-Test

Paired Samples Statistics

Std. Std. Error
Mean N Deviation Mean
Pair 1 Kadar Hb Ibu
10.346 50 1.3836 .1957
Pengukuran Pertama
Kadar Hb Ibu
10.860 50 1.0558 .1493
Pengukuran Kedua

Paired Samples Correlations

Correlatio
N n Sig.
Pair 1 Kadar Hb Ibu
Pengukuran Pertama
50 .706 .000
& Kadar Hb Ibu
Pengukuran Kedua

Paired Samples Test

Paired Differences
95% Confidence Sig.
Std. Std. Interval of the (2-
Deviatio Error Difference tailed
Mean n Mean Lower Upper t df )
Pair 1 Kadar Hb
Ibu
Pengukur
an
Pertama - -.5138 .9824 .1389 -.7930 -.2346 -3.698 49 .001
Kadar Hb
Ibu
Pengukur
an Kedua
Pada tabel pertama terlihat statistik deskriptif berupa rata-rata dan standar deviasi kadar Hb
antara pengukuran pertama dan pengukuran kedua. rata-rata kadar Hb pada pengukuran
pertama (Hb1) adalah 10,346 gr% dengan standar deviasi 1,38 gr% pada engukuran kedua
(Hb2) di dapat rata-rata kadar Hb adalah 10,860 gr% dengan standar deviasi 1,05 gr%

anri_ule@yahoo.com
 Modul 2 Biostatistik

Uji T berpasangan di laporkan pada tabel ke 3, dilihat nilai mean perbedaan antara
pengukuran pertama dan kedua adalah 0,513 dengan standar deviasi 0,982, perbedaan ini di
uji dengan uji T berpasangan menghasilkan nilai p yang dapat di lihat pada kolom” sig (2
tailed) pada contoh di atas didapatkan nilai p= 0,001, maka dapat di simpulkan ada perbedaan
yang signifikan kadar Hb1 anatara lpengukuran pertama dengan pengukuran kedua

Penyajian Iterpretasi Di Laporan Penelitian

dari hasil output diatas kemudian angka-angka disusun dalam tabel yang di sajikan dalam
laporan penelitian bentuk penyajiannya dan interpretasinya dbb.
Variebal Mean Standar Standar Elor P - value
Kadar Hb Deviasi Mean
Pengukuran ke 1 10,346 1,38 0,19 0.001
Pengukuran ke 2 10,860 1,05 0,14

Rata-rata kadar Hb pada pengukuran pertama adalah 10,346 gr% dengan standar deviasi 1,38
gr% pada pengukuran ke dua didapat rata-rata kadar Hb adalah 10,860 gr% dengan standar
deviasi 1,05 gr%, di lihat dari nilai mean perbedaan antara pengukuran pertama dan kedua
adalah 0,514 dengan standar deviasi 0,982 hasil uji statistik didapatkan nilai 0,001 maka
dapat di simpulkan ada perbedaanyang signifikan antara Hb pengukuran pertama dan kedua

anri_ule@yahoo.com
 Modul 2 Biostatistik

ANALISIS HUBUNGAN
KATEGORIK DENGAN NUMERIK

A. UJI ANOVA
Pada bab terdahulu telah di jelaskan uji beda mean dua kelompok data baik yang
independen maupun dependen. namun seringkali kita jumpa jumlah kelompok yang lebih
dari dua, misalnya ingin mengetahui perbedaan mean berat badan bayi untuk daerah
bekasi, bogor dan tangerang. dalam menganalisa data seperti ini (> 2 kelompok) sangat
tidak di ajurkan mengguanakan Uji T.
Kelamahan menggunakan uji T berulang kali akan meningkatkan (inflasi) nilai α
artinya akan meningkatkan peluang hasil yang keliru.
Perubahan infalsi α sebesar = 1- (1- α)
n

Untuk mengatasi masalah tersebut maka uji statistik yang di ajurkan (uji yang tepat)
dalam menganalisa beda lebih dari dua mean adalah uji ANOVA
prinsip uji ANOVA adalah melakukan telaahan variabilitas data menjadi dua sumber
vairiasi yaitu variasi dalam kelompok (Whitin) dan variasi antar kelompok (between)
bila variasi whitin dan between sama (nilai perbandingan kedua varian sama dengan 1)
maka mean-mean yang di bandingkan tidak ada perbedaan, sebaiknya bila hasil
perbandingan tersebut menghasilkan lebih dari 1 maka mean yang dibandingkan
menunjukan ada perbedaan
Analisis varian (anova) mempunyai dua jenis analisis varian satu faktor (One Way)
dan analisis dua (Two Way). pada bab ini hanya akan di bahas analisis varian satu
fakatro (One Way)

Beberapa Asumsi yang harus di penuhi pada uji ANOVa adalah

1. Varian Homogen
2. Sampel/kelompok Independen
3. Data distribusi normal
4. Jenis data yang du hubungkan adalah numerik dengan kategorik (untuk kategorik
ynag lebih dari 2 kelompok)
Pada contoh ini akan dicoba dihubungkan antara tingkat pendidikan dengan berat
badan bayi. variabel pendidikan merupakan variabel kategorik dengan 4 kategori.
variabel berat bayi berbrntuk numerik sehingga uji yang di gunakan ANOVA, adapun
caranya adalah
1. Aktifkan Program SPSS
2. Dari menu utama SPSS pilih menu “ Analyze” kemudian pilih sub menu “
Compare Means” lalu pilih “ One Way ANOVA sesaat akan muncul One Way
ANOVA

anri_ule@yahoo.com
 Modul 2 Biostatistik

3. Dari menu One Way ANOVA terlihat bahwa kotak dependent List dan kotak Factor
perlu diisi variebel kategoriknya. pada contok ini berarti pada kotak dependen diisi
variabel “bbbayi” pada kotak Factor didisi variabel “Didik”

4. Klik tombol “Options” tanda dengan √ pada kotak Descriptive

5. Klik “Continue”
6. klik tombol “ Post Hoc” tandai dengan √ pad kotak “ Benferroni”

anri_ule@yahoo.com
 Modul 2 Biostatistik

7. Klik “Continue”
8. Klik “OK”hasilnya seperti di bawah ini

Oneway

Descriptives
Berat Badan
Bayi
95% Confidence Interval
for Mean
Std. Lower Minimu
N Mean Deviation Std. Error Bound Upper Bound m Maximum
SD 10 2470.00 249.666 78.951 2291.40 2648.60 2100 2900
SMP 11 2727.27 241.209 72.727 2565.23 2889.32 2100 3000
SMU 16 3431.25 270.108 67.527 3287.32 3575.18 3000 4000
PT 13 3761.54 386.304 107.141 3528.10 3994.98 3000 4100
Total 50 3170.00 584.232 82.623 3003.96 3336.04 2100 4100

anri_ule@yahoo.com
 Modul 2 Biostatistik

ANOVA

Berat Badan Bayi

Sum of
Squares df Mean Square F Sig.
Between
1.270E7 3 4232345.862 48.334 .000
Groups
Within Groups 4027962.413 46 87564.400
Total 1.672E7 49

Post Hoc Tests

Multiple Comparisons

Berat Badan Bayi

Bonferroni
(I) (J) 95% Confidence Interval
Pendi Pendi Mean
dikan dikan Difference (I- Lower
Ibu Ibu J) Std. Error Sig. Bound Upper Bound
SD SMP -257.273 129.294 .315 -613.76 99.21
*
SMU -961.250 119.286 .000 -1290.14 -632.36
*
PT -1291.538 124.468 .000 -1634.72 -948.36
SMP SD 257.273 129.294 .315 -99.21 613.76
SMU -703.977* 115.902 .000 -1023.54 -384.42
PT -1034.266* 121.228 .000 -1368.51 -700.02
SMU SD 961.250* 119.286 .000 632.36 1290.14
SMP 703.977* 115.902 .000 384.42 1023.54
PT -330.288* 110.492 .027 -634.93 -25.64
PT SD 1291.538* 124.468 .000 948.36 1634.72
SMP 1034.266* 121.228 .000 700.02 1368.51
SMU 330.288* 110.492 .027 25.64 634.93
*. The mean difference is significant at the 0.05 level.

Dari Print Out ini diperoleh rata-rata berat bayi dan standar deviasi masing-
masing kelompok. Rata-rata berat bayi pada mereka yang berpendidikan SD adalah
2470 gram dengan standar deviasi 249,6 gram. pada mereka yang berpendidikan SMP
rata-rata berat bayinya adalah 2727,2 gram dengan standar deviasi 241,2
gram.padamereka yang berpendidikan SMU rata-rata berat bayinya adalah 3431,2
gram dengan standar deviasi 270,1 gram pada mereka yang berpendidikan PT rat-rata
berat bayinya adalah 3761,5 gram dengan standar deviasi 386,3 gram.

anri_ule@yahoo.com
 Modul 2 Biostatistik

Pada hasil di atas nilai p uji ANOVA dapat di ketahui pada kolom “F” dan “sig”,
terlihat p=0,000 (kalo desimalnya0, maka penulisnya menjadi P= 0,0005 ) berarti
pada alpha 5% dapat disimpulkan ada perbedaan berat bayi diantara keempat jenjang
pendidikan.
Pada Box paling bawah terlihat hasil dari uji “Multiple Comparisons Boferroni”
yang berguna untuk menelusuri lebih lanjut kelompok mana saja yang berhubungan
signifikan. untuk menelusuri lebih lanjut kelompok yang signifikan dapat terliht dari
kolom Sig. ternyata kelompok signifikan adalah tingkat pendidikan SD dengan SMU,
SD dengan PT, SMP dengan SMU, SMP dengan PT dan SMU dengan PT

Penyajian Dan Interpretasi Dilpaoran Penelitian

Tabel
Distribusi Rata-Rata Berat Bayi Menurut Tingkat Pendidikan di .......
Variabel Mean Standar 95% P-Value
Pendidikan Deviasi Confidence
Interval
SD 2470,0 249,6 2291,4-2648,6
SMP 2727,2 241,2 3565,2-2889,3 0,000
SMA 3431,2 270,1 3287,3-3575,1
PT 3761,5 386,3 3528,1-3994,9

Rata-rata berat bayi pada merke yang berpendidikan SD adalah 2470,0 gram
dengan standar deviasi 249,6 gram. pada mereka yang berpendidikan SMP rata-rata
berat bayinya adalah 2727,20 gram dengan standar deviasi 241,2 gram. pada mereka
yang berpendidikan SMU rata-rata berat bayinya adalah 3431,2 gram dengan standar
deviasi 270,1 gram. pada mereka yang berpendidkan PT rata-rata berat banyinya
adalah 3761,5 gram dengan standar deviasi 386,3 gram. hasil uji statistik didapat nilai
P = 0,000, berarti pada alpha 5% dapat disimpulkan ada perbedaan berat bayi diantara
ke empat jenjang pendidikan. analisis lebih lanjut membuktikan bahwa kelomok yang
berbeda signifikan adalah tingkat pendidikan SD dengan SMU, SD dengan PT, SMP
dengan SMU, SMP dengan PT dan SMU dengan PT.

anri_ule@yahoo.com
 Modul 2 Biostatistik

ANALISIS HUBUNGAN
NUMERIK DAN NUMERIK

A. Uji Korelasi Dan Regresi Linier Sederhana

Seringkali dalam suatu penelitian kita ingin mengetahui hubungan antara dua
variabel yang berjenis numerik, misalnya hubungan berat badan dengan tekanan
darah, hubungan umur dengan kadar hb dsb. hubungana antara dua variabel numerik
dapat di hasilkan dua jenis yaitu derajat/keeraanhubungan, digunakan korelasi.
sedangkan bila ingin mengetahui bentuk hubungan antara dua variabel di gunakan
analisis regresilinier
1. Korelasi
Korelasi disamping dapat untuk mengetahui derajat/keeratan hubungan, korelasi
dapat juga untuk mengetahui arah hubungan dua variabel yang berjenis umerik,
misalnya hubungan berat badan dengan tekanan darah mempunyai derajat yang
kuat atau lemah dan juga apakah kedua variabel tersebut berpola positif atau
negatif
2. Regresi linier sederhana
seperti sudah di uraikan sebelumnya bahwa analisis hubungan dua variabel dapat
di gunakan untuk mengetahui bentuk hubungan dua variabel yaitu dengan analisi
regresi
Analisis regresi merupakan suatu model matematis yang dapat di gunakan untuk
mengetahui bentuk hubungan antar dua atau lebih variabel. tujuan analisis regresi
adalah untuk membuat perkiraan (prediksi) nilai suatu variabel (variabel
dependen) melalui variabelyang lain (variabel Independen)

Contoh Korelasi dan Regresi

Sebagai contoh kita akan melakukan analisi korelasi dan regresi menggunakan
SPSS dengan mengambil Variabel yang bersipat numerik yaitu berat badan ibu
dengan berat badan bayi

A. Korelasi
untuk mengeluarkan uji korelasi langkahnya adalah sbb
1. aktifkan/buka program SPSS
2. dari menu utama SPSS Klik “ Analyze” kemudian pilih “ Correlate” dan
lalu pilih “ Bivariate” dan munculah menu Bivariate Corelations
3. sorot variabel berat badan ibu dan berat badan bayi lalu masukan ke kotak
sebelah kanan “ variables”

anri_ule@yahoo.com
 Modul 2 Biostatistik

4. Klik OK dan lihat hasilnya seperti di bawah ini

Correlations

Correlations
Berat Badan Berat Badan
Ibu Bayi
Berat Badan Ibu Pearson
1 .684**
Correlation
Sig. (2-tailed) .000
N 50 50
Berat Badan Pearson
.684** 1
Bayi Correlation
Sig. (2-tailed) .000
N 50 50
**. Correlation is significant at the 0.01 level (2-tailed).
Tampilan analisis korelasi berupa matrik antara variabel yang di korelasi
imformais yang muncul terdapat tiga baris, baris pertama berisi nilai korelasi
(r) baris kedua menampilkan nilai P (P-Value) dan baris ketiga menampilkan
N (jumlah).
Pada hasil di atas diperoleh nilai r =0,684 dan nilai P= 0,000. kesimpulan
dari hasil tersebut hubungan berat badan ibu dengan berat badan bayi
menunjukan hubungan yang kuat dan berpola positif artinya semakin
bertambah berat badan semakin tinggi berat bayinya. hasil uji statistik

anri_ule@yahoo.com
 Modul 2 Biostatistik

didapatkanada hubungan yang signifikan antara berat badan ibu dengan berat
badan bayi (P=0,000)
B. berikut akan dilakukan analisisregresi linier dengan menggunakan variabel
“berat badan ibu ” dan “berat badan Bayi” dalam analisis regresi kita harus
menentukan variabel dependen dan variabel Independennya. dalam kasus ini
berarti berat badn ibu sebagai variebel Independen dan berat badn bayi sebagai
dependen. adapun caranya adalah
1. aktifkan program SPSS
2. Dari menu SPSS Klik “Analyxe” pilih “Regression” pilih “Linier”
3. pada tampilan di atas ada beberapa kotak yang harus diisi. pada kotak
“dependen” isikan variabel yang kita perlukan sebagai dependen (dalam
contoh ini berarti berat badan bayi) dan pada kotak independen isikan
variabelIndependennya (dalam contoh ini berarti berat badan ibu) caranya
4. klik bert badan “bayi” masukan kekotak Dependent
5. klik berat badan ibumasukan kekotak independent

6. Klik OK dan hasilnya seperti di bawah ini

Regression

anri_ule@yahoo.com
 Modul 2 Biostatistik

b
Variables Entered/Removed

Variables Variables
Model Entered Removed Method
a
1 Berat Badan Ibu . Enter

a. All requested variables entered.

b. Dependent Variable: Berat Badan Bayi

Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate
a
1 .684 .468 .456 430.715

a. Predictors: (Constant), Berat Badan Ibu

b
ANOVA

Model Sum of Squares df Mean Square F Sig.

a
1 Regression 7820261.965 1 7820261.965 42.154 .000

Residual 8904738.035 48 185515.376

Total 1.673E7 49

a. Predictors: (Constant), Berat Badan Ibu

b. Dependent Variable: Berat Badan Bayi

a
Coefficients

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 657.929 391.676 1.680 .099

Berat Badan Ibu 44.383 6.836 .684 6.493 .000

a. Dependent Variable: Berat Badan Bayi

Dari hasil di atas dapat di interpretasikan denngan mengkaji nilai-nilai yang

penting dalam regresi linier di antaranya yaitu : joefisien detrminasi,
persamaan garis dan P – Value. nilai determinasi dapat di lihat dari nilai R
Squer (anda dapat dilihat pada tebel Model Summary) yaitu besarnya 0,468
artinya persamaan garis regresi yang kita peroleh dapat menerangkan 46,8%
variasi berat badan bayi atau persamaan garis yang di peroleh cukup baik
untuk menjelaskan variabel berat badan bayi. selanjutnya pada tabelANOVA
di peroleh nilai P (dikolom sig) sebesar 0,000 berarti pada alpha 5% kita dapat
menyimpulkan bahwa regresi sederhana cocok (fit) dengan data yang ada
persamaangaris regresi dapat di lihat pada tabel “ Coeffcient” yaitu pada

anri_ule@yahoo.com
 Modul 2 Biostatistik

kolom B dari hasil di ats dapat nilai konstanta (nilai ini merupakan nilai
intercept atau nilai a) sebesar 657,93 dan nilai b = 44, 38 sehingga persamaan
regresinya

Y=a +bx
Berat badan bayi = 657,93 +44,38 (berat badan ibu)

Dengan persamaan tersebut berat badan bayi dapat di perkirakan jika

kita tahu nilai berat badan ibu. uji statistik untuk koefisien regresi dapat di
lihat pada kolom Sig T dan menghasilkan nilai P=0,000.jadi nilai alpha 5%
hipotesi nol berartiada hubunganlinier antar berat badan ibu dengan erat badan
bayi. dari nilai b=4438 berarti bahwa variabel berta badan bayi akan
bertambah besar 44,38 gr bila beart badan ibu bertambah setiap kilogram.

Penyajian Dan Interpretasi

Tabel .......

Analisis Korelasi Dan Regrasi Berat Badan Ibu Dengan Berat Badan Bayi
di...................

Variabel r R2 Persamaan Garis P-Value

Berat Ibu 0,684 0,4684 Bbbayi=657,93+44,38*bbibu 0,000

Hubungan berat badan ibu dengan berat badan bayi menunjukan

hubungan kuat (r=0,684) dan berpola positif artinya semakin bertambah berat
badan ibu semakin besar beart badan bayinya.nilai koefisien dengan
determinasi 0,468 artinya persamaan garis regresi yang kita peroleh dapat
menerangkan 46,8,6 % variasi berat badan bayi atau persamaan garis yang di
peroleh cukup baik untuk menjelaskan variabel berat badan bayi. hasil uji
statistik didapatkan ada hubungan yang signifikan antara berat badan ibu
dengan berat badan bayi (P=0,000)

Memprediksi Variebel Dependen

Dari persamaan garis yng didapat tersebut kita dapat memprediksi

variabel dependen (berat badan bayi) dengan variabel Independen (berat badan
ibu) misalkan kita ingin mengetahui berat badan bayi jika diketahui berat
badan ibu sebesar 60 kg maka

Berat badan bayi =657,93 + 44,38 (berat badan ibu)

Berat bdan bayi =657,93 + 44,38 (60)

Berat badan bayi = 3320,72

anri_ule@yahoo.com
 Modul 2 Biostatistik

ingat prediksi regresi tidak dapat menghasilkan angka yang tepat seperti di ats,
namun perkiraannya tergantung dari nilai Standar Deviasi Error Of The
Estimate (SEE) yang besarnya adalah 430,715 (dilihat kotak model Summary)
dengan demikian variasi variabel dependen = Z * SEE Nilai Z Di hitung dari
tabelZ dengan tingkat kepercayaan 95 % dan di dapat nilai Z = 1,96 sehingga
variasinya 1,96 * 430,715=±844,201

jadi dengan tingkat kepercayaan 95% untuk bert badn ibu 60 kg diprediksikan
berat bdan bayinya adalah diantara 4276,5 gr s.d 4164,9 gr

anri_ule@yahoo.com