MODUL II
ANALISI BIVARIAT
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)
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
anri_ule@yahoo.com
Modul 2 Biostatistik
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
Uji T
Kategorik Numerik Anova
Korelasi
Numerik Kategorik Regresi
anri_ule@yahoo.com
Modul 2 Biostatistik
ANALISIS HUBUNGAN
KATEGORIK DENGAN KATEGORIK
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
Auto SUm
Rumus
menjumlahkan
anri_ule@yahoo.com
Modul 2 Biostatistik
=V6/20*100
=IF W6<60;”kurang”;IF(W6>75;”baik”;”cukup”))
Data data
Data
kategorik
numerik
anri_ule@yahoo.com
Modul 2 Biostatistik
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
5. None
4. Ketik
coding
3. Ketik
kstegori di
lsbel 1. OK
2. Klik Add
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
imunisasi
cukup Count 21 14 35
kurang Count 4 3 7
Total Count 34 31 65
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
N of Valid Cases 65
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
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
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
N of Valid Cases 65
Hasil dari tabel contingensi ke eratan hubungannya sangat rendah dengan nilai
0.192Tabel 3.1
anri_ule@yahoo.com
Modul 2 Biostatistik
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
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
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)
Tujuan untuk mengetahui perbedaan mean dua kelompok data independen syarat yang
harus di penuhi
anri_ule@yahoo.com
Modul 2 Biostatistik
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
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
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
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....
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
anri_ule@yahoo.com
Modul 2 Biostatistik
T-Test
Correlatio
N n Sig.
Pair 1 Kadar Hb Ibu
Pengukuran Pertama
50 .706 .000
& Kadar Hb Ibu
Pengukuran Kedua
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
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)
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”
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
Multiple Comparisons
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
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
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)
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
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
Regression
anri_ule@yahoo.com
Modul 2 Biostatistik
b
Variables Entered/Removed
Variables Variables
Model Entered Removed Method
a
1 Berat Badan Ibu . Enter
Model Summary
b
ANOVA
Total 1.673E7 49
Standardized
Unstandardized Coefficients Coefficients
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)
Tabel .......
Analisis Korelasi Dan Regrasi Berat Badan Ibu Dengan Berat Badan Bayi
di...................
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