1.

PENGENALAN PROGRAM SPSS

1. Mengaktifkan program SPSS

Sebelum mengaktifkan program SPSS maka perlu dipastikan terlebih dahulu
bahwa komputer yang digunakan sudah terinstall program SPSS (SPSS versi 13).
Mengaktifkan program SPSS dapat dilakukan dengan dua cara:
1) Jika pada layar komputer sudah terdapat icon SPSS maka klik
icon SPSS tersebut dua kali maka SPSS akan aktif.
2) Jika tidak ada icon maka klik Start, klik program, pilih SPSS for
Windows dan langsung klik 1 kali, maka SPPS akan aktif.
3) Jendela SPSS (Windows SPSS)
2. Menu SPSS
SPSS mempunyai beberapa jendela yaitu :
a. Windows data editor
Jendela ini secara otomatis akan terbuka pada saat kita membuka SPSS.
Jendela ini berguna untuk input data SPSS. Cara lain untuk mengaksesnya
adalah dengan membuka menu FILE, kemudian submenu NEW, dan klik
option DATA.
Jendela data editor terbagi atas dua yaitu :
- Data view
Data view merupakan lembaran yang berisi tampilan data yang terdiri
dari kolom dan baris. Kolom menunjukkan nama variabel sedangkan
baris menunjukkan kasus (responden)
- Variable view
Variable view merupakan lembaran untuk membuat template (blanko
isian dari data)
Dengan demikian untuk membuat template gunakan VARIABLE
VIEW, sedangkan untuk melakukan entry data gunakan DATA VIEW
Menu-menu pada jendela data editor dapat dilihat pada gambar:

1
Menu yang terdapat pada jendela data editor adalah:
a) File
Menu ini berhubungan dengan segala sesuatu tentang file data
seperti membuat file baru, membuka file tertentu, mengambil file
data dari program lain, mencetak isi data editor dan sebagainya
sesuai dengan perintah yang ada dalam menu file.
Menu-menu yag terdapat pada file adalah :

b) Edit
Menu ini berfungsi untuk melakukan perubahan atau memperbaiki
data seperti: mengkopy data, menghapus atau yang lainnya. Selain
itu juga bisa digunakan untuk mengubah setting pada Options
(output, label, Script dan lainnya).
Tampilan menu edit adalah :

2
c) View
Menu ini berfungsi untuk mengatur status toolbar, penampakan
value label dan lainnya.

d) Data
Berfungsi untuk melakukan perubahan data SPSS secara
keseluruhan seperti mengurutkan data, menyeleksi data,
menggabung data dan sebagainya.

3
e) Transform
Berguna untuk melakukan modfikasi terhadap data, misal membuat
variabel baru dengan cara mengelompokkan data, membuat
variabel baru dengan cara melakukan fungsi matematika (kali,
bagi, tambah, kurang) atau perubahan variabel lainnya dengan
kriteria tertentu.

f) Analyze
Menu ini merupakan menu inti dari SPSS. Menu ini berguna untuk
melakukan semua analisis dan perhitungan statistik baik analisis
univarit, bivariat dan analisis multivariat. Pada menu ini terdapat

4
 berbagi uji statistik seperti uji T, uji anova, uji regresi, uji korelasi,
uji chi square dan lain sebagainya:

g) Graphs
Menu ini berguna untuk membuat berbagai jenis grafik dalam
mendukung analisis statistik terutama untuk analisis univariat.
Berbagai grafik yang ada seperti pie, scatter plot, histogram, bar,
line dan sebagainya.

h) Utilites

5
 Merupakan menu pendukung yang memberikan informasi tentang
file yang sedang dikerjakan dan mengatur tampilan menu-menu
yang lain.

i) Add-ons
Merupakan menu tambahan yang memberikan berbagai informasi
tentang SPSS dan statistik lainnya seperti sampel power, pelatihan
SPSS dan sebagainya. Sehingga dengan membuka menu ini kita
menjadi tahu web.site internet yang memberikan informasi tentang
SPSS sesuai dengan kebutuhan kita dan langsung dapat diakses ke
internet sesui dengan kebutuhan.

j) Window
Menu ini berfungsi untuk berpindah (switch) diantara menu-menu
SPSS

6
 k) Help
Menu ini berfungsi menyediakan bantuan informasi mengenai program
SPSS yang bisa diakses dengan mudah dan jelas.

b. Windows viewer (windosw output)

Menampilkan hasil analisis data dari SPSS yang dianalisis dengan
mengaktifkan menu ANALYZE. Windows ini akan muncul jika sudah
dilakukan analisis data.
Ini bisa diakses dengan membuka menu FILE, klik NEW atau OPEN,
klik OUTPUT. Hasil analisis akan disimpan dengan extention .spo

c. Windows syntax Editor

Berguna untuk membuat perintah dalam bentuk SPSS Command
Language. Menu ini berupa teks yang diketik secara manual. Untuk
mengaktifkan menu yang sudah diketik maka menu tersebut di RUN.
Ini bisa diakses dengan membuka menu FILE, klik NEW atau OPEN,
klik SYNTAX

7
 d. Menu Script editor
Berguna untuk melakukan berbagai pengerjaan SPSS secara otomatis
seperti membuka dan menutup file.
Ini bisa diakses dengan membuka menu FILE, klik NEW atau OPEN,
klik SCRIPT.

Untuk selanjutnya yang dilakukan pengkajian secara mendalam adalah

windows data editor dan pembacaan jendela viewer. Sedangkan yang lainnya akan
diabaikan.

B. PEMBUATAN TEMPLATE DATA

DENGAN SPSS

Sebelum dilakukan pengentrian data maka terlebih dahulu dilakukan editing

dan koding. Untuk mengentri data terlebih dahulu disiapkan template di SPSS. Untuk
membuat template maka kita bekerja pada layar variabel view.

Beberapa hal yang diisi pada template :

1. Name
Merupakan fasilitas untuk membuat nama variabel. Diisi dengan nama
variabel. Pada SPSS V.13 beberapa hal penting yang harus diperhatikan dalam
pembuatan nama variabel.
- Nama variabel dapat ditulis dengan huruf besar atau huruf kecil (pada
SPSS versi di bawah 13 maka penulisan nama hanya dengan huruf kecil,
maksimal 8 karakter).

8
 - Tidak boleh memakai spasi
- Tidak boleh menggunakan tanda baca. Awal kata harus menggunakan
huruf, tidak boleh menggunakan angka.

2. Type
Merupakan tipe data yang akan digunakan. Jika kita mengentri data dalam
bentuk angka maka otomatis tipe data adalah numerik, tapi jika dientri dalam
bentuk huruf maka otomatis tipe data berubah menjadi string. Data berbentuk
angka bisa diubah tipe menjadi string tapi angka disini hanyalah karakter
sehingga tidak dapat diproses oleh SPSS, karena SPSS hanya memproses data
yang bertipe numerik. Untuk itu jika datanya kualitatif terlebih dahulu harus
diberi kode dengan angka sehingga bisa diolah oleh SPSS.

3. Width
Ini berguna untuk menentukan jumlah digit yang dibutuhkan untuk mengentry
data (menentukan lebar kolom). Digit yang tersedia maksimal 255 digit.
4. Decimals
Ini berguna untuk menentukan jumlah desimal (angka di belakang koma) yang
akan dientry untuk data yang bertipe numerik. Sedangkan untuk data yang
bertipe string maka menu decimal ini menjadi tidak akan aktif.
5. Label
Ini berguna untuk memberi keterangan tentang nama variabel. Biasanya nama
variabel dibuat dalam bentuk yang sederhana dan singkat. Untuk lebih

9
 menjelaskan tentang variabel maka perlu setiap variabel diberi keterangan
dengan membuatnya pada label.
6. Value
Berguna untuk menjelaskan kode yang digunakan yaitu untuk data kategorik
Contoh : Jenis kelamin, kode 1= Laki-laki, kode 2= perempuan.
Caranya klik bagian kanan dari kolom value, sehingga keluar tabel dan pada
tabel diisi keterangan dari kode yang dibuat

Pada value ketik kode misal 1

Pada value label ketik keterangan kode misal laki-laki
Kemudian klik add
Selain perintah add, juga tersedia perintah change dan remove.
Penggunaannya adalah :
Add digunakan jika kita baru membuat value label untuk variabel tersebut
Change digunakan untuk memperbaiki value atau value label dari yang sudah
dibuat sebelumnya misal value 1 dilabel perempuan, ternyata salah seharusnya
1 adalah laki laki. Maka klik value label, tukar tulisan perempuan menjadi
laki-laki, dan klik change.
Remove digunakan untuk menghapus value label yang sudah dibuat
7. Missing
Bagian ini juga dapat diabaikan. Ini berguna untuk menandai data responden
yang mungkin hilang atau belum ada datanya.
8. Column
Fungsinya sama dengan width yaitu untuk menentukan lebar kolom yang
dibutuhkan untuk memasukkan data.
9. Align

10
 Berguna untuk mengatur posisi data, apakah rata kiri, rata kanan atau berada
ditengah-tengah kolom.
10. Measure
Ini berguna untuk menentukan type variabel. Type variabel berguna untuk
menentukan jenis uji statistik (jenis analisis yang digunakan).Measure ini ada
3 sesuai dengan skala pengukuran yaitu scale (interval dan rasio), nominal dan
ordinal.

C. ENTRY DATA
Langkah-langkah entry data
1. Membuka file baru
Caranya adalah :
a. Panggil program SPSS dengan cara mengklik
icon SPSS atau klik START Program, pilih menu SPSS,
SPSS for windows
b. Klik File New Data
c. Pilih layar variabel view
d. Untuk pindah antar kolom cukup dengan
menggeser kursor sesuai dengan kolom yang akan diisi.
2. Membuat template
a. Nama variabel
Ketik nama variabel dengan singkat dan sederhana, sesuai dengan
ketentuan yang sudah dijelaskan sebelumnya
b. Type data
Pilih type data yang digunakan. Secara default type data di SPSS
adalah numerik. Jika yang akan dientry adalah data berbentuk angka
(numerik) maka biarkan type data numerik, kecuali jika yang dientry
adalah data yang berbentuk huruf.
c. Decimal
Untuk data yang bertipe numerik dalam bentuk decimal, ketik jumlah
decimal yang dibutuhkan.
d. Label
Buat keterangan dari nama variabel yang dibuat.
e. Value

11
 Buat keterangan dari kode yang dibuat untuk data kategorik
Contoh:
Membuat variabel jenis kelamin yang diberi kode 1= laki-laki 2= perempuan
1. Nama variabel = sex
2. Type data = numerik
3. Decimal = 0
4. Label = jenis kelamin
responden
5. Value = 1= laki-laki, 2=
perempuan

2) Entry data
Untuk mengentri data maka buka layar data view. Lakukan entri data
sesuai dengan tempelate yang sudah tersedia.

Latihan :
Lakukan entry data terhadap data yang terdapat pada kuesioner tersebut di bawah ini:

Penelitian tentang Pengaruh pemberian obat terhadap penurunan tekanan

darah dan faktor yang mempengaruhi pada masyarakat X di kota A tahun 2006

1. Nomor responden

12
 2. Pekerjaan responden
1 = PNS 2 = Swasta 3 = Buruh 4 = Petani 5 = TNI/Polri
3. Hasil pengukuran tekanan darah sebelum pemberian obat
4. Hasil pengukuran tekanan darah setelah pemberian obat
5. Umur responden
6. Jenis kelamin responden
0 = Perempuan 1 = Laki-laki
7. Jumlah kalori yang dikomsumsi satu hari
8. Pemberian obat
0 = Tidak diberi 1 = Diberi
9. Kadar kolesterol responden
10. Berat badan responden
11. Tinggi badan responden
12. Sikap responden tentang pola makan
1 = Sangat tidak setuju 2 = tidak setuju 3= Setuju 4 = Sangat tidak
setuju
13. Sikap responden tentang olahraga
1 = Sangat tidak setuju 2 = tidak setuju 3= Setuju 4 = Sangat tidak
setuju
14. Sikap responden tentang perilaku merokok
1 = Sangat tidak setuju 2 = tidak setuju 3= Setuju 4 = Sangat tidak
setuju
15. Sikap responden tentang istirahat
1 = Sangat tidak setuju 2 = tidak setuju 3= Setuju 4 = Sangat tidak
setuju

Datanya adalah :
nomor kerja tekdarah1 tekdarah2 umur intake sex katopril kolesterol beratb tinggi sikap1 sikap2 sikap3 sikap4
adan badan
1 0 150 150 40 1910 0 0 268.85 70 150 4 4 4 2
2 0 120 120 43 1579 0 1 165.38 56 165 3 3 2 3
3 2 130 125 50 1230 1 1 193.46 40 155 2 2 1 4
4 3 110 120 46 1514 1 1 164.23 56 164 4 2 3 1
5 1 110 110 35 1809 0 1 152.69 70 154 3 1 2 4
6 4 110 110 36 1392 0 1 150.77 45 165 4 1 1 3
7 5 140 140 45 1571 1 0 245.77 60 155 3 4 2 2
8 0 145 150 30 1481 1 0 180 56 175 4 4 4 1
9 4 120 110 42 1335 1 1 157.69 40 164 2 2 3 1

13
10 5 110 110 28 2516 1 1 145.38 70 165 1 2 2 2
11 3 160 158 52 1776 0 0 280.38 60 160 3 2 3 3
12 5 156 156 45 1761 1 0 214.62 46 157 4 3 1 4
13 4 160 160 49 1473 0 0 254.23 45 165 2 1 2 3
14 3 120 130 32 1580 1 1 184.62 76 170 3 1 3 2
15 0 170 135 46 2206 1 0 224.62 60 155 4 1 4 1
16 1 100 100 31 1340 0 1 171.15 45 156 2 2 4 4
17 3 140 120 45 1566 1 0 241.92 59 160 3 4 2 2
18 2 120 100 33 1303 0 1 186.92 48 159 4 2 3 3
19 5 120 100 47 1840 1 1 228.08 65 165 1 4 4 1
20 1 150 145 46 2759 1 1 217.69 81 158 3 1 2 2
21 1 110 10 43 1880 0 1 162.69 60 170 2 2 3 3
22 1 140 150 38 1827 1 1 182.69 58 162 4 2 1 1
23 1 100 120 25 1773 0 1 141.15 60 159 2 1 4 1
24 1 110 120 26 1733 1 1 143.08 56 160 1 1 3 1
25 1 110 130 30 2051 0 1 180.38 79 162 4 3 1 1
26 3 150 160 46 1654 1 0 250 75 162 2 1 2 1
27 3 155 155 60 1838 1 0 255.38 68 159 3 2 3 1
28 4 120 130 35 1939 1 1 198.85 64 168 1 2 3 1
29 5 110 110 38 1746 0 1 178.46 45 163 2 3 2 1
30 5 160 150 50 1697 0 0 253.08 56 165 4 2 3 1
31 3 110 110 38 1749 0 0 136.54 65 162 3 1 1 1
32 2 148 150 42 2220 1 0 226.54 58 155 2 4 4 1
33 0 150 120 29 1069 1 0 201.15 79 164 1 2 3 1
34 0 160 130 38 1845 0 0 213.46 85 162 2 3 2 1
35 1 165 125 48 1441 0 0 235.38 46 170 4 2 2 1
36 2 154 160 49 1935 1 0 213.85 53 170 3 2 3 1
37 3 110 110 56 1263 1 1 278.08 52 160 1 1 4 1
38 3 160 120 54 1260 1 0 230 46 157 2 2 2 1
39 5 110 120 31 1444 1 1 175 41 180 4 3 3 1
40 3 100 100 34 1306 0 1 196.92 45 159 4 2 1 1
41 2 110 110 28 1545 0 1 183.85 46 172 4 1 2 1
42 3 120 120 26 1459 0 1 187.69 45 173 2 2 3 1
43 4 110 110 28 1581 1 1 159.23 40 162 2 1 4 1
44 0 125 130 26 1535 1 1 181.92 48 159 3 4 3 1
45 0 120 125 28 1774 0 1 168.46 47 161 3 2 2 1
46 3 110 110 30 1316 1 1 168.46 46 154 1 3 4 1
47 2 130 120 28 1876 0 0 215 58 162 1 4 1 1
48 5 110 110 30 1603 0 1 244.23 45 157 2 4 2 1
49 2 125 125 30 1075 0 1 213.46 48 172 1 1 3 1
50 1 136 120 52 1713 0 0 234.62 75 164 4 2 4 2
51 1 110 110 34 2195 1 1 175 42 159 2 2 2 2
52 5 110 110 28 1831 0 1 297.31 46 170 2 2 3 2
53 3 120 120 49 1517 1 1 217.69 48 162 3 4 1 2
54 0 130 120 41 1728 1 0 161.15 49 167 3 4 2 2
55 0 120 120 32 2027 1 1 179.23 56 165 3 1 3 2
56 3 110 110 25 2181 1 1 174.62 42 162 1 1 3 2
57 2 130 130 29 2065 1 1 152.31 57 163 1 1 1 2
58 1 150 120 25 2227 1 0 151.15 54 164 2 2 3 2
59 4 125 130 24 1491 0 1 181.15 56 159 4 1 4 2
60 5 130 130 29 1817 0 0 190 60 171 2 2 2 2
61 0 110 120 25 2011 0 1 148.08 48 154 3 1 2 2
62 2 100 120 26 2057 0 1 151.54 51 159 2 1 3 2
63 1 95 110 28 1784 1 1 165 57 157 1 2 4 2

14
 64 0 100 120 26 1672 1 1 168.85 58 147 2 1 2 2
65 3 130 120 27 1655 1 1 211.54 59 148 2 4 3 2
66 2 160 130 56 2040 0 0 195.38 64 157 1 4 1 2
67 0 130 125 53 1843 0 0 136.15 54 162 4 3 4 2
68 3 140 120 35 1405 1 0 205.77 51 160 1 2 2 2
69 2 130 120 29 1821 0 0 183.08 53 159 1 2 3 2
70 0 135 120 45 2036 1 0 169.62 58 162 2 1 2 2
71 3 140 135 42 1691 0 0 231.15 52 155 2 1 3 3
72 2 130 120 28 1442 1 0 133.08 51 162 4 2 3 3
73 1 135 120 34 1599 1 0 219.23 54 164 1 3 2 3
74 1 140 130 40 2186 1 0 202.69 59 165 2 2 1 3
75 5 145 145 36 1994 1 0 204.23 57 157 2 1 2 3
76 2 130 130 31 1983 1 0 146.54 56 159 1 4 1 3
77 3 150 130 29 1809 0 0 209.23 54 152 2 1 2 3
78 1 130 120 28 2190 0 0 196.15 56 175 4 2 3 3
79 1 130 120 34 1403 0 0 195.38 54 172 3 3 4 3
80 4 152 130 50 1601 0 0 340.77 68 149 3 1 3 3
81 3 135 135 25 1713 1 0 216.54 54 152 3 1 2 3
82 1 170 170 60 1869 0 0 266.92 56 155 1 2 1 3
83 1 160 130 59 1805 1 0 230 57 156 1 2 1 3
84 0 156 160 54 1944 0 0 208.08 59 158 1 1 2 3
85 0 110 120 50 2445 1 1 170.38 82 162 2 1 3 3
86 3 120 130 46 2061 0 1 155.77 49 158 2 4 4 3
87 4 150 150 42 2269 1 0 202.69 75 164 2 4 1 3
88 2 170 180 48 1654 0 0 348.85 41 149 2 4 2 3
89 2 140 120 52 1734 0 1 180.77 48 150 4 2 3 3
90 1 120 120 41 1864 1 1 201.54 51 157 4 2 2 3
91 5 110 120 35 1710 1 1 130.77 51 159 4 1 1 3
92 2 120 120 48 2621 0 1 203.46 42 155 3 1 2 3
93 3 100 100 32 1926 1 1 164.62 48 154 3 2 3 3
94 2 135 125 31 1831 1 1 136.54 51 155 2 3 4 3
95 1 150 150 36 1290 1 0 172.31 60 160 2 2 1 3
96 5 190 130 34 1738 1 0 194.23 45 160 1 2 2 3
97 3 170 170 38 1647 1 0 188.46 70 162 1 4 2 3
98 2 110 110 37 1453 0 1 187.31 39 163 2 1 3 3
99 1 150 160 53 1836 0 0 249.23 45 162 2 2 3 3
100 0 140 140 43 1436 0 0 190.38 45 162 3 2 4 4

D. MENYIMPAN DATA
Setiap membuat file baru dan mengentry data jangan lupa untuk melakukan
penyimpanan data. Cara menyimpan data adalah :

15
 1. Klik File
2. Pilih save as
3. Tentukan directory yang akan
digunakan untuk menyimpan data yaitu pada bagian Save in
4. Buat nama file yang gampang untuk
dingat pada file name
5. Pastikan bahwa data tersimpan pada
SPSS (*.sav) yang dilihat pada bagian save as type
6. Klik save
Dengan demikian data sudah tersimpan.
Untuk data di atas beri nama file : tekanan darah.sav

E. MEMANGGIL FILE DATA

File data yang sudah dibuat dapat dipanggil kembali dengan cara
1. Klik File
2. Pilih open, klik data
3. Pilih directory yang digunakan untuk
menyimpan data pada bagian Look in
4. Pilih nama file yang akan dipanggil
dalam hal ini adalah tekanan darah sehingga pada bagian file name terisi
tekanan darah
5. Klik Open

16
F. MENGEDIT DATA
Pada saat kita melakukan entry data mungkin terjadi kesalahan sehingga kita harus
memperbaiki, atau ada data yang sama sehingga cukup dikopi saja. Pada program
SPSS juga bisa dilakukan edit data. Beberapa edit data yang mungkin perlu
dilakukan di SPSS antara lain menghapus kasus/variabel, menyisip atau
menambah variabel atau kasus dan mengkopi data.
1. Menghapus data hanya pada satu
sel
Untuk menghapus data pada satu sel saja maka buka layar data view.
Letakkan kursor pada sel yang akan dihapus.

Cara menghapus sel dapat dilakukan dengan cara :

a. Setelah disorot dengan kursor
sel yang akan dihapus, tekan delete pada keyboard.
b. Dapat juga dengan
menggunakan icon yang ada di SPSS. Klik Edit, pilih Clear atau Cut

17
 c. Setelah disorot klik kanan,
klik clear atau cut

2. Menghapus data pada 1 kolom

atau lebih
Untuk menghapus data pada satu kolom atau lebih, maka terlebih dahulu
data yang akan dihapus di blok. Cara menghapus sama dengan cara
menghapus data pada sel seperti sudah dijelaskan pada point a di atas.

18
3. Menghapus variabel
Untuk menghapus variabel dapat dilakukan pada layar data view atau pada
layar variabel view

a. Menghapus variabel pada layar data view

1) Klik variabel yang
akan dihapus pada bagian atau kolom atau pada nama variabel
2) Tekan delete pada
keyboard, atau edit pada icon SPSS dan pilih clear/cut atau klik
kanan dan pilih clear/cut.
b. Menghapus variabel pada layar variabel view
1) Letakkan kursor
pada bagian paling kiri dari variabel yang akan dihapus sampai
kursor berubah menjadi panah kecil berwarna hitam dan langsung
klik.
2) Menghapus variabel
bisa dilakukan lebih dari satu variabel sekaligus. Untuk menghapus

19
 variabel lebih dari satu maka variabel-variabel yang akan dihapus
diblok terlebih dahulu.
3) Tekan delete pada
keyboard, atau edit pada icon SPSS dan pilih clear/cut atau klik
kanan dan pilih clear/cut.

4) Semua variabel yang diblok akan terhapus

2 Menghapus kasus/responden
a. Terlebih dahulu buka layar data view
b. Letakkan kursor pada bagian paling kiri dari kasus yang
akan dihapus sampai kursor berubah menjadi panah kecil berwarna
hitam dan langsung klik.
c. Menghapus kasus bisa dilakukan lebih dari satu kasus
sekaligus. Untuk menghapus kasus lebih dari satu maka kasus-
kasus yang akan dihapus diblok terlebih dahulu.
d. Pada contoh dibawah maka kasus yang akan dihapus adalah
kasus dengan nomor 5,6,7,8,9
e. Tekan delete pada keyboard, atau edit pada icon SPSS dan
pilih clear/cut atau klik kanan dan pilih clear/cut.

20
3 Mengcopy isi sel
a. Blok isi sel yang akan dikopi dengan menempatkan kursor
pada sel dan membloknya
b. Mengkopi dapat dilakukan dengan tiga cara yaitu:
1) Klik menu edit pada icon SPSS dan pilih copy,
pindahkan kursor pada sel tempat hasil copy, klik menu edit
pada icon SPSS dan pilih paste
2) Setelah sel yang akan dicopy diblok, lakukan klik
kanan. Pilih copy. Pindahkan kursor pada sel tempat hasil
copy. Klik kanan kembali dan pilih paste.
3) Dengan menggunakan keyboard, setelah dilakukan
blok tekan ctrl C. Pindahkan kursor ke tempat sel hasil copy,
pada keyboard tekan ctrl V.

4 Mengcopy kasus atau responden

a. Tempatkan kursor pada bagian paling kiri dari kasus yang
akan dicopy sampai kursor berubah menjadi panah hitam kecil dan
langsung klik
b. Beberapa kasus dapat dicopy sekaligus tergantung dari
jumlah kasus yang diblok.
c. Cara mengcopy sama seperti mengcopy kasus pada sel
diatas yang sudah dijelaskan pada point e.

5 Mengcopy variabel

21
 a. Tempatkan kursor pada bagian paling kiri dari variabel
yang akan dicopy sampai kursor berubah menjadi panah hitam kecil
dan langsung klik
b. Beberapa variabel dapat dicopy sekaligus tergantung dari
jumlah variabel yang diblok.
c. Cara mengcopy sama seperti mengcopy kasus seperti yang
sudah dijelaskan sebelumnya.

6 Menyisip kasus
Kadang-kadang setelah dilakukan pengentrian ternyata ada kasus yang
belum terentri sementara nomor kasus tersebut berada di tengah. Untuk itu
perlu dilakukan penyisipan kasus (insert case). Untuk menyisip kasus
maka kita bekerja pada layar data view.Caranya adalah :
1. Letakkan kursor pada bagian paling kiri tempat kasus akan disisip
sampai kursor berubah warna menjadi panah hitam kecil dan langsung
klik
2. Penyisipan kasus dapat dilakukan dengan dua cara :
a. Lakukan klik kanan pada mouse dan pilih insert case

b. Pilih icon Data pada SPSS dan pilih insert case

22
7 Menyisip variabel
Sama halnya dengan menyisip kasus, maka pada SPSS juga bisa dilakukan
penyisipan variabel. Untuk penyisipan variabel maka maka kita dapat bekerja
pada layar variabel view atau pada layar data view.
Caranya adalah :
a. Pada layar variabel view:
1) Letakkan kursor pada bagian paling kiri tempat
variabel yang akan disisipkan, sampai kursor berubah warna menjadi
panah hitam kecil dan langsung klik
2) Insert variabel dapat dilakukan dengan cara klik
kanan pada mouse dan pilih insert variabel

3) Atau insert variabel juga dapat dilakukan dengan

mengklik icon data pada SPSS dan pilih insert variabel

23
b. Pada layar data view
1) Letakkan kursor pada bagian paling atas tempat
variabel tersebut akan disisip, sampai kursor berubah menjadi panah
kecil hitam dan langsung klik
2) Insert variabel dapat dilakukan dengan cara klik
kanan mouse dan pilih insert variabel.

3) Atau insert variabel dapat dilakukan dengan cara

menggunakan icon data pada SPSS dan pilih insert variabel.

24
Selain yang sudah dijelaskan diatas maka pada data yang sudah terentry juga
dapat dilakukan beberapa hal dengan menggunakan menu pada SPSS seperti:
a. Menemukan sel tertentu (go to case)
Ini berguna untuk mempercepat mencari kasus sesuai dengan nomor
yang diinginkan. Sangat bermanfaat sekali terutama untuk file yang
jumlah kasusnya banyak. Caranya adalah :
- Klik menu data pada SPSS dan pilih go to case dan langsung
klik sehingga keluar pada layar :

- Misalnya kita ingin melihat kasus no 70 maka pada kotak case

number isi angka 70 dan klik ok

25
- Maka kursor secara otomatis akan mencari responden dengan
nomor urut 70
b. Menyeleksi data dengan kriteria tertentu (Select case)
Select cases digunakan jika kita ingin hanya menganalisis
sebagian data dengan kriteria tertentu
Misal : Dengan menggunakan data pada file tekanan darah kita
hanya akan menganalisis data yang respondennya adalah
perempuan. Caranya adalah :
1) Buka file tekanan darah
2) Klik menu data pada SPSS dan pilih Select cases
sehingga muncul kotak dialog. Pilih Select pilih if
condition is satified sehingga if menjadi aktif

3) Klik if sehingga muncul kotak dialog baru. Masukkan

variabel sex pada kotak. Karena perempuan diberi kode 0
maka pada kotak dialog tersebut dibuat sex = 0

4) Klik continue dan pilih filter (untuk menjaga data

tidak hilang) dan selanjutnya klik ok

26
 Pada data maka data yang tidak akan dianalisis akan dicoret
yang artinya data tersebut tidak termasuk dalam kriteria
yang diseleksi sehingga tidak diikutkan dalam analisis
sesuai dengan kriteria tersebut.

c. Mengurut data (Sort case)

Berguna untuk mengurutkan data dari nilai yang terendah ke
yang tertinggi atau sebaliknya menurut kriteria variabel tertentu
Misal : Data ingin diurutkan berdasarkan umur dari yang
termuda sampai yang tertua. Langkah:
1. Buka file tekanan darah
2. Klik menu data pada SPSS dan pilih sort cases, sehingga
muncul kotak dialog

3. Masukkan variabel umur pada kotak dialog. Pada sort Order

pilih ascending, karena akan mengurutkan data dari nilai
terendah sampai nilai tertinggi. Selanjutnya klik ok.

27
A. CLEANING DATA
Setelah data selesai dientri, maka perlu dilakukan pengecekan kembali apakah
data yang dientry sudah sesuai dengan kuesioner dan kode-kode yang terentri
sudah sesuai dengan buku kode yang kita buat sebelumnya. Untuk melakukan
cleaning data dapat digunakan program SPSS. Pada cleaning data yang perlu
diperhatikan adalah :
a. Missing data
Yaitu untuk mengetahui apakah masih ada data yang belum terentry. Pada
SPSS data yang missing ditandai dengan titik. Untuk mengetahui missing
data dapat dilakukan dengan cara membuat distribusi frekuensi dari masing-
masing variabel. Jika pada variabel tersebut terdapat missing maka pada
hasil analisis akan diinformasikan data yang missing.
b. Konsistensi data
Konsistensi data juga perlu diperhatikan pada saat cleaning data. Yang
dimaksud dengan konsistensi data adalah bahwa variabel yang satu
konsisten dengan variabel yang berhubungan. Untuk mengetahui konsistensi
data dapat dibuat tabel distribusi frekuensi dari variabel-variabel yang
berhubungan tersebut.
Contoh: jika jumlah balita yang terkena diare adalah 60 dari 100 balita,
maka jumlah balita yang terkena diare yang dirawat di rumah sakit adalah 40
dari 60 balita. Jika ditemukan bahwa balita yang diare dirawat di rumah sakit
adalah 40 dari 70 balita berarti data tidak konsisten. Untuk lebih jelasnya
dapat dilihat pada tampilan tabel

Tabel 1
Distribusi balita yang menderita diare di daerah X tahun 2006

No Diare Jumlah %
1 Ya 60 60
2 Tidak 40 40
100 100

28
 Tabel 2
Distribusi balita yang menderita diare di rawat di rumah sakit di daerah
X tahun 2006

No Dirawat di rumah Jumlah %

sakit
1 Ya 40 57,14
2 Tidak 30 42,86
70 100

Terlihat bahwa data yang terdapat pada tabel 1 dan tabel 2 tidak
konsisten, artinya ada kesalahan dalam mengentry data sehingga perlu
diperbaiki.

c. Variasi data
Walaupun secara jumlah data yang dientry sudah benar namun dari
variasi data bisa jadi masih keliru. Misalkan penelitian terhadap 100
responden untuk variabel pekerjaan diberi kode 1 sampai 5 yaitu :
Kode 1 (Pegawai negeri/swasta)
Kode 2 (Petani)
Kode 3 (Buruh)
Kode 4 (Wiraswasta)
Kode 5 (Tidak bekerja)
Setelah data dilist dan dibuat tabel distribusi frekuensi maka hasilnya

29
 Tabel 3
Distribusi responden menurut pekerjaan di daerah X tahun 2006

No Pekerjaan Jumlah %
1 Pegawai negeri/swasta 20 20
2 Petani 30 30
3 Buruh 20 20
4 Wiraswasta 15 15
5 Tidak bekerja 10 10
6 6 5 5
Jumlah 100 100

Pada tabel di atas terlihat bahwa jumlah responden sudah 100. Namun
ternyata ada muncul kode 6. Ini berarti ada kesalahan dalam entry sehingga
harus diperbaiki.

B. TRANSFORMASI/MODIFIKASI DATA

Data yang dientry masih merupakan data mentah sesuai dengan pertanyaan-
pertanyaan di kuesioner. Kadangkala data mentah belum lagi sesuai dengan tujuan
penelitian. Seperti pada kuesioner, untuk mengukur pengetahuan dibutuhkan beberapa
pertanyaan, sedangkan tujuan penelitian hanyalah untuk mengukur tingkat
pengetahuan. Agar data pengetahuan tersebut dapat dianalisis sesuai tujuan penelitian
maka skor dari pertanyaan-pertanyaan tentang pengetahuan harus dijumlahkan
terlebih dahulu. Demikian juga jika kita butuh data tentang kelompok umur berisiko
dan tidak berisiko dengan kriteria tertentu, maka data umur yang ada harus
dikelompokkan terlebih dahulu. Dengan demikian transformasi data atau modifikasi
data sangat dibutuhkan agar data siap dianalisis sesuai dengan tujuan penelitian.
Ada dua cara yang lazim dilakukan dalam modifikasi data yaitu compute yaitu
modifikasi data yang menggunakan fungsi matematika atau logika dan recode yaitu
mengelompokkan data

30
1. Compute
Compute digunakan untuk membuat variabel baru dari data variabel yang sudah
ada dengan menggunakan fungsi matematika seperti perkalian, penambahan,
pembagian dan pengurangan serta membuat variabel baru dengan menggunakan
logika.
Contoh:
1. Membuat variabel rata-rata tekanan darah dengan cara menjumlahkan
tekanan darah pengukuran pertama dan tekanan darah pengukuran kedua
dan dibagi 2
2. Membuat variabel berat badan dengan satuan pond dari variabel berat
badan yang satuannya kg
Beberapa hal yang perlu diperhatikan dalam menggunakan perintah compute
1. Pada compute dapat melibatkan lebih dari satu variabel.
2. Perintah compute hanya dapat digunakan untuk data numerik dengan skala
pengukuran interval dan rasio
Compute untuk lebih jelasnya dapat langsung dipraktekkan dengan menggunakan
file tekanan darah, yaitu membuat variabel baru yang merupakan perbandingan
antara tinggi badan dengan berat badan.
Langkah-langkah :
1. Buka file tekanan darah
2. Klik transform pada menu SPSS dan pilih compute sehingga muncul kotak
dialog
3. Pada kotak target variable buat nama variabel baru misal rasiotbbb. Untuk
membuat nama variabel baru yang perlu diperhatikan adalah bahwa nama
variabel baru yang dibuat tidak boleh sama dengan nama variabel yang sudah
ada
4. Pada kotak numeric experisson masukkan variabel tinggi badan dibagi
variabel berat badan sehingga pada tertulis tinggibadan/beratbadan
5. Klik ok

31
 6. Terlihat akan terbuat variabel baru yaitu rasiotbbb. Untuk selanjutnya rapikan
variabel tersebut dengan membuka jendela variabel view yaitu dengan
membuat label dari variabel.

2. Recode
Recode berguna untuk membuat variabel baru dengan cara melakukan
pengelompokkan data dari variabel yang sudah ada. Beberapa hal yang
diperhatikan dalam menggunakan perintah recode:
1. Recode hanya melibatkan satu variabel
2. Perintah recode dapat digunakan untuk variabel berdata numerik dan
kategorik.
Untuk lebih jelasnya dengan menggunakan file tekanan darah, buat variabel
baru dengan nama katumur dari umur dengan cara mengelompokkan umur menjadi 3
kelompok yaitu
1 <= 25 tahun
2 26-45 tahun
3 >45 tahun

Langkah-langkah
1. Buka file tekanan darah
2. Pilih menu transform pada icon SPSS dan klik recode
3. Ada dua pilihan yaitu into same variables atau into different variables. Jika
yang dipilih adalah into same variables maka variabel yang baru dibuat akan
menimpa variabel lama sehingga kehilangan data. Sedangkan into different

32
 variables maka variabel lama tetap ada. Dengan demikian disarankan untuk
memilih into different variables. Muncul kotak dialog
4. Pada kotak input variables output variables masukkan variabel yang
akan direcode yaitu umur . Sehingga muncul tanda tanya
5. Pada kotak name pada output variables tulis nama variable baru yaitu
katumur . Sedangkan pada kotak label buat label dari variabel katumur yaitu
Kelompok umur responden
6. Klik Change, sehingga tanda tanya pada kotak input variables output
variables hilang

7. Klik kotak Old and New Values, sehingga muncul kotak dialog yang baru

8. Kotak dialog ini terdiri dari dua bagian. Bagian pertama yaitu Old value
merupakan tempat untuk menuliskan value (nilai) dari variabel lama yang
akan direcode, sedangkan bagian new value merupakan tempat untuk menulis

33
 nilai dari variabel baru yang merupakan hasil recode. Pada old value ada
beberapa pilihan, yang sering dipakai adalah :
Value ini digunakan untuk melakukan perubahan nilai variabel lama dengan
cara satu per satu
Range digunakan untuk melakukan perubahan nilai variabel lama dengan
terlebih dahulu melakukan pengelompokkan nilai variabel lama
9. Untuk soal di atas maka klik Range lowest through (artinya nilai terendah
sampai....) masukkan angka 25. Pada bagian new value klik value dan
masukkan angka 1 dan selanjutnya klik add. Artinya disini adalah bahwa nilai
terendah sampai 25 pada variabel lama diubah menjadi nilai 1 pada variabel
baru.
10. Selanjutnya pada old value klik ..... range..... (artinya nilai tertentu sampai
nilai tertentu.Masukkan angka 26 dan 45. Pada new value klik value dan
masukkan angka 2 dan klik add. Artinya nilai 26 sampai dengan 45 pada
variabel lama berubah menjadi nilai pada variabel baru
11. Selanjutnya klik ..... through highest (artinya nilai tertentu sampai nilai
tertinggi. Masukkan angka 46. Pada new value klik value dan masukkan
angka 3 dan klik add. Artinya nilai 46 ke atas pada variabel lama, berubah
menjadi nilai 3 pada variabel baru.
12. Selanjutnya klik continue dan klik ok. Sehingga akan terlihat adanya
penambahan variabel katumur. Rapikan variabel baru tersebut dengan
merapikan desimal dan memberi label pada value yang baru dibuat dengan
membuka layar variables view.

3. If
Berguna untuk membuat variabel baru dengan menggunakan suatu syarat atau
kriteria tertentu. Contoh: Membuat variabel berisiko hipertensi dengan kriteria
yang dikatakan sebagai berisiko adalah mempunyai kadar kolesterol diatas 200
dan berat badan diatas 65. Berarti disini akan dibuat variabel baru risiko
dengan melibatkan variabel kadar kolesterol dan berat badan sebagai syarat,
dimana responden dengan kadar kolesterol diatas 200 dan berat badan diatas
65 dikelompokkan berisiko hipertensi sedangkan responden yang lainnya
dikelompokkan tidak berisiko hipertensi.

34
Caranya adalah :
1. Tentukan terlebih dahulu kode yang digunakan misal : kode 1 untuk
tidak berisiko dan kode 2 untuk berisiko
2. Buat terlebih dahulu variabel risiko yang berisi kode 1 semuanya
Caranya:
- Buka file tekanan darah
- Klik menu transform pada SPSS dan pilih compute
- Pada target variabel ketik Risiko
- Pada numerik expression ketik angka 1
- Klik ok, sehingga pada data terlihat variabel risiko dengan semua
nilai valuenya 1

3. Ubah kode responden menjadi 2 untuk responden yang mempunyai

kriteria kadar kolesterol>200 dan berat badan >65
Caranya:
- Klik menu transform pada SPSS dan pilih compute
- Pada target variabel biarkan tetap berisi risiko
- Pada numeric expression ganti angka 1 dengan angka 2
- Klik if yang berada pada bawah kiri kotak dialog sehingga muncul
kotak dialog Compute variables:if cases
- Pilih include if case satisfies condition
- Ketik di kotak kolesterol > 200 & berat badan > 65

35
 - Klik continue dan klik ok sehingga muncul kotak dialog

- Klik ok, sehingga pada data akan muncul variabel risiko dengan
value 1 dan 2. Rapikan variabel risiko pada layar variabel view
yaitu dengan memberi label nama variabel dan memberi label dari
value dimana 1 tidak berisiko dan 2 berisiko

Latihan :
1. Buat variabel baru total sikap yang meruipakan penggabunagn
data sikap 1, sikap2, sikap3 dan sikap 4
2. Buat variabel baru dengan mengelompokkan data tekanan
darah menjadi dua kelompok yaitu hipertensi (>120 mmHg dan
tidak hipertensi (<=120 mmHg)
3. Kelompokkan pekerjaan responden menjadi 3 kelompok yaitu
tidak bekerja, pegawai (PNS, swasta dan TNI Polri)_ dan bukan
pegawai (buruh dan petani)

36
 APLIKASI SPSS DALAM ANALISIS DATA

A. ANALISIS
UNIVARIAT
I. DATA KATEGORIK
Data kategorik disajikan dalam bentuk persentase. Langkah-langkahnya
adalah :

1. Buka file Tekanan darah

2. Pilih variabel yang berdata kategorik yang salah satunya
adalah kerja
3. Pilih menu analyze, klik Descriptive Statistics dan pilih
frequencies sehingga muncul kotak dialog

37
4. Masukkan variabel kerja ke kotak Variable(s) dan klik
ok sehingga keluar hasil analisis

5. Hasil output analisis adalah :

Pekerjaan responden

Cumulative
Frequency Percent Valid Percent Percent
Valid Tidak bekerja 17 17.0 17.0 17.0
PNS 22 22.0 22.0 39.0
Swasta 18 18.0 18.0 57.0
Buruh 22 22.0 22.0 79.0
Petani 8 8.0 8.0 87.0
TNI/Polri 13 13.0 13.0 100.0
Total 100 100.0 100.0

6. Untuk menyajikan pada laporan penelitian sangat tidak

disarankan menampilkan dalam bentuk tabel output namun harus dibuat
dalam bentuk tabel sendiri. Untuk nilai persen maka yang dibaca pada
output adalah kolom valid percent, karena pada kolom valid percent data
yang missing tidak diikutkan dalam analisis. Tampilan tabel dalam laporan
adalah sebagai berikut:

Tabel 1
Distribusi Responden Menurut Pekerjaan di daerah X tahun 2006

No Status Pekerjaan Jumlah %

1 Tidak bekerja 17 17
2 PNS 22 22
3 Swasta 18 18

38
 4 Buruh 22 22
5 Petani 8 8
6 TNI/Polri 13 13
Total 100 100

b. Interpretasi tabel. Dalam menginterpretasi tabel, maka isi tabel tidak

dibaca secara keseluruhan, tapi dibaca nilai ekstrim saja atau sesuai
dengan titik berat yang kita butuhkan dalam penelitian. Untuk data di
atas maka dapat interpretasikan sebagai berikut:
Dari tabel terlihat bahwa sebagian kecil responden bekerja sebagai
petani yaitu 8%, ada responden yang tidak bekerja yaitu 17%, Sisanya
responden bekerja sebagai PNS, swasta, buruh dan TNI/Polri. Untuk
lebih jelas dapat dilihat pada tabel.
Kesimpulan : Sebagian besar responden sudah mempunyai pekerjaan
yang tetap.

II. DATA NUMERIK

Data numerik dalam analisis deskriptif dilihat nilai tengah dan nilai
sebaran data. Nilai tengah yang dipakai sangat tergantung pada
distribusi data. Untuk data yang berdistribusi normal maka nilai tengah
yang dipakai adalah mean, sedangkan untuk data yang tidak
berdistribusi normal maka nilai tengah yang dipakai adalah nilai
median. Untuk nilai sebaran data, maka yang lazim dipakai adalah nilai
minimum dan nilai maksimum, dan nilai standar deviasi. Juga perlu
ditampilkan nila Confidence interval (biasanya 95% CI).
Untuk mengetahui data berdistribusi normal dapat dilakukan dengan 3
cara :
1. Melihat grafik histrogram. Jika grafik histogram berbentuk
kurva normal, maka disebut data berdistribusi normal. Tapi jika
histogram menunjukkan adanya kemencengan data, maka data
tidak berdistribusi normal.
2. Membandingkan nilai Skewness dengan standar Error. Jika
perbandingkan nilai skewness dengan standar error  2, maka
data berdistribusi normal (hasil perbandingan adalah nilai mutlak,
tanda negatif diabaikan).

39
 3. Melakukan uji statistik kolmogorov smirnov.
Pada uji kolmogorov smirnov maka terlebih dahulu dirumuskan
hipotesis yaitu :
Ho : data berdistribusi normal
Ha : data berdistribusi normal
Jika P   maka Ho ditolak (data berdistribusi tidak normal)
Jika P >  maka Ho gagal ditolak (data berdistribusi normal)
Namun yang penting diperhatikan bahwa uji kolmogorov smirnov,
sangat sensitif dengan jumlah data. Semakin besar n maka nilai p
cenderung kecil dari alpha. Oleh karenanya tidak disarankan untuk
melihat kenormalan data dengan menggunakan uji ini.

Langkah-langkah analisis univariat data numerik (variabel yang

digunakan adalah intake):
1. Menguji kenormalan data
a. Dengan menggunakan grafik histogram
1) Buka file tekanan darah
2) Pilih menu analyze pilih Descriptive Statistic dan pilih
Frequencies, sehingga muncul kotak dialog

3) Masukkan variabel intake ke kotak variable(s).

4) Klik Charts, klik histogram dan with normal curve, klik
continue dan ok
5) Pada output akan keluar hasil histogram yaitu;

40
 Histogram

20

15
Frequency

10

Mean = 1752.35
Std. Dev. = 318.901
0 N = 100
1000 1500 2000 2500 3000

Kalori yang di komsumsi satu hari

6) Dari gambar histogram terlihat bahwa data berdistribusi normal

b. Dengan melihat perbandingan nilai skewness dan standar error
1) Buka file tekanan darah
2) Pilih menu analyze pilih Descriptive Statistic dan pilih
Explore, sehingga muncul kotak dialog

41
3) Masukkan variabel intake ke kotak Dependent List
4) Klik plot dan klik Normality Plots with tests
5) Klik continue dan ok
6) Akan langsung keluar hasil deskriptif dan hasil uji
kolmogorov smirnov

42
 Descriptives

Statistic Std. Error

Kalori yang di Mean 1752.35 31.890
komsumsi satu hari 95% Confidence Lower Bound 1689.07
Interval for Mean Upper Bound
1815.63

5% Trimmed Mean 1741.42

Median 1747.50
Variance 101697.8
Std. Deviation 318.901
Minimum 1069
Maximum 2759
Range 1690
Interquartile Range 411
Skewness .485 .241
Kurtosis .609 .478

Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Kalori yang di
.076 100 .172 .981 100 .147
komsumsi satu hari
a. Lilliefors Significance Correction

7) Pada kotak descriptives terlihat ada nilai kurtosis dan

standar errornya. Nilai skewness adalah 0,485 dan nilai SE adalah
0,241. Skewness/ SE = 0,485/0,241 = 2 , sehingga dapat
dikatakan data berdistribusi normal
b. Dengan melihat hasil uji kolmogorov smirnov
Hasil uji kolmogorov smirnov dapat dilihat pada tabel Test of
Normality. Terlihat nilai signifikansinya (nilai p) adalah 0,172. dengan
menggunakan  5% maka P>. Dengan demikian Ho gagal ditolak
sehingga data berdistribusi normal

2.Analisis data numerik

Hasil analisis dapat dilihat pada tabel descriptives dari hasil analisis yaitu nilai
mean, 95% CI, nilai minimum dan nilai maksimmum dan nilai standar deviasi.

43
 Penyajian data numerik dalam laporan penelitian adalah sebagai berikut:

Tabel 2
Distribusi Responden Berdasarkan Intake Makanan di Daerah X tahun 2006
Variabel Mean Min-Max 95% CI SD
Intake makanan 1752,35 1069 - 2759 1689,07 – 1815,63 318,901

Interpretasi:
Rata-rata intake kalori responden per hari adalah 1752,35 kilo kalori dengan
95%CI : 1689,07 – 1815,63 dan SD 318,901 kilo kalori. Komsumsi kalori
terendah dari responden adalah sebanyak 1069 kalori dan komsumsi kalori
tertinggi responden adalah 2759 kalori
Kesimpulan : Intake kalori rata-rata responden melebihi dari kebutuhan tubuh
per hari. Dimana kebutuhan tubuh per hari rata-rata adalah 1500 kilo kalori.

B. ANALISIS BIVARIAT
1. ANALISIS DATA
NUMERIK-KATEGORIK

a. UJI T INDEPENDEN
Melihat Apakah perbedaan rata-rata tekanan darah antara yang diberi dan
yang tidak diberi katopril ?
Ho: Tidak ada perbedaan rata-rata tekanan darah yang minum katopril dan
yang tidak
Ha: Ada perbedaan rata-rata tekanan darah pria yang minum katopril dan yang
tidak
=5%
Langkah-langkah
1. Buka file tekanan darah
2. Klik Analyze pada menu
SPSS, pilih compare mean dan pilih independen sample T Test, dan klik
sehingga muncul kotak dialog independent samples T test

44
3. Masukkan variabel
berdata numerik dalam hal ini variabel tekanan darah 2 pada kotak test
variable dan variabel berdata kategorik dalam hal ini katopril ke
grouping variable. Pada variabel katopril terlihat ada tanda tanya
4. Klik define group
sehingga muncul kotak dialog. Disini ada kotak yang akan diisi yaitu
kotak group 1 dan group 2. Kotak ini diisi sesuai dengan kode yang kita
berikan untuk variabel kategorik (variabel katopril). Karena variabel
katopril dikode dengan angka 0 dan 1 maka pada group1 ditulis 0 dan pada
group 2 ditulis 1.

5. Klik continue dan ok

sehingga keluar output
6. Hasil output yang perlu
kita perhatikan adalah :

45
T-Test

Group Statistics

Std. Error
Pemberian obat katopril N Mean Std. Deviation Mean
Tekanan darah Tidak diberi 49 137.33 17.323 2.475
responden
pengukuran kedua Diberi 51 115.78 18.449 2.583

Independent Samples Test

Levene's Test for

Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed) Difference Difference Lower Upper
Tekanan darah Equal variances
3.174 .078 6.014 98 .000 21.542 3.582 14.434 28.651
responden assumed
pengukuran kedua Equal variances
6.022 97.950 .000 21.542 3.577 14.443 28.642
not assumed

7. Pada tabel group statistik

terlihat deskripsi dari variabel yaitu jumlah n, mean dan standar deviasi
serta standar error
8. Pada tabel independent
samples test ada dua hal yag harus diperhatikan yaitu uji homogenitas
varians (levene’s test dan hasil uji t itu sendiri)
9. Rumusan hipotesis untuk
uji varian adalah
Ho : Tidak ada perbedaan varians
Ha : Ada perbedaan varians
Hasil uji menunjukkan bahwa p 0.078 >  (0,05). Dengan demikian Ho
gagal ditolak berarti tidak ada perbedaan varians. Untuk itu dipilih uji t
untuk varians yang sama

46
 10. Untuk mengetahui nilai p
uji t varians yang sama lihat nilai signifikan pada baris equal varians
assume, nilai signifikan (nilaip) uji t adalah 0.000
11. Kesimpulan statistik
adalah P(0,000)< (0,100). Dengan demikian Ho gagal ditolak, berarti
secara statistik pada tingkat kepercayaan 5% terdapat perbedaan yang
signifikan antara rata-rata tekanan darah antara responden yang diberi
katopril dengan respoden yang tidak diberi katopril.
12. Pada waktu menyajikan
dalam laporan maka tidak boleh disajikan dalam bentuk out put analisis
tapi harus dibuat dalam bentuk tabel baru. Bentuk tabel dalam penyajian di
laporan adalah :
Tabel 4
Hasil Uji Statistik Perbedaan Tekanan Darah Responden yang diberi dan tidak
diberi Obat Katoril di Daerah X Tahun 2006

Variabel N Mean SD SE P value

Tekanan darah
- Tidak diberi 49 137,33 17,323 2,475 0,0001
katopril 51 115,78 18,449 2,583
- Diberi katopril

Dari tabel diatas terlihat bahwa dari 49 responden rata-rata tekanannya adalah
137,33 mmHg dengan SD 17,323 mmHg dan dari 51 responden yang diberi
katopril rata-rata tekanan darahnya adalah 115,78 mmHg. Dengan SD 18,449
mmHg. Dari uji statistik diperoleh nilai P 0,0001. Dengan demikian pada  5%
maka secara statistik terdapat perbedaan rata-rata tekanan darah yang bermakna
antara responden yang diberi katopril dengan responden yang tidak diberi katopril.
Kesimpulan: Obat katopril dapat digunakan untuk menurunkan tekanan darah.
(Hal ini didasarkan pada hasil statistik bermakna dan secara substansi juga
bermakna karena rata-rata tekanan darah responden yang diberi katopril adalah
137,33 mmHg (kecil dari 120 mmHg), karena secara teori seseorang dikatakan
hipertensi jika tekanan darahnya diatas 120 mmHg.)

47
b. UJI T DEPENDEN
Untuk menguji apakah ada perbedaan rata-rata tekanan darah responden pada
pengukuran I dan pengukuran II
Ho: Tidak ada perbedaan rata-rata tekanan darah responden pada pengukuran I
dan pengukuran II
Ha: Ada perbedaan rata-rata tekanan darah responden pada pengukuran I dan
pengukuran II
Nilai  yang digunakan adalah 5 %.

Langkah-langkah
1. Buka file tekanan darah
2. Klik Analyze pada menu SPSS, Pilih compare means dan klik Paired
Samples T Test sehingga muncul kotak dialog Paired samples T Test

3. Pada kotak Paired variables masukkan variabel tekanan darah 1 dan

tekanan darah 2 secara bersamaan.

48
 4. Klik OK sehingga keluar output hasil analisis sebagai berikut

T-Test

Paired Samples Statistics

Std. Error
Mean N Std. Deviation Mean
Pair Tekanan darah
1 responden 131.22 100 20.725 2.073
pengukuran pertama
Tekanan darah
responden 126.34 100 20.846 2.085
pengukuran kedua

49
 Paired Samples Test

Paired Differences
95% Confidence
Interval of the
Std. Error Difference
Mean Std. Deviation Mean Lower Upper t df Sig. (2-tailed)
Pair Tekanan darah
1 responden pengukuran
pertama - Tekanan 4.880 16.883 1.688 1.530 8.230 2.890 99 .005
darah responden
pengukuran kedua

Paired Samples Correlations

N Correlation Sig.
Pair Tekanan darah
1 responden pengukuran
pertama & Tekanan 100 .670 .000
darah responden
pengukuran kedua

4. Pada tabel Paired samples statistic terdapat deskripsi dari variable yaitu
mean, Sd, stnadar error dan jumlah data (n)
5. Pada tabel paired samples Correlations menunjukkan nilai koefisien korelasi
antara tekanan darah 1 dan tekanan darah 2
6. Pada tabel Paired samples Test merupakan hasil uji T dependen. Terlihat
bahwa nilai t adalah 2,890 dan nilai p nya adalah 0,005 yang berarti kecil dari
. Dengan demikian secara statistik terdapat perbedaan rata-rata tekanan darah
yang bermakna pada responden sebelum dan sesudah pemberian katopril.
7. Dalam penyajian di laporan maka harus dibuat tabel ulang (tidak boleh
disajikan dalam bentuk output). Bentuk penyajian pada laporan adalah :

Variabel mean SD SE P value n

Tekanan darah pengukuran I 131,22 20,725 2,073 0,005 100

Tekanan darah pengukuran II 126,34 20,846 2,085

Dari tabel diatas terlihat bahwa dari 100 responden rata-rata tekanan darah pada
pengukuran I adalah 131,22 mmHg dengan SD 20,725 mmHg dan rata-rata
tekanan darah pada pengukuran II adalah 126,34 mmHg dengan SD 20,846
mmHg. Dari uji statistik diperoleh nilai P 0,005. Dengan demikian pada  5%

50
 maka secara statistik dapat disimpulkan terdapat perbedaan yang bermakna rata-
rata tekanan darah responden pada pengukuran I dan pengukuran II

c. UJI ANOVA
Apakah ada perbedaan rata-rata komsumsi kalori per hari menurut pekerjaan
responden ?
Pekerjaan responden dikelompokkan atas 3 yaitu :
Kode 0 = Tidak bekerja
Kode 1 = Pegawai yaitu : PNS, swasta dan TNI Polri
Kode 2 = Bukan Pegawai yaitu : Buruh dan Petani
Hipotesis :
Ho : Tidak ada perbedaan rata-rata komsumsi kalori per hari menurut jenis
pekerjaan responden
Ha : Ada perbedaan rata-rata komsumsi kalori per hari menurut jenis pekerjaan
responden
Nilai alpha yang digunakan 5%
Langkah-langkah :
1. Buka file tekanan darah
2. Lakukan pengelompokkan variabel kerja terlebih dahulu dengan menggunakan
fungsi recode. Caranya adalah :
a. Klik transform pada menu SPSS, pilih recode, klik into different
variable
b. Masukkan variabel kerja pada kotak input variable output variable.
c. Pada kotak output variable buat nama variabel baru misal kerja1
d. Pada kotak label buat label variabel yaitu kelompok pekerjaan
responden
e. Klik change
f. Klik old and new values
g. Pada value bagian old tulis 0 dan pada value bagian new tulis 0 dan
klik add
h. Selanjutnya klik range dan tulis 1 trough 2 dan pada new value tulis 1
dan klik add

51
 i. Selanjutnya pada old klik value dan tulis5, pada new value tulis 1 dan
klik add
j. Selanjutnya pada old klik old other values dan pada new value tulis 2
dan klik add.
k. Klik continue, klik ok

l. Rapikan variabel pada variabel view dengan memberikan label pada

value yaitu : value 0 label tidak bekerja, value 1 label pegawai, value 2
label selain pegawai.
3. Lakukan uji anova dengan cara pilih menu analyze, pilih compare mean dan
pilih one way anova. Sehingga kotak dialog One way anova

52
4. Masukkan variabel intake pada kotak dependent list dan variabel kerja1
pada kotak factor
5. Klik Option dan pada statistics tandai descriptive dan homogenity of
variance
6. Klik Continue dan klik ok

7. Hasil output uji anova dapat dilihat sebagai berikut

53
Oneway

Descriptives

Kalori yang di komsumsi satu hari

95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
Tidak bekerja 17 1796.53 323.944 78.568 1629.97 1963.09 1069 2445
Pegawai 53 1806.17 333.607 45.824 1714.22 1898.12 1075 2759
Selain pegawai 30 1632.23 261.444 47.733 1534.61 1729.86 1260 2269
Total 100 1752.35 318.901 31.890 1689.07 1815.63 1069 2759

Test of Homogeneity of Variances

Kalori yang di komsumsi satu hari

Levene
Statistic df1 df2 Sig.
.370 2 97 .692

ANOVA

Kalori yang di komsumsi satu hari

Sum of
Squares df Mean Square F Sig.
Between Groups 619539.7 2 309769.838 3.180 .046
Within Groups 9448547 97 97407.702
Total 10068087 99

8. Pada tabel descriptive merupakan deskripsi dari variabel. Pada tabel ini
menggambarkan rata-rata komsumsi kalori per hari pada setiap kelompok
pekerjaan, standar deviasi, 95% CI dan komsumsi minimum dan maksimum
9. Pada tabel Test of Homogenity of Variances menunjukkan hasil uji
homogenitas varians. Salah satu asumsi yang harus dipenuhi dalam uji anova
adalah varians data sama. Karena nilai p pada uji Levene’s Test adalah 0,692
(besar dari ) maka data mempunyai varians sama, sehingga asumsi varians
sama terpenuhi.
10. Pada tabel anova menunjukkan nilai hitung F dan nilai P. Nilai F = 3,180 atau
nilai P 0,046 (kecil dari =0,05). Dengan demikian ada perbedaan yang
bermakna komsumsi kalori per hari responden menurut jenis pekerjaannya.
Untuk mengetahui kelompok mana saja yang berbeda maka dapat dilanjutkan
dengan uji Post Hoc. Caranya adalah :

54
 a. Pilih lagi Analyze pada menu SPSS, Klik Compare mean dan pilih
One way anova, sehingga muncul kotak dialog one way anova
b. Kotak dialog yang sudah terisi biarkan saja, dan klik Post hoc pada
bagian bawah kotak dialog, sehingga muncul kotak dialog One Way
Anova Post Hoc Multiple Comparison. Tandai Bonferroni dengan
cara mengklik. Klik continue dan klik ok

11. Output dari uji post hoc adalah :

Post Hoc Tests

Multiple Comparisons

Dependent Variable: Kalori yang di komsumsi satu hari

Bonferroni

Mean
(I) Kelompok (J) Kelompok Difference 95% Confidence Interval
pekerjaan responden pekerjaan responden (I-J) Std. Error Sig. Lower Bound Upper Bound
Tidak bekerja Pegawai -9.640 86.993 1.000 -221.57 202.29
Selain pegawai 164.296 94.746 .258 -66.52 395.12
Pegawai Tidak bekerja 9.640 86.993 1.000 -202.29 221.57
Selain pegawai 173.936* 71.308 .050 .22 347.66
Selain pegawai Tidak bekerja -164.296 94.746 .258 -395.12 66.52
Pegawai -173.936* 71.308 .050 -347.66 -.22
*. The mean difference is significant at the .05 level.

Dilihat dari nilai P maka kelompok pekerjaan yang berbeda adalah antara pegawai
dengan selain pegawai karena nilai P= 0,05 (sama dengan ). Untuk memudahkan

55
lihat pada kolom Mean Difference yaitu yang ditandai bintang dan juga bisa dilihat
pada kolom sig.

12. Untuk penyajian dalam laporan harus dibuat tabel baru sebagai berikut :

Tabel
Distribusi Rata-rata Komsumsi kalori per hari Responden Menurut Jenis
Pekerjaan
Variabel Mean SD 95% CI Nilai P
Pekerjaan
- Tidak 1796,53 323,944 1629,97 – 1963,09 0,046
bekerja 1806,17 333,607 1714,22 – 1898,12
- Pegawai 1632,23 261,444 1534,61 – 1729,86
- Selain
Pegawai

Pada tabel diatas terlihat bahwa komsumsi rata-rata kalori per hari pada responden
yang tidak bekerja adalah 1796,53 kk dengan SD 323,944 kk (95% CI: 1629,97 –
1963,09 kk). Pada responden yang pegawai maka komsumsi kalori per hari rata-
rata 1806,17 kk dengan SD 333,607kk (95% CI: 1714,22 – 1898,12 kk) dan pada
responden yang bekerja selain pegawai maka komsumsi kalori per hari rata-rata
adalah 1632,23 kk dengan SD 261,444kk (95% CI: 1534,61 -1729,98kk). Dari
hasil uji anova diperoleh nilai P 0,046 (> ). Dengan demikian secara statistik
dengan tingkat kemaknaan 95% terdapat perbedaan yang bermakna rata-rata
komsumsi kalori per hari responden menurut jenis pekerjaan. Dimana kelompok
yang mempunyai perbedaan bermakna tersebut adalah responden yang bekerja
sebagai pegawai dengan responden yang bekerja selain pegawai. Untuk lebih jelas
dapat dilihat pada tabel berikut:

56
 Tabel
Hasil Uji Anova Multiple Comparison Komsumsi kalori Per hari Menurut Jenis
Pekerjaan Responden Di Daerah X Tahun 2006

Kelompok Nilai P
Tidak bekerja dengan Pegawai 1,000
Tidak pekerja dengan Selain pegawai 0,258
Pegawai dengan Selain pegawai 0,05 *

2. ANALISIS DATA
NUMERIK-NUMERIK

a. UJI KORELASI
Apakah ada hubungan antara komsumsi kalori per hari dengan berat badan
responden
Ho : Tidak ada hubungan antara komsumsi kalori per hari dengan berat badan
responden
Ha : Ada hubungan antara komsumsi kalori per hari dengan berat badan
responden
Tingkat kepercayaan () = 5%
Langkah-langkah Uji Statistik
1. Buka file Tekanan Darah
2. Pilih menu Analyze pada SPSS, klik Correlate dan pilih Bivariate,
sehingga muncul kota dialog Bivariate Correlation

3. Masukkan variabel intake dan variabel berat badan ke kotak variables.

Boleh dimasukkan satu per satu dan klik Ok

57
 4. Hasil output analisis dapat dilihat sebagai berikut:

Correlations

Correlations

Kalori yang di
komsumsi Berat badan
satu hari responden
Kalori yang di Pearson Correlation 1 .338**
komsumsi satu hari Sig. (2-tailed) .001
N 100 100
Berat badan responden Pearson Correlation .338** 1
Sig. (2-tailed) .001
N 100 100
**. Correlation is significant at the 0.01 level (2-tailed).

5. Hasil uji terlihat bahwa nilai r adalah 0,338 sehingga hubungan dapat
dikategorikan sedang, sedangkan nilai P diperoleh 0,001. Sehingga ada
hubungan antara komsumsi kalori per hari dengan berat badan responden.
6. Penyajian dalam laporan penelitian adalah

Tabel
Analisis hubungan Kalori yang dikomsumsi dengan berat badan responden
Variabel R Nilai P
Kalori dengan Berat Badan 0,338 0,001

Dari tabel di atas terlihat bahwa komsumsi kalori per hari dengan berat
badan mempunyai koefisien korelasi (r) 0,338. Dimana hubungan tersebut
dapat dikategorikan sedang yang berpola positif artinya semakin banyak intake

58
 maka berat badan semakin meningkat. Dari uji statistik di peroleh nilai P
0,001 dengan demikian secara statistik pada taraf kepercayaan 5% terdapat
hubungan yang bermakna antara komsumsi kalori per hari dengan berat badan
responden.

b. UJI REGRESI LINIER SEDERHANA

Uji korelasi baru bisa melihat hubungan, sedangkan pada uji regresi linier dapat
melihat besarnya pengaruh variabel independen terhadap variabel dependen.
Untuk itu perlu ditentukan terlebih dahulu variabel independen dan variabel
dependen. Variabel yang dipakai masih sama dengan variabel untuk uji
korelasi.Sebagai variabel independen adalah intake sedangkan variabel
dependen adalah berat badan.
Langkah-langkah:
1. Buka file tekanan darah
2. Pilih analyze pada menu SPSS, klik regresi dan pilih linier sehingga keluar
kotak dialog linier regression

3. Masukkan variabel berat badan pada kotak dependent dan variabel intake
pada kotak independek dan klik ok.

59
 4. Hasil analisis dapat dilihat pada output seperti di bawah ini:

Regression

Variables Entered/Removedb

Variables Variables
Model Entered Removed Method
1 Kalori yang
di
. Enter
komsumsi a
satu hari
a. All requested variables entered.
b. Dependent Variable: Berat badan responden

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .338a .114 .105 9.935
a. Predictors: (Constant), Kalori yang di komsumsi satu
hari

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 1248.964 1 1248.964 12.653 .001a
Residual 9673.626 98 98.710
Total 10922.590 99
a. Predictors: (Constant), Kalori yang di komsumsi satu hari
b. Dependent Variable: Berat badan responden

60
 Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 35.773 5.576 6.415 .000
Kalori yang di
.011 .003 .338 3.557 .001
komsumsi satu hari
a. Dependent Variable: Berat badan responden

Yang perlu diperhatikan adalah tabel Model Summary dan tabel

Coefficients. Pada tabel model summary terlihat nilai koefisien korelasi (r) adalah
0,338. Artinya hubungan antara intake makanan dengan berat badan adalah sedang.
Terlihat juga nilai R2 sebesar 0,114 (11,4%). Artinya sebesar 11,4% berat badan
responden dijelaskan oleh jumlah intake sedangkan selebihnya dijelaskan oleh faktor
lain yaitu 88,6%.
Pada tabel; Coefficient yang perlu diperhatikan adalah nilai koefisien B dan nilai sig.
terlihat bahwa nilai P adalah 0,001. Dengan demikian pada  5% ada hubungan linier
antara komsumsi kalori per hari dengan berat badan responden. Dengan demikian
dapat dibuat garis prediksi dengan rumus :
Y = a + bX
Jadi :
Berat badan = 35,773 + 0,011 (intake)

Contoh :

Jika responden mengkomsumsi kalori 1867 kilo kalori per hari maka denga
menggunakan garis prediksi maka dapat dihitung berat badan responden yaitu :

Berat badan = 35,773 + 0,011 (1867)

= 56,31 kg

61
Penyajian dalam laporan penelitian adalah :
Tabel 1
Hasil analisis regresi hubungan intake dengan berat badan responden
di daerah X tahun 2006

Variabe r R2 Garis regresi Nilai P

l
Intake 0,338 0,114 Berat badan = 35,773 + 0,011 (berat badan) 0,001

Pada tabel di atas terlihat bahwa hubungan intake denagn berat badan berkategori
sedang (r = 0,338) yang berpola positif. Artinya semakin banyak kalori yang
dikomsumsi per hari akan menyebabkan peningkatan berat badan. Sebesar 11,4%
Variabel berat badan dapat dijelaskan oleh variabel intake (koefisien determinasi
11,4%). Karena intake hanya mampu menjelaskan sangat kecil berat badan, maka
garis prediksi tidak tepat digunakan walaupun secara statistik menunjukkan adanya
hubungan linier yang bermakna antara intake dengan berat badan ( P = 0,001).

3. ANALISIS DATA
KATEGORIK-KATEGORIK

UJI CHI SQUARE

Apakah ada hubungan antara umur dengan kadar kolesterol responden.

Umur dikelompokkan atas 2 kelompok yaitu <= 40 tahun dan > 40 tahun.
Kolesterol dikelompokkan atas 2 kelompok yaitu <250 dan >= 250
Ho : Tidak ada hubungan antara umur responden dengan kadar kolesterol dalam darah
Ha : Ada hubungan antara umur responden dengan kadar kolesterol dalam darah
=5%
Langkah-langkah :
1. Buka file tekanan darah
2. Buat terlebih dahulu variabel baru dari variabel umur menjadi umurkel dan
kolesterol menjadi koleskel dengan cara mengelompokkan sesuai dengan
penjelasan di atas dengan cara mengelompokkan (recode). Cara melakukan
recode sudah dijelaskan sebelumnya.

62
3. Lakukan analisis kai kuadrat dengan cara pilih menu Analyze dan klik
Descriptives Statistic, klik crosstabb sehingga muncul kotak dialog crosstab

4. Karena sebagai variabel independen adalah umurkel dan sebagai variabel

dependen adalah koleskel maka masukkan variabel umurkel pada kotak rows
dan variabel koleskel pada kotak colums

5. Klik Statistik, sehingga muncul kotak dialog baru. Pada pojok kiri tandai chi
square dengan cara mengklik, pada bagian nominal interval klik risk dan
klik continue

63
 6. Klik cells sehingga muncul kotak dialog baru dan pada bagian percentages
klik row dan klik continue dan klik ok

7. Hasil output analisis kai kuadrat adalah sebagai berikut

Crosstabs

Case Processing Summary

Cases
Valid Missing Total
N Percent N Percent N Percent
Pengelompokan
umur responden *
100 100.0% 0 .0% 100 100.0%
Pengelompokan
kadar kolesterol

64
 Pengelompokan umur responden * Pengelompokan kadar kolesterol Crosstabulation

Pengelompokan kadar
kolesterol
<250 >=250 Total
Pengelompokan <= 40 tahun Count 57 2 59
umur responden % within Pengelompokan
96.6% 3.4% 100.0%
umur responden
> 40 tahun Count 32 9 41
% within Pengelompokan
78.0% 22.0% 100.0%
umur responden
Total Count 89 11 100
% within Pengelompokan
89.0% 11.0% 100.0%
umur responden

Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 8.513b 1 .004
Continuity Correctiona 6.722 1 .010
Likelihood Ratio 8.678 1 .003
Fisher's Exact Test .007 .005
Linear-by-Linear
8.428 1 .004
Association
N of Valid Cases 100
a. Computed only for a 2x2 table
b. 1 cells (25.0%) have expected count less than 5. The minimum expected count is 4.
51.

Yang perlu diperhatikan adalah tabel crosstab yang memuat tabel silang dua
variabel, tabel chi squre test merupakan hasil uji kai kuadrat dan tabel risk
estimate yang memuat nilai OR. Pada tabel hasil uji perhatikan catatan di
bawahnya yang menjelaskan jumlah sel yang nilai E nya < 5. terlihat bahwa ada
25 % sel yang nilai E nya < 5. Dengan demikian nilai P yang digunakan adalah
nilai P Fisher Exact

65
8. Cara penyajian dilaporan adalah

Tabel
Distribusi responden menurut umur dan kadar kolesterol di Daerah X tahun 2006

Kadar Kolesterol
Kelompok Nilai P OR 95% CI
<250 >=250 Total
umur
n % N % n %
<= 40 tahun 57 96,6 2 3,4 59 100
>40 tahun 32 78 9 22 41 100
0,007 8,016
Jumlah 89 89 11 11 100
(1,631 – 39,392)

Dari 59 orang responden yang berumur <= 40 tahun sebanyak 3,4% mempunyai
kadar kolesterol < 250. Sedangkan dari 41 orang responden sebanyak 22%
mempunyai kadar kolesterol >= 250. Dari hasil uji statistik diperoleh nilai P 0,007
dan nilai OR 8,016 (95% CI: 1,631 – 39,392). Dengan demikian secara statistik
pada tingkat kepercayaan 5% terdapat hubungan yang bermakna antara umur
dengan kadar kolesterol. Responden yang berumur di atas 40 tahun berisiko 8 kali
untuk mempunyai kadar kolesterol >= 250 dibanding responden yang berumur <=
40 tahun dengan 95% CI : 1,631 = 39,392.

66