Exsel

BUKU AJAR
APLIKASI KOMPUTER Revisi 1.0
OLEH:
Dyan Angesti., S.Kom., MM

Anif Prasetyorini, S.KM., M.Kes.
SEKOLAH TINGGI ILMU KESEHATAN (STIKES) YAYASAN RS. DR. SOETOMO

PROGRAM
Aplikasi Komputer STUDI
Revisi 1.0 ADMINITSRASI
2014 - STIKES RUMAH SAKIT0
Yayasan RS.Dr. Soetomo
TAHUN 2014
BAB I. PENGGUNAAN MICROSOFT WORD 2007 UNTUK
PEMBUATAN LAPORAN
Buku ajar ini sebagai pelengkap mata kuliah Aplikasi Komputer, dengan tujuan
mempermudah pencapaian tujuan akhir perkuliahan. Perkuliahan Aplikasi komputer
merupakan penerapan ketrampilan penggunaan aplikasi software Microsoft Office
(Word, Excell, Power Point) dan SPSS (Aplikasi Statistik) untuk memberikan bekal
setiap mahasiswa pada saat penyusunan karya penelitian ilmiah (spripsi) maupun
pada saat bekerja nantinya. Dengan demikian fokus pemberikan mata kuliah ini dapat
difokuskan pada penggunaan Aplikasi SPSS (Statistik) yang akan memudahkan para
mahasiswa menerapkan teori (MK) Statistik/Biostatistik dan Metodologi Penelitian
dengan baik.
Microsoft Word adalah program aplikasi untuk mengolah kata, seperti surat menyurat,
membuat formulir, membuat naskah, membuat tabel dan berbagai pengolahan kata
lainnya.
A. Memulai Bekerja dengan Microsoft Word
Ikuti langkah-langkah berikut ini untuk membuka Microsoft Word:
1. Klik tombol start, kemudian klik Microsoft Word
2. Pada Microsoft Word akan tampil window seperti berikut ini :
Baris penggulung
Lembar
Kerja
Tombol penggulung
gambar 1.1
Jendela Microsoft Word
a. Lembar kerja MS.Word adalah lembar putih tempat anda mengolah kata
yang tampak pada saat MS.Word diaktifkan
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 1

b. Batang Penggulung dan tombol penggulung adalah bagian untuk
menggulung lembar kerja secara horizontal dan vertical
c. Menu bar adalah tempat tersimpannya sejulah perintah sesuai
kelompoknya, seperti menu File, menu Edit, menu View dan sebagainya
d. Toolbar adalah elemen yang terdiri dari symbol gambar (icon), seperti icon
Open, icon New, icon Save dan sebagainya.
e. Ruler adalah bagian untuk mengatur margin atau tabulasi
f. Status bar adalah bagian yang berisi keterangan posisi pointer atau kursor
(nomor halaman) dan sebagainya
g. Tombol pengatur jendela terdiri atas:
i. Minimize adalah tombol meminimalkan jendela
ii. Maximize adalah tombol memaksimalkan jendela
iii. Close adalah tombol menutup jendela
h. Baris judul adalah bagian yang menjelaskan nama jendela yang dibuka.
Biasanya baris judul ini berisi nama program aplikasi serta nama dokumen
yang sedang aktif.
B. Pengaturan Paragraph
Dalam merubah paragraph ada 2 cara yaitu dengan merubah secara langsung
dengan mistar dan melalui menu format-paragraph.
Untuk merubah paragraph melalui menu format-paragraph.

Ikuti langkah-langkah berikut ini :
1. Ketiklah tulisan seperti pada gambar berikut ini:
Sistem Informasi Rumah Sakit (SIRUS)
SIRUS adalah suatu tatanan yang berurusan dengan mengumpulkan data,
mengolah data, penyajian informasi, analisa dan penyimpulan informasi
serta penyampaian informasi yang dibutuhkan untuk kegiatan rumah sakit
menurut Boy S.Sabarguna (2003:12) dalam buku yang berjudul “sistem
informasi manajemen rumah sakit”.
2. Simpan data anda dengan latihan paragraph.doc
3. Bukalah kotak dialog paragraph dari menu Format dan pilihlah paragraph.

gambar 1.2
Paragraph
4. Kemudian ubahlah sesuai dengan tampilan pada gambar 1.7

5. Simpan kembali data anda.
Untuk merubah paragraph melalui mistar.

Ikuti langkah-langkah berikut ini :
1. Bukalah file latihan paragraph.doc
2. Coba anda arahkan kursor mouse ke fist line indent diikuti dengan
menekan tombol ALT, maka secara otomatis akan tampil ukuran dari
masing-masing indent dan batas halaman.

Hanging indent First line indent Right indent
Left indent
gambar 1.3
Mistar
3. Anda dapat merubah ukuran yang ada dengan menggesernya saja, dan
secara otomatis ukuran tersebut akan berubah.
4. Simpan dengan nama latihan paragraph2.doc
TUGAS 1
1. Bukalah file latihan paragraph.doc
2. Aturlah dengan batasan:
a. Batas atas: 3cm, batas bawah: 3cm, batas kiri: 4 cm dan batas kanan: 3
cm.
b. Indentation left: 1 cm dan first line indent: 1,5 cm
3. Simpan dengan nama Tugas1_paragraph.docx
C. Membuat Penomoran Halaman Berbeda Dalam Satu File Ms Word

Bagaimana membuat penomoran halaman yang berbeda pada satu file microsoft
word. Dalam laporan atau skripsi untuk halaman cover kata pengantar, ucapan
terima kasih, lembar pengesahan biasanya menggunakan penomoran halaman
dengan angka romawi I, II, V, VI, dan seterusnya. Sedangkan untuk Pendahuluan,
isi, dan penutup menggunakan penomoran halaman dengan angka arab biasa
1,2,3, dst. Seringnya yang kita lakukan adalah memecah laporan atau skripsi kita
menjadi 2 bagian. File yang satu untuk yang penomoran romawi dan file yang lain
untuk penomoran angka biasa. Tapi hal ini tidak praktis. Pertama untuk membaca
keseluruhan laporan kita harus membuka dua file bergantian. Kedua, jika kita
ingin konvert dari word ke pdf kita harus konvert satu-satu dan baru
menggabungkannya.
Ada dua cara yang bisa anda lakukan, berikut ini cara membuat penomoran
halaman yang berbeda dalam satu file microsoft word.
CARA 1:
1. Buka file laporan atau skripsii anda, pilih menu insert page number. Untuk awal
otomatis akan keluar penomoran default dengan angka arab satu dan
seterusnya. Lihat gambar berikut:
gambar 1.4
Menu Page Number
Karena pada awal laporan harus menggunakan angka romawi, maka kita ubah
dulu ke angka romawi. Caranya:
a. double klik pada bagian footer (teks akan nonaktif)
b. page number
c. format page number
d. pilih format angka romawi >> OK

gambar 1.5
Menu Format Page Number 1
gambar 1.6
Menu Format Page Number 2
2. Anda telah mendapatkan penomoran romawi untuk semua halaman. Kemudian

letakkan kursor pada bagian paling bawa halaman yang ingin anda bedakan
penomoran halamannya. Misal penomoran romawi yang dibutuhkan hanya
sampai angka IV maka kita letakkan kursor di halaman V paling bawah.
Pastikan kursor berada di luar area footer.
3. Pilih ribbon Page layout >> Breaks >> Next Page

4. Kursor akan pindah ke halaman berikutnya atau kalau tidak akan terbentuk
halaman baru.
5. Jika timbul beberapa baris tambahan yang tidak perlu anda bisa
menghapusnya. Sesuaikan dengan kebutuhan.
6. Nah yang paling penting ketika anda melakukan penghapusan jangan sampai
menghapus tanda section break. Nah dimana tandanya? Untuk dapat
melihatnhya gunakan shortcut [Ctrl] + [*]. Tanda next page tampak seperti
berikut
gambar 1.7
Section Break
7. Setelah itu letakkan kursor di page number V, page number ini dan seterusnya
akan kita ganti menjadi 1,2,3, dst. Caranya:
a. letakkan kursor di halaman yang akan diganti bentuk penomorannya
b. pada kolom navigation klik tombol Links to previous untuk
menonaktifkannya
c. selanjutnya pilih page number
d. format page number
e. atur mejadi angka arab dengan start number 1
gambar 1.8
Links to previous

gambar 1.9
Page number – start at
CARA 2:
1. letakkan kursor pada halaman yang akan anda ubah. Misal anda akan
memisahkan halaman ii dan halaman iii, dimana anda akan mengganti
halaman iii menjadi halaman 1.
gambar 1.10
Page number
2. Pilih menu Insert – Page break

gambar 1.11
Insert – Page break
3. Aktifkan page setup –apply to – pilih this point forward
gambar 1.12
page setup
4. Ubah tab – layout – new
page

gambar 1.13
page setup – layout - section
5. Arahkan kursor anda pada halaman ii (halaman yang akan anda pisahkan),
kemudian pilih menu insert page number. Ubah format angka sesuai dengan
keinginan anda, misal dalam bentuk angka 1,2,3... tekan Ok.
6. Setting start at dengan angka 1
gambar 1.13
Menu Page Number
7. Maka akan terbentuk 2 halaman yang bersebelahan namun berbeda format

seperti gambar dibawah ini:
gambar 1.14
preview
8. Selamat mencoba ☺

TUGAS 2
1. Ketiklah pada tiap halaman berbeda antara satu dengan yang lainnya.
DAFTAR ISI
DAFTAR TABEL
BAB I. PENDAHULUAN
A. LATAR BELAKANG
B. RUMUSAN MASALAH
BAB II. KAJIAN PUSTAKA
2. Buat footer “Page of …”
3. Setelah itu atur seperti gambar dibawah ini
4. Simpan data dengan nama Tugas2_pagenumber.docx
D. Menjumlahkan Data Tabel Microsoft Word

Tabel di microsoft word berguna untuk menampilkan laporan yang menarik dan
mudah dibaca oleh pengguna. Akan tetapi tabel di word juga bisa melakukan
fungsi fungsi penjumlahan sebagaimana di microsoft excel meskipun dalam taraf
yang masih sederhana. Dengan adanya rumus dalam tabel word akan

memudahkan dalam membuat berbagai laporan seperti laporan realisasi
anggaran, laporan penyelenggaraan diklat, dan sebagainya.
Melakukan penjumlahan dalam tabel ms word sangat mudah. Sebelumnya perlu

anda ketahui ada beberapa tipe penjumlahan (reference) dalam tabel yaitu
ABOVE >> menjumlahkan semua cel di atas cel letak formula pada kolom yang
sama
BELOW >> menjumlahkan semua cel di bawah cel letak formula pada kolom
yang sama
LEFT >> menjumlahkan semua cel di kiri cel letak formula pada baris yang
sama
RIGHT >> menjumlahkan semua cel di kanan cel letak formula pada baris yang
sama
Untuk melakukan operasi penjumlahan dengan rumus
=SUM (reference)
Caranya:
1. Letakkan cursor pada cel atau field yang akan ditempat hasil penjumlahan.
2. Tekan Ctrl + F9 untuk memasukkan rumus.
3. Ketik rumus penjumlahan misalnya = SUM (ABOVE)
4. Tekan F9 untuk melihat hasilnya.
Berikut contohnya
Kita akan menghitung produksi barang perusahaan x dari tabel berikut:
Tabel 1.1.
Produksi Barang perusahaan X
no tahun jumlah produksi
1 2008 15.200
2 2009 13.800
3 2010 21.098
4 2011 19.870

5 2012 20.007
TOTAL 89.975
Dengan bentuk tabel seperti itu maka menggunakan rumus = SUM (ABOVE) yang
berarti menjumlah produksi secara vertikal ke atas mulai tahun 2008 sebesar 15.200
hingga tahun 2012 sebesar 20.007 dan didapat hasil akhir 89.975 unit yang
diproduksi. Untuk bentuk tabel yang lain menyesuaikan rumusnya.
Tabel 1.2.
Data Jumlah Produksi Barang perusahaan X
E. Membuat Footer Berbeda untuk Setiap Halaman

Footer atau catatan kaki merupakan salah satu fasilitas yang disupport oleh microsoft
word. Secara default, footer akan dibuat sama untuk seluruh halaman karena pada
dasarnya semua halaman saling terhubung. Coba anda membuat footer yang
berisikan kata-kata mutiara, pasti kata-kata tersebut akan mucul di semua halaman
yang ada. Lalu bagaimana caranya membuat footer yang berbeda di setiap halaman?
Asal tahu saja footer yang berbeda biasanya digunakan untuk menuliskan bab atau
materi dari buku tersebut misal hal 3-15 tentang dasar-dasar microsoft word maka
diberi footer dasar-dasar microsoft word. Kemudian halaman 16-20 tentang mail
merge maka footernya dituliskan mail merge dan sebagainya untuk membuat footer
yang berbeda dapat dilakukan dengan:
1. Setelah anda insert footer, tempatkan kursor dibagian atau di halaman yang akan
dibedakan footernya.
2. Terlebih dahulu pastikan bahwa kursor berada di luar area footer.
3. Pilih ribbon "Page Layout" >> Break >> Next Page.
4. Tekan [Ctrl] + [*] untuk melihat lokasi parameter section break next page. Para
meter inilah yang akan menjadi batas footer pertama dengan footer kedua.
5. Jika setelah langkah keempat muncul baris tambahan yang tidak perlu anda bisa
menghapusnya sesuai kebutuhan.
6. Arahkan kursor ke area footer tempat footer yang baru (berbeda) akan ditulis
(double klik pada area footer).
7. Jangan lupa pada kolom navigation non aktivkan "Link to Previous" dengan cara klik
iconnya.
8. Tulis footer baru yang dibutuhkan. Lihatlah footer yang baru tersebut akan berbeda
dengan footer yang lama dan tidak mempengaruhi halaman sebelumnya.
gambar 1.15
Footer
Sekedar tips ketika menghapus halaman yang tidak perlu pastikan anda terlebih
dahulu Ctrl+* agar pembatas section break tidak terlihat. Untuk membuat footer ketiga
yang berbeda anda cukup mengulangi langkah-langkah yang sudah dijelaskan tadi.
Itu tadi bagaimana cara membuat footer berbeda untuk setiap halaman.
F. Membuat Page Orientation Berbeda di Ms Word

Ketika kita membuat sebuah laporan kadang penyajian data yang harus kita tampilkan
dalam bentuk tabel word yang cukup panjang. Jumlah kolom tabel kadang cukup
banyak dan mengharuskan kita menggunakan page orientation landscape. Di lain hal,
halaman lain mengharuskan kita menggunakan bentuk halaman potrait. Anda tidak
perlu memisahkannya menjadi 2 file yang berbeda karena akan sangat merepotkan
pekerjaan anda. Berikut tutorial microsoft word untuk membuat page orientation
berbeda dalam satu file microsoft word.
1. Buka file laporan anda, kemudian letakkan pointer di halaman yang akan di buat
landscape.

2. Klik Ribbons Page Layout kemudian buka dialog box page setup dengan klik icon
panah di pojok kanan bawah kotak page setup
gambar 1.16
Page Setup
3. Dialog box page setup akan muncul. Di situ terdapat 3 tab, pilih tab margins. Pada
pilihan orientation klik landscape dan pada pilihan apply to pilih THIS POINT
FORWARD yang berarti orientasi halaman secara landscape akan berlaku mulai
dari posisi kursor dan seterusnya.

gambar 1.17
Page Setup - orientation
Hasilnya
gambar 1.18
Preview dari hasil pengaturan
Lalu bagaimana cara membuat orientasi halaman potrait lagi setelah halaman
landscape kita sudah cukup? Langkahnya sama. Letakkan kursor di bagian yang
kembali ingin dibuat landscape. Buka dialog box seperti langkah nomor 2. Kemudian
pilih Potrait dan Apply to : THIS POINT FORWARD.

G. Membuat Daftar Isi Secara Otomatis
Buka dokumen yang akan dibuatkan daftar isinya. Gambar 1.14 menunjukkan hasil
pembuatan daftar isi yang dibuat secara otomatis.
Gambar
1.19
Tampilan Daftar Isi yang diinginkan

1. Pastikan bahwa setiap halaman telah diberi nomor halaman.
2. Tentukan bagian apa saja yang akan dimasukkan ke daftar isi, misalnya : Kata
Pengantar, Daftar Isi, Daftar Gambar, Daftar Tabel, Judul Bab, Judul Sub Bab.
3. Satu-persatu lakukan hal berikut:
a. Blok bagian yang akan dimasukkan ke daftar isi. Kemudian pilih tab Home dan
klik Style Heading 1 seperti yang terlihat pada Gambar 1.15 Anda dapat
membuat atau memodifikasi format style sesuai dengan yang diinginkan.
Lakukan hal ini untuk tulisan Daftar Isi, Daftar Gambar, Daftar Tabel dan Judul
Bab
Gambar 1.20
Pemberian Style Heading 1 pada Kata Pengantar atau Judul Bab
b. Untuk Judul Sub Bab, pilih Style Heading 2 seperti Gambar 1.16 berikut.
Lakukan hal berikut pada semua sub bab.
Gambar 1.21
Pemberian style Heading 2 untuk judul Sub Bab
c. Kemudian klik halaman Daftar Isi.

d. Selanjutnya pilih tab References kemudian pilih toolbar Table of Contents yang
ada di bagian kiri atas dan pilih Insert Table of Content seperti yang
ditunjukkan pada Gambar 1.17 di bawah ini. Maka akan muncul dialog seperti
pada Gambar 1.18
Gambar 1.22
Memilih Insert Table of Contents

Gambar 1.18
Dialog Insert Table of Contents
e. Selanjutnya tekan Tombol Options… untuk merubah style apa saja yang
akan dimasukkan daftar isi. Jika yang akan dimasukkan ke daftar isi hanya
style Heading 1 dan Heading 2, maka tuliskan angka 1 pada Heading 1 dan
angka 2 pada Heading 2 seperti Gambar 1.19
Gambar 1.19
Pemilihan style dan format level pada Daftar Isi
f. Selanjutnya tekan tombol OK. Pilih format Formal untuk memberi kesan formal
pada Daftar Isi.

Gambar 1.20
Format Daftar Isi
g. Selanjutnya tekan tombol OK, maka akan muncul daftar isi yang telah jadi
seperti Gambar 1.20 diatas.
h. Jika anda melakukan perubahan terhadap isi dokumen, seringkali akan
menyebabkan perubahan pada daftar isi. Untuk melakukan perubahan
otomatis, klik kanan pada isian daftar isi. Selanjutnya pilih Update Field dan
pilih Update entire table seperti pada Gambar 1.21.
Gambar 1.21
Melakukan pemutakhiran pada Daftar Isi
TUGAS 3
1. Buka Tugas2_pagenumber.docx
2. Atur tulisan yang ada dengan pembagian styles heading 1 - 3, sehingga terbentuk
daftar isi secara otomatis seperti gambar dibawah ini

3. Simpan data dengan nama Tugas3_daftar isi.docx

BAB II. OPTIMALISASI PENGGUNAAN MICROSOFT EXCEL 2007
Penggunaan Microsoft excel saat ini lebih banyak dipergunakan pada

bidang keuangan salah satunya untuk pembuatan neraca sampai dengan laporan
keuangan. Namun untuk pengolahan data penelitian atau statistik kita selalu
terpaku pada program-program statistik misalnya SPSS, SAS, dan lain sebagainya,
ternyata Microsoft excel juga mampu melakukan hal tersebut. Dalam buku ajar ini
akan kita bahas penggunaan Ms. Excel untuk mengolah data statistik, mengolah
data keuangan dan lainnya.
A. Penggunaan Microsoft Excel 2007 Untuk Pengolahan Data Statistik
Karena kebiasaan penggunaan program statistik untuk mengolah data statistik, kita
terpaku pada keberadaanya padahal kita bisa menggunakan microsoft excel 2010
untuk membuat data statistik. Untuk itu kali ini saya akan mencoba
memamparkan kepada anda langkah pengolahan data statistik menggunakan
microsoft excel 2010.
Statistik adalah ilmu dan seni atau teknik untuk mengumpulkan data, menyajikan
data, mengumpulkan data dan mengambil kesimpulan berdasarkan data yang
berhasil dihimpun.
Sebuah penelitian baik itu untuk penelitian,praktek belajar lapangan (PBL) ataupun
skripsi memerlukan suatu uji untuk membuktikan hipotesis penelitiannya. Ada
banyak cara untuk melakukan pengujian/penganalisisan data. Bisa dengan cara
manual maupun menggunakan program statistik seperti SPSS. Ada pula yang
menggunakan gabungan antara manual dengan program melalui Microsoft Excel.
Peluncuran Microsoft Excel 2007 semakin memanjakan para peneliti, karena sudah
terpasang program data analisis seperti Uji Anava, z-test, t-tes, dan lain lain,
Namun, fasilitas data analisis ini belum terpasang di toolbar pada Microsoft
Excel 2007, sehingga tidak banyak yang mengetahui mengenai fitur ini. Untuk itu,
dalam rangka mempermudah pekerjaan kita, ada baiknya kita tampilkan fitu analisis
data tersebut di toolbar Microsoft Excel.
1. Mengaktifkan Analysis ToolPak
Sebelum melakukan analisis data statistik di Excel 2007, kita perlu untuk
mengaktifkan Analysis ToolPak. Langkah-langkanhnya sebagai berikut:
a. Buka Excel 2007, Pada Office Button pilih Excel Option (paling bawah).
b. Pilih menu “Add-Ins”, pada pilihan ”Manage” pilih “Excel Add- ins”. Lalu klik
”Go” (lihat gambar).
Gambar 2.1
menu “Add-Ins” - Excel Add-ins
c. Maka akan terbuka jendela “Add-Ins”(seperti gambar dibawah).

berikan tanda check pada “Analysis ToolPak”. Kemudian klik ”OK”

Gambar 2.2
menu “Add-Ins” - Analysis ToolPak
d. Jika sebelumnya Anda belum pernah mengaktifkan fitur ini

sebelumnya maka akan muncul jendela konfigurasi default Office
2007. Tunggu hingga proses selesai.
e. Jika konfigurasi berhasil, maka akan terdapat tambahan menu

“Data Analisis” pada ribbon “Data” seperti gambah dibawah ini.
Gambar 2.3
menu “Data Analisis”

2. Menganalisa data menggunakan Statistik Deskriptif
Statistika deskriptif berkenaan dengan bagaimana data dapat digambarkan,
dideskripsikan atau disimpulkan baik secara numerik (misal menghitung rata-rata
dan deviasi standar) atau secara grafis (dalam bentuk tabel atau grafik) untuk
mendapatkan gambaran sekilas mengenai data tersebut sehingga lebih mudah
dibaca dan bermakna.
Untuk lebih singkatnya, kita kerjakan saja contoh kasus di bawah ini:
Buatlah sekumpulan nilai ujian nasional yang range-nya dimulai dari 0-100
sebanyak 20 data. Contoh lihat gambar.
Gambar 2.4
Nilai Ujian

A. Penyelesaian:
Hal pertama yang kita lakukan adalah mencari ukuran pemusatan. Ini
berkenaan dengan mencari Mean, Median dan Modus. Mean merupakan
jumlah semua nilai dibagi dengan banyaknya nilai, atau lebih singkatnya
mean adalah rata-rata. Rata-rata bisa dicari manual dengan menggunakan
fungsi AVERAGE. Median merupakan nilai yang berada di tengah setelah
data diurutkan, sedangkan modus adalah nilai yang paling sering mucul dari
segugus data yang ada.
Untuk menyelesaikan contoh kasus di atas mari kita ikuti lagkah berikut:
a. Pada ribbon “Data” klik menu “Data Analysis”,
Gambar 2.5
Data Analysis
b. Maka akan muncul window seperti gambar dibawah. Pilih
“Descriptive Statistics”. Lalu “OK”.
Gambar 2.6.1
Data Analysis - Descriptive Statistics 1

c. Setelah ditekan Ok, maka akan tampil seperti gambar dibawah ini:
Gambar 2.6.2
d. Pada window “Descriptive Statistics”, isikan pada “input range” (kotak

warna merah sebelah kanan) kolom nilai ujian tadi (kotak warna merah
sebelah kiri), isikan “output range” (kotak biru di sebelah kanan)
dengan cell dimana kita akan meletakkan hasil perhitungan statistik,
untuk “summary statistics” dan “Confidence Level for Mean:” dalam
keadaan tercentang. Lalu klik tombol “OK”.

Gambar 2.6.3
e. Hasilnya seperti gambar di bawah ini:
Gambar 2.7
Hasil Analisa Descriptive Statistics

B. Kesimpulan:
Dari data yang disajikan di atas, dapat disimpulkan :
Mean = 54,8
Median = 58
Modus = 60
Data-data tersebut diatas dapat juga ditampilkan dalam bentuk Grafik. MS Excel
menyediakan berbagai macam bentuk grafik yang mencakup Line, Column, Bar,
Pie, Scatter dan sebagainya. Dengan Grafik kita dapat menampilkan data-data kita
denagan lebih ringkas agar mudah dicerna atau dimengerti. Langkah-langkanya
adalah sbb:
a. Blok Seluruh data yang ada lalu pilih Ribbon Insert > Klik tombol Create
Chart () pada sudut kanan bawah Toolbar Chart maka akan muncul
menu sbb:
Gambar 2.8.1
Create chart
b. Klik pada salah satunya,misalkan kita pilih 3D-Clauster Column
> OK maka akan tampak grafik seperti berikut ini:

Gambar 2.8.2
Create chart
c. Kita juga dapat memilih layout grafik sesuai dengan yang kita
inginkan, caranya adalah dengan mengklik pada grafik yang suda jadi
maka menu-menu pada Toolbar akan berobah seperti gambar berikut:
d. Pilih sesuai selerah dan kebututuhan.

Dengan melihat grafik diatas kita bias mengetahui nilai mahasiswa
yang lebih tinggi dan mana yang lebih rendah.
3. Uji Validitas Instrumen

a. Ubah data angket kedalam bentuk angka
Pernyataan Positif:
SS = 5, S = 4, N = 3, TS = 2, STS = 1
Pernyataan Negatif:
SS = 1, S = 2, N = 3, TS = 4, STS = 5
b. Hitung nilai total = jumlah dari semua nilai untuk setiap butir soal
4. Perhitungan Koefisien Validitas Butir Pernyataan

a. Korelasikan setiap butir soal dengan nilai total menggunakan rumus
korelasi Produk Moment Pearson, selanjutnya ditulis sebagai rhitung
Rumus Excel :

=Pearson(_:_,_:_) atau =Pearson(_:_;_:_)
b. Bandingkan nilai rhitung dengan rtabel Pearson untuk nilai n
=banyaknya responden dan α = 0,01 atau 0,05
c. Jika nilai rhitung > rtabel maka butir pertanyaan angket valid,
jika rhitung ≤ rtabel maka butir pernyataan tidak valid
5. Uji Reliabilitas Teknik Belah Dua Ganjil-Genap

a. Hitung jumlah nilai untuk setiap pernyataan nomor ganjil (X) dan
nomor genap (Y)
b. Hitung koefisien korelasi antara nilai X dan Y dengan menggunakan
rumus Product Moment Pearson, diperoleh nilai rhitung = r1/21/2
(reliabilitas belahan instrumen)
c. Bandingkan nilai rhitung dengan rtabel Pearson untuk nilai n
= banyaknya responden dan α = 0,01 atau 0,05
d. Jika nilai rhitung > rtabel maka semua pertanyaan angket reliabel,
jika rhitung ≤ rtabelmaka butir pernyataan tidak reliabel
e. Hitung reliabilitas instrumen secara keseluruhan dengan rumus
Spearman-Brown
6. Uji Reliabilitas Awal-Akhir

a. Langkah-langkah pengerjaan sama dengan uji reliabilitas ganjil-genap
b. Nilai yang dikorelasikan adalah jumlah seluruh nilai butir pertanyaan
awal dengan jumlah seluruh nilai butir pertanyaan akhir
Catatan:
Jika ada 20 pertanyaan, maka 10 pertanyaan pertama (1, 2,
…, 10) disebut pertanyaan awal, dan 10 pertanyaan
selanjutnya (11,12, …, 20) disebut pertanyaan akhir
7. Uji Distribusi Normal

Distribusi normal merupakan distribusi continue yang sangat penting
dalam statistik dan banyak dipakai dalam memecahkan persoalan.
Distribusi Normal disebut juga distribusi Gauss. Suatu data yang telah

dilakukan perhitungan statistik deskriptif maka sebelum dilakukan statistik
inferensi, seharusnya dilakukan pengujian apakah data tersebut berdistribusi
normal atau tidak, hal ini sangat penting, karena jika ternyata data tersebut
jauh dari asumsi sebuah distribusi data yang normal atau mendekati
normal, maka pada kelompok data tersebut tidak bisa dilakukan uji
hipotesis dengan menggunakan statistik parametrik, tetapi hanya bisa
dilakukan pengujian dengan statistik non parametrik.
C. KASUS
Di bawah ini sebuah kasus pengujian apakah suatu data berdistribusi normal atau
tidak. PT. DIAN, adalah sebuah perusahaan yang bergerak dibidang penjualan
sepeda motor. Manajer pemasaran ingin melakukan pendataan terhadap
penjualan motor disetiap cabang Kharisma Abadi yang tersebar diberbagai
daerah yang ada di wilayah Indonesia.
Berikut adalah data penjualan sepeda motor (dalam unit/bulan) pada setiap
cabang :

Tabel 4.1 Kasus Uji Distribusi Normal
NO Penjualan Sepeda Motor (unit) 1
170
2 180
3 200
4 210
5 145
6 170
7 180
8 200
9 210
10 145
11 215
12 231
13 250
14 221
15 223
16 180
17 190
18 280
19 255
20 146
21 189
22 250
23 290
24 265
25 240
26 220
27 280
28 300
29 280
30 275
31 260
32 250
33 248
34 290
35 279

D. Penyelesaian:
1. Data Penjualan harus diurutkan dari nilai yang terendah sampai
terbesar yaitu dengan Cara memblok seluruh data penjualan (unit),
2. Kemudian klik Data, lalu pilih Sort
3. Tampak pada gambar menu Sort Warning
Gambar 2.9.1
Data Sort
4. Klik Continue with the current selection, klik sort maka tampak gambar :
Gambar 2.9.2
Data Sort
5. Klik OK.
Untuk melakukan Uji Normalitas, data di atas perlu dilengkapi dengan
membuat data Z secara teoritis dengan langkah-langkah sebagai berikut:
Membuat kolom berisi ORDER VALUE

1. Ketik ORDER untuk memberi judul pada sel C l
2. Pindahkan pointer ke C2, lalu ketik =A2/36' (n+1=35+1=36) didapat hasil
0,027, untuk hasil seterusnya dengan jalan mengcopy rumus C1 tersebut:
a. Letakkan pointer pada C2 kemudian tekan Cotrl-C
b. Buat range dengan meletakkan pointer pada C3, kemudian 6-
c. mouse sampai C36
d. Maka akan terbentuk range yang ditandai dengan sel C3:C36 berubah
warna
e. Kemudian tekan Cotrl-V, maka Order Value langsung terisi dengan
data Order Value
Membuat kolom berisi nilai Z

1. Ketik nilai Z untuk memberi judul pada sel D2
2. Nilai Z dihitung dari kolom ORDER VALUE dengan rumus:
=NORMSINV(C2),
Artinya akan dihitung mlai Z untuk nilai probabilitas pads sel D2, lalu
tekan ENTER, didapat basil -1.9145, artinya nilai standarisasi (Z) adalah
-1.9145. untuk nilai selanjutnya dengan cara mengcopy, dengan cara
meletakkan kursor pads sel D2, kemudian arahkan kursor pads tepi
kanan dari sel D2 tersebut, setelah kursor berubah menjadi tanda plus
(+), kemudian tarik dengan mouse (jangan dilepaskan) sampai pada sel
D35. Maka sel D2 sampai dengan sel D35 otomatis langsung terisi.
8. Uji Hipotesis
Uji hipotesis dimulai dari suatu asumsi, disebut hipotesis, terhadap
parameter populasi. Untuk membuktikan asumsi (hipotesis) tersebut
dikumpulkan data (populasi atau sampel). Data kemudian diolah
untuk mencari informasi yang dapat digunakan dalam
pembuatan keputusan mengenai pembenaran asumsi (hipotesis)
tadi.
Proses pengambilan keputusan pads kasus statistik dapat dilakukan
dengan pengujian hipotesis. Dalam melakukan uji hipotesis, ada
banyak faktor yang menentukan seperti apakah sampel yang
diambil, berjumlah banyak atau hanya sedikit, apakah standar
deviasi populasi diketahui, apa metode parametrik yang dipakai dan
sebagainya.
Pengujian ini sangat membantu pengambilan keputusan pads
kondisi ketidakpastian. Pengujian terhadap suatu hipotesis
menggunakan data yang berasal dari obyek. Data yang digunakan
dapat berupa data populasi (informasi dari semua obyek) atau
dapat pula berupa data sampel (informasi dari sebagian obyek).
Data yang digunakan pada pengujian hipotesis bertujuan untuk
membandingkan kondisi yang sate dengan yang lain.
9. Prosedur Uji Hipotesis

Perusahaan PARDA COM melaporkan kepada Departemen Tenaga
Kerja bahwa pendapatan rata-rata karyawan di perusahaannva
adalah Rp.500.000,00 setiap bulan. Dalam analisis statistik untuk
membuktikan pernyataan pihak perusahaan itu bahwa penghasilan
rata-rata setiap bulan karyawan tersebut merupakan suatu hipotesis.
Hipotesis adalah sesuatu yang perlu di uji kebenarannya. Untuk
menguji kebenaran suatu hipotesis diperlukan informasi yang dapat
digunakan untuk mengambil kesimpulan, apakah pemvataan itu
dapat dibenarkan atau tidak. Informasi yang diperlukan dapat
diperoleh dan semua anggota obyek (populasi) atau hanya sebagian
dari anggota obyek (sampel).
Adapun prosedur pengujian hipotesis adalah sebagai berikut:

1. Menentukan Ho dan Hi:
Ho adalah null hypothesis, Hi adalah alternative hypothesis, antara
Ho dan Hi selalu berlawanan. Seperti:
a. Jika Ho menyatakan bahwa rata-rata populasi (omset
penjualan) pedagang kain di suatu pasar, misalnya Rp15
juta perbulan)
b. Maka H; menyatakan alternatifnya, yaitu rata-rata omset
bukan Rp. 15 juta namun bisa lebih dari Rp. 15 juta atau
kurang dari Rp. 15 juta.
2. Menentukan Statistik Tabel
Nilai statistik tabel atau nilai kritis biasanya dipengaruhi oleh:
a. Tingkat kepercayaan 95% atau tingkat signifikan (α) 5%
b. Tingkat kebebasan (degree offredom)
Degree of freedom (df) sangat bervariasi bergantung pada metode
yang dipakai dan jumlah sampel yang diperoleh.
3. Menentukan Statistik Hitung
Nilai `statistik hitung' bergantung pada metode parametrik yang
digunakan. Dalam praktek, nilai statistik hitung ini didapat dengan
bantuan Excel
4. Mengambil Keputusan
Keputusan terhadap hipotesis ditentukan dengan membandingkan
statistik hitting dengan nilai kritis atau statistik tabel.
Dasar pengambilan keputusan:
• Dengan membandingkan t tabel dan t hitung: Jika t
hitung > t tabel, maka Ho nilai ditolak
Jika t hitung < t tabel, maka HL.diterima
• Dengan melihat nilai probabilitas (P-value):
Jika P-value < 0,05, maka Ho ditolak Jika P-value > 0,05, maka HL
diterima
10. Analisa Regresi Sederhana

Banyak analisis statistik bertujuan untuk mengetahui apakah ada
hubungan antara dua atau lebih variabel. Bila hubungan demikian ini
dapat dinyatakan dalam bentuk rumus matematika, maka kita
dapat menggunakan untuk keperluan peramalan. Misalnya
pengukuran-pengukuran dari data metedeologi digunakan secara
meluas untuk meramalkan daerah-daerah yang akan terkena
pengaruh penembakan peluru kendali pada berbagai kondisi
atmosfir, ahli agronomi meramalkan hasil tanaman pertaniannya
berdasarkan konsentrasi Nitrogen, Nalium, dan Fosfor dalam pupuk
yang digunakan,sebuah kepanitian penerimaan mahasiswa baru ingin
melakukan berbagai test kepada mahasiswa bare untuk
meramalkan keberhasilan study mereka, dan lain sebagainya.
Seberapa jauh peramalan itu dapat dipercaya bergantung pada

keeratan hubungan antara variabel-variabel tersebut. Jika akan
dibahas mengenai dua variabel numeric atau lebih termasuk
hubungan diantara keluarga, maka hubungan diantara keduanya
digunakan dua teknik perhitungan, yaitu regresi dan korelasi.
Analisis korelasi adalah suatu analisis yang digunakan untuk

mengetahui seberapa erat hubungan antara satu variabel dengan
variabel lainnya. Seberapa erat hubungan antara dua atau lebih
variabel disebut koefisien korelasi (r).
Adapun ketentuan nilai koefisien korelasi (r), adalah sebagai berikut :

1. Apabila r = 0 maka kedua variabel itu tidak mempunyai
hubungan sama sekali.
2. Apabila r = +l (positif), maka hubungan antara kedua variable
bersifat sempuma dan searah, artinya apabila variabel bebas
bertambah besar maka variabel tidak bebaspun bertambah besar.
3. Apabila r = -1 (negatif) maka hubungan antara dua variable
bersifat sempurna dan terbalik, artinya apabila variabel bebas
bertambah besar, maka variabel tidak bebas semakin kecil, atau
sebaliknya apabila variable bebas bertambah kecil maka variable
tidak bebas semakin besar.
4. Apabila r= > 0,6, maka hubungan antara variabel dianggap kuat
atau erat
5. Apabila r= < 0,6, maka hubungan antara variabel dianggap lemah.

Analisis Regresi adalah suatu analisis yang digunakan untuk mengetahui
apakah ada hubungan antara dua variabel atau lebih, atau bisa juga
digunakan untuk prediksi (peramalan) antara satu variabel dengan
variabel lainnya. Dimana dalam model ini ada dua buah variabel yaitu:
• Variabel Dependen (tidak bebas)
• Variabel Independen (bebas)
Sebagai contoh ingin diketahui bagaimana hubungan antara biaya

promosi, biaya pelayanan terhadap pendapatan. Dilihat dari contoh
tersebut maka terdiri dari 3 buah variabel yaitu biaya promosi dan biaya
pelayanan adalah biaya independen dan pendapatan adalah variabel
dependen. Metode korelasi akan membahas keeratan hubungan,
dalam hal ini keeratan hubungan, biaya promosi, biaya pelayanan
terhadap pendapatan.
Sedangkan metode regresi akan membahas prediksi (peramalan).
Dalam hal ini apakah pendapatan dimasa mendatang bisa diramalkan.
Jika biaya promosi dan biaya pelayanan diketahui hal ini biasa
dilakukan dengan menggunakan peraamaan regresi;
Y= a + bx
Berlaku untuk dua variabel, yang terdiri
dari satu variabel dependen dan satu variabel independen; dan
Y= a + bxt + cx2 +..+ kxn
Berlaku untuk dua atau lebih variabel
Dimana:
Y : Variabel dependen
X: Variabel independen
a : Nilai konstanta
b : Koefisiensi arah regresi
Analisis regresi terdiri dari dua macam, yaitu regresi linier

sederhana dan regresi linier berganda.

a. Analisa Regresi Linier Sederhana
Yang dimaksud dengan analisa Regresi Linier sederhana
(univariat) adalah analisis regresi linier dengan jumlah satu variabel
independen x. Dalam membuat regresi parametrik, langkah pertama
yang paling ideal adalah membuat plotting data antara variabel
dependen y dan variabel independen x, hal ini dilakukan untuk melihat
kecenderungan pola data asli. Jika datanya mengikuti pola linier,
maka pendekatan modelnya adalah regresi linier.
b. Analisa Regresi Linier Berganda
Jika kasusnya terdapat lebih dari satu variabel independen, maka
model yang cocok adalah analisa regresi linier berganda. Dalam
praktek bisnis, model ini sering digunakan, selain karena banyaknya
variabel dalam bisnis yang perlu ianalisa secara bersama. Pada
umunya variabel independen berkisar dua sampai empat variabel.
Walaupun secara teoritis dapat dilakukan banyak variabel bebas,
namun penggunaan lebih dari tujuh variabel independen dianggap
akan tidak relevan
Contoh Kasus:
Dari hasil dokumentasi diperoleh data-data sbb:

Gambar 2.10
Data nilai
Dengan x sebagai variabel independen dan y sebagai variabel

dependen.
Dari data-data diatas anda dapat menganalisisnya dengan
mengguanakan Analisis Toolpak. Langkah-langkahnya adalah sebagai
berikut:
a. Masukan data seperi biasanya ke dalam lembaran kerja MS Excel
2007.

b. Selanjutnya pilih Ribbon Data. Pada sisi sebelah kanan terlihat
Command Analysis, pilih menu Data Analysis, maka akan terlihat
kota dialog seperti berikut ini:
Gambar 2.11.1
Data analysis
c. Pilih Regression maka akan tampil kotak dialog sbb:
Gambar 2.11.2
Data analysis - regression
d. Pada Input masukan nilai X dan Y dengan memblok sel yang berisi
data pada lembaran kerja. Pilih Confidence Level dan masukan
tingkat kepercayaannya, misalnya 95%.
e. Pada Output Options pilih New Worksheet Ply dan ketikan nama
Sheet untuk menampilkan Output pada Sheet baru.
f. Pada Residuals pilih Residuals Residual Plots dan

Standardized Residuals untuk menampilkan tabel Sisa dan
Grafik Sisa.
g. Klik OK untuk mengakhirinya.
Dari hasil Analisis diatas Diperoleh Output sbb:

SUMMARY OUTPUT
Regression Statistics
Multiple R 0.9969
R Square 8
0.99396
Adjusted 9
R 0.88285
Square Error
Standard 8
5.61118
Observations 5 10
ANOVA
df SS MS F Significance F
Regression 1 46701.63 46701.63 1483.279 2.26943E-10
Residual 9 283.3686 31.4854
Total 10 46985
Coefficien Standard t Stat P- Lower Upper Lower Upper

Intercept 0ts Error#N/A #N/A value 95%
#N/A #N/A 95%
#N/A 95.0%
#N/A 95.0%
#N/A
Nilai matematika 1.015319 0.026362 38.513 2.66E- 0.955682 1.074955 0.955682 1.074955
(X) 074 773 36 11 337 81 34 81

RESIDUAL OUTPUT
Observatio Predicted Nilai statistik Residuals Standard
1n (Y)
65.9957398 9.00426020 Residuals
1.691500782
71.07233517 4
2 - -1.140722219
- 6.07233516
3 75.13361146 1.13361146
5 -0.212955271
-1
4 83.25616405 4.25616405 -0.799544289
5 56.85786813 12.14213186 0.402411486
6 79.19488776 8
0.80511224 0.151244851
4
7 53.81191091 - -0.716088845
- 3.81191091
8 75.13361146 6.13361146
1 -1.152233315
1
9 69.04169702 6.9583029 1.307156243
10 43.65872017 82
6.341279827 1.191244982

INTERPRETASI
Multiple R menerangkan tingkat hubungan antara variabel independen (x) dan
variabel dependen (y). Dari hasil analisis didapat nilai koefisien korelasi sebesar
0.99 berarti bahwa hubungan antara nilai matematika dan nilai statistik adalah
sebesar 99%.
R Square disebut juga koefisien determinasi menerangkan seberapa besar

pengaruh variable terhadap variabel . Dari tabel dilihat nilai R Square sebesar 0.99
artinya pengaruh nilai matematika terhadap nilai statistik adalah sebesar 99%,
sedangkan sisanya dipengaruhi oleh variabel lain.
Adjusted R Square merupakan nilai R Square yang disesuaikan sehingga
gambarannya lebih mendekati mutu penjajakan model dalam populasi. Nilai
Adjusted R Square adalah sebesar 0.88.
Standard Error merupakan kesalahan standar dari penaksiran, bernilai 5.61.
11. Mengenal Fungsi Statistik Dan Logika

a. Pengertian Fungsi
Fungsi adalah rumus dalam excel 2002 yang sudah terdefinisikan untuk
suatu perhitungan secara otomatis. Penulisan fungsi dalam Excel 2002 diawali
dengan tanda sama dengan (=), terkecuali jika fungsi tersebut bersifat tersarang
(nested).
Contohnya pada penulisan fungsi sebagai berikut

= VLOOKUP (RIGHT (A8,1), TABEL,5). Fungsi = RIGHT
bersifat tersarang, sehingga penulisannya tidak diawali sama dengan (=).
Penggunaan fungsi akan jauh memperingkas penulisan daripada menggunakan

rumus dengan maksud yang sama. Sebagai contoh: fungsi =SUM yang gunanya
untuk menjumlahkan angka dalam suatu range. = SUM (B3:B8) akan
menjumlahkan angka yang ada mulai dari B3 sampai B8. di

mana cara penulisan ini lebih ringkas daripada memakai rumus
= B3+B4+B5+B6+B7+B8.
Adapun pengaplikasian fungsi pada lembar kerja, perlu memperhatikan tiga hal
berikut :
➢ Tanda sama dengan (=) di setiap awal penilisan fungsi,
➢ Nama fungsi yang diaplikasikan, seperti : DATE,
MONTH, YEAR, serta
➢ Argumen untuk fungsi yang bisa berupa nilai atau sel acuan.
Bentuk umum fungsi Excel : =SUM (B3:B8)

SUM adalah nama fungsi
B3:B8 adalah nama argumen
Fungsi diatas mempunyai nama SUM yang dituliskan setelah tanda =, dan
operasi penjumlahan angka yang berada dalam renge B3 sampai B5 yang
bertindak sebagai argumennya.
Untuk menuliskan argumen yang lebih dari satu maka sebagai tanda pemisahnya
digunakan tanda koma (,). Tanda koma tersebut sebagai tanda batas default;
artinya standard selama tidak diubah.
Perhatikan fungsi-fungsi dibawah yang mengunakan argumen argumen berbeda-

beda .
= SUM (D1,D2,D5), menggunakan argumen berupa alamat sel dengan tugas
menjumlahkan isi D1, D2,D5.
= SUM (5,10,20), menggunakan argumen berupa angka dengan dengan
tugas menjumlahkan angka 5, 10 dan 20.
= SQRT (SUM (D1:D5)), menggunakan argumen berupa fungsi/rumus.
Fungsi SQRT bertugas untuk mencari angkat pangkat dua dari hasil
penjumlahan range D1 sampai D5.

Sedangkan untuk argument yang berupa teks/label, penulisannya harus diapit
dengan tanda petik ganda (“), sebagai misal fungsi berikut : =RIGHT
(“MICROSOFT EXCEL”,5) Fungsi RIGHT bertugas untuk mengambil karakter
yang dihitung mulai dari kanan dari teks MICROSOFT EXCEL sebanyak 5
karakter, sehingga akan diperoleh hasil EXCEL.
b. Fungsi-fungsi Statistik
Excel 2007 menyediakan cukup banyak fungsi statistik. Namun di sini
akan dibahas fungsi statistik yang sering dipakai dalam memanipulasi lembar
kerja excel 2007. fungsi-fungsi tersebut meliputi.
= AVARAGE (range) : mencari nilai rata-rata dalam range

= COUNT (range) : mencari jumlah angka dalam range
= COUNTA (range) : mencari jumlah data angka atau teks dalam range
= MAX (range) : mencari data tertinggi dalam range
= MEDIAN (range) : mencari median data dalam range
= MIN (range) : mencari data terendah dalam range
= STDEV (range) : mencari standar deviasi dalam range sample data
= STDEVP (range) : mencari standar deviasi dalam range populasi
keseluruhan
=SUM (range) : menjumlahkan data dalam range
=VAR (range) : mencari nilai variance dalam range
Contoh: Diketahui data seperti pada lembar kerja dibawah ini.. Kemudian
akan dicari jumlah data, data tertinggi, data terendah, rata-rata data, variance,
cacah data dan standard deviasi dengan fungsi statistik yang ada.

Untuk menyelesaikan soal diatas, diperlukan prosedur dengan rincian
sebagai berikut :
1) Aktifkan lembar kerja yang ingin diselesaikan
2) Pada C2 ketik =SUM(A2:A8)
3) Pada C3 ketik =MAX(A2:A8)
4) Pada C4 ketik =MIN(A2:A8)
5) Pada C5 ketik =AVARAGE(A2:A8)
6) Pada C6 ketik =VAR(A2:A8)
7) Pada C7 ketik =COUNT(A2:A8)
8) Pada C8 ketik =STDEV(A2:A8)
c. Fungsi-fungsi Logika
Anda dapat membuat ekspresi logika untuk membuat pernyataan benar
(TRUE) atau salah (FALSE) dalam Excel 2002. Untuk membuatnya Anda
dapat memakai operator relational yang sudah tersedia, seperti :
Operator Relational Artinya
> Lebih besar dari
>= Lebih besar atau sama dengan
< Lebih kecil dari
<= Lebih kecil dari atau sama dengan
= Sama dengan
<> Tidak sama dengan
Sebagai misal di B% diisi dengan angka 15, C5 diisi dengan angka

10. Jika di D5 diisi dengan pernyataan sebagai berikut :
=B5<C5, maka di D5 akan didapatkan hasil FALSE. Artinya
pernyataan tersebut salah, karena isi B5 (15) tidak lebih kecil dari C5
(10). Bila pernyataan di D5 tersebut dibalik menjadi
=A1>B1, maka akan didapat hasil TRUE karena pernyatan tersebut
benar.

Ekspresi logika tersebut di Excel 2002 dapat digunakan dalam
fungsi-fungsi yang dikenal dengan nama fungsi logika. Untuk melihat
fungsi logika, Anda dapat melihatnya pada menu Insert Function yang
akan menampilkan fungsi-fungsi pada Excel 2002. Cakupannya antara
lain :
1) Fungsi =AND
Fungsi =AND di Excel 2002 mempunyai bentuk umum sebagai
berikut :
=AND(Ekspresi logika 1, Ekspresi logika 2, ….)
Fungsi =AND akan memberikan hasil TRUE, bila semua argumen
yang ada adalah benar (TRUE), sebaliknya akan dihasilkan FALSE,
bila ada salah satu saja dari argumen yang salah (FALSE).
Contoh : Diketahui Daftar Nilai Kalkulus Susulan Kampus Gank
Ijo adalah seperti tampak di bawah ini :
Data diatas harus memenuhi ketentuan di bawah ini:
➢ Jika nilai essay lebih besar atau sama dengan 60 dan nilai
pilihan ganda lebih besar atau sama dengan 70 maka berarti
True (Lulus), sedangkan
➢ Jika nilai essay lebih kecil dari 60 dan nilai pilihan ganda lebih
kecil dari 70 maka berarti False (Gagal)
Untuk menyelesaikan soal diatas, rincian prosedur yang
diperlukan adalah:
(1) Ketik =AND(C5>=60,D5>=70)pada E5
(2) Lalu fungsi tersebut diduplikasikan ke bawah sampai E14.
2) Fungsi =OR
Fungsi ini mempunyai bentuk umum sebagai berikut:
=OR(Ekspresi logika1, Ekspresi Logika2,…)
fungsi ini akan memberikan hasil TRUE bila salah satu atau
lebih dari argumen yang ada adalah benar (TRUE). Dan akan
memberikan hasil FALSE, jika tidak ada satupun dari argumen itu
bernilai benar.
Contoh : Jika Daftar Nilai tersebut dijadikan sebagai soal, maka
ketentuan yang harus dipenuhi adalah :
➢ Jika nilai essay lebih besar atau sama dengan 65 atau nilai
pilihan ganda lebih besar atau sama dengan 65, maka berarti
True (Lulus) sedangkan
➢ Jika nilai essay lebih kecil dari 65 dan nilai praktikum lebih
kecil dari 65, maka berarti false (Gagal).
Rincian prosedur yang diperlukan untuk menyelesaikan soal diatas
ialah :
1. Ketik =OR(C5>=65,D5>=65)
2. kemudian duplikasikan fungsi tersebut ke bawah sampai
E14.
3) Fungsi =NOT
Bentuk umum dari fungsi ini adalah =NOT(Ekspresi Logika) Fungsi
ini akan memberikan nilai kebalikan dari argumen yang ada. Bila
argumen bernilai TRUE, maka hasil dari fungsi =NOT adalah
FALSE. Sebaliknaya bila argumen brnilai FALSE, maka fungsi
=NOT akan memberikan hasil TRUE.
Contoh : Jika Daftar Nilai Kalkuluis pada lembar kerja diatas akan
dicari, maka semua nilai praktikum diatas 60 akan LULUS (True) dan
sebaliknya. Rincian prosedur yang diperlukan ialah :
1) Ketik =NOT(D5<60) pada E5
2) Kemudian duplikasikan fungsi tersebut sampai E14.
4) Fungsi =IF
Bentuk umum dari fungsi ini adalah =IF(Ekspresi logika, Perintah

1, Perintah 2)
Jika ekspresi logika menghasilkan nilai TRUE (benar), maka
akan dilaksanakan perntah 1. sebaliknya bila ekspresi logika

menghasilkan nilai FALSE (salah) maka yang akan dilaksanakan
adalah perintah 2.
Contoh : Melihat banyaknya siswa yang berhasil jika memakai

fingsi =OR, maka proses penghitungan nilai menggunmakan fungsi
tersebut. Dengan menggunakan fungsi IF, hasil operasi FALSE
ditampilkan dengan kata GAGAL. Sedangkan TRUE ditampilkan
dengan kata LULUS. Penyelesaian dari soal diatyas memerlukan
prosedur di bawah ini :
1) Ketik =IF(OR(C5>=65,D5>=65), “LULUS”, “GAGAL” pada sel E5
2) Duplikasikan rumus tersebut ke bawah
d. Fungsi-fungsi Dasar Matematika

Kelompok fungsi yang pertama adalah kelompok fungsi yang
dapat digunakan untuk operasi-operasi matematika yang sering
Anda jumpai.
1) Fungsi =ABS
Fungsi ini untuk mengambil nilai absolut suatu bilangan atau
angka.
Contoh : jika A1 diisikan fungsi =ABS(-212), maka akan dihasilkan
angka 212. sebaliknya jika A2 diisikan =ABS (212), maka hasil
yang diperoleh tetap 212. jadi fungsi =ABS hanya untuk
mengubah bilangan negatif manjadi positif.
2) Fungsi =POWER
Fungsi ini untuk menampilkan hasil perpangkatan dari suatu

angka, dengan bentuk umum ialah: =POWER(angka yang
dipangkatkan pangkat)
Contoh : = POWER(2,2) akan dihasilkan nilai 4
3) Fungsi =TRUNC
Fungsi ini untuk mengambil bilangan bulat atau integer. Contoh:
=TRUNC(8.9) akan dihasilkan nilai 8
=TRUNC(-8.9) akan dihasilkan nilai –8
4) Fungsi =PRODUCT
Fungsi ini untuk mengalikan angka-angka yang ada pada
argumen dengan bentuk umum:
=PRODUCT(Angka1, Angka2, Angka3, …)
Dengan fungsi ini maka angka1, angka2, angka3 dan
seterusnya akan dikalikan
Contoh :
=PRODUCT(5,1,6,2) akan dihasilkan nilai 60
5) Fungsi =FACT
Fungsi ini untuk mencari nilai factorial suatu bilangan. Misalkan ingin
dihitung 4 faktorial yang biasanya ditulis dengan notasi 4! Akan
didapat hasil 4x3x2x1=24. untuk 1 factorial dan 0 faktorial diperoleh
nilai 1.
Contoh :
=FACT(1) akan dihasilkan nilai 1
=FACT(1.9) akan dihasilkan nilai 1
6) Fungsi =SQRT
Fungsi ini untuk mencari akar kuadrat suatu bilangan. Contoh :

=SQRT(25) akan dihasilkan nilai 5
7) Fungsi =SIGN
Fungsi ini untuk menampilkan tanda bilangan positif, nol dan
bilangan negatif, dengan ketentuan sebagai berikut :
Tanda 1 berarti bilangan positif
0 berarti bilangan nol
-1 berarti bilangan negatif Contoh :
=SIGN(25) akan dihasilkan nilai 1
=SIGN(-25) akan dihasilkan nilai –1
8) Fungsi =COUNTIF
Fungsi ini untuk menghitung jumlah data yang memenuhi criteria
tertentu, dengan bentuk umum: =COUNTIF(Range Kriteria, Kriteria)
9) Fungsi =SUMIF
Fungsi ini untuk menjumlahkan data yang memenuhi suatu
criteria dengan bentuk umum :
=SUMIF(Range Kriteria, Kriteria, Range yang diproses)
10) Fungsi =MOD
Fungsi ini untuk mengambil sisa suatu pembagian, dengan

bentuk umum: =MOD(yang dibagi, pembagi)
Contoh :
=MOD(21,4) akan dihasilkan nilai 1

B. Penggunaan Microsoft Excel 2007 Untuk Akuntansi dan Manajemen
Keuangan
Penggunaan Microsoft Excel tidak terbatas pada penggunaan fungsi excel saja,
namun dapat dikembangkan sedemikian rupa sehingga tercipta aplikasi sesuai
dengan kebutuhan pengguna. Salah satu contoh aplikasi keuangan
menggunakan Microsoft Excel dengan perpaduan fungsi excel dan kode Visual
Basic for Application (Ninggar, 2012).
Pembahasan pada buku ajar ini tidak membahas keseluruhan function untuk
keuangan yang ada dalam Ms. Excel secara khusus. Namun hanya berupa
penjelasan beberapa function yang dapat anda gunakan untuk akutansi dan
manajemen keuangan.
1. Penggunaan Function Internal Rate of Return (IRR)
Anda mempertimbangkan untuk menjalankan suatu proyek pengadaan
barang farmasi dengan investasi tahun pertama, yaitu tahun 2006 sebesar
Rp. 900.000.000,00. Suku bunga diketahui sebesar 18% per tahun dan
konstan selama 6 tahun. Dari investasi tersebut anda akan mendapatkan
penghasilan bersih dari proyek tersebut selama 6 tahun dimana setiap
tahunnya anda akan menerima pendapatan sebagai berikut:
Tahun 2007 menerima Rp. 250.000.000,00.
Berdasarkan data tersebut apakah investasi itu layak untuk dilanjutkan
atau tidak?
Jawaban penyelesaian Kasus ini tersimpan dalam buku kerja AKUN pada
lembar kerja Lat.1
Untuk mempermudah penyelesaian Kasus, berikut ini diuraikan secara
singkat mengenai IRR, Laju Internal Pengembalian, yaitu laju yang
menyebabkan nilai bersih investasi saat ini sama dengan nol. Dengan kata
lain, Laju Internal Pengembalian adalah laju yang menyebabkan nilai
pemasukan saat inI dari suatu investasi sama besar dengan biaya
investasi. Excel mempunyai fasilitas yang berupa fungsi untuk menghitung
IRR. Fungsi tersebut mempunyai bentuk sebagai berikut:
=IRR(Nilai,Perkiraan)
Di mana:
Nilai adalah sebuah array atau referensi ke suatu range sel yang berisi
bilangan. Di sini hanya ada satu argumen nilai yang diperbolehkan, dan
harus berisi sekurangnya satu nilai negatifdan satu nilai positif.
Perkiraan adalah titik awal perhitungan Excel.
Investasi yang menarik adalah investasi yang merniliki nilai bersih saat ini,
dikurangkan dari suku bunga yang disyaratkan, lebih besar dari nol.
Untuk menyelesaikan Kasus ini, susun data di atas ke dalam suatu lembar
kerja sehingga tampak seperti pada gambar berikut ini
Gambar 2.12.1
Internal Rate of Return (IRR)
• Kolom Pendapatan (C6), yaitu tahun pertarna, 1993, merupakan tahun

investasi awal proyek tersebut. Dalam kasus ini ditempatkan pada sel
C6 sehingga pada sel tersebut secara manual diketikkan negatif nilai

investasi, yaitu sebesar -900.000.000,-
• Sel C7 sampai C12 diisi secara manual sesuai dengan pendapatan
bersih yang diterima setiap tahunnya.
• Suku Bunga (C14) selama 6 tahun diasumsikan konstan, yaitu
sebesar 18%, sehingga sel C14 diisi manual sebesar 18%.
• IRR (C15) dapat dicari dengan meng-klik tombol Function (fx) yang
terdapat pada toolbar standar dan dilanjutkan dengan klik
• Financial pada Function category dan klik IRR pada Function name.
Lihat gambar berikut:
Gambar 2.12.2
• Masukkan kolom Pendapatan, dari sel C6 sampai C12, pada field
Values dengan menuliskan atau menyorot kolom/sel tersebut.
• Masukkan Suku Bunga estimasi/berlaku pada field Guess dengan
cara menuliskan sel di mana suku bunga itu berada atau dengan
menyorot sel tersebut. Dalam kasus ini suku bunga terletak pada
sel C14. Klik OK. Jika langkah Anda benar maka akan menghasilkan
nilai IRR sebesar 21,43%.
• Pada Kesimpulan, yakni pada sel C16, gunakan fungsi IF dengan
ketentuan Jika IRR (C15) lebih besar dari Suku Bunga
• Pendanaan (C14), maka beri keterangan Go Project. Jika
sebaliknya, beri keterangan No Go Project. Dengan demikian
• sel C16 diisi fungsi sebagai berikut:

=IF(C15>CI4,"Go Project","No Go Project")
Gambar 2.12.3
Hasil lengkap dari langkah tersebut di atas adalah sebagai berikut
Gambar 2.12.4
2. Penggunaan Function Studi Kelayakan dengan Present Value Tuan

Bram dihadapkan pada kesempatan investasi yang
memberikan penghasilan bersih setiap tahunnya sebesar Rp
900.000.000,- sepanjang 5 tahun. Untuk mendapatkan penerimaan ini

Tuan Bram harus menanam modal awal sebesar
Rpl.000.000.000,- Tingkat suku bunga yang berlaku saat ini
adalah 18% per tahun dan diasumsikan konstan selama 5
tahun. Pembayaran dilakukan di akhir periode. Analisislah dengan
menggunakan Present Value apakah investasi tersebut menarik atau
tidak.
Penyelesaian Kasus:
Penyelesaian Kasus tersebut tersimpan dalam buku kerja AKUN pada
lembar kerja lat.2
Untuk mempermudah penyelesaian kasus ini, berikut diuraikan fungsi yang

dimiliki Excel untuk menghitung percent value tersebut. Fungsi present value
atau nilai saat in] yang terdapat pada Excel adalah nilai invest si hari ini.
Fungsi ini menghitung nilai saat ini dari serangkaian pembayaran berkala
atau sekaligus.
Fungsi ini mempunyai bentuk:
=PV(suku bunga,jumlah periode,pembayaran,nilai nanti,tipe)
Untuk penjelasan atas argumen-argumen tersebut, lihat pada penjelasan

fungsi Rate di atas. Investasi yang menarik adalah jika nilai saat ini lebih
besar dari investasi awal.
Untuk menyelesaikan Kasus ini, susun data di atas ke dalam suatu daftar
seperti contoh yang tertera pada gambar berikut:

Gambar 2.13.1
present value
Setelah data tersusun seperti gambar tersebut, selanjutnya Anda bisa
mencari present value, yakni pada sel C 11, dengan cara:
• Letakkan penunjuk sel pada sel Cll, kemudian klik Function (Fx) yang terdapat
pada toolbar, kemudian pilih Financial yang terdapat di bawah Function
category
• Klik PV pada Function Name, dan kemudian klik OK.
• Perhatikan gambar berikut:
Gambar 2.13.2
present value
• Masukkan suku bunga pada field Rate, dengan mengetikkan atau menyorot sel
di mana suku bunga itu berada (C6).

• Masukkan jangka waktu investasi pada field Nper, dengan cara mengetikkan
atau menyorot sel di mana jangka waktu investasi tersebut berada (C7).
• Masukkan pemasukan per tahun pada field Pmt (C8) Masukkan angka not pada
field Type.
• Klik OK. Proses selesai. Apabila Anda benar dalam menulis formula tersebut
maka akan menghasilkan Rp 2.814.453.919.
• Pada Kesimpulan, yakni pada sel C12, Anda bisa menbuat komentar dengan
menggunakan fungsi IF. Ketentuannya, jika
• Investasi Awal (C9) lebih kecil dari Present Value (-Cl1), beri keterangan Go
Project. Jika tidak, No Go Project. Dengan demikian set C12 tersebut diisi
dengan fungsi sebagai berikut:
=IF(C9<-C11,"Go Project","No Go Project")
Gambar 2.13.3
present value
• Jika langkah Anda di atas benar, hasilnya akan Nampak seperti gambar berikut:
Gambar 2.13.4
present value
3. Penggunaan Function Net Present Value (NPV)

Yuwono sedang mempertimbangkan pilihan investasi yang telah diperhitungkan
akan mendatangkan pemasukan bersih pada akhir tahun pertarna, kedua,
sampai keempat masing-masing sebesar:
• Rp 250.000.000,
• Rp 550.000.000,
• Rp 450.000.000,
• Rp 245.000.000.
Tingkat suku bunga diketahui 12% dan Yuwono harus menginvestasikan
dana sebesar Rp 1.000.000.000,- Buat suatu analisis apakah investasi
tersebut diterima atau tidak dengan dasar Net Present Value
Penyelesaian Kasus:
Jawaban penyelesaian Kasus ini tersimpan dalam buku kerja AKUN
pada lembar kerja Lat.3
Untuk mempermudah penyelesaian Kasus ini, berikut diuraikan konsep
dan rumus untuk menghitung Net Present Value.
Net Present Value merupakan cara lain untuk menentukan tingkat
keuntungan sebuah investasi. Investasi yang memberikan nilai bersih
saat ini lebih besar dari nol dianggap menguntungkan
Excel menyediakan fungsi ini dengan bentuk sebagai berikut:
=NPV(Suku hunga,Pemasukanl, Pemasukan2,Peinasukan...)
Di mana:
Suku bunga : nilai suku bunga yang berlaku
Pemasukan 1, Pemasukan2 ... : pembayaran periodik jika jumlah masing-
masing pembayaran berbeda.
Untuk rnenyelesaikan Kasus ini, susun data di atas dalam lembar kerja
seperti yang terlihat pada gambar berikut:

Gambar 2.14.1
Net present value
Setelah semua data masuk, Anda bisa mencari Net Present Value, yakni pada
sel C14, dengan cara:
• Letakkan penunjuk sel pada sel C14 kemudian klik Function (Fx) yang
terdapat pada toolbar, kernudian pilih Financial yang terdapat di bawah
Function category.
• Klik NPV pada Function Name dan kernudian klik OK. Perhatikan gambar
berikut:
Gambar 2.14.2
Net present value

• Masukkan suku bunga pendanaan dengan menuliskannya atau
dengan menyorot sel di mana suku bunga tersebut berada (C12),
yaitu pada field Rate.
• Ketikkan narna sel di mana investasi dan aliran kas berada
(C6:C10) pada field Valuel.
• Klik OK. Proses selesai.
• Jika langkah Anda benar maka hasilnya adalah
Rp122.923.177,76
• Untuk membuat Kesimpulan (C15), gunakan fungsi IF.
Ketentuannya, Jika Net Present Value (C14) lebih besar dari nol,
beri keterangan Go Project. Jika tidak, No Go Project. Jadi sel
C15 itu diisi dengan fungsi sebagai berikut:
=IF(C14>0,"Go Project","No Go Project")
Gambar 2.14.3
Net present value
• Jika langkah Anda benar maka hasilnya akan nampak seperti
gambar berikut:
Gambar 2.14.4
Net present value

4. Menghitung Persediaan 1
Kasus: Jumlah Pembelian Optimal
PT. Subur Makmur adalah sebuah perusahaan yang memproduksi barang.
Dari laporan perusahaan terlihat bahwa perusahaan membutuhkan bahan
mentah sebanyak 200.000 unit barang. Untuk memenuhi kebutuhan tersebut,
setiap kali pemesanan meliputi jumlah 15.000 unit. Sedangkan informasi
lain yang berhasil dikumpulkan meliputi harga beli barang dan biaya-biaya
setiap kali dilakukan pembelian barang adalah sebagai berikut:
NO Keterangan Jumlah
1. Harga beli barang/unit 25.000
2. Biaya pesan barang 275.000
3. Biaya angkut barang 2.500.000
4. Biaya pesan laimiya 250.000
5. Biaya modal 5.000.000
6. Biaya asuransi 750.000
7. Biaya simpan 7.500.000
8. Biaya pemeliharaan barang 4.500.000
Dari data tersebut, hitunglah jumlah pembelian yang paling optimal (Economic
Order Quantity).
Penyelesaian Kasus:
Jawaban penyelesaian kasus ini tersimpan dalam Buku kerja AKUN pada
lembar kerja Lat.4
Untuk mempermudah penyelesaian kasus tersebut berikut diuraikan rumus
untuk menghitung EOQ. Rumus untuk mencari jumlah pembelian yang
paling optimal adalah sebagai berikut
Di mana:
R = jumlah kebutuhan barang (dalam unit) dalam satu periode
S = biaya pesan untuk satu kali pesanan
P = nilai yang dibayar untuk satu unit barang
I = biaya simpan dan pemeliharaan barang di gudang (%) Untuk
menyelesaikan kasus tersebut, ikuti langkah berikut:

Gambar 2.15.1
Economic Order Quantity
Setelah tersusun seperti gambar tersebut, selanjutnya masukkan fungsi
pada alamat sel sebagai berikut:
• Sub-total Biaya Setiap Kali Pesan (E12) dihitung dengan
menjumlahkan seluruh biaya pesan, yaitu sel E9 sampai dengan sel
E11, sehingga sel E12 diisi dengan fungsi sebagai berikut:
=SUM(E9:E11)
• Total Biaya Pesan (E13) diisi dengan membagi Jumlah Kebutuhan
Barang (E5) dengan Jumlah Barang Setiap Kali, Pesan (E6) dan
hasilnya dikalikan Sub-total Biaya Setiap Kali Pesan (E12). Dengan
demikian sel E13 diisi dengan rumus berikut:
=(E5/E6)*E12
• Sub-total Biaya Simpan (E20) merupakan penjumlahan seluruh
biaya simpan yang berada di sel E16 sampai sel E19.
Dengan demikian sel E20 diisi dengan fungsi sebagai berikut:
=SUM(E16:E19)
• Persentase Biaya Simpan (E21) diisi dengan membagi Sub- total
Biaya Simpan (E20) dengan hasil perkalian Harga Per Unit
Barang (E7) dengan basil pembagian Jumlah Barang Setiap
Kali Pesan (E6) dengan angka dua. Dengan demikian sel E21
diisi dengan rumus sebagai berikut:
=E20/((E6/2)*E7)
• Total Biaya Simpan (E22) diisi dengan mengalikan persentase
• Biaya Simpan (E21) dengan Harga Per Unit Barang (E7)
kemudian hasilnya dikalikan dengan hasil pembagian jumlah
barang setiap kali pesan dibagi angka dua. Jadi sel E22 diisi
dengan rumus sebagai berikut:
=(E21 *E7)*E6/2
• Total Biaya Persediaan (E24) diisi dengan menambahkan
Total Biaya Pesan (E13) dengan Total Biaya Simpan (E22)
sehingga sel E24 diisi dengan rumus berikut:
=E13+E22
• Economic Order Quantity ( E26) diisi dengan fungsi SQRT
dengan mengacu pada rumus di atas. Jadi sel E26 diisi fungsi
sebagai berikut:
=SQRT((2 *E 12 *E5)/(E21 *E7))
• Jika langkah Anda di atas benar, hasilnya akan nampak seperti
gambar berikut ini.

Gambar 2.15.2
Economic Order Quantity
5. Menghitung Persediaan 2
Kasus:
PT. Karen adalah sebuah perusahaan yang memproduksi
barang. Perusahaan tersebut membutuhkan bahan mentah
sebanyak unit barang dengan harga bell per unit barang Rp
20.000,00. Informasi lain meliputi biaya pesan dan biaya
simpan adalah sebagai berikut:
No Uraian Jumlah
1. Biaya Kirim 5.500.000
2. Biaya Pengecekan 250.000
3. Biaya pengiriman/unit 950
4. Biaya asuransi per unit 750
5. Biaya modal yang tertanam pada persediaan 3%
6. Pajak atas persediaan 1%
7. Biaya lain-lain 750.000
Persediaan pengaman ditentukan sebesar kebutuhan selama 3

minggu, dengan asumsi 1 tahun adalah 52 minggu. Kebutuhan selama

lead time ditetapkan sebesar 25% dari persediaan
pengaman.
Berdasar data tersebut, hitunglah unit pembelian bahan baku yang
optimal dan tentukan titik pemesanan barang (re-order point). Catatan:
Untuk menetapkan reorder point dapat dilakukan dengan dua cara,
diantaranya adalah:
• Berdasarkan kebutuhan selama lead time ditambah dengan
persentase tertentu.
• Berdasarkan kebutuhan selama lead time ditambah
penggunaan selama periode tertentu sebagai safety stock
Penyelesaian Kasus:
Jawaban penyelesaian Kasus ini tersimpan dalam buku kerja AKUN
pada lembar kerja Lat.5. Untuk menyelesaikan kasus ini, susun data
tersebut ke dalam suatu daftar seperti yang terlihat pada gambar
berikut:
Gambar 2.15.1
Re-Order Point

Setelah tersusun seperti gambar di atas, masukkan fungsi pada alamat sel
berikut ini (sebagian lihat penjelasan Kasus di atas):
• Sub-total Biaya Setiap Kali Pesan (H10) =SUM(H7:H9)
• Sub-total Biaya Simpan (H16) =SUM(H12:H15)
EOQ (H21) =SQRT((2*H4*H 10)/H 16)
• Safety Stock (H23) diisi dengan membagi Jumlah Kebutuhan Barang (H4)
dengan Satu Tahun Kerja (H18), dan hasilnya dikalikan dengan Persediaan
Pengaman Sebesar Kebutuhan (H19). Jadi sel H21 diisi dengan rumus
sebagai berikut:
=(H4/H 18) *H 19
• Kebutuhan Selama Lead Time (H24) diisi dengan mengalikan Safety Stock
(H23) dengan Lead Time dari Persediaan Pengaman (H20). Jadi sel H24
diisi dengan rumus sebagai berikut:
=1123 *H20
• Reorder Point (1125) diisi dengan menjumlahkan Safety Stok dengan
Kebutuhan Selama Lead Time (1124). Dengan demikian sel H25 diisi dengan
fungsi sebagai berikut:
=SUM(H23:H24)
• Jika langkah Anda benar, hasilnya akan nampak seperti gambar berikut ini

Gambar 2.15.2
Re-Order Point
6. Menghitung Break-Event Point

Kasus:
PT. ABC adalah sebuah perusahaan yang memproduksi barang. Pada
tahun yang akan datang perusahaan merencanakan untuk
memproduksi suatu barang sebanyak 10.000 unit. Biaya tetap
diperkirakan sebesar Rp 60.000.000,00 dan total biaya variabel untuk
memproduksi barang adalah sebesar Rp 50.000.000,00. Informasi lain
yang berhasil dikumpulkan adalah bahwa harga jual ditetapkan sebesar
Rp 15.000,00.
Dari data tersebut, hitunglah berapa titik impas atau break-event point
(BEP) dalam Unit dan Rupiah, total penjualan, biaya variabel per unit
dan biaya variabel dibanding penjualan.
Penyelesaian Kasus:
Sebagai pengingat berikut diberikan rumus untuk menghitung BEP: Break
event point dengan pendekatan matematis ada dua rumus, yaitu dalam
satuan unit dan satuan mata uang (rupiah).

Penyelesaian Kasus:
Penyelesaian Kasus ini tersimpan dalam buku kerja AKUN pada lembar
kerja Lat.6. Untuk menyelesaikan kasus tersebut, susun data tersebut ke
dalam suatu daftar seperti yang terlihat pada gambar berikut:
Gambar 2.16.1
Break Event Point
Selanjutnya masukkan rumus pada alamat sel berikut ini:
• Total Penjualan (F7) merupakan hasil perkalian antara Jumlah

Produk (F4) dengan Harga Jual Per Unit (F9). Jadi sel tersebut
diisi dengan rumus:
=F4*F9
• Biaya Variabel Per Unit (F8) merupakan hasil pembagian
antara Total Biaya Variabel (F6) dangan Jumlah Produk (F4).

Jadi sel F8 diisi dengan rumus sebagai berikut:
=F6/F4
• Biaya Variabel Dibanding Penjualan (F10) merupakan hasil
pembagian antara Total Biaya Variabel (F6) dengan Total
Penjualan (F7) sehingga sel F10 diisi dengan rumus sebagai
berikut:
=F6/F7
• BEP dalam unit (F12), lihat rumus di atas
=F5/(F9-F8)
• BEP dalam rupiah (F14), Lihat rumus di atas
=F5/(1-F10)
• Jika langkah Anda benar, hasilnya akan nampak seperti pada
gambar berikut:
Gambar 2.16.2
Break Event Point

BAB III. PENGGUNAAN MICROSOFT PROJECT 2007 UNTUK PERENCANAAN
Proyek diartikan sebagai suatu kegiatan sementara yang berlangsung dalam jangka
waktu tertentu, dengan alokasi sumber daya terbatas dan dimaksudkan untuk
melaksanakan tugas yang telah ditentukan. Keberhasilan suatu proyek tergantung
pada: manfaat dan kualitas proyek, jangka waktu penyelesaian dan biaya yang
dikeluarkan.
Manajemen proyek sebagai sebuah aplikasi dari pengetahuan, keahlian dan alat pada
aktivitas proyek tertentu untuk memenuhi persyaratan berlangsungnya sebuah proyek
yaitu triple constraints atau project triangle, yang terdiri dari waktu, biaya dan kualitas.
Manajemen proyek menjadi salah satu disiplin ilmu yang paling banyak digunakan
untuk membantu menyelesaikan berbagai macam pekerjaan berkarakteristik proyek
antara lain output spesifik, dibatasi waktu, anggaran, sumber daya lain, melibatkan
ahli lintas bidang, dan memerlukan koordinasi tinggi.
Pengertian Microsoft Project 2007 (atau MSP atau WinProj) adalah suatu manajemen
proyek perangkat lunak program yang dikembangkan dan dijual oleh Microsoft yang
dirancang untuk membantu manajer proyek dalam mengembangkan rencana,
menetapkan sumber daya untuk tugas-tugas, pelacakan kemajuan, mengelola
anggaran dan menganalisis beban kerja.
A. Pengenalan MS Project
Untuk memulai MS project
1. Klik tombol start
2. Pilih Menu all program
3. Pilih MS Office
4. Pilih MS Project

•

Istilah Dalam Microsoft Project
• Task (tugas)
Tingkatan proyek setelah organisasi, proyek, aktivitas, operasi, dan proses
Arrow pada CPM, node pada PDM
• Duration
Penentuan durasi membutuhkan informasi volume dan produktivitas
• Start
Waktu dimulainya pekerjaan
• Finish
Waktu selesainya pekerjaan
• Predecessor
Kegiatan pendahulu dari kegiatan yang dimaksud
• Resource
Segala sumber daya yang diperlukan agar kegiatan dapat terlaksana
• Cost
Komponen biaya yang terdapat pada penyelesaian pekerjaan
• Baseline
Ketetapan jadwal dan biaya proyek
• Gantt Chart
Tampilan perencanaan proyek dengan tabulasi dan diagram batang
• Tracking
Evaluasi pelaksanaan terhadap perencanaan pekerjaan
• Milestone
Kejadian yang dijadikan acuan dalam pelaksanaan pekerjaan. durasi = 0

B. MEMULAI PEKERJAAN
1. Memulai program Microsoft Project 2007
• Penentuan acuan waktu dimulai atau selesainya proyek pada Project

information
• Pemilihan acuan waktu mulai atau selesai proyek
• Penentuan tanggal acuan proyek
• Keterangan Proyek
• Project -* project information -* statistics
• File -*Properties

2. Keterangan Daftar Pekerjaan
• Information
• Task name : daftar pekerjaan
• Duration : default 1 days
Start : automatic from project information
Finish : start + duration
Predecessor : membaca nomor cell
Resource name : daftar resource
3. Menuliskan Daftar Pekerjaan

No Jenis Pekerjaan
1 Pekerjaan Persiapan
2 Pembersihan Lokasi
3 Dst.
4. Mengganti Nama Pekerjaan

Sama seperti program excel, dapat menggunakan tombol F2, mengedit di baris
input, ataupun melalui project -* task information

5. Menyisipkan Pekerjaan
Arahkan pointer mouse pada kolom nomor cell, klik kanan dan pilih New Task
6. Save Dan Protection File

File -* Save As -* Tools -* General Option
7. Mengelompokkan Sub-task ke Dalam Summary task

• Menggunakan aplikasi indent dan outdent
• Project -* outline -* Indent/Outdent

8. Hide dan Show Subtask
Project -* Outline -* Show/Hide Subtask
9. Penomoran Pekerjaan
Tools -* Option -* View -* Show outline number

C. ENTRI DURASI
1. Durasi Pekerjaan
• Menginputkan durasi
No Jenis Pekerjaan Durasi
1 Pekerjaan Persiapan 6 days
2 Pembersihan Lokasi 1 day
3 Dst.
2. Pengembangan Jadwal
Teknik yang biasa dipakai untuk pengembangan jadwal proyek konstruksi adalah :
• Bar Chart/Gantt Chart
• Critical Path Method (CPM)
• Precedence Diagram Method (PDM)
3. Logika Ketergantungan
• Finish to Start (FS)
• Start to Start (SS)
• Finish to Finish (FF)
• Start to Finish (SF)
4. Menginputkan Hubungan Tiap Pekerjaan
No Jenis Pekerjaan Durasi Predeces
1 Pekerjaan Persiapan 6 days sor
2 Pembersihan Lokasi 1 day
3 Dst. 1 day 2
D. CALENDAR
1. Base Calendar
Base calendar adalah kalender yang dapat dipakai sebagai kalender kerja
proyek dan kalender yang waktu kerja dan waktu libur resource-nya dapat
diatur pada nilai default untuk masing-masing resource.
o Standard

Standar jam kerja adalah jam 08.00AM sampai dengan jam 5.00PM,
dengan istirahat selama 1 jam dimulai jam 12.00PM hingga jam 1.00PM
dalam 5 hari kerja (senin – jumat) di tiap minggunya.
o 24 hours
Jam kerja 24 jam selama satu hari penuh
o Night shift
Shift malam untuk pekerjaan yang dikerjakan pada malam hari
o Project Calendar
Ialah kalender yang digunakan sebagai acuan jadwal kerja secara
default untuk semua pekerjaan dalam proyek
o Resource Calendar
Kalender kerja untuk masing-masing resource dapat diatur melalui
resource calendar
o Task Calendar
Jika terdapat task yang tidak tergantung kepada resource, dapat
menggunakan task calendar untuk memodifikasi jam kerja dari project
calendar. Task calendar khususnya dipakai untuk peralatan yang
menjalankan pekerjaan sepenuhnya pada malam hari atau akhir
pekan, yang ditetapkan sebagai waktu libur pada project calendar.
Project melakukan perhitungan pada saat resource dan task telah
dijadwalkan untuk melakukan pekerjaan dengan memakai kalender kerja
sesuai dengan ketentuan berikut: project calendar, resource calendar,
dan task calendar. Jika task tidak mempunyai resource dan task
calendar sendiri, maka akan dijadwalkan berdasarkan project calendar.
Jika task memiliki resource yang telah ditetapkan dan tidak memiliki task
calendar, maka akan dijadwalkan berdasarkan resource calendar.
2. Calendar View View -* Calendar

3. Mengedit Pekerjaan
Mengedit pekerjaan pada tampilan calendar hanya dapat dilakukan melalui
menu task information. Mengubah tampilan bar maupun text dapat dilakukan
dengan masuk ke menu format lalu pilih bar style ataupun text style.
4. Mengubah Tampilan Calendar Format -* timescale
5. Daftar Pekerjaan Dalam Satu Hari

Klik kanan di tanggal tertentu, lalu pilih pilihan ‘go to’
6. Menyembunyikan Pekerjaan Dan Memunculkannya Kembali Task

information
-* hide task bar

7. Menyusun Jadwal Kerja
Tools -* Change Working Time-* work weeks -* details
Dibuat jadwal kerja proyek. Diubah dari default yang sebelumnya dari
senin – jumat jam 08.00AM – 12:00PM dan 1:00PM – 5:00PM menjadi
senin-kamis jam 08.00AM - 12.00PM dan 1.00PM - 5.00PM, jumat 08.00AM -
11.00AM dan 2.00PM-5.00PM, dan sabtu 08.00AM - 12.00PM.
8. Membuat Hari Libur Khusus

Tools -* Change Working Time-*Exeption -* details

E. ENTRI RESOURCE
1. Membuat Jadwal Kerja Resource
Jadwal kerja untuk arsitek dan mandor diubah dari default menjadi,
Arsitek : senin, rabu, dan jumat 08.00AM -12.00PM Mandor : senin – jumat,
sabtu 08.00AM – 12.00PM Resource sheet -* resource information -* change
working time
2. Mengenal Resource Sheet

3. Mengubah Satuan Harga
Tools -* option -* view -* currency

4. Mengubah Satuan Unit Work Resource
Tools -* option-* schedule -* show assignment unit as a (ubah dari percentage
menjadi decimal)
5. Menyusun Daftar Resource

6. Mengisikan Resource Pada Tiap Task
• Membuat setiap pekerjaan menjadi fixed duration
Task information -* advanced -*task type -* fixed duration
7. Melalui Task Information

8. Melalui Assign Resource Tools -* Assign Resources (Alt + F10)
9. Melalui Pengetikkan Langsung

No Jenis Pekerjaan Resources
1 Pekerjaan
2 Pembersihan
Persiapan Kepala Tukang,Pekerja[4]
3 Pemagaran
Lokasi Kepala Tukang,Pekerja[2]
4 Dst.

F. ENTRI COST
1. Mengenal Cost Table
Ketika view berada pada posisi Gantt Chart, View-* Table-*Cost
2. Biaya Tiap Pekerjaan Cost

pada gantt chart
G. BIAYA PADA RESOURCE
Cost pada resource sheet, ketika view berada pada posisi Resource Sheet,
View -* Table -* Cost

1. Biaya Resource Per Pekerjaan
Cost pada task usage
2. Biaya Pekerjaan Per Resource

Cost pada resource usage

Modul Pelatihan Microsoft Project
2007
H. PENGAWASAN DAN PENGENDALIAN PEKERJAAN

1. Menampilkan Pekerjaan Yang Kritis Pada Gannt Chart
Format -* Text Style
2. Mengetahui Float Tiap Pekerjaan
View -* Table -* Schedule
3. Mengetahui Resource Conflict
• Melalui resource sheet
• Melalui resource usage
• Melalui resource graph

4. Menampilkan Toolbar Resource Management
• Mengetahui resource allocation
• Mengetahui task entry
• Mengetahui overlocation
5. Mengatasi Konflik
• Mengurangi jumlah resource pada task
• Mengganti resource
• Menggeser jadwal pekerjaan
• Mengubah keterkaitan pekerjaan
• Lembur / crash program
6. Levelling
Menggeser task yang mengalami overlap akibat beberapa task yang
bertabrakan Tools -* level resource
7. Baseline
Tools -* tracking -* set baseline
8. Penentuan Target
Tracking, Memperbarui start/finish date Tools 4 tracking 4 update task
9. Presentase Pekerjaan
• Project 4 task information 4 general
• Grafis dengan barchart
10. Beragam Bentuk Tampilan Table

11. Mengatur Tampilan Grafik Pada Resource Graph Format -* timescale
12. Beragam Grafik Proyek

o Peak unit
o Work
o Cummulative work
o Over allocation
o Percent allocation
o Remaining availability
o Cummulative cost
o Work availability
o Unit availability
13. Beragam Tipe Report
Report -* report -* select
oOverview
oCurrent activities
oCost
oAssignment
oWorkload
ocustom
14. Custom Report
oResource
oResource (work)
oResource (material)
oCrosstab
15. Format Text Report
oEdit properti Report
oMengganti header, footer, dan keterangan
oMengeset halaman
16. Kemajuan Proyek
oProject Information
oProperty File
17. Optimalisasi Proyek
oMengoptimalkan durasi
oMengoptimalkan hubungan antar pekerjaan
oLembur
oLag and Lead Time
18. Export
oFrom MS. Project to MS. Word
oFrom MS. Project to MS. Excel
19. Import
oFrom MS. Excel to MS. Project
TUGAS
Sebuah perusahaan farmasi bermaksud membuat 4 buah ruang laboratorium
baru berlantai 2.
Berikut ini adalah daftar pekerjaan/aktivitas yang akan dilakukan berikut waktu dan
aktivitas yang mendahuluinya.
7. Hitung CPI dan SPI dari proyek
8. Material apa yang constraint
OUTPUT YANG DIHARAPKAN
1. Diagram bar-chart-nya
2. Diagram resource conflict
3. Diagram resource graph dan ada over resource dan cara mengatasinya
4. Diagram lintasan kritisnya yang berwarna merah
5. Diagram S-CURVE dari cost dan resource
BAB IV. ANALISA STATISTIK DENGAN SPSS
SPSS Windows merupakan perangkat lunak statistik multiguna yang
bermanfaat untuk mengolah dan menganalisis data penelitian. SPSS
menggunakan menu serta kotak dialog untuk memudahkan dalam memproses
data. Sebagian besar perintah SPSS dapat dilakukan dengan mengarahkan dan
mengklik mouse.
A. MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for Windows. Sama seperti program Windows lainnya, untuk
mengaktifkan SPSS dimulai dari menu Start
1. Klik Start � Program � SPSS Inc � SPSS 17
2. Pada menu SPSS tertentu (versi 17) akan muncul jendela sebagai berikut:
3. Silakan klik (.) Type in data kemudian tekan Enter atau klik OK.
4. Layar akan terbuka “Untitled - SPSS Data Editor” seperti pada gambar
berikut: Selanjutnya disebut sebagai Jendela Data Editor. Karena belum
ada data, maka tampilannya masih kosong.
5. Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View.
1. JENDELA SPSS
Setelah mengaktifkan SPSS akan muncul 2 jendela yaitu “SPSS Data Editor “
dan “SPSS Output”.
2. JENDELA “SPSS DATA EDITOR”

Jendela SPSS Data Editor (selanjutnya disebut jendela data) mempunyai
2 tampilan yaitu (1) Data View dan (2) Variabel View. Data view akan
menampilkan database dalam bentuk angka, sedangkan Variabel view
menampilkan keterangan tentang variabel yang mencakup: Nama Variabel,
Type, Label, Values, dll.
3. DATA VIEW
Apabila sudah ada data dalam format SPSS (BAYI.SAV), anda bisa
membuka data tersebut kemudian bentuk tampilannya pada jendela data
atau Data view adalah seperti gambar di atas.
4. VARIABEL VIEW
Name atau nama variabel: Aturan pemberian nama variabel adalah 1) Wajib
diawali dengan Huruf, dan 2) tidak boleh lebih dari 8 karakter,
serta 3) tidak boleh ada spasi (spacebar). Misalnya, anda tidak
bisa mengetik “Jenis Kelamin” atau “Je-kel” sebagai variabel,
tetapi hanya bisa “Kelamin” saja.
Type atau jenis data: Jenis data yang akan dientry kedalam SPSS
dibedakan hanya 2 saja, yaitu 1) Angka atau Numerik (angka:
misalnya “18” tahun ) dan 2) Huruf atau String (huruf: misalnya
Amin, Laki-laki, Jalan Petasan)
Label atau keterangan variabel: Karena nama variabel tidak boleh lebih
dari 8 karakter, biasanya pemberian nama variabel menggunakan
singkatan, supaya singkatan tersebut dapat dimengerti maka
anda bisa memberi keterrangan atau penjelasan terhadap
variabel tersebut di kolom label. Misalnya pada variabel “Kelamin”
anda bisa memberi label “Jenis Kelamin Anak Balita”, variabel
“Food_exp” bisa diberi label dengan “Food expenditure per
month” atau “Pengeluaran keluarga untuk makanan satu bulan”.
Values atau kode variabel: Jenis kelamin dapat anda masukkan dengan
mengetik “Laki” atau “Perempuan”, tetapi hal ini tidak efisien
(waktu dan tenaga hilang percuma). Sebaiknya anda beri kode
1=”Laki” dan 2=“Perempuan”, sehingga anda cukup
memasukkan angka 1 atau 2. Supaya nantinya output SPSS
yang muncul untuk Kelamin bukan angka 1 dan 2 tetapi yang
muncul adalah Laki dan Perempuan, maka anda perlu mengisi
Values.
5. JENDELA “SPSS OUTPUT”

Walaupun tidak muncul pada saat pertama kali menjalankan
program SPSS, ada jendela lain yang terbuka tetapi belum aktif
yaitu jendela Output SPSS Viewer. Jendela output viewer akan
menampilkan hasil-hasil analysis statistik dan graphic yang anda
buat. (Selanjutnya disebut Jendela Output).
Sebagai contoh pada gambar berikut ditampilkan Jendela
Output SPSS Viewer hasil analysis deskriptif distribusi frekuensi
dari PEROKOK:
Output SPSS Viewer
B. MEMASUKKAN (ENTRY) DATA
Apabila anda belum punya data SPSS (masih mulai dari awal untuk
memasukkan data), maka jendela data yang muncul masih kosong.
Untuk memulainya, anda dapat membuka jendela Variabel Vew
terlebih dahulu dengan cara meng-klik-nya, selanjutnya mulailah
membuat variabel yang dibutuhkan dengan cara mengetik nama
variabel yang diinginkan.
Setelah proses pembuatan varaibel selesai, selanjutnya buka jendela
Data Vew dan masukkan datanya. Sebagai latihan gunakan contoh
data berikut:
1. PEMBERIAN NAMA, TYPE, & LABEL VARIABEL

Untuk dapa memasukkan data di atas kedalam program SPSS,
maka terlebih dahulu anda harus membuat mendefinisikan dan
membuat VARIABEL atau FIELD pada jendela Data Editor �
Variable View.
Bukalah jendela Data Editor, kemudian klik Variabel View,
kemudian ketik nama variabel sbb:
a. variabel NOMOR:
Pada kolom Name baris pertama, ketiklah “nomor“ kemudian tekan
enter. Biarkan Type-nya Numerik karena pada variabel NOMOR
data yang ingin dimasukkan adalah berbentuk angka. Kemudian
kolom Label ketik kalimat berikut “Jenis Kelamin Responden”.
b. variabel NAMA:
Pada kolom Name baris kedua, ketiklah “nama” kemudian tekan
enter. Type-nya ganti dengan String karena pada variabel NAMA
data yang ingin dimasukkan adalah berbentuk huruf. Kemudian kolom
label ketik kalimat berikut “Nama Responden”.
Cara mengganti type dari Numerik menjadi String adalah dengan
mengklik bagian akhir dari “Numerik”, sehingga muncul menu
Variabel Type sebagai berikut:
Klik di sini, untuk merubah Type Variabel, seperti gambar dibawah ini
Gantilah Numerik dengan mengklik String, kemudian klik OK,

hasilnya sbb:
Karena nama responden membutuhkan ruang yang cukup luas,

misalnya anda ingin mengetik nama responden sampai 20 karakter,
maka silakan ganti With dari 8 menjadi 20, dengan cara klik angka 8
tersebut dan ganti dengan mengetik angka 20.
2. PEMBERIAN KODE VALUE LABELS

Penting untuk diingat pada data kategorik atau kualitatif
(kelamin, pendidikan, pekerjaan, dll) data yang dimasukkan ke
komputer (entry) biasanya untuk efisiensi maka data tersebut
dirobah kedalam bentuk kode angka (1=laki, 2=Perempuan). Supaya
pada saat analysis data tidak terjadi kebingungan, sebaiknya kode
tersebut diberi label, dengan langkah sebagai berikut:
c. Variabel KELAMIN:
Pada kolom name baris ketiga, ketiklah “Kelamin” kemudian tekan
enter. Type-nya
biarkan numerik karena pada variabel KELAMIN data yang ingin
dimasukkan adalah berbentuk angka 1 atau 2. Kemudian kolom label
ketik “Jenis Kelamin Responden”.
Untuk membuat value label bahwa kode 1 adalah “Laki-laki” dan kode
2 adalah “Perempuan”, maka klik kolom Values dan isi sebagai
berikut:
1. Pada kotak Value isi dengan angka “1”
2. Pada kotak Value Label ketik “Laki Laki”
3. Kemudian klik Add. Sehingga muncul 1=”Laki-laki” pada kotak
bawah.
Ulangi prosedur tersebut untuk kode 2=Perempuan,

1. Pada kotak Value isi dengan angka “2”
2. Pada kotak Value Label ketik “Perempuan”
3. Kemudian klik Add. Sehingga muncul
2=”Perempuan” pada kotak bawah. Setelah selesai klik
OK.
d. variabel UMUR:
Pada kolom Name baris keempat, ketiklah “umur” kemudian tekan
enter. Type-nya biarkan numerik. Jika angka desimal tidak
diperlukan, rubahlah Decimals pada kolom ke tiga, sehingga isinya
menjadi angka 0 (nol).
3. MEMASUKKAN DATA
Untuk memasukkan data, ada dua cara yaitu, pertama mengklik data view
kemudian memasukkan datanya secara manual satu per satu, kedua
meng-import data yang sudah di entry melalui Microsoft excel.
4. MENGEDIT DATA (DELETE & COPY)

Editing data biasanya dilakukan untuk menghapus (delete),
menggandakan (copy), atau memindahkan (remove) data atau
sekelompok data.
5. MENGHAPUS (DELETE) DATA PADA SEL TERTENTU
Misalnya, ada data yang salah ketik dan ingin dihapus atau diganti
dengan data yang benar. Lakukan prosedur sbb:
1. Pilih sel atau data yang akan dihapus dengan meng-klik (bisa dipilih
sekelompok data sekaligus dengan cara mem-blok angka dari 36
sampai dengan 24)
2. Tekan tombol Delete (pada keyboard) untuk menghapus data tersebut.
6. MENGHAPUS (DELETE) DATA VARIABEL

Misalnya, ada variabel yang salah ketik dan ingin dihapus atau diganti
dengan variabel lainnya. Lakukan prosedur sbb:
1. Pilih variabel yang akan dihapus (mis. alamat) dengan cara meng-klik
2. Tekan tombol Delete (pada keyboard) untuk menghapus variabel
tersebut.
7. MENGHAPUS (DELETE) DATA RECORD
Misalnya, ada record yang salah ketik (diketik 2 kali) dan ingin
dihapus atau diganti dengan variabel lainnya. Lakukan prosedur sbb:
1. Pilih record yang akan dihapus (mis. record nomor 3) dengan cara
meng-klik
2. Tekan tombol Delete (pada keyboard) untuk menghapus variabel
tersebut.
8. MENGGANDAKAN (COPY) DATA

Prosedur penggandaan (copy) data pada SPSS mirip dengan prosedur
meng-copy pada umumnya dalam perintah komputer. Sebagai berikut:
1. Dimulai dengan memilih data atau sel yang akan dicopy dengan
cara meng-klik (pemilihan dapat dilakukan pada sekelompok data,
variabel, atau record)
2. Kemudian pilih menu Edit � Copy (atau Ctrl + C, pada key board)
3. Kemudian letakkan kursor pada lokasi yang akan dicopykan
4. Kemudian pilih menu Edit � Paste (atau Ctrl + V, pada key board)
9. MENYIMPAN (SAVE) DATA
Pilihlah (kemudian klik) gambar disket yang ada di kiri atas atau Pilih File
� Save. Atau File � Save As..
Jika anda baru menyimpan untuk pertamakali, maka akan muncul

menu seperti gambar di atas (menu Save As..). Menu ini hanya
muncul pertama kali saja, selanjutnya tidak muncul lagi, kecuali
dengan perintah Save As.
Isi kotak File name dengan “Latihan 1” Pilihlah Save in untuk
menentukan apakah anda akan menyimpan di Disket (Floppy: A)
atau di Hardisk:C. Jika anda pilih hardisk, jangan lupa untuk
menentukan lokasi Directory mana tempat penyimpanan tersebut.
Klik save untuk menjalankan proses peyimpanan.
Selesai proses Saving, perhatikan di kiri atas “Untitled – SPSS Data
Editor” sudah berubah menjadi “Latihan 1 – SPSS Data Editor”
10. MEMBUKA (OPEN) DATA SPSS

Jika anda sudah mempunyai data dalam format SPSS yang
disimpan di Disket atau di Hardisk, silakan buka dengan SPSS,
sebagai berikut:
1. Pastikan anda berada di layar “SPSS Data Editor”, kemudian
pilihlah menu File �
Open
2. Pada File of type, pilihan standarnya adalah SPSS
(*.sav), jika bukan ini yang muncul maka anda harus
memilihnya terlebih dahulu
3. Pada Look in, pilihlah Drive yang sesuai (A:C:D) dan
Directory tempat data tersimpan (mis. C:\Data\….)
Akan muncul daftar File yang ber-extensi.SAV, pilihlah file yang
akan anda buka dengan mengklik file tersebut, kemudian klik Open
C. STATISTIK DESKRIPTIF
Statistik deskriptif berupa frekuensi dan nilai pusat (central tendency).
Frekuensi biasanya dimunculkan dalam bentuk proporsi atau persentase
untuk data atau variabel kategorik. Sedangkan nilai pusat berupa nilai
tengah dan nilai sebaran (mean, median, SD, SE, dll) untuk data atau
variabel numerik. Statistik deskriptif ini juga akan dilengkapi dengan grafik
histogram untuk data numerik.
1. BUKU KODE
Mulai Bab ini kita akan membicarakan prosedur statistik deskriptif
yang sering digunakan dalam melakukan analisis data. Untuk data
latihan, kita akan menggunakan file BAYI95.SAV yang berisi variabel
yang mempengaruhi berat bayi lahir. Agar kita bisa mengolah data
tersebut, maka kita harus mengetahui keterangan dari variabel dan
value-nya yang biasanya dimuat dalam buku kode. Buku kode untuk
file tersebut adalah sbb:
Variabel Keterangan
ID Nomor identifikasi responden
UMUR BBIBU_1 Umur ibu (tahun)
BBIBU_2 ROKOK Berat badan ibu (kg) sebelum hamil (Pre-)

Berat badan ibu (kg) sesudah
melahirkan (Post-) Kebiasan
merokok dari ibu
0 = Tidak
1 = Ya
HT Penyakit hipertensi
pada ibu 0 = Tidak
1 = Ya
BBAYI DIDIK Berat bayi lahir
(gram)
Pendidikan ibu
0 = Rendah
BBLR 1 = Sedang
2 = Tinggi
Dalam melakukan analysis data, kita harus memahami terlebih dahulu
konsep dari jenis data statistik yaitu data Numerik dan data
Kategorik. Data numerik adalah data yang berbentuk angka
(kombinasi dari 0,1,2…9), yang merupakan gambaran dari hasil
mengukur atau menghitung. Sedangkan data kategorik merupakan
data yang berbentuk pernyataan, kualitas, atau pengelompokan
(misalnya: laki/perempuan, baik/buruk, setuju/tidak setuju,
SD/SMP/SMU/PT, rendah/sedang/tinggi, dll).
Analysis data numerik akan berbeda dengan analisis data
kategorik, termasuk cara penyajian dan cara interpretasinya. Data
numerik biasanya ditampilkan dalam bentuk nilai tengah dan nilai
sebaran (misalnya nilai rata-rata dan standar deviasi). Sedangkan
data kategorik ditampilkan dalam bentuk persentase atau proporsi.
2. ANALYSIS DESKRIPTIF DATA KATEGORIK

Cara yang paling sering digunakan untuk menampilkan data
katagorikal adalah
dengan menggunakan tabel distribusi frekuensi. Kita akan coba
membuat tabel distribusi frekuensi pendidikan ibu dari file BAYI95.SAV.
1. Bukalah file BAYI95.SAV, sehingga data tampak di jendela Data
Editor (prosedur untuk membuka file dapat dilihat pada bagian 1.7).
2. Prosedur untuk menampilkan distribusi frekuensi adalah sebagai
berikut: Dari menu utama, pilihlah:
Analyze
Descriptive Statistic <
Frequencies…
Pada layar tampak kotak dialog seperti gambar berikut:
3. Pada kotak dialog tersebut, klik DIDIK pada variabel yang terdapat
pada kotak sebelah kiri pada tampilan tersebut. Kemudian klik tanda >,
sehingga kotak dialog menjadi seperti gambar berikut:
4. Klik OK untuk menjalankan prosedur. Pada jendela output

tampak hasil seperti berikut:
DIDIK
Cumula
Valid SD 47 Frequen Percen
24.9 Valid 24.9 tive 24.
SMP 84 44.4 44.4 69.
SMA 58cy t 30.7 Percent30.7 Perce9
100.
3
Total 189 100. 100. nt 0
0 0
Pada kolom Frequency menunjukkan jumlah kasus dengan nilai
yang sesuai. Jadi pada contoh di atas, ada 47 ibu yang
berpendidikan SD dari 189 ibu yang ada. Proporsi dapat
dilihat pada kolom Percent, pada contoh di atas, ada 24,9%
ibu yang berpendidikan SD.
Kolom Valid Percent menampilkan proporsi jika missing cases
tidak diikutsertakan sebagai penyebut. Pada contoh di atas,
kolom Percent dan Valid Percent memberikan hasil yang
sama karena pada data ini tidak ada missing cases.
Cumulative Percent menjelaskan tentang persen kumulatif,
jadi pada contoh di atas, ada 69,3% ibu yang berpendidikan
SD dan SMP (24.9% + 44.4%).
3. ANALYSIS DESKRIPTIF DATA NUMERIK

Pada data numerik atau kontinyu, peringkasan data dapat
dilakukan dengan melaporkan ukuran tengah dan sebarannya. Ukuran
tengah yang dapat digunakan adalah rata-rata, median dan modus.
Sedangkan ukuran sebaran yang dapat digunakan adalah nilai
minimum, maksimum, range, standar deviasi dan persentil. Dari
ukuran- ukuran tersebut, yang paling sering digunakan adalah rata-
rata dan standar deviasi. Sebagai contoh, kita akan coba mencari
ukuran tengah dan sebaran dari UMUR, BBIBU dan BBAYI.
Perintah Descriptive..
1. Dari menu utama, pilihlah:
Analyze
Descriptive …
2. Pada kotak dialog tersebut, klik pada variabel UMUR yang
terdapat pada kotak sebelah kiri. Tekan Ctrl (jangan dilepas), Klik
variabel BBIBU_1, dan klik variabel BBAYI, lepaskan Ctrl..
Dengan cara ini kita memilih 3 variabel sekaligus. Kemudian klik
tanda <, sehingga kotak dialog menjadi seperti gambar berikut:
3. Klik OK untuk menjalankan prosedur. Pada layar tampak hasil
seperti berikut:
Descriptive Statistics
N Minimu Maxim Mean Std.

UMUR 18 14 45 23.2 5.30
BBIBU_1 m
18 36 um 11 58.3 Deviation
13.7
BBAYI 9
18 70 499 4
2944. 729.
Valid N 9
18 2 9 6
9 9 0 66 02
(listwise) 9
Nilai rata-rata dapat dilihat pada kolom Mean, sedangkan nilai

standar deviasi dapat dilihat pada Std Devation. Pada
contoh di atas, rata-rata umur ibu adalah 23,24 tahun dengan
standar deviasi 5,30 tahun dan umur minimun 14 tahun serta
umur maksimum 45 tahun.
Dengan cara di atas, kita dapat memperoleh nilai rata-rata,
minimum, maksimum serta standar deviasi. Tetapi kita tidak
memperoleh nilai standar error, padahal nilai ini diperlukan
untuk melakukan estimasi inteval pada parameter populasi.
Perintah Option..
4. Jika Anda juga ingin agar SPSS menampilkan standar error, anda
dapat memilih menu Options.
Misalnya anda menginginkan stander error maka klik SE Mean,
kemudian klik Continue
dan OK hasilnya pada Jendela Output adalah sebagai berikut:
N Minimu Maximu Mean Std.
Statisti Statisti Statisti Statisti Std. Statisti
UMUR 189 m 14 m 45 23.2 .39 5.30
BBIBU_1 c 189 c 36 c 112 c 58.3 Error 1.00 c 13.7
BBAYI 189 709 4
4990 2944.6 53.0 729.0
Valid N 189 9 6
6 3 2
(listwise)
Dari hasil tersebut kita dapat melakukan estimasi interval
dari berat bayi. Kita dapat menghitung 95% confidence interval
berat bayi, yaitu 2944,66 + 1,96 x 53,03 (mean + SE mean). Jadi
kita 95% yakin bahwa rata-rata berat bayi di populasi berada pada
selang 2840,72 sampai 3048,60 gram.
Perintah Explore..
5. Cara yang lain untuk mengeluarkan nilai statistik deskriptif dari data
numerik (nilai rata-rata/mean std. Dev) beserta 95% confidence interval
adalah sebagai berikut: Dari menu utama, pilihlah:
Analyze
Explore…
6. Pada kotak dialog tersebut, klik pada variabel UMUR yang terdapat
pada kotak sebelah kiri. Tekan Ctrl (jangan dilepas), Klik variabel
BBIBU_1, dan klik variabel BBAYI, lepaskan Ctrl. Dengan cara ini kita
memilih 3 variabel sekaligus. Kemudian klik tanda <, sehingga ketiga
variabel tersebut masuk ke kota Dependent List seperti gambar berikut:
7. Klik OK untuk menjalankan prosedur, sehingga hasilnya seperti gambar

berikut:
Descriptives
Statisti Std.
BBIBU Mean 58.3 1.0
95% Lower c 56.4 Error
_1 Interval for Upper 9 0
Confidence Bound 2
5%
Mean Trimmed Bound 57.2
60.3
Median 54.0
Mean
Variance 9
7
189.4
Std. 0
13.7
Minimum 63 36
Deviation
Maximum 611
Range 76
Interquartile 2
13.0
Skewness 1.39 .17
Range
Kurtosis 0
2.36 .35
BBAYI Mean 5
2944. 7
53.0
95% Lower 6
2840. 2
Interval for Upper 66 3
Confidence Bound 05
5%
Mean Trimmed Bound 2957.
3049.
Median 2977.
Mean
Variance 83
26
53147
Std. 00
729.
Minimum 3.7 70
Deviation
Maximum 02499
Range 9
428
Interquartile 0
1069.
Skewness -1 .17
Range
Kurtosis 00- .35
.21 7
.08 2
0 dan estimasi interval
Dari hasil tersebut kita mendapatkan estimasi titik
1
dari variabel numerik yang diukur. Kita dapat melihat nilai rata-rata dan
95% confidence interval dari BIBU_1 yaitu 58,39 kg (56,42—60,37), artinya
kita 95% yakin bahwa rata-rata berat ibu di populasi berada pada selang
56,42 sampai 60,37 kg. Untuk BBAYI yaitu 2944,66 gram (2840,05—
3049,26), kita 95% yakin bahwa rata-rata berat bayi di populasi berada pada
selang 2840,05 sampai 3049,26 gram. Nilai ini tidak jauh berbeda dengan
nilai yang dihitung dari output yang didapat pada langkah no.5 sebelumnya.
D. UJI NORMALITAS DISTRIBUSI DATA NUMERIK
Analisis data Numerik akan lebih lengkap apabila dilengkapi UJI
NORMALITAS. Terutama jika akan dilakukan uji statistik parametrik
terhadap variabel tersebut maka distribusi normal merupakan salah
prasyarat yang harus dipenuhi. Uji normalitas dapat dilakukan melalui
perintah Explore..
Analyze
Explore…
2. Pada kotak dialog tersebut, pilih variabel UMUR dan BBAYI, Kemudian
klik tanda panah ke kanan >, untuk memasukkannya ke kotak
Dependent list:
3. Klik Plots.., kemudian aktifkan Histogram dan Normality plot with test.
4. Klik Continue dan OK untuk menjalankan prosedur
Tests of Normality
a
Statisti df Sig.
Kolmogorov-Smirnov
Umur ibu .095 189 .00
c
Berat bayi .043 189 0
lahir .20
0*
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Hasil uji test normalitas

Dengan uji Kolmogorov-Smirnov, disimpulkan bahwa pada alpha 0.05
distribusi data umur ibu adalah tidak normal (nilai-p = 0.000)
sedangkan distribusi data berat bayi adalah normal (nilai-p = 0.200).
Apabila diperhatikan grafik HISTOGRAM, maka terlihat bahwa data umur
ibu memang tidak normal, tepatnya distribusi tersebut miring ke kanan
(miring positif +). Kemiringan positif ini dapat juga dilihat dari nilai
Skewness-nya yang bertanda positif (1.395)
Kesimpulan normal atau tidaknya suatu data didasarkan pada prinsip uji
hipotesis yang berpatokan pada Ho dan Ha. Dalam hal ini, Ho
berbunyi “Distribusi data sama dengan distribusi normal”, Ha berbunyi
“Distribusi data tidak sama dengan distribusi normal”. Apabila nilai-p
kurang dari alpha 0.05 (mis 0.000), maka Ho ditolak dan disimpulkan
“Distribusi data adalah tidak normal”. Sedangkan apabila nilai-p lebih
dari atau sama dengan alpha 0.05 (mis. 0.222), maka Ho gagal ditolak
dan disimpulkan “Distribusi data adalah normal”.
E. Transformasi Data
Transformasi data adalah suatu proses dalam merubah bentuk data.
Misalnya merubah data numerik menjadi data kategorik atau merubah dari
beberapa variabel yang sudah ada dibuat satu variabel komposit yang baru.
Beberapa perintah SPSS yang sering digunakan adalah RECODE dan
COMPUTE.
1. Pengertian Transformasi Data

Transformasi data merupakan suatu proses untuk merubah bentuk data
sehingga data siap untuk dianalisis. Banyak cara yang dapat dilakukan untuk
merubah bentuk data namun yang paling sering digunakan antara lain adalah
RECODE dan COMPUTE.
Perubahan bentuk data yang paling sederhana adalah pengkategorian
data numerik menjadi data kategorik, misalnya UMUR dikelompokan menjadi
3 kategori yaitu < 20 th, 20—30 th, dan >30 th. Atau dapat juga dilakukan
pengelompokkan data kategorik menjadi beberapa kelompok yang lebih kecil,
misalnya DIDIK dikelompokkan menjadi 2 kategori yaitu rendah (SD/SMP) dan
tinggi (SMU/PT). Proses pengelompokan atau pengkategorian ulang tersebut
lebih dikenal dengan istilah RECODE.
Perubahan bentuk data lainnya adalah penggunaan fungsi matematik
dan algoritma. Misalnya penjumlahan skor pengetahuan, skor sikap, atau skor
persepsi. Atau dapat juga dilakukan proses perkalian dan pembagian sekaligus,
misalnya untuk menghitung Index Massa Tubuh (IMT=BB/TB^2). Atau dapat
juga dilakukan pengelompokkan beberapa variabel sekaligus mengunakan
fungsi algoritma, misalnya jika TAHU=1 dan SIKAP=1 dan PRILAKU=1 maka
KONSISTEN=1 (jika ke-3 kondisi tersebut terpenuhi maka dikategorikan
sebagai konsisten atau KONSISTEN=1, namun jika salah satu tidak terpenuhi
maka dikategorikan tidak konsisten atau KONSISTEN=0). Proses penggunaan
fungsi matematik dan algoritma tersebut lebih dikenal dengan istilah COMPUTE.
Survei Cepat Kesehatan Ibu di Kabupaten Tangerang, Lebak, Cianjur, Cirebon
Nama No. Nilai Label
variabel Pertanyaan
Klaster -- -- Nomor klaster
RESP -- -- Nomor responden
V01 1 Kontiny Umur ibu (tahun)
u15-45
V02 2 Pendidikan ibu
1 Tidak sekolah
2 Tidak tamat SD
3 Tamat SD
4 Tamat SLTP/sederajat
5 Tamat SLTA/sederajat
6 Akademi/perguruan tinggi
V03 3 Pekerjaan utama ibu
1 Tidak bekerja
2 Buruh
3 Pedagang
4 Petani
5 Jasa
6 Pegawai swasta
7 Pengawai negeri/ABRI
8 Lain-lain
V04 4 Apakah ibu melakukan pemeriksaan kehamilan ?
1 Ya
2 Tidak
V05 5 Kontiny Berapa kali ibu periksa hamil ?
V06 6 u 1 Siapa yang menganjurkan ibu untuk
2 periksa hamil ? Keinginan sendiri
3 Keluarga
4 Tetangga/te
5 man
6 Kader
7 kesehatan
8 Bidan
V07 7 1 Tempat pemeriksaan kehamilan yg paling
9 Paraji
2 sering dikunjungi Posyandu
Petugas
3 Bidan praktek
puskesmas Dokter
4 swasta
praktek swasta
5 Puskesmas
Lain-lain
6 Rumah sakit
7 Pondok
8 bersalin
V08 8 1 Alasan utama mengunjungi tempat pemeriksaan
9 Dokter praktek
2 kehamilan tersebut
swasta Rumah
3 Biaya
bersalin
4 murah
Paraji
5 Sabar/sim
Lain-
6 patik Teliti
lain
7 Jaraknya
V09a 9.a 1
8 Pada
dekat saat periksa hamil, apakah dilakukan
Ya
Tradisi
2 penimbangan ?
Tidak
keluarga
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo
Aman/selamat 130
Dianjur
kan
Lain-
lain
Nama No. Nilai Label
variabel Pertanyaan
V09b 9.b Pada saat periksa hamil, apakah dilakukan
1 Ya
imunisasi TT ?
2 Tidak
Pada saat periksa hamil apakah diberikan pil Fe ?
V09c 9.c 1 Ya
2 Tidak
Pada saat periksa hamil apakah dilakukan
V09d 9.d fundus?
pemeriksaan tinggi
1 Ya
2 Tidak
Pada saat periksa hamil, apakah dilakukan
V09e 9.e ?
pemeriksaan tek. darah
1 Ya
2 Tidak
V10 10 Berapa pil Fe yg diminum selama hamil ?
1 1-30 pil
2 31-60 pil
3 61-90 pil
4 > 90 pil
5 Tidak pernah
V11 11 1 Siapa yang menolong ibu melahirkan pada
Tetangga/keluarga
2 kehamilan terakhir ?
Dukun
3 Kader
4 Bidan
5 Dokter
6 Lain-lain
Di mana ibu melahirkan ?
V12 12 1 Rumah sendiri/orang tua
2 Rumah paraji
3 Puskesmas
4 Praktek bidan swasta
5 Pondok bersalin
6 Rumah sakit
7 Rumah bersalin
8 Lain-lain
V13 13 Apakah bayi ditimbang setelah lahir ?
1 Ya
2 Tidak
V14 14 Kontiny Berat bayi lahir (gram)
V15 15 u Apakah ibu memperoleh nasehat perawatan nifas ?

1 Ya
2 Tidak
2. ANALISA DESKRIPTIF
Setelah semua variabel dibuat LABEL dan VALUE, jawablah pertanyaan di bawah
ini, dan sajikan dalam bentuk tabel yang sesuai dan tuliskan interpretasinya.
PERTANYAAN:
1. Bagaimana distribusi pendidikan ibu di Kabupaten tsb ?
2. Bagaimana distribusi pekerjaan ibu di Kabupaten tsb ?
3. Berapa persen ibu yang melakukan pemeriksaan kehamilan ?
4. Dari ibu yang melakukan pemeriksaan kehamilan, berapa kali rata-rata mereka
memeriksakan kehamilannya ?
5. Dari ibu yang melakukan pemeriksaan kehamilan, berapa persen yang
melakukan pemeriksaan kehamilan 4 kali atau lebih ? Buat variabel baru dg
nama PERIKSA
6. Dari ibu yang melakukan pemeriksaan kehamilan, berapa persen yang
dianjurkan oleh tenaga kesehatan (kader, bidan, puskesmas, dokter), berapa
persen yang dianjurkan oleh non tenaga kesehatan (keluarga, tetangga, paraji,
lain-lain) dan berapa persen karena keinginan sendiri ? Buat variabel baru dg
nama ANJURAN
7. Dari ibu yang periksa hamil, berapa persen ibu yang periksa hamil 4 kali atau
lebih dan kualitasnya baik (ditimbang, diimunisasi TT, diberi pil Fe, diperiksa
tinggi fundus dan diperiksa tekanan darah) dan dapat pil Fe > 90 pil ?.
Kombinasi variabel ini merupakan proksi dari kualitas K4. Buat variabel baru dg
nama K4
Jawaban Pertanyaan no. 1 sampai no. 3
Pertanyaan no. 1 s.d no. 3 berkaitan dengan jenis data kategorik, sehingga
analysis data disesuaikan dengan prosedur analysis data kategorik yaitu sebagai
berikut:
Analize <
Descriptive Statistics <
Frequencies….
Pilih variabel V02 V03 V04 dengan cara mengklik masing-masing variable
tersebut, dan masukkan ke kotak Varible(s) di sebelah kanan dengan cara
mengklik tanda < seperti berikut:
Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti
berikut:
Pendidikan Ibu
Frequency Percen Valid Percent Cumulative
t Percent
V T
T 42
98 1
3 1
3 1
4
a T
id 87 2
4 2
4 7
4
T 37 2
1 2
1 7
8
l a
T
d 33 9
1
.. 9
1
.. 6
9
..
ka
T 1 . 2 .3 2 18
i m
a
T
a 298 11 .1 11 .1 .1
9
m
a 3 9 . 9
. 00 .
d a
m
o
kT 0 2
. 0.2 .2
a
m 4 4 06
tt
a 01 01 7
t
a .
ts
a . .
m
t 0
S
le 0 0
a
S
D
S
kt
M
P
Aplikasi Komputer RevisiM o1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 133
P
T
U
lS
a
D
h
Pekerjaan Ibu
Frequency Percent Valid Cumulative
Percent
Percent
V Tidak bekerja 2 9 9 9
a Buruh 3 7 11 1 1 9
1
Pedagang 11 3 3 9
l Petani 1 4 . .. . . 3
9
.
Jasa 1 . . . 6
9
i Pegawai 5 3 901 0
3
1 9 .9
7
Pengawai 3 3 7
1 7
3
1 1.7
d swasta
Total 2 1. . 1 .0
9
negeri/ABRI . . 0.6
9 07 7 0 0
.
0 0 03
Jawaban Pertanyaan no. 4 8 0 0 0
.
Pertanyaan no. 4 berkaitan dengan jenis data. numerik, sehingga
. analysis data
0
0
disesuaikan dengan prosedur analysis data numerik 0 berikut:
yaitu sebagai
Analize <
Descriptive Statistics <
Explore ….
2. Pada kotak yang tersedia, pilih variabel V05 dengan cara mengklik variable
tersebut, dan masukkan ke kotak Varible(s) di sebelah kanan dengan cara
mengklik tanda < seperti berikut:
3. Untuk menjalankan prosedur, klik OK sehingga outputnya sebagai berikut:
Descriptives
S S
Berapa Kali Mean 6 .
Periksa 95% t 5 t
Interval for Lower
Upper . 4
Kehamilan Confidence a . d
5%
MeanTrimmed Bound 4
5
7 2
t 6 .
Median 5
9
Mean
Variance 4 .
i 7
Std. .6
8 7
3
Minimum 1s E
Deviation
Maximum 8 .0 9
1
Range 8t . 0 r
Interquartile 1 9 5
Skewness 0 i 17 r .
Range 4
K c74. o .
. 1
ur 90
6 r 2
7 4
to . 0 9
2 7
si 4 3
7
s 4
6
3. TRANSFORMASI DATA DG PERINTAH “RECODE”
Jawaban Pertanyaan no. 5

Pada pertanyaan no. 5, anda harus membuat kategori baru dari
variabel V05 menjadi variabel PERIKSA, dimana nilai 1--3 pada V05
menjadi kode=1 pada PERIKSA dan nilai 4--Max pada V05 menjadi
kode=2 pada PERIKSA. Dapat ditulis ulang sebagai berikut:
1—3 � 1 = “Periksa kurang dari 4 kali”
4—max � 2 = “Periksa 4 kali atau lebih”
Transform <
Recode <
Into Different Variable….
2. Pilih variabel V05 klik tanda < untuk memasukkannya ke kotak
sebelah kanan
3. Isi Kotak Name dengan varibel baru PERIKSA
4. Klik Change, sehingga “V05 � …” berubah menjadi “V05 �
PERIKSA” seperti berikut:
5 Klik OLD AND NEW
. VALUES…
Pada OLD Value, Pilih (.) t d 1 t
6 Range h a h
. Kemudian pada NEW Value isi 1, selanjutnya
r kliknADD. Hasilnya
r dapat
dilihat pada gambar berikut: o o
u i u
g s g
h i h
7. Berikutnya, pada OLD Value, Pilih (.) Range through highest dan isi kotak
4 through highest.
Kemudian pada NEW Value isi 2, kemudian klik ADD
8. Klik Continue dan kemudian OK untuk menjalankan prosedur

Proses transformasi selesai, lihat pada jendela Data-View, kolom paling
kanan
Pemberian LABEL dan VALUE..

9. Beri Label PERIKSA � Jumlah Kunjungan Periksa Hamil
10. Beri Value PERIKSA kode 1 � “Kurang 4 kali” kode 2 � “4 kali atau lebih”
11. Tampilkan distribusi frekuensi untuk variabel PERIKSA sebagai berikut:
Jumlah Kunjungan Periksa Hamil

C
F P V u
V Ku 7 2 2 2
4 r 1 e 6 a 7 m 1
a ra
To 6 5 17 7
kal e 2 9 r 9 6 l 2 u 0
M
l Sy
ng 2 .27
T tal q 7
2 c 1 i 0. l 0
.
ii i
ste 3 9 . . .
da 5 .5 06 6
o at u 9 e 0 87 d 4 a .
“Dari semua s m
d yangri periksa hamil (275), sebanyak 199
t e 8 n 03 . (72.4%)
t 0
memeriksakan
au
s 4 kali4atau lebih, ada 23 responden yang missing (artinya tidak pernah
kehamilannya 0
a leb n t . P i
i
periksa hamil)”. kal
l ih c 0 e v
n i
Aplikasi Komputer Revisi 1.0 2014 - STIKES
y Yayasan RS.Dr.
r Soetomo e 138
g
c
e P
Catatan tambahan:
Jika anda menginginkan data yang missing tersebut juga diberi kode= 1 (Periksa
kurang dari 4 kali/tidak periksa hamil), maka setelah langkah nomor 7 tambahkan
perintah berikut:
12. Pada OLD Value, Pilih System missing,

kemudian pada NEW Value isi 1, kemudian klik ADD, hasilnya sbb:
13. Klik Continue dan OK untuk menjalankan prosedur.

14. Keluarkan distribusi frekuensi dari variabel PERIKSA, hasilnya sbb:
Jumlah Kunjungan Periksa Hamil
Frequency Percent Valid Cumulative

Percent Percent
V Kurang 99 3 3 3
4 kali 1 6 6 1
a dari 4 3 3 3
Total
atau 2
9 16 16 0
l kali . . .
lebih 9
9 0. 0. 0
Interpretasinya
i berbeda dengan output sebelumnya:
2 2 2
8 08 08 .
“Dari semua
d reponden (298), sebanyak 199 (66.8%) memeriksakan kehamilannya 4
. . 0
kali atau lebih”
0 0
4. TRANSFORMASI DATA DG PERINTAH “COMPUTE”
Pertanyaan no. 7
Dari ibu yang periksa hamil, berapa persen ibu yang periksa hamil 4 kali atau
lebih dan kualitasnya baik (ditimbang, diimunisasi TT, diberi pil Fe, diperiksa
tinggi fundus dan diperiksa tekanan darah) dan dapat pil Fe > 90 pil ?. Kombinasi
variabel ini merupakan proksi dari kualitas K4. Buat variabel baru dg nama K4
Jawaban no.7
Untuk menjawab pertanyaan nomor 7 anda terlebih dahulu harus membuat
variabel baru yang namanya K4. Jika V05 >= 4 dan (V09a=1 dan V09b=1 dan
V09c=1 dan V09e=1) dan v10=4 maka K4 =1 (K4 berkualitas baik) selain itu K4
=0 (K4 tidak berkualitas tidak)
Transform <
Compute <
2. Isi Target Variabel dengan K4
3. Isi Kotak Numeric Expression dengan persamaan berikut:
V05 >= 4 and (V09a=1 and V09b=1 and V09c=1 and V09e=1) and v10=4
Pilih variabel yang sesuai di kotak kiri bawah, kemudian klik tanda > untuk
memasukkannya ke kotak bagian kanan atas (Numeric Expression)
(Jangan biasakan mengetik nama variabel, cukup pakai klik dan pilih
tanda >, untuk mengurangi kesalahan akibat pengetikan)
4. Hasilnya Sebagai berikut:
5. Klik OK untuk menjalankan prosedur
Kemudian keluarkan distribusi frekuensi dari K4 (Analysis deskriptif data
kategorik), sehingga muncul hasil seperti berikut:
K4
Cumulative Frequency Percent Valid Percent Percent

V . 2 7 8 8
a 1
0 24 1
4 1
2 12
T
.0 2 8 1
lM S 17
3
5
.1 7
. 0.
o 6 9 0 .
ii Total 0y 298 0 100.0 .20 5 05
t0 8 .8 0 5 .
Buat Label untuk d
s variabel
s K4=”Pemeriksakan
. kehamilan dengan kualitas
a 9 .
baik”, sBuat VALUE tl kode 0=”Kualitas
1 K4 tidak baik”0 dan kode
0
1=”Kualitasi K4 baik”,
e Keluarkan kembali tabel frekuensinya sbb:
n m
g Ibu memeriksakan kehamilan dengan kualitas
baik
C
V Ku F 2 P 7 V 8 u 8
Ku 4 1 1 1
a alit r 2 e 4 a m 2
To 2 8 12
alit 7 5 7 0
M
l Sy
as 3e 1 r 1.9 l u .
tal 6 0.
T as 2 . . 0
i st
K4 0q c 102 i 5 l 5
8 . 0
o K4 9 08 5 .
sd e
tid u e . d a
Contoh interpretasi: 9 .
t ba 8 0 0
s m
ak e n 1 t
“Dari semua aresponden ibu hamil (298), sebanyak 0
ik
n t . 47P(15.8%) memeriksakan
i
i ba
kehamilan dengan
l kualitas K4 yang baik” 0
n ik c e v
Hati-hati dengan interpretasi lain yang berbeda:
g y r e
“Dari semua yang pernah periksa hamil (268), sebanyak 47 (17.5%)
c
mendapatkan pemeriksaan kehamilan dengan kualitas K4 yang baik”
e P
Interpretasi mana yang akan dipilih harus disesuaikan dengan tujuan dan
n e
substansi yang ingin diukur oleh peneliti
t r
c
e
n
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo t 141
F. Uji 2-Rata-rata (t-test)
1. Pengertian
Di bidang kesehatan sering kali kita harus membuat kesimpulan
apakah suatu intervensi berhasil atau tidak. Untuk mengukur keberhasilan
tersebut kita harus melakukan uji untuk melihat apakah parameter (rata-
rata) dua populasi tersebut berbeda atau tidak. Misalnya, apakah ada
perbedaan rata-rata tekanan darah populasi intervensi (kota) dengan
populasi kontrol (desa). Atau, apakah ada perbedaan rata-rata berat
badan antara sebelum dengan sesudah mengikuti program diet.
Sebelum kita melakukan uji statistik dua kelompok data, kita perlu
perhatikan apakah dua kelompok data tersebut berasal dari dua kelompok
yang independen atau berasal dari dua kelompok yang
dependen/berpasangan. Dikatakan kedua kelompok data independen bila
populasi kelompok yang satu tidak tergantung dari populasi kelompok
kedua, misalnya membandingkan rata-rata tekanan darah sistolik orang
desa dengan orang kota. Tekanan darah orang kota adalah independen
(tidak tergantung) dengan orang desa. Dilain pihak, dua kelompok data
dikatakan dependen/pasangan bila 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).
2. Konsep Uji Beda Dua Rata-rata

Uji beda rata-rata dikenal juga dengan nama uji-t (t-test). Konsep
dari uji beda rata- rata adalah membandingkan nilai rata-rata beserta
selang kepercayaan tertentu (confidence interval) dari dua populasi. Prinsip
pengujian dua rata-rata adalah melihat perbedaan variasi kedua kelompok
data. Oleh karena itu dalam pengujian ini diperlukan informasi apakah
varian kedua kelompok yang diuji sama atau tidak. Varian kedua kelompok
data akan berpengaruh pada nilai standar error yang akhirnya akan
membedakan rumus pengujiannya.
Dalam menggunakan uji-t ada beberapa syarat yang harus
dipenuhi. Syarat/asumsi utama yang harus dipenuhi dalam menggunakan
uji-t adalah data harus berdistribusi normal. Jika data tidak berdistribusi
normal, maka harus dilakukan transformasi data terlebih dahulu untuk
menormalkan distribusinya. Jika transformasi yang dilakukan tidak
mampu menormalkan distribusi data tersebut, maka uji-t tidak valid untuk
dipakai, sehingga disarankan untuk melakukan uji non-parametrik seperti
Wilcoxon (data berpasangan) atau Mann-Whitney U (data independen).
Berdasarkan karakteristik datanya maka uji beda dua rata-rata dibagi
dalam dua kelompok, yaitu: uji beda rata-rata independen dan uji beda rata-
rata berpasangan.
3. Aplikasi Uji-t Dependen pada Data Berpasangan

Uji-t untuk data berpasangan berarti setiap subjek diukur dua kali.
Misalnya sebelum dan sesudah dilakukannya suatu intervensi atau
pengukuran yang dilakukan terhadap pasangan orang kembar. Dalam
contoh ini akan membandingkan data sebelum dengan sesudah intervensi.
Sebelum merencanakan kehamilan, subjek melakukan penyesuaian diet
(mengikuti program makanan tambahan) selama 2 bulan. Pengukuran berat
badan yang pertama (BBIBU_1) dilakukan sebelum kegiatan penyesuaian
diet dilakukan, dan pengukuran berat badan yang kedua (BBIBU_2)
dilakukan setelah dua bulan menjalani penyesuaian diet.
Kita akan melakukan uji hipotesis untuk menilai apakah ada
perbedaan berat badan ibu antara sebelum dengan sesudah mengikuti
program diet, langkah-langkahnya sebagai berikut.
Analize <
Compare Mean <
Paired-Sample T-test….
2. Pilih variabel BBIBU_1 dan BBIBU_2 dengan cara mengklik masing-
masing variable tersebut.
3. Kemudian klik tanda < untuk memasukkannya ke dalam kotak Paired-
Variables.
4. Pada menu “Options” pilihlah derajat kepercayaan yang diinginkan,
misalnya 95%.
Kemudian pilih Continue.
5. Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil
seperti berikut:
Paired Samples Statistics
Paired Samples Statistics
Std. Error
Pair BBIBU_1 Mean N Std. Deviation Mean
58.39 13.76 1.00
189
1 BBIBU_2 60.12 189 13.72 1.00
Dari 189 subjek yang diamati terlihat bahwa rata-rata (mean) berat
badan dari ibu sebelum intervensi (BBIBU_1) adalah 58.39, dan rata-rata
berat badan sesudah intervensi (BBIBU_2) adalah 60.12. Jika kita ingin
mengeneralisasikan pada populasi, apakah di populasi ada perbedaan
yang signifikan antara sebelum dan sesudah intervensi. Uji ‘t’ yang
dilakukan terlihat pada tabel berikut:
Paired Samples Test Paired Differences
Mean Std. Dev Std. Error 95% CI of the t df Sig.
Mean Difference (2-tailed)
Lower Upper
Pair 1 BBIBU_1 - -1.730 1.773 0.129 -1.985 -1.476 -13.413 188.000 0.000
BBIBU_2
Dari hasil uji-t berpasangan tersebut terlihat bahwa rata-rata perbedaan

antara BBIBU_1 dengan BBIBU_2 adalah sebesar -1.73. Tanda minus (-)
berarti berat sesudah lebih besar daripada berat sebelum intervensi.
Artinya ada peningkata berat badan sesudah intervensi dengan rata-rata
peningkatan tersebut adalah 1.73 kg.
Hasil perhitungan nilai “t” adalah sebesar 13.41 dengan p-value
0.000 (uji 2-arah). Hal ini berarti kita menolak Ho dan menyimpulkan bahwa
pada populasi (dari mana sampel tersebut diambil) secara statistik ada
perbedaan yang bermakna antara rata-rata berat badan sebelum
dengan sudah intervensi.
4. Aplikasi Uji-t pada Data Independen

Uji-t untuk data independen dilakukan terhadap dua kelompok data yang
tidak saling berkaitan antara satu dengan lainnya. Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu perokok
dengan ibu-ibu bukan perokok adalah dua kelompok yang tidak saling berkaitan.
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi yang
lahir dari ibu perokok dengan bayi yang lahir dari ibu bukan perokok. Kita akan
melakukan uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir
dari ibu bukan perokok dengan rata-rata berat bayi yang lahir dari ibu perokok,
dengan langkah-langkah sebagai berikut.
Analize <
Compare Mean <
Independent-Samples T-test….
2. Pilih variabel BBAYI dengan cara mengklik variable tersebut.
3. Kemudian klik tanda < untuk memasukkannya ke dalam kotak Test
variable(s).
4. Pilih variabel ROKOK dan masukkan ke dalam kotak Grouping variable.
5. Kemudian klik menu Define group, dan isi angka 0 (nol) -kode untuk bukan
perokok- pada Group-1 dan isi angka 1 (satu) -kode untuk perokok- pada
Group-2. Kemudian pilih Continue. (Kodenya bisa saja 1 dengan 2
tergantung data yang dipakai)
6. Pada menu “Options” pilihlah derajat kepercayaan yang diinginkan,
misalnya 95%. Kemudian pilih Continue.
7. Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti
berikut:
Group Statistics
Std. Error
ROKOK N Mean Std. Deviation Mean
BBAYI Tidak 115 3054.96 752.41 70.16

Ya 74 2773.24 660.08 76.73
Hasil tersebut memperlihatkan bahwa ada 115 ibu yang tidak perokok
dan mereka mempunyai rata-rata berat bayi sebesar 3054.96 gram.
Sedangkan 74 ibu yang perokok melahirkan bayi yang lebih rendah
beratnya daripada kelompok sebelumnya yakni dengan rata-rata 2773.24
gram.
Independent Samples Test
Levene's Test t-test for Equality of Means

for Equality
of Variances
F Sig. t df Sig. Mean Std. Error

(2- Differenc Differenc
tailed) e e
BBAYI Equal variances .221 .009

assumed 1.508 2.634 187 281.71 106.97
Equal variances
not assumed 2.709 170.0 .007 281.71 103.97
Uji-t independen menyajikan dua buah uji statistik. Pertama adalah uji
Levene’s untuk melihat apakah ada perbedaan varians antara kedua
kelompok atau tidak. Kedua adalah uji-t untuk melihat apakah ada perbedaan
rata-rata kedua kelompok atau tidak.
Jika p-value (Sig.) dari uji Levene’s besar dari nilai α (0.05), hal ini
berarti varians kedua kelompok adalah sama, maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed). Tetapi jika
p-value dari uji Levene’s kecil atau sama dengan nilai α (0.05), hal ini
berarti bahwa varians kedua kelompok adalah tidak sama, maka
signifikansi uji-t yang dibaca adalah pada baris kedua (Equal variances not
assumed).
Pada contoh diatas signifikansi uji Levene’s adalah 0.221, berarti
varians kedua kelompok adalah sama, maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig.) adalah 0.009 untuk uji 2-sisi. (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2
sehingga menjadi 0.018). Dapat kita simpulkan bahwa secara statistik rata-
rata berat bayi yang lahir dari populasi ibu yang tidak perokok lebih
tinggi dari populasi ibu perokok.
G. Uji Beda > 2-Rata-rata (ANOVA)

a. Pengertian
Jika untuk menguji perbedaan rata-rata antara 2 kelompok
independen digunakan Uji- t, maka untuk melakukan uji terhadap perbedaan
rata-rata antara 3 kelompok independen atau lebih, kita tidak boleh
menggunakan uji t berulang-ulang. Misalnya kita ingin mengetahui
apakah ada perbedaan rata-rata hasil antara 3 kelompok intervensi,
apakah ada perbedaan rata-rata berat badan bayi lahir menurut tingkat
pendidikan ibu (rendah, menengah, & tinggi). Dalam menganalisis data
seperti ini (lebih dari dua kelompok) sangat tidak dianjurkan
menggunakan uji-t. Ada dua kelemahan jika menggunakan uji-t yaitu
pertama: kita harus melakukan pengujian berulang kali sesuai kombinasi
yang mungkin, kedua: bila melakukan uji-t berulang-ulang akan
meningkatkan (inflasi) nilai α, inflasi nilai α sebesar = 1 - (1-α)n, artinya

akan meningkatkan peluang mendapatkan hasil yang keliru.
Untuk mengatasi masalah tersebut maka uji statistik yang dianjurkan
(uji yang tepat) dalam menganalisis beda lebih dari dua mean kelompok
independen adalah Uji ANOVA atau uji-F. Analisis varian (ANOVA)
mempunyai dua jenis yaitu analisis varian satu faktor (one way anova) dan
analsis varian dua faktor (two ways anova). Pada bab ini hanya akan
dibahas analisis varian satu faktor.
Beberapa asumsi yang harus dipenuhi pada uji Anova adalah:
1. Sampel berasal dari kelompok yang independen
2. Varian antar kelompok harus homogen
3. Data masing-masing kelompok berdistribusi normal
Asumsi pertama harus dipenuhi pada saat pengambilan sampel
yang dilakukan secara random terhadap beberapa (> 2) kelompok yang
independen, yang mana nilai pada satu kelompok tidak tergantung pada
nilai di kelompok lain. Sedangkan pemenuhan terhadap asumsi kedua
dan ketiga dapat dicek jika data telah dimasukkan ke komputer, jika asumsi
ini tidak terpenuhi dapat dilakukan transformasi terhadap data. Apabila
proses transformasi tidak juga dapat memenuhi asumsi ini maka uji Anova
tidak valik untuk dilakukan, sehingga harus menggunakan uji non-parametrik
misalnya Kruskal Wallis.
b. Konsep Uji ANOVA

Apabila kita ingin membandingkan efek 3 jenis obat terhadap
penurunan kadar kholesterol serum darah tikus atau membandingkan
rata-rata berat bayi lahir dari ibu yang perokok berat, perokok
ringan/pasif, dan bukan perokok. Dengan menggunakan uji Anova yang
pada prinsipnya uji Anova adalah melakukan analisis variabilitas data
menjadi dua sumber variasi yaitu variasi didalam kelompok (within) dan
variasi antar kelompok (between). Bila variasi within dan between sama
(nilai perbandingan kedua varian mendekati angka satu) maka berarti tidak
ada perbedaan efek dari intervensi yang dilakukan, dengan kata lain nilai
mean yang dibandingkan tidak ada perbedaan. Sebaliknya bila variasi
antar kelompok lebih besar dari variasi didalam kelompok, artinya
intervensi tersebut memberikan efek yang berbeda, dengan kata lain nilai
mean yang dibandingkan menunjukkan adanya perbedaan.
c. Aplikasi Uji ANOVA

Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok independen (data yang tidak saling berkaitan antara satu
dengan lainnya). Misalnya membandingkan pengaruh dari 3 jenis
intervensi atau membandingkan rata-rata berat bayi dari kelompok ibu-ibu
perokok berat dengan perokok ringan atau bukan perokok.
Pada contoh analisis ini kita akan melihat apakah ada perbedaan
berat bayi yang lahir dari ibu yang berpendidikan SD, ibu yang
berpendidikan SMP, dengan ibu yang berpendidikan SMA. Kita akan
melakukan uji hipotesis apakah ada perbedaan rata-rata berat bayi yang
lahir dari ibu dari jenis pendidikan yang berbeda, dengan langkah-langkah
sebagai berikut.
1. Dari menu utama, pilihlah
Analyze <
Compare Means <
One-way ANOVA ...
2. Klik variabel BBAYI dan klik tanda < untuk memasukkannnya ke

kotak Dependent List.
3. Klik variabel DIDIK dan klik tanda < untuk memasukkannnya kotak
Factor.
4. Pada menu Options.. klik Deskriptive dan Homegeneity of varians.
5. Klik Continue dan Anda akan kembali ke kotak dialog awal dengan isian
lengkap
6. Klik OK untuk menjalankan prosedur. Hasilnya tampak di output seperti
berikut:
Descriptives BBAYI
95% Confidence
Interval for Mean
Std. Std. Lower Upper Mini Maxi
N Mean Deviation Error Bound Bound mum mum
SD 47 2400.43 695.90 101.51 2196.10 2604.75 709 3940
SMP 84 2915.17 555.33 60.59 2794.65 3035.68 1588 4153
SMA 58 3428.38 655.32 86.05 3256.07 3600.69 1729 4990
Total 189 2944.66 729.02 53.03 2840.05 3049.26 709 4990
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan SD adalah
2400.43 gram, pada ibu dengan pendidikan SMP adalah 2915.17 gram, dan
pada ibu berpendidikan SMA adalah 3428.38 gram. Standar deviasi, nilai
minimum-maximun, dan interval 95% tingkat kepercayaan juga diperlihatkan.
Test of Homogeneity of Variances
Levene
Statistic
df1 df2 Sig.
BBAYI 1.300 2 186 .275
Salah satu asumsi dari uji Anova adalah varians masing-masing kelompok
harus sama. Untuk itu dilakukan uji homogenitas varians yang hasilnya
memperlihatkan bahwa p-value (sig.) lebih besar dari nilai α=0.05, berarti
varians antar kelompok adalah sama. Jika varians tidak sama, uji Anova
tidak valid untuk dipakai. Catatan: dalam hal ini kita tidak melakukan uji
normalitas.
ANOVA
BBAYI
Sum of df Mean Square F Sig.

Squares
Between Groups 27565146 2 13782572.92 35.432 .000
Within Groups 72351907 186 388988.746
Total 99917053 188
Pada hasil di atas diperoleh nilai ANOVA F = 35.43 dengan p-

value=0.000 (dalam keadaan ini boleh juga ditulis p < 0.001). Hipotesis nol
pada uji ANOVA adalah tidak ada perbedaan rata-rata berat bayi antara
kelompok ibu dengan pendidikan SD, SMP, dan SMA. Sedangkan hipotesis
alternatifnya adalah salah satu nilai rata-rata berat bayi berbeda dengan
lainnya. Dengan menggunakan α=0.05, dari hasil di atas kita menolak
hipotesis nol. Sehingga kita menyimpulkan ada perbedaan berat badan bayi
dari ke tiga kelompok ibu tersebut (setidaknya salah satu nilai mean berbeda
dengan lainnya). Namun, kita belum tahu kelompok mana yang berbeda
antara satu dengan yang lainnya.
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda,
apakah antara pendidikan SD dengan SMP, SD dengan SMA, atau SMP
dengan SMA. Untuk menjawab pertanyaan ini kita harus melakukan uji
banding ganda. Untuk melakukan uji banding ganda, kita harus klik menu
Post Hoc… pada kotak dialog ANOVA.
Silakan kembali ke langkah awal (Analyze, Compare means, One-
way-Anova) Pada kotak dialog tersebut ada banyak pilihan uji komparasi
ganda. Anda harus membuka buku statistik untuk memahami kelebihan dan
kekurangan masing-masing uji. Pada contoh kali ini, kita akan menggunakan
uji Tukey honestly significant different (Tukey HSD), suatu uji yang sering
digunakan. Kemudian klik Tukey untuk meminta agar uji tersebut
dilakukan oleh komputer. Hasil output SPSS adalah sama dengan hasil
uji ANOVA sebnelumnya dan ditambah dengan tampilan berikut:
Post Hoc Tests
Multiple Comparisons
Dependent Variable: BBAYI Tukey

HSD
Mean
95% Confidence Interval
Difference
(I) DIDIK (J) DIDIK (I-J) Std. Error Sig. Lower Bound Upper Bound
SD SMP -514.74* 113.61 .000 -781.01 -248.47
SMA -1027.95* 122.41 .000 -1314.84 -741.07
SMP SD 514.74* 113.61 .000 248.47 781.01
SMA -513.21* 106.48 .000 -762.76 -263.66
SMA SD 1027.95* 122.41 .000 741.07 1314.84
SMP 513.21* 106.48 .000 263.66 762.76
*. The mean difference is significant at the .05 level.

Pada hasil di atas terlihat perbedaan yang “bermakna” pada α=0.05
yang ditandai dengan tanda *. Pada baris pertama (SD) dapat dilihat
perbandingan antara berat bayi dari ibu berpendidikan SD dengan berat bayi
dari ibu berpendidikan SMP atau SMA. Begitu juga dengan baris ke-2, terlihat
perbandingan antara berat bayi dari ibu berpendidikan SMP dengan berat
bayi dari ibu berpendidikan SD dan SMA.
Dari hasil di atas dapat disimpulkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan SD dengan ibu berpendidikan SMP,
antara ibu berpendidikan SD dengan ibu berpendidikan SMP, dan ibu
berpendidikan SMP dengan ibu berpendidikan SMA.
H. Uji Beda Proporsi (χ2:Chi-square)
a. Pengertian
Dalam penerapan praktis, kita ingin menguji apakah ada
hubungan antara dua variable kategorik. Atau kita ingin menguji apakah
ada perbedaan proporsi pada populasi. Jika perbedaan proporsi itu eksist
dapat kita katakan bahwa adanya keterkaitan atau hubungan antara dua
variabel kategorik tersebut.
Misalnya kita ingin menguji apakah proporsi hipertensi pada
populasi perokok lebih tinggi dari proporsi hipertensi pada populasi bukan
perokok. Pengamatan dilakukan terhadap kebiasaan merokok dan
pengukuran dilakukan terhadap tekanan darahnya (yang setelah diukur
dikategorikan menjadi normotensi dan hipertensi). Apabila pengamatan
diatas disusun didalam suatu tabel, maka tabel tersebut dinamakan tabel
kontingensi (tabel silang). Dari data tersebut dapat dilakukan uji statistik
untuk melihat ada tidaknya asosiasi antara dua sifat/variabel tadi
(kebiasaan merokok dan hipertensi)
Uji statistik untuk melihat hubungan antara dua variabel yang
dikategorikan sering digunakan uji “chi-square” (χ2). Secara spesifik uji chi
square dapat digunakan untuk menentukan/menguji:
1) Ada tidaknya hubungan/asosiasi antara 2 variabel (test of independency)
2) Apakah suatu kelompok homogen dengan sub kelompok lain (test of
homogenity)
3) Apakah ada kesesuaian antara pengamatan dengan parameter tertentu
yang dispesifikasikan (Goodness of fit).
Secara umum tidak ada asumsi yang harus dipenuhi untuk uji χ2,
karena distribusi χ2 ini termasuk free-distribution. Hanya saja, jumlah

pengamatan tidak boleh terlalu sedikit, frekuensi harapan (expected
frequency) tidak boleh kurang dari satu dan frekuensi harapan yang kurang
dari lima tidak boleh lebih dari 20%. Jika asumsi ini tidak terpenuhi maka
harus dilakukan pengelompokan ulang sampai hanya menjadi dua
kelompok saja (tabel 2 x 2), Pada tabel 2 x 2 gunakan Fisher Exact test
yang merupakan nilai-p sebenarnya, yang secara otomatis sudah ada di
output SPSS.
b. Konsep Uji Chi Square
Dasar dari uji kai kuadrat adalah membandingkan frekuensi yang
diamati dengan frekuensi yang diharapkan. Misalnya sebuah uang logam
dilambungkan seratus kali, kemudian diamati permukaan uang yang
muncul yaitu A (Angka) sebanyak 55 kali dan B (Gambar) sebanyak 45
kali. Kalau uang logam tersebut seimbang tentu permukaan A dan B
diharapkan muncul sama banyak yaitu 50 kali. Hal ini berarti tidak ada
perbedaan antara frekuensi yang diamati (Observed = O) adalah 55 kali
dengan frekuensi yang diharapkan (Expected= E) yakni 50 kali. Jadi tidak
ada perbedaan antara pengamatan dengan yang diharapkan (O - E),
seandainya terjadi perbedaan, apakah perbedaan itu cukup berarti
(bermakana) atau hanya karena faktor kebetulan saja. Hasil percobaan
melambungkan mata uang tadi disajikan seperti tabel dibawah ini:
Tabel: 1 Hasil pelambungan 100 kali sebuah mata uang logam

( (2) ( (4) (5)
O E O ( (O
1 3
A (4 50 -) 25 -0.
)
B 5o 50( 5 - 25 O 0.
E)
5 5 5
T 1 10 0 20 χ
5b e 5
2
(
ot 0 0 ialah apakah nilai χ2 yang
0 telah dihitung2 =
( Pertanyaan s
berikutnya
x E - E
A
al memiliki kemungkinan
1.0 0 besar untuk terjadi atau hanya terjadi secara
H e p
n
kebetulan
u (merupakan peristiwa yang jarang terjadi), misalnya
g r e E =
kemungkinannya
r kecil dari 5%. Untuk menjawab pertanyaan ini, perlu
k v c
2
a
u
diketahui e kuantitas χt yakni distribusi probabilitas
distribusi ) untuk statistik.
1
Paraf ahli statistik
d telah membuktikan,
e bahwa distribusi2 ini mempunyai
.
)
)
kemencengan positif,
) dengand menghitung luas daerah diluar harga 01.0
pada distribusi χ2, dapat ditentukan

) nilai-p (p-value) serta keputusan untuk
menerima atau menolak hipotesis dengan membandingkannya dengan
nilai α. Ternyata setelah dihitung nilai-p adalah 0.15 artinya terjadi
kesalahan 15% jika kita menyatakan “55 berbeda dengan 50”, sehingga
kita lebih memilih untuk menyatakan “tidak adanya perbedaan antara 55
dengan 50”.
2
c. Aplikasi Uji χ pada Tabel Silang 2 x 2
Cara yang paling sering digunakan untuk menampilkan hubungan
antara dua data katagori adalah dengan menggunakan tabel silang
(crosstabs). Dalam contoh ini, kita akan menguji apakah ada hubungan
antara merokok dengan BBLR. Agar memudahkan dalam penyajian
datanya, kita akan membuat tabel silang antara merokok dan BBLR dari file
BAYI95.SAV.
Analyze <
Descriptif statistic <
Crosstabs…
Seperti gambar berikut:
2. Pilih variabel ROKOK, kemudian klik tanda > untuk memasukkannya ke

kotak Row(s)
3. Pilih variabel BBLR, kemudian klik tanda > untuk memasukkannya ke
kotak Colom(s).
4. Pada menu “Statistics” pilih Chi-Square dan Risk dengan mengklik kotak
disampingnya hingga muncul tanda “√”. Jika anda klik sekali lagi, maka tanda “√”
akan hilang. Kemudian Klik Continue.
5. Klik menu “Cells”, kemudian aktifkan Observed pada menu Count dan aktifkan
Rows pada menu Percentages hingga muncul tanda “√”. Kemudian Klik Continue.
6. Klik OK untuk menjalankan prosedur. Pada layar tampak hasil seperti berikut:
ROKOK * BBLR Crosstabulation
BBLR
T Y
R T Coun 8 i 2a T 1
O i %
t 6 d 7 1 9 2 1o
Y Coun
withi 4 4 0t 5 3 5 7
K d a
a %
tn 4
0 5 4 10a 4
O a . .
Tota Coun 5 k 1
withi 9 0 1 0
K k ROK 8 .l 2
l %
tn 9 6 3 1 8 3
. 0 .
OK % 0 %
withi 8 0 0 9 1
ROK 5 . 5
%
n . 0 .
Dari tabel silang tersebut
OK terlihat bahwa
dari % ibu-ibu
0 74
perokok, ada 30
%
ROK 8 . 2
%
orang (40.5%) melahirkan bayi
OK dengan BBLR.% Dari 115%ibu-ibu 0yang bukan perokok,
hanya ada 29 orang (25.2%) yang melahirkan bayi BBLR. Artinya
% proporsi BBLR
pada ibu perokok lebih besar dari proporsi BBRL pada ibu yang bukan perokok.
Walaupun secara proporsional terlihat ada hubungan antara merokok dan BBLR
yang terlihat dari proporsi bayi BBLR lebih besar pada ibu perokok dari pada ibu
tidak perokok, namun untuk menguji apakah hubungan tersebut bermakna secara
statistik, maka kita harus melakukan uji chi- square dengan melihat hasil output
berikut:
Chi-Square Tests
A E E
s x x
Pearson Chi- y . a a
V4 1d
Continuity
Square 4 1 m .0 c c
a . f
Likelihood
Correctiona 4. 1 p .02 t t
Fisher's l 9
Ratio .2 . 046
Linear-by-
Exact Test u 2
83 20 S S
Linear e 4 1 . . .
N of Valid 66b 1 S 7 i i
Association . 0 0 0
• Computed only for a 2x2 table 8
Cases 7 i g g
8 2 3 2
• 0 cells (.0%) have expected count g expected count
less than 5. The minimum . is 23.10..
99 7 6 0
. ( (
8
( 2 1
2 - -
Output SPSS menampilkan semua nilai chi-square dari berbagai macam uji,
- s s
seperti Pearson Chi- square, Continuity
s Correction,
i atau
i Fisher’s Exact Test.
i
Masing-masing uji tersebut dilengkapi dengan d
p-value d
untuk test 2-sisi.
d e e
Untuk memilih nilai χ2 atau p-value
e dyang paling
d sesuai, kita harus
berpedoman pada asumsi- d ) )
)
asumsi yang terkait dengan uji χ2. Antara lain:
1. Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3), apabila nilai frekuensi
harapan (expected) yang kurang dari 5 tidak lebih dari 20%, maka nilai χ2
atau p-value dari Pearson Chi-square atau Likelihood Ratio
dapat kita laporkan.
Catatan : Jika nilai expected yang kurang dari 5 lebih dari 20% atau ada
nilai expected yang kurang dari 1.0 (karena ada sell yang kosong), maka
hasil uji chi-square tidak valid, harus dilakukan pengelompokan ulang terlebih
dahulu.
2. Untuk tabel 2 x 2, nilai χ2 atau p-value dari Continuity Correction dapat kita
laporkan. Tetapi jika nilai frekuensi harapan kurang dari 5, maka nilai p-
value dari Fisher’s Exact Test yang harus kita laporkan.
Nilai-p Fisher’s Exact Test merupakan p-value yang cukup valid, sehingga
dapat juga kita laporkan meskipun frekuensi harapan tidak ada yang kurang dari
5. Dalam hal ini, kita pakai nilai tersebut dengan p-value = 0.036. Artinya
hubungan antara merokok dengan BBLR secara statistik cukup bermakna
dan bukanlah terjadi secara kebetulan belaka.
Dari tabel Risk Esimate terlihat bahwa OR=2.022. Hal ini berarti bahwa ibu yang
perokok mempunyai kecenderungan (risiko) sebesar 2 kali lebih besar
untuk melahirkan bayi dengan BBLR dibandingkan dengan ibu yang bukan
perokok.
Risk Estimate
95%
Co
L U
nfi
Odds Ratio for 2 o 1 p 3
For cohort(0BBLR V1 den
ROKOK / 1) . w1. p 1
.
For
= 0 cohort BBLR a .. . ce .
0 e .0 e .7
N
= 1of Valid Cases l 2 61 4 Int 9
2 r 08 r 58
u 5 28 1 0 erv 6 4
2 1 3
Untuk estimasi resiko e 8 29atau
(OR 3 9 al
RR), nilai perhitungannya
15 dari tabel silang
hanya akan keluar jika tabel silang yang dibuat adalah tabel 2 x 2. Jika tabel
silang yang dibuat lebih dari tabel 2 x 2 (misalnya 2x3, 3x3), maka nilai
estimasi resiko tidak akan keluar, karena SPSS tidak bisa menghitungnya.
Untuk menghitung nilai OR pada tabel 2x3 atau 3x3 kita dapat memilih salah
satu dari 3 alternatif berikut yaitu 1) menghitung secara manual dari tabel
silang tersebut, 2) membuat dummy variabel kemudian dilakukan crosstab, atau
3) melalui regresi logistik sederhana.
2
d. Aplikasi Uji χ pada Tabel Silang 2 x 3
Pada contoh ini, kita akan menguji apakah ada perbedaan proprosi BBLR
pada populasi dengan tingkat pendidikan yang berbeda-beda (SD, SMP, dan
SMA), kita akan membuat tabel silang antara DIDIK dan BBLR dari file
BAYI95.SAV. Dengan langkah yang sama seperti pada tabel 2x2 kita lakukan
prosedur untuk Crosstabs. Pilih variabel ROKOK, kemudian klik tanda < untuk
memasukkannya ke kotak Row(s). Pilih variabel BBLR, kemudian klik tanda <
untuk memasukkannya ke kotak Colom(s). Pada menu “Statistics” aktifkan
Chi-Square. Pada menu “Cells” aktifkan Observed dan aktifkan Rows. Pilih
continue dan klik OK untuk menjalankan analisis. Hasilnya sebagai berikut:
DIDIK * BBLR Crosstabulation
BBLR
T Y
D S C 1 2 4 T
i a
I D %
o 3 8 6 9 7 1o
d
D S C
w
u 8 6 1 2 8 0t
% a7 2 3
M oit . 1 . 4 10a
I nt k2 5
S C
w 7 7 5 0
P uhi 3 7 .l
K % 8 1 1
M oit . . 8 10
nt
n %1 % 5 0 1
T C
w 7 2 0
A uhi 6 4 .
o %
D
oit 6 3 3 9 1% 8
nt . . 0
n % % 0
t w
Iu 8 0 1 0 9
hi 9 1 .
D %
a it
D
nt . . 0
Tabel silang tersebut n
I memperlihatkan
% % bahwa 0 dari
47 ibu-ibu
l hi
I 8 2 .
D %
berpendidikan SD, ada D 29 orang (61.7%)
nK % melahirkan
% bayi
0 dengan
BBLR. Dari
I
I
D %
84 ibu-ibu yang berpendidikan D
K
SMP, ada 23 orang (27,4%) yang melahirkan
I
I
bayi BBLR. Dari 58 ibu-ibu D yang berpendidikan SMA, ada 7 orang (12.1%) yang
K
melahirkan bayi BBLR Artinya I semakin rendah tingkat pendidikan ibu akan
K
semakin besar proporsi BBRL. Walaupun secara proporsional terlihat ada
hubungan antara PENDIDIKAN dengan BBLR yang mana ibu berpendidikan
rendah cenderung melahirkan bayi BBLR, namun untuk menguji apakah
hubungan tersebut bermakna secara statistik, maka kita lakukan uji chi-square
dengan melihat hasil output sebagai berikut:
Chi-Square Tests
A
V d s
Pearson 3 2 .
Likelihoo a3 2f y .
Chi- 0 0
Linear-by-
d Ratio l0 m 0
Square .2 1 0
.
Linear u. p 0
N of Valid 8
8 1 0
0
Associatio e7 . 0
Cases 2
. 8 0
n 7 Yayasan
Aplikasi Komputer Revisi 1.0 2014 - STIKES2 RS.Dr. Soetomo 160
7 9 S 0
4
a
1 i
5 g
.
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 14.67.
Dalam tabel tersebut terlihat bahwa nilai χ2 baik Pearson maupun Likelihood
Ratio memperlihatkan hasil yang sama yaitu 30.8 dengan p-value = 0.000.
Artinya secara statistik ada hubungan yang bermakna antara pendidikan
ibu dengan BBLR dan kejadian tersebut sangat kecil kemungkinannya
untuk terjadi secara kebetulan.
e. Dummy Variabel
Output SPSS tidak bisa menampilkan nilai OR, karena nilai OR hanya bisa
dihitung pada tabel 2 x 2, padahal tabel untuk pendidikan dengan BBLR adalah tabel
3 x 2. Untuk bisa mendapatkan nilai OR dan CI-nya pada tabel 3 x 2 ada dua cara
yang dapat dilakukan yaitu 1) harus dibuat dummy variabel tabel terlebih dahulu
kemudian baru dilakukan Crosstabs atau 2) lakukan analisis regresi logistik
sederhana.
Untuk membuat dummy variabel dari pendidikan (SD, SMP, & SMA), pertama-
tama harus ditetapkan kelompok mana yang akan dijadikan sebagai pembanding,
kelompok pembanding akan diberi kode = 0 (nol).
Dalam hal ini sebagai pembanding kita tetapkan SMA sehingga SMA diberi
kode 0 pada variabel dummy. Dari DIDIK (0=SD, 1=SMP, 2=SMA) dibuat 2-varibel
dummy dari menu Transformasi data dengan perintah RECODE.
DIDIK_1 (0=SMA, 1=SD) DIDIK_2 (0=SMA, 1=SMP)
Selanjutnya lakukan crosstabs dari 2 variabel dummy itu dengan BBLR, hasilnya sbb:
DIDIK_1 dengan BBLR
Crosstab
BBLR
T Y
D SMA 5 i 7a 5 T
I Co 1 d 1 8 o
SD 1 2 4
D unt 8 a 2 1 t
Co 8 9 7
ITotal % 76 k .3 0 a 1
unt 3 6 1
K wit
Co .9 16 0 l 0
% 8 1 0
_
unt hin 96 %
3 . 5
wit . . 0
1 DI
% %
5 4 0 1
hin 3 7 .
DI
Proporsi BBLR lebih tinggi pada ibu dengan
wit pendidikan. SD ( 61.7%)
. % 0
dibandingkan dengan ibu
DI % % 0
K_
hin
pendidikan SMA (12.1%). Hasil ini sama
DI dengan
1
tabel 3 x 2 sebelumnya.% 0
7 3
DI % % .
K_
DI 0
1
K_ %
1
Chi-Square Tests
A E E
s x x
Pearso V2 d1 .
y a a
Contin
n Chi- a2
8 1f .0
Likeli m c c
uity
Square l26
.
1 .0
0
Fisher'
hood 9 p 0 t t
Correc u.3 00
Linear
sRatio .
tiona e.2
8
00
-by- 2 1 . . .
Exact 7 0 S S
N of 2
6 1
Linear 8 0 0 0
Testi. Computed only for a 2x2 3 S i i
Valid b. table
6 0 0
Associ i g 0 g 0
2
ii. 0 cells (.0%) have expected5count less than 5. The minimum expected count is 16.11.
Cases
ation 1 0 0 0
g . .
1
2 .
Nilai-p dari χ dan Fisher 6Exact memperlihatkan hasil yang sama
( (
dan bermakna secara
statistik (p=0.000). ( 2 1
2 - -
Dari Nilai OR dapat disimpulkan bahwa - ibu yangs berpendidikan
s
SD mempunyai
kecenderungan untuk melahirkan bayi BBLR sebesar 11.7
s kali lebih
i besar i dibandingkan dengan ibu
i d d
yang berpendidikan SMA.
d e e
Risk Estimate
e d d
d ) )
) 95% Confidence
Interval
Lower Upper
Odds Ratio for DIDIK_1 11.738 4.384 31.429
Value
(SMA / SD)
For cohort BBLR = Tidak 2.296 1.578 3.341
For cohort BBLR = Ya .196 .094 .406
N of Valid Cases 105
DIDIK_2 dengan BBLR
Crosstab
BBLR
Tidak Ya
DIDIK_2 SMA Count 51 7 Total 58
% within DIDIK_2 87.9% 12.1% 100.0%
SMP Count 61 23 84
% within DIDIK_2 72.6% 27.4% 100.0%
Total Count 112 30 142
% within DIDIK_2 78.9% 21.1% 100.0%
Proporsi BBLR lebih tinggi pada ibu yang berpendidikan SD (27.4%) dibandingkan
dengan ibu yang berpendidikan SMA (12.1%), dan hubungan ini bermakna secara
statistik (p = 0.036)
Chi-Square Tests
Asymp. Sig. Exact Sig. Exact Sig.

(2-sided) (2-sided) (1-sided)
Pearson Chi-Square Value b df 1 .028
4.827
Continuity Correctiona 3.952 1 .047
Likelihood Ratio 5.099 1 .024
Fisher's Exact Test
Linear-by-Linear
Association 4.793 1 .029
.036 .022
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count less than 5. The minimum expected count is 12.25.
Dari Nilai OR dapat disimpulkan bahwa ibu yang berpendidikan SMP mempunyai
kecenderungan untuk melahirkan bayi BBLR sebesar 2.7 kali lebih besar
dibandingkan dengan ibu yang berpendidikan SMA.
Risk Estimate
95% Confidence
Interval
Lower Upper
Odds Ratio for DIDIK_2 2.747
Value 1.090 6.922
(SMA / SMP)
For cohort BBLR = Tidak 1.211 1.029 1.424
For cohort BBLR = Ya .441 .203 .959
f. Regresi Logistik Sederhana

Seperti telah dijelaskan sebelumnya bahwa Crosstabs pada tabel 2 x 2 tidak bisa
menampilkan nilai OR, misalnya pendidikan dengan BBLR yang merupakan tabel 3
x 2. Untuk bisa mendapatkan nilai OR dan CI-nya pada tabel 3 x 2 ada dua cara
yang dapat dilakukan yaitu 1) harus dibuat dummy variabel tabel terlebih dahulu
kemudian baru dilakukan Crosstabs atau 2) lakukan analisis regresi logistik
sederhana. Langkah-langkah dengan dummy variabel telah diperlihatkan pada
penjelasan di atas, sedangkan langkah-langkah pada regresi logistic sederhana akan
diuraikan berikut ini.
Pada contoh ini, Seorang manajer riset suatu pusat perbelanjaan A ingin
mengetahui faktor-faktor yang mempengaruhi frekuensi kedatangan seorang
pengunjung (jarang atau sering). Faktor-faktor yang diasumsikan berpengaruh
terhadap pola frekuensi kedatangan pengunjung kenyamanan area belanja,
kelengkapan fasilitas dan harga produk. Lakukan perintah analisis dengan SPSS
sebagai berikut:
Analyze <
DescripRegression <
Binary Logistic…
2. Pilih variabel frekuensi, kemudian masukkan ke kotak Dependent
3. Pilih variable kenyaman, fasilitas dan harga, kemudian masukkan ke kotak
Covariates
4. Klik tombol Method pilih Forward : Wald

5. Klik tombol Option pilih Hosmer Lemeshow –goodness of fit, CI for exp (B), casewise
listing residuas, dan All cases
6. Klik OK
Model Summary
Step -2 Log Cox & Snell R Nagelkerke R

likelihood Square Square
1 33.714a .509 .679

2 15.762b .657 .876
a. Estimation terminated at iteration number 6 because

parameter estimates changed by less than .001.
b. Estimation terminated at iteration number 9 because
parameter estimates changed by less than .001.
Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 1.453 4 .835
2 2.073 7 .956
Classification Tablea
Observed Predicted
frek Percentage
.00 1.00 Correct
Step 1 frek .00 20 5 80.0
1.00 2 23 92.0
Overall Percentage 86.0

Step 2 frek .00 22 3 88.0
1.00 1 24 96.0
Overall Percentage 92.0
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 fasilitas 2.106 .609 11.974 1 .001 8.219 2.493 27.101
Constant -14.204 4.107 11.961 1 .001 .000

Step 2b nyaman 2.685 1.237 4.710 1 .030 14.657 1.297 165.601
fasilitas 4.648 2.011 5.343 1 .021 104.369 2.028 5371.671
Constant -48.429 20.871 5.384 1 .020 .000
a. Variable(s) entered on step 1: fasilitas.

b. Variable(s) entered on step 2: nyaman.
Variables not in the Equation
Score df Sig.
Step 1 Variables nyaman 12.723 1 .000
harga 1.970 1 .160

Overall Statistics 12.723 2 .002
Step 2 Variables harga .009 1 .925
Overall Statistics .009 1 .925
Casewise List
Case Selected Observed Predicted Temporary Variable
Statusa frek Predicted Group Resid ZResid
1 S 1 1.000 1 .000 .000

2 S 0 .001 0 -.001 -.028
3 S 0 .000 0 .000 -.001
4 S 1 .948 1 .052 .234
5 S 1 .974 1 .026 .163
d
6 S 1 1.000 1 .000 .006
i
7 S 0 .000 0 .000 -.007
m
8 S 0 .000 0 .000 .000
e
9 S 1 .948 1 .052 .234
n
10 S 0 .012 0 -.012 -.109
s
11 S 1 .999 1 .001 .033
i
12 S 0 .000 0 .000 -.003
o
13 S 1 1.000 1 .000 .016
n
14 S 0 .001 0 -.001 -.028
0
15 S 1 .992 1 .008 .088
16 S 0 .000 0 .000 -.007
17 S 1 .948 1 .052 .234
18 S 0 .000 0 .000 -.011
19 S 1 1.000 1 .000 .001
20 S 0 .148 0 -.148 -.417
21 S 1 .554 1 .446 .898
22 S 0 .148 0 -.148 -.417
23 S 0 .000 0 .000 -.001
24 S 0 .000 0 .000 -.003
25 S 1 .554 1 .446 .898
26 S 0 .376 0 -.376 -.776
27 S 1 .999 1 .001 .033
28 S 1 .992 1 .008 .088
29 S 1 1.000 1 .000 .001
30 S 0** .554 1 -.554 -1.114
31 S 1 .719 1 .281 .626
32 S 0 .000 0 .000 -.011
33 S 1 .898 1 .102 .336
34 S 0 .006 0 -.006 -.076
35 S 1 1.000 1 .000 .009
36 S 1 .898 1 .102 .336
37 S 0 .000 0 .000 -.007
38 S 0 .000 0 .000 .000
39 S 0** .554 1 -.554 -1.114
40 S 0 .148 0 -.148 -.417
41 S 0 .001 0 -.001 -.028
42 S 1** .078 0 .922 3.437
43 S 1 1.000 1 .000 .002
44 S 0** .554 1 -.554 -1.114
45 S 1 1.000 1 .000 .001
46 S 0 .000 0 .000 -.011
47 S 1 .996 1 .004 .061
48 S 1 1.000 1 .000 .001
49 S 1 1.000 1 .000 .016
50 S 0 .000 0 .000 .000
a. S = Selected, U = Unselected cases, and ** = Misclassified cases.
Pada Model Summary, terdapat -2 Log likelihood yang digunakan sebagai uji
model di mana bila terdapat penurunan nilai -2 Log likelihood menunjukkan model
yang lebih baik. Niali -2 Log likelihood pada step 1 adalah 33,714 turun menjadi
15,762 pada step 2. Selain itu, untuk memvalidasi kecocokan model atau goodness
of fit digunakan Hosmer Lemeshow test. Nilai sigifikansi value Chi square uji Hosmer
Lemeshow sebesar 0,956 (> 0,05), maka terima hipotesis nol yang berarti model
hasil estimasi adalah signifikan fit (model layak digunakan). Untuk melihat variable
mana yang sesungguhnya berpengaruh terhadap frekuensi kedatangan dapat dilihat
pada table variable in the equation dan variable not in the equation.
Table Variable in the equation menunjukkan bahwa variable kenyamana dan
fasilitas signifikan mempengaruhi frekuensi kedatangan pengunjung. Hal ini
diketahui dari nilai signifkansi, untuk variable kenyamanan signifikansinya adalah
0,03 dan variable fasilitas signifikansinya adalah 0,021. Interpretasi hasil regresi
logistic dapat dilihat dari nilai odds rasio pada kolom exp(B).jika factor kelengkapan
fasilitas adalah konstan, maka odds frekwensi pengunjung yang sering dating ke
pusat perbelanjaan tersebut akan naik sebesar 104,657 kali dari frekwensi
pengunjung yang jarang datang untuk setiap kenaikan terhadap persepsi
kenyamanan berbelanja. Sebaliknya, jika factor kenyamanan berbelanja dianggap
konstan, maka odds frekwensi pengunjung yang sering datang ke pusat
perbelanjaan tersebut akan naik sebesar 104,657 kali dari pengunjung yang jarang
untuk setiap kenaikan persepsi terhadap kelengkapan fasilitas.
Tabel Variables not in the equation menunjukkan bahwa variable harga tidak
masuk dalam model atau tidak signifikan terhadap frekuensi kedatangan
pengunjung.
Model Regresi Logistik :
Y = βo + β1X1 + β2X2 + β3X3 + ……… β1X1 + €
Y = - 48,429 + 2,685*Nyaman + 4,648*fasilitas
Casewise list menunjukkan klasifikasi frekuensi kedatangan antara status hasil
estimasi model dengan keadaan sebenarnya. Ada empat responden di mana model
hasil estimasi salah memprediksi, yaitu responden ke-30, 39, 42 dan 44 yang
ditunjukkan dengan tanda bintang dua (**) pada kolom observed frekuensi
berkunjung. Responden ke-30, status berkunjung sebenarnya (kolom observed)
adalah “jarang”, tetapi diprediksi oleh model “sering”.
I. Uji Korelasi & Regresi Linier
a. Pendahuluan
Dalam penerapan praktis, kita ingin menguji apakah ada hubungan
atau korelasi antara dua variabel numerik, jika ada seperti apa
persamaan garis regresi liniernya. Misalnya kita ingin menguji apakah
ada hubungan antara berat ibu sebelum hamil (x) dengan berat bayi
yang dilahirkannya (y).
Uji statistik untuk melihat hubungan antara dua variabel
numerik adalah uji “uji korelasi”. Keofisien korelasi ini dikembangkan
oleh Pearson, sehingga dikenal dengan nama Pearson Coeficient
Correlation dengan lambar “r” kecil atau “R” kapital. Nilai “r” berkisar
antara 0.0 yang berarti tidak ada korelasi, sampai dengan 1.0 yang
berarti adanya korelasi yang sempurna. Semakin kecil nilai “r” semakin
lemah korelasi, sebaliknya semakin besar nilai “r” semakin kuat korelasi.
Selain itu, “r” juga mempunyai nilai negatif (-) atau minus yang
menandakan adanya hubungan terbalik antara x dengan y. Artinya,
semakin tinggi nilai x maka semakin rendah nilai y, misalnya korelasi
antara umur dengan kemampuan daya ingat pada kelompok usia lanjut.
Jika korelasi yang ada bermakna secara statistik, kita bisa
menganalisis lebih lanjut untuk memprediksi atau memperkirakan
berapa nilai (y) jika nilai (x) diketahui. Prediksi tersebut dapat
dilakukan jika kita mempunyai persamaan garis lurus yang biasanya
disebut dengan istilah “regresi linier” dengan persamaan matematis “y
= a + bx”. Besaran nilai “b” menggambarkan besarnya perubahan
(peningkatan/penurunan) pada nilai y untuk setiap kenaikan nilai x
sebesar satu satuan.
b. Asumsi Normalitas pada Uji Korelasi Pearson

Dasar dari uji korelasi Pearson adalah statistik Parametrik, yang
berasumsi data mempunyai distribusi normal. Dalam hal ini variabel y harus
berdistribusi normal. Apabila asumsi ini tidak terpenuhi, dapat dilakukan
transformasi terlebih dahulu misalnya dengan LOG, AKAR, atau KUADRAT.
Jika pada proses transformasi tidak berhasil membuat distribusi data menjadi
normal, maka pilihan statistik non-parametrik lebih dianjurkan, yakni uji korelasi
Spearman.
c. Uji Korelasi Pearson
Dalam contoh ini, kita akan menguji apakah ada korelasi antara berat
badan ibu sebelum hamil dengan berat badan bayi yang akan dilahirkannya
kelak.
c.1. Uji Normalitas

Analyze <
Descriptif statistic <
Explore…
2. Pilih variabel nilai matematika, kemudian klik tanda > untuk memasukkannya
ke kotak Dependent List.
3. Pilih Plots.., kemudian aktifkan Histogram dan Normality plots with
tests.
Kemudian klik Continue.
4. Klik OK untuk menjalankan prosedur. Pada layar tampak hasil seperti

berikut:
Descriptives
Std.
Statistic Error
nilai Mean 81.1000 1.95956
matematika 95% Confidence Lower Bound 77.0922
Interval for Mean Upper Bound 85.1078
5% Trimmed Mean 81.3333
Median 82.0000
Variance 115.197
Std. Deviation 10.7329
7
Minimum 62.00
Maximum 96.00
Range 34.00
Interquartile Range 17.75
Skewness -.328 .427
Kurtosis -1.153 .833
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
nilai .143 30 .122 .933 30 .058
matematika
a. Lilliefors Significance Correction
Hasil uji test normalitas
Dengan uji Kolmogorov-Smirnov, disimpulkan bahwa distribusi data nilai

matematika adalah normal (nilai-p = 0.122).
c.2. Uji Korelasi

Uji Korelasi Pearson digunakan untuk mengetahui antara variable data
yang berskala interval-rasio. Dengan asumsi kedua variable mengikuti
distribusi normal dengan contoh soal dan prosedur sebagai berikut :
Seorang guru bimbingan siswa mengembangkan suatu tes psikologis kepada
siswa baru untuk mengetahui apakah terdapat hubungan antara hasil tes
psikologi dengan hasil nilai matematika yang akan diperoleh pada akhir
semester.
Analyze <
Correlate <
Bivariate…
2. Pilih variabel nilai matematika dan skor psikotes, kemudian masukkan ke

kotak Variables
3. Pada Correlation Coeficient, aktifkan Pearson, kemudian OK, dan
hasinya dapat dilihat sbb:
Correlations
nilai skor
matematika psikotest
nilai Pearson 1 .773**
matematika Correlation
Sig. (1-tailed) .000
N 30 30
skor psikotest Pearson .773 ** 1
Correlation
Sig. (1-tailed) .000
N 30 30
**. Correlation is significant at the 0.01 level (1-tailed).
Hasil diatas memperlihatkan bahwa koefisien korelasi Pearson antara

nilai matematika dengan skor psikotes adalah 0.773, korelasi itu bermakna
secara statistik dengan nilai-p 0.000.
d. Korelasi Spearman
Koefisien korelasi Spearman dan Kendall Tau digunakan untuk mengetahui
hubungan antara dua variable data yang berskala ordinal. Dengan contoh soal
sebagai berikut:
Seorang peneliti social ingin mengetahui hubungan antara tingkat pendidikan
dan persetujuan pendapat terhadap keputusan pemerintah menaikkan harga
BBM.
Analyze <
Correlate <
Bivariate…
2. Pilih variabel didik dan setuju, kemudian masukkan ke kotak Variables

3 Pada Correlation Coeficient, aktifkan Spearman, kemudian OK, dan
hasinya dapat dilihat sbb
Correlations
tingkat tingkat
pendidikan persetujuan
Spearman's tingkat Correlation 1.000 .795**
rho pendidikan Coefficient
Sig. (1-tailed) . .000
N 20 20
tingkat Correlation .795** 1.000
persetujuan Coefficient
Sig. (1-tailed) .000 .
N 20 20
**. Correlation is significant at the 0.01 level (1-tailed).
Hasil diatas memperlihatkan bahwa koefisien korelasi Spearman antara

tingkat pendidikan dengan tingkat persetujuan adalah 0.795, korelasi itu
bermakna secara statistik dengan nilai-p 0.000.
e. Regresi Linier (Sederhana)

Analisis regresi digunakan untuk mengetahui hubungan antara
variabel independen(bebas) dan variabel dependen(terikat). Hubungan
tersebut dapat dapat dimodelkan dalam bentuk sbb :
Y = a + bi Xi + e Keterangan :
Y = variabel dependen
Xi = Variabel independen, i=1,2,3,---n
Apabila model regresinya melibatkan variabel independen lebih dari satu
maka dinamakan regresi ganda. Namun apabila model regresinya melibatkan
variabel independen cuma satu maka dinamakan regresi sederhana. Adapun
langkah-langkahnya sebagai berikut :
Analyze <
Regressions <
Linier…
2. Klik variabel jumlah produk yang terjual (unit), kemudian masukkan ke kotak
Dependent
3. Klik variabel biaya promosi, kemudian masukkan ke kotak Independent(s),
kemuadian klik continue
4. Klik tombol Plot, pilih Histogram dan Normal probality plot, masukkan
variabel Sdresid ke kolom Y dan Zpred ke kolom X, kemudian klik
continue
5. Klik tombol Save, pilih bagian Residual kemudian klik Standardized
6. Kemudian klik OK, dan hasilnya sebagai berikut:
Mean Std. Deviation N
unit 134.2083 9.28289 24

promosi 147.1042 19.24430 24
Correlations
unit promosi
Pearson Correlation unit 1.000 .924
promosi .924 1.000

Sig. (1-tailed) unit . .000
promosi .000 .
N unit 24 24
promosi 24 24
Model Summaryb
Model Adjusted R Std. Error of the

R R Square Square Estimate Durbin-Watson
d
1 .924a .854 .848 3.62075 1.872
i
a. Predictors: (Constant), promosi

b. Dependent Variable: unit
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1693.542 1 1693.542 129.181 .000a
Residual 288.416 22 13.110
Total 1981.958 23
a. Predictors: (Constant), promosi

b. Dependent Variable: unit
Coefficientsa
Model Standardized
Unstandardized Coefficients Coefficients
B Std. Error Beta t Sig.
1 (Constant) 68.615 5.818 11.793 .000
promosi .446 .039 .924 11.366 .000
a. Dependent Variable: unit
Descriptive statistics menggambarkan nilai rata-rata dan standar deviasi
dari variable dependent dan independent. Rata-rata jumlah produk yang
terjual 134,21 unit setiap bulannya dengan standar deviasi sebesar 9,28 unit.
Rata-rata biaya promosi yang dikeluarkan oleh perusahaan sebesar 147,10
juta rupiah setiap bulannya dengan standar deviasi sebesar 19,24 juat rupiah.
Tabel Correlation menggambarkan hubungan antara jumlah produk yang
terjual (unit) dan biaya promosi. Korelasi Pearson digunakan untuk mengukur
keeratan hubungan antara kedua variable tersebut. Besar korelasinya adalah
0,924 (korelasi positif) dengan sig. 0,000
Asumsi Regresi Linier adalah sebagai berikut :
1. Data berdistribusi normal
Pengujian normalitas residual dapat dilihat dari grafik normal P-PPlot.
Apabila setiap pencaran data residual berada di sekitar garis lurus
melintang, maka dikatakan bahwa residual mengikuti fungsi distribusi
normal. Dari hasil grafik normal P-PPlot, diketahui bahwa pencaran
residual berada dalam garis lurus melintang. Selain metode grafik normal
P-P Plot, fungsi distribusi dapat dilihat dari bagan histogram. Jika bentuk
kurva membentuk lonceng maka residual mengikuti distribusi normal.
2. Tidak adanya problem heterokedastisitas pada residual.
Untuk menguji asumsi tidak adanya problem heterokedastisitas pada
residual, maka dapat dilihat dari scatter plot antara data residu yang telah
distandarkan (Sdresid) dengan hasil prediksi variable dependen yang
telah distandarkan (Zpred). Dari hasil scatter plot di atas menunjukkan
bahwa data tidak membentuk suatu pola tertentu, sehingga dapat
disimpulkan bahwa residu tidak ada problem heterokedastisitas
3. Tidak ada problem autokorelasi
Untuk menguji ada tidaknya problem autokorelasi dapat dilihat dari nilai
statistic Durbin Watson (pada table Model Summary) dimana nilai
Durbin Watson menunjukkan nilai 1,872 lebih besar dari nilai table Durbin
Watson batas atas sebesar 1,446. Nilai 1,446 diperoleh dari table Durbin
Watson dengan n = 24 dan k = 1, dimana k = banyaknya variable
predictor. Jadi dapat disimpulkan tidak ada problem autokorelasi.
Setelah terpenuhinya asumsi analisis regresi di atas, kita dapat melihat
hasil analisis regresi dari table Model Summary, ANOVA, dan Coefficient.
Dari table Coefficient, nilai t statistik untuk variable biaya promosi sebesar
11,366 dan signifikan pada alfa 5 % karena nilai p-value t statistic sebesar
0,000 yang bernilai lebih kecil dari 0,05. Jadi, biaya promosi signifikan
mempengaruhi jumlah produk yang terjual. Model persamaan regresi dapat
dilihat dari koefisien (unstandardized coefficient B), yaitu
Y = 66,615 + 0,446 X atau
Y = 66,615 + 0,446 Biaya Promosi
Dari persamaan regressi linier yang didapatkan, apabila perusahaan
tersebut tidak melakukan promosi (nilai X = 0), maka jumlah barang yang
terjual adalah 66,615 unit atau sekitar 67 unit. Sebaliknya, kenaikan biaya
promosi sebesar Rp. 1 juta akan meningkatkan penjualan unit sebesar 0,446
unit (kurang lebih 1 unit). Hal ini menunjukkan bahwa factor promosi sangat
penting untuk diperhatikan agar meningkatkan penjualan produk-produk
kesehatan.
Untuk memvalidasi model regresi ini, perlu dilakukan pemeriksaan hasil
table ANOVA dimana hasil uji statistic uji F menunjukkan nilai p-value sebesar
0,000 (< 0,05), dan nilai koefisien determinasi atau R square pada table
Model Summary sebesar 0,854 (85,4% variability variable unit yang terjual
mampu dijelaskan oleh varibel biaya promosi, sedangkan 14,6% sisanya
dijelaskan oleh variable lainnya). Oleh karena nilai statistic uji F yang
signifikan pada alfa 5% dan nilai R square yang tinggi, maka model
persamaan regresi yang dihasilkan dapat dikatakan valid.
Daftar Pustaka
A. Deanta, 2006. Excel untuk Akutansi dan Manajemen Keuangan . Yogyakarta :

ANDI.
Anggawirya,Erhans & Setiawan, Witono. 2007. Microsoft Windows Word 2007.

Jakarta : Ercontara Rajawali.
Arifin, Johar & Prasetya, Heru Adi. 2006. Manajemen Rumah Sakit Modern Berbasis
Komputer, Mencakup Aspek Pemasaran dan Manajemen Keuangan. Jakarta : Elex
Media Komputindo.
Dwi Ninggar. 2012. Aplikasi Keuangan dengan Excel 2010. Palembang: Maxikom.
Kusrianto, Adi.2004. Mengelola Data dengan EXCEL 2003. Jakarta: Elex Media
Komputindo.
Moch Imron TA. 2011. Statistik Kesehatan. Jakarta : Sagung Seto
Nugroho, Bhuono Agung. 2005. Strategi Jitu Memilih Metode Statistik dengan SPSS.
Yogyakarta : ANDI.
Santoso, Singgih. 2005. Menggunakan SPSS dan EXCEL untuk Mengukur Sikap dan
Kepuasan Konsumen. Jakarta : Elex Media Komputindo.
Tegih W. 2004. Cara Mudah Melakukan Analisis Statistik dengan SPSS.Yogyakarta :

Gava Media.
Triwahyuni Terra C. & Kadir, Abdul. 2002. Presentasi Efektif dengan Microsoft Power
Point. Yogyakarta : ANDI.
Wahana Komputer. 10 Model Penelitian dan Pengolahannya dengan SPSS.10.01.

Yogyakarta : ANDI.
Yamin, S. dan Kurniawan, H. 2009. SPSS Complete Teknik Analisis Statistik

Terlengkap dengan Software SPSS. Jakarta:Salemba Infotek
Yudhanto, Yudha. 2008. Tips Praktis Microsoft Office Word 2007. Bandung : Ide
Publishing.
KATA PENGANTAR
Puji syukur kehadirat Allah SWT atas Karunia dan Hidayah-Nya kami dapat
menyusun buku ajar mata kuliah Aplikasi Komputer Revisi 1.0 tahun 2014 sebagai
edisi perbaikan dari bahan ajar mata kuliah APLIKASI KOMPUTER tahun 2013 lalu,
sehingga dapat digunakan mahasiswa Program Studi S1 ADMINISTRASI RUMAH
SAKIT Sekolah Tinggi Ilmu Kesehatan (STIKES) RS Dr.Soetomo Surabaya. Buku ajar
Aplikasi Komputer Revisi 1.0 dibuat untuk melengkapi materi-materi kuliah (Pokok
Bahasan) lain dan membantu mahasiswa dalam memperkaya kelengkapan literatur.
Dengan disusunnya buku ajar ini kami berharap mahasiswa lebih memahami
Mata Kuliah Aplikasi Komputer Revisi 1.0 Program Studi S1 ADMINISTRASI RUMAH
SAKIT dan mampu menjawab segala kebutuhan dunia luar yang seiring dengan
perkembangan dunia usaha saat ini. Selain itu dengan adanya buku ini mahasiswa
dapat mengaplikasikannya di dalam tugas-tugas rangkuman. Buku ajar ini terdiri dari
beberapa bab dimana isi dari bab tersebut merupakan inti dasar dari Materi Kuliah
Aplikasi Komputer Revisi 1.0. Buku ajar ini masih jauh dari sempurna oleh karena itu
kritik dan saran untuk penyempurnaan buku ini akan kami terima dengan penuh rasa
terima kasih.
Harapan kami buku ajar Mata Kuliah Aplikasi Komputer Revisi 1.0 ini dapat
bermanfaat.
Surabaya, Oktober 2014
Penyusun
DAFTAR ISI
Kata Pengantar ........................................................................................................... i

Daftar Isi .................................................................................................................... ii
Bab I. Penggunaan Microsoft Word 2007 Untuk Pembuatan Laporan ...................... 1
A. Memulai Bekerja Dengan Microsoft Word....................................................... 1
B. Pengaturan Paragraph.................................................................................... 2
C. Membuat Penomoran Halaman Berbeda Dalam Satu File Ms
Word .............................................................................................................. 4
D. Menjumlahkan Data Tabel Microsoft Word ................................................... 11
E. Membuat Footer Berbeda Untuk Setiap Halaman ........................................ 13
F. Membuat Page Orientation Berbeda Di Ms Word ......................................... 14
G. Membuat Daftar Isi Secara Otomatis ............................................................ 17
Bab II. Optimalisasi Penggunaan Microsoft Excel 2007 ...........................................23
A. Penggunaan Microsoft Excel 2007 Untuk Pengolahan Data
Statistik......................................................................................................... 23
B. Penggunaan Microsoft Excel 2007 Untuk Akuntansi Dan
Manajemen Keuangan ................................................................................. 56
Bab III. Penggunaan Microsoft Project 2007 Untuk Perencanaan ............................75
A. Pengenalan Ms Project ................................................................................. 75
B. Memulai Pekerjaan ....................................................................................... 80
C. Entri Durasi ................................................................................................... 84
D. Calendar ....................................................................................................... 84
E. Entri Resource .............................................................................................. 88
F. Entri Cost ...................................................................................................... 93
G. Biaya Pada Resource ................................................................................... 93
H. Pengawasan Dan Pengendalian Pekerjaan.................................................. 95
Bab IV. Analisa Statistik Dengan SPSS .................................................................106
A. Memulai SPSS ............................................................................................ 106
B. Memasukkan (Entry) Data .......................................................................... 111
C. Statistik Deskriptif ....................................................................................... 119
D. Uji Normalitas Distribusi Data Numerik ....................................................... 127
E. Transformasi Data ...................................................................................... 129
F. Uji 2-Rata-rata (t-test) ................................................................................. 142
G. Uji Beda > 2-Rata-rata (ANOVA) ................................................................ 148
H. Uji Beda Proporsi (χ2:Chi-square) .............................................................. 154
I. Uji Korelasi & Regresi Linier ....................................................................... 169
Daftar Pustaka ......................................................................................................184

Exsel

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Exsel

Diunggah oleh

Hak Cipta:

Format Tersedia

BUKU AJAR

APLIKASI KOMPUTER Revisi 1.0

Dyan Angesti., S.Kom., MM

SEKOLAH TINGGI ILMU KESEHATAN (STIKES) YAYASAN RS. DR. SOETOMO

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 1

Untuk merubah paragraph melalui menu format-paragraph.

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 2

4. Kemudian ubahlah sesuai dengan tampilan pada gambar 1.7

Untuk merubah paragraph melalui mistar.

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 3

C. Membuat Penomoran Halaman Berbeda Dalam Satu File Ms Word

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 5

2. Anda telah mendapatkan penomoran romawi untuk semua halaman. Kemudian

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 6

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 7

2. Pilih menu Insert – Page break

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 8

3. Aktifkan page setup –apply to – pilih this point forward

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 9

7. Maka akan terbentuk 2 halaman yang bersebelahan namun berbeda format

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 10

4. Simpan data dengan nama Tugas2_pagenumber.docx

D. Menjumlahkan Data Tabel Microsoft Word

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 11

Melakukan penjumlahan dalam tabel ms word sangat mudah. Sebelumnya perlu

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 12

E. Membuat Footer Berbeda untuk Setiap Halaman

F. Membuat Page Orientation Berbeda di Ms Word

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 14

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 15

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 16

Tampilan Daftar Isi yang diinginkan

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 17

c. Kemudian klik halaman Daftar Isi.

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 19

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 20

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 21

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 22

Penggunaan Microsoft excel saat ini lebih banyak dipergunakan pada

A. Penggunaan Microsoft Excel 2007 Untuk Pengolahan Data Statistik

c. Maka akan terbuka jendela “Add-Ins”(seperti gambar dibawah).

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 24

d. Jika sebelumnya Anda belum pernah mengaktifkan fitur ini

e. Jika konfigurasi berhasil, maka akan terdapat tambahan menu

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 25

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 26

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 27

d. Pada window “Descriptive Statistics”, isikan pada “input range” (kotak

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 28

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 29

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 30

d. Pilih sesuai selerah dan kebututuhan.

3. Uji Validitas Instrumen

4. Perhitungan Koefisien Validitas Butir Pernyataan

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 31

5. Uji Reliabilitas Teknik Belah Dua Ganjil-Genap

6. Uji Reliabilitas Awal-Akhir

7. Uji Distribusi Normal

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 32

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 33

Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 34

Membuat kolom berisi ORDER VALUE

Membuat kolom berisi nilai Z