OLEH:
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
B. Pengaturan Paragraph
Dalam merubah paragraph ada 2 cara yaitu dengan merubah secara langsung
dengan mistar dan melalui menu format-paragraph.
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
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 1.6
Menu Format Page Number 2
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
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
gambar 1.12
page setup
4. Ubah tab – layout – new
page
gambar 1.13
Menu Page Number
gambar 1.14
preview
8. Selamat mencoba ☺
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
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
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.
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 1.18
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.
Gambar
1.19
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
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.
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
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 23
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
Gambar 2.3
menu “Data Analisis”
Gambar 2.4
Nilai Ujian
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
Gambar 2.6.2
Data Analysis - Descriptive Statistics 2
Gambar 2.7
Hasil Analisa Descriptive Statistics
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:
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:
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 :
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:
Contoh Kasus:
Dari hasil dokumentasi diperoleh data-data sbb:
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%.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 43
e. Pada Output Options pilih New Worksheet Ply dan ketikan nama
Sheet untuk menampilkan Output pada Sheet baru.
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
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.
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
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 51
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
2) Fungsi =POWER
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 53
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
=FACT(0) akan dihasilkan nilai 1
=FACT(4) akan dihasilkan nilai 24
6) Fungsi =SQRT
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 54
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)
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.
Tahun 2008 menerima Rp. 350.000.000,00.
Tahun 2009 menerima Rp. 300.000.000,00.
Tahun 2010 menerima Rp. 245.000.000,00.
Tahun 2011 menerima Rp. 260.000.000,00.
Tahun 2012 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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 56
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)
Gambar 2.12.2
Internal Rate of Return (IRR)
• 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:
Gambar 2.12.3
Internal Rate of Return (IRR)
Gambar 2.12.4
Internal Rate of Return (IRR)
Penyelesaian Kasus:
Penyelesaian Kasus tersebut tersimpan dalam buku kerja AKUN pada
lembar kerja lat.2
Gambar 2.13.2
present value
• Masukkan suku bunga pada field Rate, dengan mengetikkan atau menyorot sel
di mana suku bunga itu berada (C6).
Gambar 2.13.3
present value
• Jika langkah Anda di atas benar, hasilnya akan Nampak seperti gambar berikut:
Gambar 2.13.4
present value
Gambar 2.14.2
Net present value
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
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:
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
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
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).
Gambar 2.16.1
Break Event Point
Selanjutnya masukkan rumus pada alamat sel berikut ini:
=F4*F9
• Biaya Variabel Per Unit (F8) merupakan hasil pembagian
antara Total Biaya Variabel (F6) dangan Jumlah Produk (F4).
Gambar 2.16.2
Break Event Point
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
• Keterangan Proyek
• Project -* project information -* statistics
• File -*Properties
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
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.
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 102
7. Hitung CPI dan SPI dari proyek
8. Material apa yang constraint
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 103
OUTPUT YANG DIHARAPKAN
1. Diagram bar-chart-nya
3. Diagram resource graph dan ada over resource dan cara mengatasinya
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 104
4. Diagram lintasan kritisnya yang berwarna merah
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 105
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 106
5. Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 107
1. JENDELA SPSS
Setelah mengaktifkan SPSS akan muncul 2 jendela yaitu “SPSS Data Editor “
dan “SPSS Output”.
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 108
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 109
(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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 110
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:
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 111
Klik di sini, untuk merubah Type Variabel, seperti gambar dibawah ini
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 112
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 113
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 114
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 115
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 116
9. MENYIMPAN (SAVE) DATA
Pilihlah (kemudian klik) gambar disket yang ada di kiri atas atau Pilih File
� Save. Atau File � Save As..
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 117
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 118
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
Analyze
Descriptive Statistic <
Frequencies…
Pada layar tampak kotak dialog seperti gambar berikut:
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 120
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:
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 121
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%).
Perintah Descriptive..
1. Dari menu utama, pilihlah:
Analyze
Descriptive Statistic <
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:
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 122
3. Klik OK untuk menjalankan prosedur. Pada layar tampak hasil
seperti berikut:
Descriptive Statistics
Perintah Option..
4. Jika Anda juga ingin agar SPSS menampilkan standar error, anda
dapat memilih menu Options.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 123
Misalnya anda menginginkan stander error maka klik SE Mean,
kemudian klik Continue
dan OK hasilnya pada Jendela Output adalah sebagai berikut:
Descriptive Statistics
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 124
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
Descriptive Statistic <
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:
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 125
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 126
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..
1. Dari menu utama, pilihlah:
Analyze
Descriptive Statistic <
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 127
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 128
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 129
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)
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 131
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 132
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:
1. Dari menu utama, pilihlah:
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
1. Dari menu utama, pilihlah:
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:
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 134
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 135
3. TRANSFORMASI DATA DG PERINTAH “RECODE”
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:
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 136
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 137
7. Berikutnya, pada OLD Value, Pilih (.) Range through highest dan isi kotak
4 through highest.
Kemudian pada NEW Value isi 2, kemudian klik ADD
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 139
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)
1. Dari menu utama, pilihlah:
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:
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 140
Kemudian keluarkan distribusi frekuensi dari K4 (Analysis deskriptif data
kategorik), sehingga muncul hasil seperti berikut:
K4
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).
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 142
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 143
1. Dari menu utama, pilihlah:
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
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 144
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 145
1. Dari menu utama, pilihlah:
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 146
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.
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-
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 147
rata berat bayi yang lahir dari populasi ibu yang tidak perokok lebih
tinggi dari populasi ibu perokok.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 148
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 149
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 ...
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 150
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 151
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 152
dilakukan oleh komputer. Hasil output SPSS adalah sama dengan hasil
uji ANOVA sebnelumnya dan ditambah dengan tampilan berikut:
Post Hoc Tests
Multiple Comparisons
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 153
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,
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 155
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.
1. Dari menu utama, pilihlah:
Analyze <
Descriptif statistic <
Crosstabs…
Seperti gambar berikut:
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 156
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 157
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:
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 158
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 159
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 161
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 162
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
N of Valid Cases 142
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 163
2. Pilih variabel frekuensi, kemudian masukkan ke kotak Dependent
3. Pilih variable kenyaman, fasilitas dan harga, kemudian masukkan ke kotak
Covariates
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 164
6. Klik OK
Model Summary
1 1.453 4 .835
2 2.073 7 .956
Classification Tablea
Observed Predicted
frek Percentage
.00 1.00 Correct
1.00 2 23 92.0
1.00 1 24 96.0
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 165
Variables in the Equation
Score df Sig.
Casewise List
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 166
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
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 167
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”.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 168
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.
2. Pilih variabel nilai matematika, kemudian klik tanda > untuk memasukkannya
ke kotak Dependent List.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 170
3. Pilih Plots.., kemudian aktifkan Histogram dan Normality plots with
tests.
Kemudian klik Continue.
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 172
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.
1. Dari menu utama, pilihlah:
Analyze <
Correlate <
Bivariate…
Seperti gambar berikut:
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 173
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).
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:
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 174
Seorang peneliti social ingin mengetahui hubungan antara tingkat pendidikan
dan persetujuan pendapat terhadap keputusan pemerintah menaikkan harga
BBM.
1. Dari menu utama, pilihlah:
Analyze <
Correlate <
Bivariate…
Seperti gambar berikut:
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 175
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).
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 176
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 :
1. Dari menu utama, pilihlah:
Analyze <
Regressions <
Linier…
Seperti gambar berikut:
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
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 177
4. Klik tombol Plot, pilih Histogram dan Normal probality plot, masukkan
variabel Sdresid ke kolom Y dan Zpred ke kolom X, kemudian klik
continue
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 178
6. Kemudian klik OK, dan hasilnya sebagai berikut:
Descriptive Statistics
Correlations
unit promosi
Pearson Correlation unit 1.000 .924
promosi 24 24
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 179
Model Summaryb
d
1 .924a .854 .848 3.62075 1.872
i
ANOVAb
Total 1981.958 23
Coefficientsa
Model Standardized
Unstandardized Coefficients Coefficients
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 180
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 181
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 182
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.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 183
Daftar Pustaka
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.
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.
Triwahyuni Terra C. & Kadir, Abdul. 2002. Presentasi Efektif dengan Microsoft Power
Point. Yogyakarta : ANDI.
Yudhanto, Yudha. 2008. Tips Praktis Microsoft Office Word 2007. Bandung : Ide
Publishing.
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 184
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.
Penyusun
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 185
DAFTAR ISI
Aplikasi Komputer Revisi 1.0 2014 - STIKES Yayasan RS.Dr. Soetomo 186